4. Auswertung eindimensionaler Daten
|
|
- Markus Kirchner
- vor 8 Jahren
- Abrufe
Transkript
1 4. Auswertung eindimensionaler Daten Ziel dieses Kapitels: Präsentation von Methoden zur statistischen Auswertung eines einzelnen Merkmals 64
2 Bezeichnungen (Wiederholung): Merkmalsträger: e 1,..., e n Grundgesamtheit: G = {e 1,..., e n } Zu untersuchendes Merkmal: X Mögliche Merkmalswerte: ξ 1,..., ξ J Daten in Urliste: x 1,..., x n 65
3 Fragestellungen: Formale und grafische Darstellung der Daten Berechnung aussagekräftiger Kenngrößen der Daten Vorgehensweise: Vorstellung der statistischen Methoden anhand des Skalenniveaus des Merkmals X 66
4 4.1 Beliebig skalierte Daten Skalenniveau des zu untersuchenden Merkmals X: Nominalskala (oder höher) Häufigkeiten des Merkmals X mit Ausprägungen ξ 1,..., ξ J : Absolute Häufigkeit der Ausprägung ξ j (j = 1,... J): n j = Anzahl von Daten mit Merkmalswert ξ j Relative Häufigkeit der Ausprägung ξ j (j = 1,... J): f j = n j n = Anteil von Daten mit Merkmalswert ξ j 67
5 Offensichtlich gilt: 0 n j n sowie J j=1 n j = n (warum?) 0 f j 1 sowie J j=1 f j = 1 (warum?) Jetzt: Mit den Begriffen der absoluten und relativen Häufigkeiten gelangt man zur 1. Darstellungsform des Merkmals X, nämlich zur Häufigkeitstabelle 68
6 Definition 4.1: (Häufigkeitstabelle) Unter der Häufigkeitstabelle des Merkmals X versteht man die folgende tabellarische Darstellung: j ξ j n j f j = n j /n 1 ξ 1 n 1 f 1 2. ξ 2. n 2. f 2. J ξ J n J f J Summe: n 1 69
7 Beispiel (Verkehrsmittelbenutzung): Grundgesamtheit bestehe aus 20 Beschäftigten eines Betriebes, d.h. G = {e 1,..., e 20 } Zu untersuchendes Merkmal X: Benutztes Verkehrsmittel zum Arbeitsplatz Merkmalsausprägungen: ξ 1 = Bus ξ 2 = PKW ξ 3 = Motorrad ξ 4 = Fahrrad ξ 5 = zu Fuß 70
8 Erhobene Urliste: 1, 1, 2, 2, 2, 4, 3, 5, 2, 2, 5, 2, 4, 1, 1, 2, 2, 1, 2, 1 Häufigkeitstabelle: j ξ j n j f j = n j /n 1 Bus 6 6/20 = PKW 9 9/20 = Motorrad 1 1/20 = Fahrrad 2 2/20 = zu Fuß 2 2/20 = 0.10 Summe:
9 Man beachte den folgenden Trade-Off : Übergang von Urliste zur Häufigkeitstabelle erhöht die Übersichtlichkeit führt zu einem Informationsverlust Grafische Darstellungen von Häufigkeitstabellen durch Säulendiagramme Balkendiagramme 72
10 Balken- oder Stabdiagramm (absolute Häufigkeiten) Bus PKW Motorrad Fahrrad zu Fuß Kuchen- oder Kreisdiagramm (relative Häufigkeiten) Motorrad 5% Fahrrad 10% zu Fuß 10% PKW 45% Bus 30%
11 Vorsicht bei der Interpretation von Grafiken: Grafiken können auf viele Weisen manipuliert werden Manipulation muss nicht immer schlecht sein Verzerren der Achsen Bestimmte Bereiche werden hervorgehoben Bestimmte Bereiche werden unterdrückt Skalierungen der Y -Achsen Bestimmte Entwicklungen werden dramatisiert Bestimmte Entwicklungen werden verschwiegen 74
12 Wichtige Kennzahl einer Datenreihe ist der Modus: Definition 4.2: (Modus) Ein Merkmalswert ξ j heißt Modus, wenn seine (absolute oder relative) Häufigkeit mindestens so groß ist wie die aller anderen Merkmalswerte, d.h. wenn n j n k für alle k {1,..., J} gilt. Offensichtlich: Eine Datenreihe kann mehrere Modi aufweisen 75
13 4.2 Mindestens ordinal skalierte Daten Jetzt: Daten seien mindestens ordinal skaliert, d.h. erhobene Daten können sinnvoll geordnet werden Wichtige Darstellungsform der Daten: Empirische Verteilungsfunktion 76
14 Definition 4.3: (Empirische Verteilungsfunktion) Gegeben seien die Daten x 1,..., x n einer Urliste. Für jede reelle Zahl x R definiert man die empirische Verteilungsfunktion an der Stelle x (in Zeichen: F (x)) als den Anteil der Daten x 1,..., x n, die kleiner oder gleich x sind: Bemerkung: F (x) = Anzahl aller x i x. n Es gibt alternative Möglichkeiten, die empirische Verteilungsfunktion auszudrücken. Z.B. kann man alle Merkmalsausprägungen ξ j (j = 1,..., J) betrachten, die kleiner oder gleich x sind und deren relative Häufigkeiten f j = n j /n aufsummieren: F (x) = f j ξ j x 77
15 Beispiel (Klausurnoten): [I] 16 Studierende erzielten in einer Klausur die folgenden ganzzahligen Noten: 3, 4, 2, 1, 2, 4, 5, 5, 2, 1, 4, 5, 3, 3, 2, 4 Zur Berechnung der emp. VF sortieren wir die Urliste von der kleinsten zur größten Beobachtung 1, 1, 2, 2, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5 78
16 Beispiel (Klausurnoten): [II] Die emp. VF ergibt sich wie folgt: F (x) = = für x < 1 = für 1 x < 2 = für 2 x < 3 = für 3 x < = für 4 x < = für x 5 79
17 1 0,8 0,6 0,4 0, Bemerkung: Wir notieren die vom kleinsten Datenwert (Minimum) zum größten Datenwert (Maximum) geordnete Urliste als x (1) x (2)... x (n). (x (1) = Minimum der Urliste, x (n) = Maximum) 80
18 Eigenschaften der empirischen Verteilungsfunktion: [I] F (x) = 0 für alle x < x (1) F (x) = 1 für alle x x (n) F (x) ist eine Treppenfunktion. Sprünge erfolgen an den Stellen, die als Daten in der Urliste vorkommen. Die Sprunghöhe an der Stelle x = ξ j beträgt f j = n j /n. F (x) ist rechtsseitig stetig Ist die Urliste sehr lang (d.h. n sehr groß), so wird F (x) immer glatter 81
19 Eigenschaften der empirischen Verteilungsfunktion: [II] Aus F (x) lassen sich die beobachteten Merkmalswerte und deren relativen Häufigkeiten rekonstruieren. Kennt man zusätzlich noch n, so folgen aus F (x) auch die absoluten Häufigkeiten Wichtige Kennzahlen einer Datenreihe: Quantile Definition der Quantile über emp. Verteilungsfkt. F (x) 82
20 Definition 4.4: (p-quantil) Gegeben seien die Daten x 1,..., x n einer Urliste. Man betrachte eine beliebige reelle Zahl p mit 0 < p < 1. Das p-quantil (oder der p 100%-Punkt) der Daten (in Zeichen: x p ) ist definiert als x p = min {x R F (x) p} = kleinstes x R für das gilt F (x) p. Bemerkung: Das p-quantil x p ist also der kleinste Wert x R mit der Eigenschaft, dass mindestens p 100% der Daten kleiner oder gleich x p sind 83
21 Bisher: Bestimmung von Quantilen über emp. Verteilungsfunktion F (x) Jetzt: Technische Vorschrift (Algorithmus) zur Bestimmung von Quantilen aus der Urliste x 1,... x n (ohne Berechnung der emp. VF F (x)) Betrachte dazu: Geordnete Urliste der Daten x (1) x (2)... x (n) 84
22 Das p-quantil ist dann gegeben durch: x p = { x(n p), falls n p ganzzahlig ist x ( n p +1) sonst ( n p bezeichnet den ganzzahligen Anteil von n p) Definition 4.5: (Spezielle Quantile) Einige p-quantile haben besondere Namen: Median (p = 0.5): x 0.5 Quartile (p = 0.25, 0.5, 0.75): x 0.25, x 0.5, x 0.75 Quintile (p = 0.2, 0.4, 0.6, 0.8): x 0.2, x 0.4, x 0.6, x
23 Beispiel (Klausurnoten): [I] Urliste (ungeordnet) x 1 x 2 x 3 x 4 x 5 x 6 x 7 x x 9 x 10 x 11 x 12 x 13 x 14 x 15 x Geordnete Urliste x (1) x (2) x (3) x (4) x (5) x (6) x (7) x (8) x (9) x (10) x (11) x (12) x (13) x (14) x (15) x (16)
24 Beispiel (Klausurnoten): [II] Berechnung des 0.25-Quantils: n = 16, p = 0.25 n p = = 4 (ganzzahlig) x 0.25 = x (n p) = x (4) = 2 Berechnung des Medians: n = 16, p = 0.5 n p = = 8 (ganzzahlig) x 0.5 = x (n p) = x (8) = 3 Berechnung des 0.8-Quantils: n = 16, p = 0.8 n p = = 12.8 (nicht ganzzahlig) x 0.8 = x ( n p +1) = x ( ) = x (12+1) = x (13) = 4 87
25 4.3 Metrisch skalierte Daten Jetzt: Metrisch skaliertes Merkmal X (vgl. Folie 29) Rechenoperationen mit Daten x 1,..., x n sinnvoll Unter dieser Voraussetzung: Einführung von Kennzahlen zur Beschreibung der Lage (Abschnitte 4.3.1, 4.3.2) der Streuung (Abschnitt 4.3.3) der Symmetrie (Abschnitt 4.3.6) der metrisch skalierten Daten x 1,..., x n 88
26 4.3.1 Lagemessung Wichtige Frage der deskriptiven Statistik: Beschreibung des Lagezentrums der erhobenen Daten x 1,..., x n durch geeignete Kennzahlen (Lagekennziffern, Lagemaße) Man beachte: Je nach Skalenniveau der Daten kommen unterschiedliche Lagemaße in Betracht 89
27 Beispiele: Für ordinal skalierte Daten kennen wir bereits den Modus (häufigster Wert einer Datenreihe) den Median (0.5-Quantil, 50%-Wert) Wichtigstes Lagemaß für metrisch skalierte Daten: Definition 4.6: (Arithmetisches Mittel) Für die metrisch skalierten Daten x 1,..., x n ist das arithmetische Mittel (auch: Mittelwert oder Durchschnitt) definiert durch x = 1 n (x 1 + x x n ) = 1 n n i=1 x i. 90
28 Eigenschaften des arithmetischen Mittels: [I] Arithm. Mittel und Merkmalssumme n i=1 x i = n x = x + x x } {{ } n mal x liegt zwischen Minimum und Maximum: x (1) = min{x 1,..., x n } x max{x 1,..., x n } = x (n) Schwerpunkteigenschaft: n i=1 (x i x) = n i=1 x i n x = n x n x = 0 91
29 Eigenschaften des arithmetischen Mittels: [II] Minimumeigenschaft: Für x gilt: n i=1 (x i x) 2 = min c R n i=1 (x i c) 2 Weitere Berechnungsmöglichkeiten für x: Anhand von relativen bzw. absoluten Häufigkeiten (vgl. Folie 67) x = 1 n n i=1 x i = 1 n J j=1 ξ j n j = J j=1 ξ j f j 92
30 Beispiel: Grundgesamtheit: n = 520 Haushalte eines Vorortes Merkmal: Anzahl der Haushaltsmitglieder ξ j n j Summe: 520 Durchschnittliche Haushaltsgröße: x = ( ) =
31 Verallgemeinerung des arithmetischen Mittels: Das gewogene arithmetische Mittel: x w = n i=1 w i x i mit den Gewichten w 1,..., w n, wobei 0 w i 1 n i=1 w i = 1 94
32 Bemerkungen: Mit w 1 = w 2 =... = w n = 1/n ergibt sich das arithmetische Mittel als Spezialfall Das gewogene Mittel ist zu verwenden, falls das relative Gewicht einzelner Untersuchungseinheiten an der Grundgesamtheit von Bedeutung ist. Soll z.b. der durchschnittliche Strukturwandel in der BRD statistisch erfasst werden, so sind bei der Durchschnittsbildung über die einzelnen Bundesländer deren wirtschaftliche Kapazitäten zu berücksichtigen. Z.B. erhält in der Strukturberichterstattung der gemessene Strukturwandel in NRW ein höheres Gewicht als der des Saarlandes. 95
33 Arithmetisches Mittel vs. Median Wiederholung (vgl. Folie 85): Median ist 0.5-Quantil x 0.5 = { x (n/2), x ( n/2 +1), falls n gerade falls n ungerade Man beachte: Sowohl das arithmetische Mittel x als auch der Median x 0.5 sind populäre Lagemaße 96
34 Vergleich Mittelwert / Median: In die Berechnung von x fließen alle Beobacht. ein Vorteil: Es wird keinerlei Information verschenkt Nachteil: x reagiert empfindlich auf extreme Ausreißer in den Daten x 0.5 wird durch Ermittlung der mittleren Position der geordneten Urliste bestimmt ist robust gegenüber extremen Datenaus- Vorteil: x 0.5 reißern Nachteil: Es wird Information verschenkt, da nur die Position der Beobachtungen eine Rolle spielt 97
35 4.3.2 Weitere Mittelwerte Neben dem (gewogenen) arithmetischen Mittel gibt es eine Reihe weiterer Mittelwerte: Definition 4.7: (Harmonisches, geometrisches Mittel) Es seien x 1,..., x n metrisch skalierte Daten mit x i > 0 für i = 1,..., n. Das harmonische Mittel x H sowie das geometrische Mittel x G sind definiert als x H = 1 1 n n i=1 1 x i = 1 n n i=1 x 1 i 1 98
36 bzw. x G = n x 1 x 2... x n = n x i i=1 1 n. Spezielle Anwendungsgebiete: Harmonisches Mittel: Indizes vom Typ Paasche (Kapitel 5) Geometrisches Mittel: Wachstumsfaktoren und Wachstumsraten (Kapitel 5) 99
37 4.3.3 Streuungsmaße Weitere Frage der dekriptiven Statistik: Wie stark streuen die Daten x 1,..., x n um ein geeignet definiertes Zentrum? (Kennzahlen: Streuungs- oder Dispersionsmaße) Man beachte: Mit alternativen Lagemaßen für das Zentrum ergeben sich unterschiedliche Streuungsmaße Wichtigste Streuungsmaße für metrische Daten: Varianz und Standardabweichung 100
38 Definition 4.8: (Varianz, Standardabweichung) Für die metrisch skalierten Daten x 1,..., x n ist die Varianz (in Zeichen: s 2 ) definiert durch s 2 = 1 n n i=1 (x i x) 2. Die Standardabweichung (in Zeichen: s) ist definiert als die Wurzel aus der Varianz, d.h. s = s 2 = 1 n n (x i x) 2. Bemerkung: i=1 Meist wird bei der Berechnung von s 2 bzw. s nicht durch n, sondern durch n 1 dividiert (Begründung: in Statistik II) 101
39 Eigenschaften von s 2 und s: [I] s 2 hat quadratische Dimension, s hat gleiche Dimension wie die Daten x 1,..., x n Es gilt stets: s 2 0 und s 0 Ferner: s = 0 s 2 = 0 x 1 = x 2 =... = x n, d.h. Varianz und Std.Abwch. sind genau dann gleich 0, wenn alle Daten gleich sind (keine Streuung) 102
40 Eigenschaften von s 2 und s: [II] Alternative Darstellungen: s 2 = 1 n n i=1 x 2 i x2 (Proseminar) s 2 = 1 2n 2 n n i=1 j=1 ( xi x j ) 2 103
41 Zwei weitere zentrale Eigenschaften: [I] Es seien a, b R und x 1,..., x n erhobene Daten eines Merkmals X. Das Merkmal Y sei eine lineare Transformation von X, d.h. Y = a X + b, so dass für die Daten des Merkmals Y gilt y i = a x i + b für alle i = 1,..., n. Dann folgt für die Varianz s 2 Y s Y des Merkmals Y : bzw. die Standardabweichung s 2 Y = a2 s 2 X bzw. s Y = a s X 104
42 Zwei weitere zentrale Eigenschaften: [II] Für jede reelle Zahl c R gilt der Verschiebungssatz: 1 n n i=1 (x i c) 2 = s 2 + (x c) 2 Hieraus folgt die Minimumeigenschaft des arithmetischen Mittels (vgl. Folie 92): Die durchschnittliche quadratische Abweichung der Daten von einem Bezugspunkt c wird minimal, wenn man c = x wählt 105
43 Alternative Streuungsmaße: [I] Mittlere absolute Abweichung vom Median: d = 1 n n i=1 x i x 0.5 Es gilt die Minimierungseigenschaft: d = min c R 1 n n i=1 x i c Quartilsabstand Q Q = x 0.75 x 0.25 (Länge des Bereichs mit mittleren 50% der Daten) 106
44 Alternative Streuungsmaße: [II] Spannweite R R = max {x i} i=1,...,n (Länge des gesamten Datenbereichs) min i=1,...,n {x i} = x (n) x (1) Jetzt: Berechnung von Streuungsmaßen anhand von Häufigkeiten Zur Erinnerung (vgl. Folie 67): Merkmal X hat die J Ausprägungen ξ 1,..., ξ J mit den jeweiligen absoluten Häufigkeiten n 1,..., n J 107
45 Damit folgende Formeln für die Streuungsmaße: s 2 = 1 n s = J j=1 1 J n j=1 ( ξj x ) 2 nj ( ξj x ) 2 nj d = 1 n J j=1 ξ j x 0.5 nj R = max j=1,...,j {ξ j n j > 0} min {ξ j n j > 0} j=1,...,j 108
46 4.3.4 Additionssätze für arithmetische Mittel und Varianzen Ausgangssituation: Grundgesamtheit G gliedert sich in K Teilgesamtheiten G 1,..., G K Mittelwerte bzw. Varianzen in den K Teilgesamtheiten sind x 1,..., x K bzw. s 2 1,..., s2 K Umfänge der Teilgesamtheiten seien n 1,..., n K Damit ist der Umfang der Grundgesamtheit n = K n k k=1 109
47 Frage: Zusammenhänge zwischen dem Mittelwert x bzw. der Varianz s 2 der Grundgesamtheit und den Mittelwerten bzw. Varianzen der Teilgesamtheiten? Additionssatz für Mittelwerte: x = K k=1 x k nk n (Mittelwert der Grundgesamtheit ist gewichtetes Mittel der Mittelwerte der Teilgesamtheiten) 110
48 Additionssatz für Varianzen: s 2 = K s 2 k nk n k=1 } {{ } =s 2 int + K (x k x) 2 nk n k=1 } {{ } =sext 2 Bedeutung der internen bzw. externen Varianzen s 2 int, s2 ext : Interne Varianz ist gewichtetes Mittel aus den Varianzen der Teilgesamtheiten Externe Varianz ist gewichtete quadratische Abweichung der Mittelwerte x k der K Teilgesamtheiten vom Mittelwert x der Grundgesamtheit 111
49 Offensichtlich: Gesamtvarianz lässt sich exakt in Summe aus interner und externer Varianz zerlegen: s 2 = s 2 int + s2 ext Beispiel: 100 (Wieder-)Erwerbstätige wurden nach der Dauer X der früheren Arbeitslosigkeit befragt (in Monaten) Frauen Männer Anzahl Mittlere Arbeitslosigkeitsdauer Std.-Abwchg. der Arbeitslosigkeitsdauer
50 Berechnungen: x = 9.2 s 2 int = = s 2 ext = ( ) = ( ) = s 2 = s 2 int + s2 ext = = s =
51 4.3.5 Stetig klassierte Daten Häufiges praktisches Problem: Daten liegen nicht als Urliste x 1,..., x n vor (Einzeldaten), sondern zusammengefasst nach Klassen (stetig klassierte oder Gruppendaten) Beispiel: Verfügbares Monatseinkommen (in Euro) von 5000 Studierenden 114
52 f j EK-Klasse K j Studierende n j f j j x o j xu j 1 0 bis mehr als 250 bis mehr als 500 bis mehr als 750 bis mehr als Summe: Grund für stetige Klassierung: Bei sehr langen Datenreihen ist die Angabe von Häufigkeiten jedes einzelnen Datenpunktes oft sinnlos 115
53 Notationen zur Auswertung stetig klassierter Daten: Betrachte die J Klassen (Intervalle) K 1 = [x u 1, xo 1 ], K j = (x u j, xo j ], j = 2,..., J, wobei für die Intervallgrenzen gelten soll x u 1 < xo 1 = xu 2 < xo 2 = xu 3 < xo 3 <... < xo J 1 = xu J < xo J Bemerkungen: Die untere Grenze x1 u der 1. Klasse kann sein Die obere Grenze x o J der J. Klasse kann sein n j ist die Anzahl der Daten in Klasse K j f j = n j n ist der Anteil der Daten in Klasse K j 116
54 Damit: Die Häufigkeitsverteilung der stetig klassierten Daten ist gegeben durch bzw. durch (K 1, n 1 ), (K 2, n 2 ),..., (K J, n J ) (K 1, f 1 ), (K 2, f 2 ),..., (K J, f J ) Bemerkung: Es wird nichts über die Datenverteilung innerhalb der Klassen ausgesagt Informationsverlust 117
55 Probleme bei der stetigen Klassierung: Wieviele Klassen J soll man wählen? Faustregel: Wähle bei n Daten J 10 log 10 n Soll man die J Klassen alle gleich breit wählen? Ist es möglich, die oberste Klasse durch eine endliche Obergrenze sinnvoll abzuschließen? 118
56 Definition 4.9: (Empirische Dichte, Histogramm) Den Quotienten n j n (x o j xu j ) = f j x o j xu j bezeichnet man als empirische Dichte der Daten in der Klasse K j, j = 1, 2,..., J. Trägt man die empirischen Dichten als waagerechte Linien über den Klassen ab und zeichnet an den Klassengrenzen senkrechte Linien in Höhe der jeweiligen emprischen Dichten ein, so entsteht ein Histogramm der Daten. 119
57 Empirische Dichten und Histogramm zum Beispiel Studierende 0,002 0,0016 0,0012 0,0008 0,
58 Bemerkungen zum Histogramm: Das Rechteck über der Klasse j hat die Fläche (x o j xu j ) f j x o j xu j = f j Die Gesamtfläche unter dem Histogramm beträgt 1, denn Gesamtfläche = Summe der Rechteckflächen = J j=1 (xj o xu j ) f j x o j xu j = J j=1 f j = 1 121
59 Jetzt: Berechnung statistischer Kenngrößen bei stetig klassierten Daten Zunächst: Empirische Verteilungsfunktion und Quantile Erinnerung: (vgl. Folie 77, Definition 4.3) Der Wert der emp. Verteilungsfunktion F (x) ist definiert als Anteil der Daten, die kleiner oder gleich x sind 122
60 Problem bei stetiger Klassierung: Verteilung der Daten in Klasse K j ist unbekannt Für ein x K j (x nicht auf der Ober- oder Untergrenze) ist der Anteil nicht bestimmbar Vorgehensweise: Betrachte zunächst die x R, für die die emp. Verteilungsfunktion F (x) exakt berechenbar ist 123
61 Zunächst gilt: F (x) = 0 für x < x u 1 1 für x x o J Weiterhin gilt an den Obergrenzen aller Klassen: F (x o j ) = j f r r=1 für alle j = 1, 2,..., J Übrig bleibt: Berechnung von F (x) für x (x u j, xo j ] 124
62 Vorgehensweise: Lineare Interpolation von F (x) für x (x u j, xo j ]: F (x) F (x u j ) + f j x o j xu j = F (x o j 1 ) + f j x o j xu j (x x u j ) (x x u j ) = j 1 r=1 f r + f j x o j xu j (x x u j ) 125
63 Beispiel: (vgl. Folien 114, 115) [I] Monatseinkommen von 5000 Studierenden Obergrenze der letzten Klasse wurde willkürlich auf 1500 Euro gesetzt j EK-Klasse K j f j F (x o j ) 1 0 bis mehr als 250 bis mehr als 500 bis mehr als 750 bis mehr als 1000 bis
64 Beispiel: [I] Zwischen Klassengrenzen wird linear interpoliert, z.b. F (650) f 1 + f 2 + f 3 x o 3 (x x u xu 3 ) 3 = Empirische Verteilungsfunktion zum Beispiel Studierende 0.4 ( ) = ,8 0,86 F(x) 0,6 0,4 0,66 0,2 0 0,26 0, x 127
65 Jetzt: Berechnung von Quantilen bei stetiger Klassierung über empirische Verteilungsfunktion F (x) (vgl. Folie 83, Definition 4.4) Zusatzannahme: Keine der Klassen K j besitzt die Häufigkeit 0 = Emp. VF F (x) ist streng monoton wachsend = Für jedes p (0, 1) hat die Gleichung F (x) = p eine eindeutige Lösung, nämlich das p-quantil x p 128
66 Explizite Berechnung von x p : [I] 1. Bestimme die Klasse K j in der x p liegt, d.h. bestimme das j für das gilt F (x u j ) < p F (xo j ) 2. Löse die Gleichung p = F (x u j ) + f j x o j (x x xu j u ) j nach x auf. Die Lösung approximiert das Quantil x p. 129
67 Explizite Berechnung von x p : [II] p = F (x u j ) + f j x o j xu j (x x u j ) x x u j = p F (xu j ) f j (x o j xu j ) x = x u j + p F (xu j ) f j (x o j xu j ) x = x u j + p F (xu j ) F (x o j ) F (xu j )(xo j xu j ) } {{ } x p 130
68 Beispiel: (vgl. Folie 126, Einkommen Studierende ) Gesucht: unteres Quartil x 0.25 Berechnung von x 0.25 : = F (x u 2 ) < = F (xo 2 ), d.h. x 0.25 K 2 = (250, 500] 2. Damit folgt: x ( ) =
69 Es verbleibt: Berechnung weiterer statistischer Kennzahlen, z.b. Arithmetisches Mittel Varianz bzw. Standardabweichung (Nicht in der VL) 132
70 4.3.6 Schiefemessung Situation: Betrachte Urliste x 1,..., x n (keine stetige Klassierung) Wichtige praktische Feststellung: In der empirischen Wirtschaftsforschung werden Kennzahlen wie arithmetisches Mittel, Varianz, Standardabweichung etc. in der Praxis nicht per Hand ausgerechnet, sondern mit spezieller Auswertungssoftware (z.b. EViews) 133
71 Beispiel: (vgl. Folie 12) Tägliche Wechselkursveränderungsraten der griechischen Drachme zum Euro Stabdiagramm und statistische Kennzahlen für GRD-Veränderungsraten Series: GRD_RET Sample 16/12/1998 1/01/2001 Observations 748 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability
72 Sy mmetris c he Verteilung Series: SYMMETRIE Sample Observations Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Rechtsschiefe Verteilung Series: RECHTS Sample Observations Mean Median Max imum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Linksschiefe Verteilung Series: LINKS Sample Observations 5000 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability
73 Fazit: Datenreihen zeigen unterschiedliches Symmetrieverhalten Jetzt: Kennzahl für Symmetrieverhalten 136
74 Definition 4.10: (Schiefe) Die Schiefe einer Urliste x 1,..., x n ist definiert durch n ( xi x ) 3, wobei wie üblich und g = 1 n s = i=1 x = 1 n 1 n n i=1 s n x i i=1 (x i x) 2 das arithmetische Mittel sowie die Standardabweichung der Daten bezeichnen. 137
75 Bemerkungen: Der zentrale Term in Definition 4.10 ist n i=1 (x i x) 3 Liegen viele Daten x i rechts von x, so ist g tendenziell positiv Liegen viele Daten x i links von x, so ist g tendenziell negativ Insgesamt gelten die folgenden Relationen: g < 0 g 0 g > 0 = Verteilung ist linksschief = Verteilung ist symmetrisch = Verteilung ist rechtsschief 138
1,11 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
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
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 16. April 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 2 1 ii) empirische
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
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
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
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrAnalyse klassierter Daten: Vor der Analyse fasst man jeweils mehrere Merkmalsausprägungen in (Merkmalswerte-)Klassen zusammen.
4. Analyse univariater Daten: Übersicht Mathematik ist die Wissenschaft der reinen Zahl, Statistik die der empirischen Zahl Von univariaten Daten spricht man, wenn bei der Datenerhebung nur ein Merkmal
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
Mehr1 Darstellen von Daten
1 Darstellen von Daten BesucherInnenzahlen der Bühnen Graz in der Spielzeit 2010/11 1 Opernhaus 156283 Hauptbühne 65055 Probebühne 7063 Ebene 3 2422 Next Liberty 26800 Säulen- bzw. Balkendiagramm erstellen
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
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
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,
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrEinfache statistische Auswertungen mit dem TI-Nspire
1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Maßzahlen für zentrale Tendenz, Streuung und andere Eigenschaften von Verteilungen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrExpertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung)
Epertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung) Im Folgenden wird mit Hilfe des Programms EXEL, Version 007, der Firma Microsoft gearbeitet. Die meisten
Mehr2. Eindimensionale (univariate) Datenanalyse
2. Eindimensionale (univariate) Datenanalyse Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Kennzahlen, Statistiken In der Regel interessieren uns nicht so sehr die beobachteten Einzeldaten
MehrStatistik I für Betriebswirte Vorlesung 11
Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
Mehr1 Verteilungen und ihre Darstellung
GKC Statistische Grundlagen für die Korpuslinguistik Kapitel 2: Univariate Deskription von Daten 8.11.2004 Univariate (= eindimensionale) Daten bestehen aus Beobachtungen eines einzelnen Merkmals. 1 Verteilungen
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
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
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
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
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
MehrTeil I: Deskriptive Statistik
Teil I: Deskriptive Statistik 2 Grundbegriffe 2.1 Merkmal und Stichprobe 2.2 Skalenniveau von Merkmalen 2.3 Geordnete Stichproben und Ränge 2.1 Merkmal und Stichprobe An (geeignet ausgewählten) Untersuchungseinheiten
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
1 3.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
5.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind zwei
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
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
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
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
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrFachhochschule Düsseldorf Wintersemester 2008/09
Fachhochschule Düsseldorf Wintersemester 2008/09 Teilfachprüfung Statistik im Studiengang Wirtschaft Prüfungsdatum: 26.01.2009 Prüfer: Prof. Dr. H. Peters, Diplom-Vw. Lothar Schmeink Prüfungsform: 2-stündige
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrSTATISTIK. Erinnere dich
Thema Nr.20 STATISTIK Erinnere dich Die Stichprobe Drei Schüler haben folgende Noten geschrieben : Johann : 4 6 18 7 17 12 12 18 Barbara : 13 13 12 10 12 3 14 12 14 15 Julia : 15 9 14 13 10 12 12 11 10
Mehr1. Mathematik-Schularbeit 6. Klasse AHS
. Mathematik-Schularbeit 6. Klasse AHS Arbeitszeit: 50 Minuten Lernstoff: Mathematische Grundkompetenzen: (Un-)Gleichungen und Gleichungssysteme: AG. Einfache Terme und Formeln aufstellen, umformen und
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrDokumentation. estat Version 2.0
Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim
MehrAuswertung und Darstellung wissenschaftlicher Daten (1)
Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
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
Mehr4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.
Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel
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
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
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
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrAbschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1
B 1.0 B 1.1 L: Wir wissen von, dass sie den Scheitel hat und durch den Punkt läuft. Was nichts bringt, ist beide Punkte in die allgemeine Parabelgleichung einzusetzen und das Gleichungssystem zu lösen,
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrAufgabe 1: Nehmen Sie Stellung zu den folgenden Behauptungen (richtig/falsch mit stichwortartiger Begründung).
Aufgabe 1: Nehmen Sie Stellung zu den folgenden Behauptungen (richtig/falsch mit stichwortartiger Begründung). a) Die Anzahl der voneinander verschiedenen Beobachtungswerte eines statistischen Merkmals
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrQuadratische Gleichungen
Quadratische Gleichungen Aufgabe: Versuche eine Lösung zu den folgenden Zahlenrätseln zu finden:.) Verdoppelt man das Quadrat einer Zahl und addiert, so erhält man 00..) Addiert man zum Quadrat einer Zahl
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
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
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
Mehrh i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert
Deskriptive Statistik dimesioale Date Date ud Häufigkeite Seite Nomial Ordial Metrisch (Kardial Metrisch klassiert Beschreibug: Date habe keie atürliche Reihefolge. Bsp: Farbe, Religio, Geschlecht, Natioalität...
MehrDeskriptive Statistik
Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche
Mehr5. 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.
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
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrKleine Einführung in die lineare Regression mit Excel
Kleine Einführung in die lineare Regression mit Excel Grundoperationen mit Excel Werte mit Formeln berechnen Bsp.: Mittelwert und Standardabweichung Das $-Zeichen Beispielauswertung eines Versuches Daten
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
MehrAber zuerst: Was versteht man unter Stromverbrauch im Standby-Modus (Leerlaufverlust)?
Ich habe eine Umfrage durchgeführt zum Thema Stromverbrauch im Standby Modus! Ich habe 50 Personen befragt und allen 4 Fragen gestellt. Ich werde diese hier, anhand von Grafiken auswerten! Aber zuerst:
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
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrÜbungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.
Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines
MehrAufgaben zur Flächenberechnung mit der Integralrechung
ufgaben zur Flächenberechnung mit der Integralrechung ) Geben ist die Funktion f(x) = -x + x. a) Wie groß ist die Fläche, die die Kurve von f mit der x-chse einschließt? b) Welche Fläche schließt der Graph
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrDas große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten
Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
Mehr