Multiple Regression. Multiple Regression. Multiple Regression in Matrizenschreibweise. Vertrauensintervalle. Prüfung des Regressionsmodells
|
|
- Nadine Kneller
- vor 5 Jahren
- Abrufe
Transkript
1 TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische ud Ökoometrische Methode I WS 99/ i Matrizeschreibweise Multiples Regressiosmodell Eidimesioale Regressio i Matrizeschreibweise i Matrizeschreibweise Multiples Bestimmtheitsmaß Tafel der Variazaalyse Vertrauesitervalle Vertrauesitervall für die Schätzwerte Idividuelle Vertrauesitervalle für die Koeffiziete Vertrauesellipsoid für de Koeffizietevektor Prüfug des Regressiosmodells Partialtest der multiple Regressioskoeffiziete Test des multiple Bestimmtheitsmaßes Residueaalyse Spezielle Methode der multiple Regressio Stadardisierte partielle Regressioskoeffiziete Multiple Stadard-Regressiosgleichug Sequetielle SQ-Werte Partielles Bestimmtheitsmaß Partieller F-Test Verallgemeierter partieller F-Test Korrigiertes Bestimmtheitsmaß
2 Preis - Motorleistug - Hubraum - Zis Leistug Hubraum Zis Preis Hersteller Modell [kw] 3 [cm ] [%] [DM] Audi A Audi A Audi A Audi A BMW 316i BMW 318i BMW 32i BMW 323i BMW 328i Preis - Motorleistug - Hubraum - Zis Dreidimesioale Regressio MTB > Regress DM 3 kw cm^3 %. Regressio Aalysis The regressio equatio is DM = kw cm^ % Predictor Coef StDev T P Costat kw cm^ % % 3.9% S = R-Sq = 99.1% R-Sq(adj) = 98.5% Aalysis of Variace Source DF SS MS F P Regressio Error Total DM kw cm^3 Source DF Seq SS kw cm^ %
3 Multiples Regressiosmodell Eidimesioale Regressio i Matrizeschreibweise Meßwerte Tupel (x,x,...,x, y ) 1i 2i mi i Matrize y 1 e 1 1 x 1 Lieares Modell x 1i %$ 2 x 2i %ÿ%$ m x mi %e i y e e 2 $ $ X 1 x 2 Desig-Matrix, $ 1, $ 2,...,$ m ubekate Parameter 2 e i ormalverteilt mit E(e i) = ud Var(e i) = F, ukorreliert Regressioshyperebee i der Grudgesamtheit y e 1 1 Modellgleichuge 6 Vektorgleichug y 1 1 x 2 x 1 %e 1 E(y) x 1 %$ 2 x 2 %ÿ%$ m x m Erwartugswerte E( ) liege auf eier Hyperebee x i %e i für (11,2,ÿ,): x 2 %e 2 Parameterschätzug y x %e Ubekate wahre Parameter werde durch empirische Parameter geschätzt Matrizegleichug der Regressio ˆ b, ˆ$ 1 b 1, ˆ$ 2 b 2,..., ˆ$ m b m y 1 1 x 1 e 1 Schätzug der Erwartugswerte 1 x $ 1 % e 2 y 1 x e ŷ(x)b %b 1 x 1 %b 2 x 2 %ÿ%b m x m ŷ Schätzwert für E(y) kurz: yx@$%e bzw. E(y)X@$
4 Bestimmug der empirische Regressioskoeffiziete Gaußsches Prizip der kleiste Quadrate SQ(b,b 1 ) j e 2 i j (yi &ŷ i )2 j SQ(b)(y&X@b) 6 Miimum (yi &b &b 1 x i )2 6 Miimum (y&x@b) MSQ(b) &X Mb Normalgleichugssystem b % j x i b 1 j j x i b % j X x 2 i b 1 j x i Regressioskoeffiziete b 1 j 1 %b 1 j x i y&b 1 x j x i & 1 j b 1 j x 2 i & 1 j b X x i j x i 2 j (xi &x)( &y) SP xy s xy SQ x s 2 j (xi &x)2 x Streuuge ud Tafel der Variazaalyse SQ Total SQ y j SQ Regressio j ( &y) 2 j (ŷ i &y) 2 j i & y SQ Rest SQ Total &SQ Regressio y ŷ 2 i & (X@b) b b Variatiosursache SQ FG MQ F MQ b Regressio Regressio 1 SQ Regressio MQ Rest Rest y 2 Total y 1 SQ Rest &2 s 2 R Variaz-Kovariaz-Matrix: ˆ Var(b)s 2 R (X &1
5 i Matrizeschreibweise Matrize y y 1 e e 1 e 2 $ $ 1 y e 1 $ 1 m (m%1) 1 1 x 11 x 21 þ x m1 1 x 12 x 22 þ x m2 X " 1 x 1 x 2 þ x m (m%1) Modellgleichuge 6 Vektorgleichug x i %e i für (,2,ÿ,): y 1 y x 11 %$ 2 x 21 %ÿ%$ m x m1 %e 1 x 12 %$ 2 x 22 %ÿ%$ m x m2 %e 2 x 1 %$ 2 x 2 %ÿ%$ m x m %e Matrizegleichug der Regressio y 1 y 1 x 11 x 21 þ x m1 1 x 12 x 22 þ x " 1 x 1 x 2 þ x m $ 1 % e 1 e 2 $ m e kurz: yx@$%e bzw. E(y)X@$ i Matrizeschreibweise Modell: Schätzug der multiple oder partielle Regressioskoeffiziete: Variaz-Kovariaz-Matrix: Multiples Bestimmtheitsmaß: Tafel der Variazaalyse: yx@$%e b X ˆ Var(b)s 2 R (X &1 B SQ Regressio SQ Total Variatiosursache SQ FG MQ F SQ b Regressio Regressio m m MQ Regressio MQ Rest Rest y m 1 Total y 1 SQ Rest &m&1 s 2 R
6 Vertrauesitervalle Test der multiple Regressioskoeffiziete Partialtests Vertrauesitervall für die Schätzwerte ŷ i ±t X T i 1&" X i: i-te Zeile der Desigmatrix X Idividuelle Vertrauesitervalle für die Koeffiziete Testgröße: t b k &b ( k s bk H : $ k $ ( k die adere Regressore sid i der Gleichug H 1 : Ablehug vo H, we: b k ±t d kk 1&" kk d : k-tes Diagoalelemet vo (X &1 $ k >$ ( k $ k <$ ( k t >t &m&1;1&" t <&t &m&1;1&" Vertrauesellipsoid des Koeffizietevektors $ k $ ( k t >t &m&1;1&"/2 (b&$) 2 R $ 1 Test des multiple Bestimmtheitsmaßes Globaltest außerhalb VI 1-" ( b, b 1 ) ierhalb Testgröße: F MQ Regressio SQ Regressio /m MQ Rest SQ Rest /(&m&1) (&m&1)b m(1&b) H : H 1 : B bzw. $ 1 $ 2 ÿ$ k œk1,2,ÿ,m B> bzw. k: $ k (k1,2,ÿ,m) Ablehug vo H, we: VI 1-" F >F m,&m&1;1&"
7 Mais NPK Mais NPK - Grafik MTB > Prit N P K Ertrag Ertrag Row N P K Ertrag MTB > Correlatio Ertrag N P K. Correlatios (Pearso) Ertrag N P N.669. P K Cell Cotets: Correlatio P-Value N P 25 K 75
8 Mais NPK - Regressio Mais NPK - Variaz-Kovariaz-Matrix MTB > Name c5 = Fits c6 = Resid MTB > Name K1 = MQ_Rest m1 = (X^TX)^(-1) MTB > Regress Ertrag 3 N P K; SUBC> Fits Fits; SUBC> Residuals Resid; SUBC> MSE MQ_Rest; SUBC> XPXIverse (X^TX)^(-1); SUBC> DW. Regressio Aalysis The regressio equatio is Ertrag = N P +.63 K Predictor Coef StDev T P Costat N P K S = 9.78 R-Sq = 58.2% R-Sq(adj) = 52.7% Aalysis of Variace Source DF SS MS F P Regressio Error Total Source DF Seq SS N P K Durbi-Watso statistic = 2.4 MTB > Prit MQ_Rest (X^TX)^(-1). MQ_Rest Matrix (X^TX)^(-1) MTB > Name m2 Var(b) MTB > Multiply MQ_Rest (X^TX)^(-1) Var(b). MTB > Prit Var(b). Matrix Var(b) MTB > Diagoal Var(b) c7. MTB > Let C7 = SQRT(C7) MTB > Name c7 StDev(b) MTB > Prit StDev(b). StDev(b)
9 Mais NPK - Regressio über Matrize Mais NPK - Regressio über Matrize MTB > Name m3 X MTB > Set c8 DATA> 1( 1 : 1 / 1 )27 DATA> Ed. MTB > Copy C8 N P K X. MTB > Prit X. MTB > Name m4 X^T MTB > Traspose X X^T. MTB > Name m5 y MTB > Copy Ertrag y. MTB > Name m6 X^TX MTB > Multiply X^T X X^TX. Matrix X MTB > Ivert X^TX (X^TX)^(-1) MTB > Name m7 (X^TX)^(-1)X^T MTB > Multiply (X^TX)^(-1) X^T & CONT> (X^TX)^(-1)X^T. MTB > Name m8 b MTB > Multiply (X^TX)^(-1)X^T y b. MTB > Prit b. Matrix b MTB > Name c8 Koeff MTB > Copy b Koeff. MTB > Prit Koeff. Koeff
10 Mais NPK - Grafische Residueaalyse Frequecy Residual Residual Model Diagostics Normal Plot of Residuals I Chart of Residuals Histogram of Residuals Residuals vs. Fits Residual Residual Normal Score Observatio Number Residual Fit SL=28.64 X=. -3.SL= Stadardisierte Regressio Stadardisierte partielle Regressioskoeffiziete b ) k b s x k s y (k1,2,ÿ,m) Multiple Stadard-Regressiosgleichug ŷ&ȳ s y b ) x 1 & x 1 s x1 %b ) x 2 & x 2 s x1 %ÿ%b ) x m & x m s xm Preis - Motorleistug - Hubraum - Zis Stadardisierte Regressio MTB > Describe DM kw cm^3 %. Descriptive Statistics Variable N Mea Media TrMea StDev SE Mea DM kw cm^ % DM25535%199@kW%3.8@cm ˆ 3 &1998@% DM&46667 ˆ 199@ kw&16 %3.8@ cm3 &2157 &1998@ %&
11 Preis - Motorleistug - Hubraum - Zis Stadardisierte multiple Regressiosgleichug MTB > Name c2 DMs MTB > Name c21 kws MTB > Name c22 cm^3s MTB > Name c23 %s MTB > Ceter DM - % DMs - %s. MTB > Regress DMs 3 kws cm^3s %s. SQ-Ateil a SQ ble erklärt wird Sequetielle SQ-Werte Regressio SQ seq b k SQ bk b,b 1,ÿ,b k&1 (k1,2,ÿ,m), der zusätzlich vo eier eizele Varia- SQ Regressio b SQ seq b 1 b %SQ seq b 2 b,b 1 %ÿ%sq seq b m b,b 1,ÿ,b m&1 Regressio Aalysis The regressio equatio is DMs = kws +.22 cm^3s -.15 %s Predictor Coef StDev T P Costat kws cm^3s %s S =.129 R-Sq = 99.1% R-Sq(adj) = 98.5% Aalysis of Variace Source DF SS MS F P Regressio Residual Total 8 8. Source DF Seq SS kws cm^3s 1.34 %s Preis - Motorleistug - Hubraum - Zis Sequetielle SQ-Werte Aalysis of Variace Source DF SS MS F P Regressio Residual Total 8 8. Source DF Seq SS Reihefolge kws cm^3s %s kws cm^3s 1.34 %s Source DF Seq SS Reihefolge cm^3s kws %s cm^3s kws %s Regressio
12 Partielles Bestimmtheitsmaß Ateil der durch Eiflußgröße erklärte Gesamtvariatio, we Eifluß der adere Größe elimiiert ist Quadrat des partielle Korrelatioskoeffiziete zweidimesioal: B part yx 2.x 1 r 2 yx 2.x 1 r yx2 &r x1 x 2 (1&r 2 x 1 x 2 )@(1&r 2 yx 1 ) 2 Fragestellug: Partieller F-Test Welche zusätzliche Ateil a der Abweichugsquadratsumme erklärt ei Regressor, uter der Voraussetzug, daß alle adere Regressore bereits i der Regressiosgleichug sid? Verbessert die Aufahme eies Regressors x k zu de übrige bereits vorhadee Re- gressore x 1, x 2,..., x k-1 das Bestimmtheitsmaß wesetlich? Preis - Motorleistug - Hubraum - Zis Partielle Bestimmtheitsmaße Aalysis of Variace Source DF SS MS F P Regressio Residual Total 8 8. Source DF Seq SS kws cm^3s 1.34 %s B DMs,kWs = / 8 =.97 = 97.% B DMs,cm^3s kws =.731 / 8 =.4 =.4% B DMs,%s cm^3s,kws =.1637 / 8 =.25 = 2.5% B = 97.% +.4% + 2.5% = 99.9% = 99.1% H : $ k ŷb %b 1 x 1 %b 2 x 2 %ÿ%b k x k F (k) durch letzte Regressor erklärte zusätzliche Var. uerklärte Variatio / (&m&1) SQ seq b k b,b 1,ÿ,b k&1 SQ Rest /(&m&1) SQ seq b k b,b 1,ÿ,b k&1 MQ Rest (B&B k&1 ) (1&B) /(&m&1) )B (1&B) /(&m&1) Aahme der Alterative H 1 : $ k ŷb %b 1 x 1 %b 2 x 2 %ÿ%b k x k, we F (k) >F 1,&m&1;1&" Partieller F-Test ist idetisch mit partiellem t-test des letzte Regressors, da t (k) b k F (k) ud t &m&1;1&"/2 s F 1,&m&1;1&" bk
13 Verallgemeierter partieller F-Test Korrigiertes Bestimmtheitsmaß Fragestellug: Welche zusätzliche Ateil a der Abweichugsquadratsumme erkläre die letzte r Regressore, uter der Voraussetzug, daß alle adere Regressore bereits i der Regressiosgleichug sid? Verbessert die Aufahme der letzte r Regressore das Bestimmtheitsmaß wesetlich? H : $ k&r%1 ÿ$ k ŷb %b 1 x 1 %ÿ%b k x k B SQ Regressio 1& SQ Rest SQ Total SQ Total Bei jedem zusätzliche Regressor verrigert sich SQ Rest. Dadurch wird das Bestimmtheitsmaß größer, auch we eigetlich kei wesetlicher Eifluß auf die Regressio vorhade ist. Auch die Freiheitsgrade des Fehlers werde kleier. Das korrigierte Bestimmtheitsmaß berücksichtigt die Azahl der Regressore: F (r) durch letzte r Regressore erkl. zusätzl. Var. / r uerklärte Variatio / (&m&1) j r SQ seq letzte r Regressore / r SQ Rest /(&m&1) j r SQ seq letzte r Regressore / r MQ Rest (B&B k&r )/r (1&B) /(&m&1) )B (1&B) /(&m&1) B korr B adj 1& SQ Rest /(&m&1) SQ Total /(&1) Es diet zum Vergleich der Güte verschiede dimesioaler Regressiosmodelle. Das korrigierte Bestimmtheitsmaß ist immer kleier als das ukorrigierte Bestimmtheitsmaß, da m >. Es ka bei zusätzlicher Aufahme eier Variable sogar kleier werde. Vergleich vo mit F (r) F r,&m&1;1&"
Zweidimensionale Regression. Zweidimensionale Regression. Regressionsebene. Güte des Regressionsmodells. Vertrauensintervalle für die Koeffizienten
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische ud Ökoometrische Methode I WS / Regressiosebee Zweidimesioales Regressiosmodell
MehrResiduenanalyse. Residuenanalyse. Grafische Residuenanalyse. Test auf Normalverteilung der Residuen. Test auf Autokorrelation der Residuen
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische ud Ökoometrische Methode I WS 99/ Grafische Histogramm Wahrscheilichkeitsplot
MehrResiduenanalyse. Stickstoffdüngung - Ertrag. ! Shapiro-Wilk-Test auf Normalverteilung. ! Durbin-Watson-Test auf Autokorrelation
Residueaalyse! Shapiro-Wilk-Test auf Normalverteilug! Durbi-Watso-Test auf Autokorrelatio! Rus-Test auf Zufälligkeit Stickstoffdügug - Ertrag MTB > Prit 'N'-'St.Res.'. Data Display Row N Ertrag Fits Res.
MehrMultiple Regression Mais-NP Zweidimensionale lineare Regression Data Display Dreidimensionale lineare Regression Multiple Regression
Multiple Regression! Zweidimensionale lineare Regression Modell Bestimmung der Regressionsebene Multiples Bestimmtheitsmaß Test des Bestimmtheitsmaßes Vertrauensintervalle für die Koeffizienten Test des
MehrEindimensionale Regression. Eindimensionale Regression. Regressionsgerade. Güte des Regressionsmodells. Vertrauensintervalle
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Bometrsche ud Ökoometrsche Methode I WS 00/0 Regressosgerade Edmesoaleegressosmodell Emprsche
MehrSchrittweise Regression. Schrittweise Regression. Verfahren und Kriterien. Multikollinearität. Vorwärtsauswahl und Rückwärtselimination
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden I WS /1 Verfahren und Kriterien Partielle Korrelationskoeffizienten
MehrBiometrische und Ökonometrische Methoden I! Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 98/99 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 9 1. a) MTB > name c1 'DM'
MehrBiometrische und Ökonometrische Methoden I! Lösungen 6
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 6 1. a) MTB > Read "H:\STUDENT\MINITAB\CNP.DAT"
MehrRepräsentativität und Unabhängigkeit
Repräsetativität ud Uabhägigkeit Ziel: Bestmögliche Erassug der Eigeschate der Grudgesamtheit Problem: Beurteilug der Repräsetativität ist ur durch umassede Iormatio über die Grudgesamtheit möglich Asatz:
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug 9. Vorlesug Joche Köhler 1 Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr
MehrBiometrische und Ökonometrische Methoden I Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 9 1. a) MTB > Retrieve "H:\STUDENT\MINITAB\OPELVW.MTW".
Mehrs xy x i x y i y s xy = 1 n i=1 y 2 i=1 x 2 s 1 n x n i Streudiagramme empirische Kovarianz x=5,5 y=7,5
Streudiagramme für metrisch skalierte Variable paarweise Messwerte (x,y) x 5 7 y 7 5 7 5 5 7 Aussage zu Zusammehäge. empirische Kovariaz Stadardabweichug der WertPAARE x i x y Wert x Mittelwert aller x
MehrBiometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 96/97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 24.1.97,
MehrBiometrische und Ökonometrische Methoden I Lösungen 7
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 7 1. MTB > Retrieve 'H:\STUDENT\MINITAB\FAMILIE.MTW'.
Mehr1. Einleitung. Uni- und bivariate Datenanalyse. Auswertung eines Merkmals. Verbundene Auswertung zweier Merkmale
. Eileitug Ui- ud ivariate Dateaalyse Uivariate Dateaalyse uswertug eies Merkmals Beispiele: Uivariate Häufigkeitsverteiluge, arithmetisches Mittel, Variaz ud Stadardaweichug Bivariate Dateaalyse Verudee
Mehr8. Regressionsanalyse
8. Regressiosaalyse Beschreibug der Abhägigkeit zweier Merkmale Gegebe eie Stichprobe (X ; Y ) : : : (X ; Y ) zur Grudgesamtheit (X; Y ), = corr(x; Y ) Korrelatioskoe ziet, R empirischer Korrelatioskoe
Mehr6.2 Prüfen von Restriktionen - Granger-Kausalität
6.2 Prüfe vo Restriktioe - Grager-Kausalität 6.28 Aufteile des Variablevektors y t i zwei Teilvektore y 1t (N 1 1) ud y 2t (N 2 1). Sid Koeffiziete φ i de Gleichuge vo y 1t für die Abhägigkeit vo alle
MehrBiometrische und Ökonometrische Methoden I! Lösungen 8
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 8 MTB > Retrieve 'H:\STUDENT\MINITAB\GAEU.MTW'.
MehrBiometrische und Ökonometrische Methoden I! Lösungen 3
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 3 1. MTB > Retrieve 'H:\STUDENT\MINITAB\TREES.MTW'.
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 9 1 Ihalt der heutige Übug Statistik ud Wahrscheilichkeitsrechug Iformatioe zur Testatprüfug Besprechug der der Hausübug
MehrBiometrische und Ökonometrische Methoden I! Lösungen 4
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 4 1. a) MTB > name c1 'H2O'
MehrBiometrische und Ökonometrische Methoden I Lösungen 4
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 4. a) MTB > name c 'H2O' c2 'N'
Mehr6 Vergleich mehrerer unverbundener Stichproben
6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
MehrRegression mit Dummyvariablen. Regression mit Dummyvariablen. Variablentypen. Regressionsmodelle. Bezug auf einzelne Variablen.
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden I WS 00/01 Variablentypen Qualitative und e Variablen
MehrHerleitung der Parameter-Gleichungen für die einfache lineare Regression
Herleitug der Parameter-Gleichuge für die eifache lieare Regressio Uwe Ziegehage. März 03 Historie v.0 6.03.009, erste Versio hochgelade v.0 0.03.03, eie Vorzeichefehler beseitigt, diverse Gleichuge ud
MehrSo lösen Sie die Gleichung für den Korrelationskoeffizienten
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Dabei sid Datepukte ( x 1, y 1 ),( x 2, y 2 ), ( x, y ) gegebe.
MehrÖkonometrie Formeln und Tabellen
Ökoometrie Formel ud Tabelle Formelsammlug 1 Lieares Modell ud KQ-Schätzug 11 Eifachregressio Lieares Modell: Y i = β 0 + β 1 x i + U i, i = 1,2,, Aahme des lieare Modells: A1: E[U i ] = 0 für alle i =
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 4 26..,
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
Mehr10. Grundlagen der linearen Regressionsanalyse 10.1 Formulierung linearer Regressionsmodelle
10. Grudlage der lieare Regressiosaalyse 10.1 Formulierug liearer Regressiosmodelle Eifaches lieares Regressiosmodell: Das eifache lieare Regressiosmodell ist die simpelste Form eies ökoometrische Modells
MehrKapitel XI - Korrelationsrechnung
Istitut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökoometrie ud Statistik Kapitel XI - Korrelatiosrechug Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Seska Carlo Siebeschuh Aufgabe der Korrelatiosrechug
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
MehrZweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse
Ziel Überprüfug der Gleichheit der Erwartugswerte eies Merals i Utergruppe, die vo zwei Fatore erzeugt werde Fator A i a Stufe Fator B i b Stufe Ist jede Stufe vo Fator A it jeder vo Fator B obiiert, spricht
Mehr( ), der genau auf der Geraden ( ) 2 ( ) #( ) 8. Lineare Regression. = f i. Nach der Summe der kleinsten. mx i
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Ziel dieses Verfahres ist es, Beziehuge zwische zwei Merkmale
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 15 45
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meihardt 6. Stoc, Wallstr. 3 (Raum 06-206) Sprechstude jederzeit ach Vereibarug ud ach der Vorlesug. Mathematische ud statistische Methode I Dr. Malte Persie persie@ui-maiz.de http://psymet03.sowi.ui-maiz.de/
MehrMathematische und statistische Methoden I
Mathematische ud statistische Methode I Sprechstude jederzeit ach Vereibarug ud ach der Vorlesug Wallstr. 3, 6. Stoc, Raum 06-06 Dr. Malte Persie persie@ui-maiz.de lordsofthebortz.de twitter.com/methodelehre
MehrVarianzanalyse mit Blockbildung. Varianzanalyse mit Blockbildung. Blockbildung. Datenerhebung in Blöcken
Variazaalse it locbildug ei zu großer Restvariatio ierhalb der Gruppe gegeüber de Uterschiede zwische de Gruppeittelwerte wird der Globaltest der ANOVA icht sigifiat. Ziel Redutio des Versuchsfehlers durch
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrEvaluation & Forschungsstrategien
Evaluatio & Forschugsstrategie WS2/2 Prof. Dr. G. Meihardt Johaes Guteberg Uiversität Maiz Prizipie des statistische Schliesses Samplig - Modellvorstellug Populatio Samplig Stichprobe Kewerte x Theoretische
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik 2 für Naturwisseschafte 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Modul 209 Tabelle Has Walser: Modul 209, Tabelle ii Ihalt Fakultäte... 2 Biomialkoeffiziete... 2 3 Biomische Verteilug... 3
MehrFormelsammlung. Deskriptive Statistik und Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Formelsammlug Deskriptive Statistik ud Elemetare Wahrscheilichkeitsrechug Prof. Dr. Ralf Rude Statistik ud Ökoometrie, Uiversität Siege Prof. Dr. Ralf Rude - Uiversität Siege I Statistische Grudbegriffe
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
Mehr2 Induktive Statistik
Kapitel 2 Iduktive Statistik Seite 19 2 Iduktive Statistik 2.1 Grudprizipie der iduktive Statistik 2.2 Puktschätzug 2.2.1 Schätzfuktioe Defiitio 2.1 Sei X 1,...,X i.i.d. Stichprobe. Eie Fuktio heißt Schätzer
Mehr2. OLS-Schätzung linearer Regressionsmodelle
2. OLS-Schätzug liearer Regressiosmodelle 2.1 Formulierug liearer Regressiosmodelle Eifaches lieares Regressiosmodell: Das eifache lieare Regressiosmodell ist die simpelste Form eies ökoometrische Modells
MehrMethode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrStatistik und Biometrie. Deskriptive Statistik I
Statistik ud Biometrie Deskriptive Statistik I Spruch des Tages Traue keier Statistik, die du icht selbst gefaelscht hast Wiederholug Merkmale Beobachtugseiheite sid Träger vo Merkmale Wiederholug Die
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrBiometrische und Ökonometrische Methoden II Lösungen 2
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 2 1. a) Zunächst wird die Tafel
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik für Naturwisseschafte Modul 0 Regressiosgerade ud Korrelatio Has Walser: Modul 0, Regressiosgerade ud Korrelatio ii Ihalt Die Regressiosgerade.... Problemstellug.... Berechug der
MehrV. Tests bez. zweier Verteilungsfunktionen
7 V. Tests bez. zweier Verteilugsfuktioe Seie X ud Y zwei uabhägige oralverteilte Zufallsvariable, für die zwei kokrete Stichprobe x, x,..., x bzw. y, y,..., y it de Ufäge bzw vorliege. a) X ud Y seie
MehrUmrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung
.3. Prozetuale Häufigkeitsverteilug (HV) Die prozetuale Häufigkeitsverteilug erlaubt de Vergleich vo Auswertuge, dee uterschiedliche Stichprobegröße zugrude liege. Es köe auch uterschiedliche Stichprobegröße
MehrFormelsammlung. zur Klausur. Beschreibende Statistik
Formelsammlug zur Klausur Beschreibede Statistik Formelsammlug Beschreibede Statistik. Semester 004/005 Statistische Date Qualitative Date Nomial skalierte Merkmalsauspräguge (Uterscheidugsmerkmale) köe
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
MehrMusterlösung. Prüfung Statistik Herbstsemester 2011
Prüfug Statistik Herbstsemester 2011 Musterlösug 1. 9 Pukte Lukas ud Markus habe bisher immer Feiste Mii-Brezel 100g des Herstellers Gammelbrot ud Söhe zum Züi gegesse. Vom städige Hugerklage vo Markus
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2014 Mehrdimensionale Datensätze: Multivariate Statistik Multivariate Statistik Mehrdimensionale Datensätze:
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrEinstichprobentests für das arithmetische Mittel
Eistichprobetests für das arithmetische Mittel H 0 : = 0 bzw. H 0 : 0 H 1 : 0 zweiseitiger Test) H 1 : 0 zweiseitiger Test) Uter Gültigkeit vo H 0 ist die achfolgede Teststatistik stadardormalverteilt.
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrFormelsammlung Statistik 29. Januar 2019
Formelsammlug Statistik Seite 1 Formelsammlug Statistik 9. Jauar 019 Witersemester 018/19 Adreas Löpker, HTW Dresde 1. Deskriptive Statistik (F1) Stichprobe x vom Umfag, Stichprobe y vom Umfag m x = (x
MehrGrundlagen der Biostatistik und Informatik
Vergleich vo mehrere Stichprobe Grudlage der Biostatisti ud Iformati Hypotheseprüfuge III., Nichtparametrische Methode dr László Smeller Semmelweis Uiversität 0 Vergleich vo mehrere Stichprobe Boferroi
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
MehrRegression mit Dummyvariablen
Regression mit Dummyvariablen! Variablentypen Qualitative und e Variablen Dummyvariablen Binäre Dummycodierung! Regressionsmodelle Getrennte Regression Gemeinsame Regression Gemischte Regression! Bezug
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrEvaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
MehrParameterschätzung. Numero, pondere et mensura Deus omnia condidit
Parameterschätzug Numero, podere et mesura Deus omia codidit Populatio, Zufallsvariable, Stichprobe Populatio Zufallsvariable X Stichprobe x eie"realisierug vo X (Beobachtug) alle mäliche Rekrute der US
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrMultivariate Analysemethoden und Multivariates Testen
Multivariate Aalysemethode ud Multivariates Teste Stude im Mai Güter Meihardt Johaes Guteberg Uiversität Maiz Priziie des statistische Schliesses Samlig - Modellvorstellug Poulatio Samlig Stichrobe Kewerte
MehrVarianzanalyse. Varianzanalyse. Varianzanalyse. Varianzanalyse
Variazaalse Ziel Überrüfug der Gleichheit der Erwartugswerte eies metrische Mermals zwische drei oder mehr Utergrue, somit Verallgemeierug des T-Tests, der ur Erwartugswerte zwische zwei Grue vergleicht
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrWichtige Verteilungen
Wichtige Verteiluge Gaußsche Glockekurve ormalverteilug Logarithmische ormalverteilug Histogramm mit Glockekurve 3 Biomial- oder Beroulli-Verteilug Poisso-Verteilug Hypergeometrische Verteilug Epoetialverteilug
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik für Naturwisseschafte 00 180 160 Fraue 140 10 100 80 80 100 10 140 160 180 00 Mäer Modul 08 Teste vo Hypothese Has Walser: Modul 08, Teste vo Hypothese ii Ihalt 1 Ma-Whitey-U-Test
MehrNichtlineare Regression. Nichtlineare Regression. Linearisierbare Funktionen. Nicht linearisierbare Funktionen. Methode der kleinsten Quadrate
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Bioetrische und Öonoetrische Methoden I WS 99/ Linearisierbare Funtionen Polynoe Exponentialfuntionen
MehrFormelsammlung zur Statistik
Darstellug uivariater Date Formelsammlug zur Statistik Urliste x i : x 1,... x, aufsteiged geordete Urliste x (i) Die k (verschiedee) Auspräguge: a 1
MehrWeitere Lagemaße: Quantile/Perzentile I
3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile I Für jede Media x med gilt: Midestes 50% der Merkmalswerte sid kleier gleich x med ud ebeso midestes 50% größer gleich
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrBiometrische und Ökonometrische Methoden I! Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 1 Minitab quittiert das Einlesen
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
MehrDIPLOMARBEIT. Lineare Regression & Hauptkomponentenanalyse. Verfasser: Hofegger Manuel. Angestrebter akademischer Grad:
DIPLOMARBEIT Lieare Regressio & Hauptkompoeteaalyse Verfasser: Hofegger Mauel Agestrebter akademischer Grad: Magister der Naturwisseschafte Wie, im April 2015 Studiekezahl laut Studieblatt: A 190 456 406
MehrAnwendung für Mittelwerte
Awedug für Mittelwerte Grudgesamtheit Stichprobeziehug Zufalls- Stichprobe... "wahre", ubekate Mittelwert der Grudgesamtheit icht zufällig?... beobachtete Mittelwert zufällig Statistik für SoziologIe 1
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
Mehr