Gliederung des Kurses:



Ähnliche Dokumente
Datenaufbereitung und -darstellung III

ÜbungsaufgabeN mit Lösungen

FORMELSAMMLUNG STATISTIK (I)

Darstellung univariater Datenmengen

Entscheidungstheorie Teil 3. Thomas Kämpke

Auswertung univariater Datenmengen - deskriptiv

Kursthemen 2. Sitzung. Tabellarische und graphische Darstellung diskreter Daten. Tabellarische und graphische Darstellung diskreter Daten

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Statistik und Wahrscheinlichkeit

Mathematische und statistische Methoden II

Datenaufbereitung und Darstellung

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)

Auswertung univariater Datenmengen - deskriptiv

Die Schnittstellenmatrix Autor: Jürgen P. Bläsing

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Verteilungen eindimensionaler diskreter Zufallsvariablen

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)

Gliederung des Kurses:

Konkave und Konvexe Funktionen

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert

Lösungen der Aufgaben zu Kapitel 2

Erstes Kirchhoffsches Gesetz

2 Zufallsvariable und Verteilungen

Maße der zentralen Tendenz (10)

Streuungs-, Schiefe und Wölbungsmaße

Aspekte zur Approximation von Quadratwurzeln

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

Statistik. 1. Vorbereitung / Planung - präzise Formulierung der Ziele - detaillierte Definition des Untersuchungsgegenstandes

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung

Bildverarbeitung Herbstsemester Bildspeicherung

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Auswertung univariater Datenmengen - deskriptiv

Kaplan- Meier- Schätzer

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Protokoll: Labor: Analogelektronik. Versuch: Transistorgrundschaltungen. Alexander Böhme Matthias Pätzold

Lösungen zum 3. Aufgabenblock

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Definition des linearen Korrelationskoeffizienten

Agentur für Arbeit Kompetenter Partner und Dienstleister

Akademischer Lehrgang Video-Journalismus

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Prof. Dr. Roland Füss Statistik II SS 2008

3.1 Häufigkeiten bei diskreten Merkmalen Absolute und relative Häufigkeiten Graphische Darstellungen 40

Weitere NP-vollständige Probleme

Spule, Induktivität und Gegeninduktivität

Musterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur

Algorithmen und ihre Programmierung -Teil 3-

Standortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam,

5. Das Finite-Element und die Formfunktion

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

Komplexe Zahlen. Teil 2. Darstellung der komplexen Zahlen. als Vektoren mit Polarkoordinaten trigonometrisch oder exponentiell. Eulersche Funktion E

Die Kugel Lösungen. 1. Von einer Kugel ist der Radius bekannt. Berechne Volumen und Oberfläche der

Lineare Regression (1) - Einführung I -

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Facility Location Games

2 Beschreibung einer Roboterstellung

Tutorium Makroökonomik I:

Lineare Optimierung Dualität

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Skript zur Übung: Grundlagen der empirischen Sozialforschung - Datenanalyse

Stochastische Prozesse

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Ursache der Ungewissheit kann dabei z.b. unvollständige Information sein oder unbekannte bzw. nicht beeinflussbare Bedingungen.

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)

4.2 Grundlagen der Testtheorie

3.2 Die Kennzeichnung von Partikeln Partikelmerkmale

Die Dreieckschaltung

Ordered Response Models (ORM)

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Contents blog.stromhaltig.de

Stochastik - Kapitel 4

5. ZWEI ODER MEHRERE METRISCHE MERKMALE

Technische Universität Chemnitz Professur für Hochfrequenztechnik und Theoretische Elektrotechnik. Praktikum Grundlagen der Elektrotechnik

( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 )

Man erkennt, dass an der Induktivität die Spannung unendlich groß wird, wenn der Strom einen Sprung

Nernstscher Verteilungssatz

Manhattan-Metrik anhand des Beispiels

"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

Standardnormalverteilung / z-transformation

Zur Interpretation einer Beobachtungsreihe kann man neben der grafischen Darstellung weitere charakteristische Größen heranziehen.

Hochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen

Röntgenbeugung: Übungsblatt - Lösungen

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Transkript:

Endmensonale Häfgketsvertelng Sete 1 Glederng des Krses: I II Allgemene Grndlagen Statstsche Analyse enes enzelnen Merkmals Analyse/Beschrebng enes enzelnen Merkmals Zel: Verdchtng (Komprmerng) ener nüberschabaren Datenmenge Komprmerende Beschrebng mttels: 1. Häfgketsvertelng (Tabellen nd Grafen) 2. Termn 2. Lageparameter 3. Termn 3. Strengsmaße bzw. -parameter 4. Termn 4. Konzentraton der Vertelng 5. Termn Glederng Termn II: II. Statstsche Analyse enes enzelnen Merkmals 1. Endmensonale HK-Vertelng & hre Darstellng (S.37 bs S. 53) 1.1 Nomnalskalerte Merkmale 1.2 Metrsch skalerte, dskrete Merkmale 1.3 Metrsch skalerte, stetge Merkmale

Endmensonale Häfgketsvertelng Sete 2 1 Endmensonale HK-Vertelngen nd hre Darstellng Darstellng der HK enes enzelnen Merkmals: Tabellen nd Grafen Man nterschedet 3 Arten von Merkmalen 1. Nomnalskalerte Merkmale Merkmalsasprägngen snd glechberechtgt nebenenander Bsp.: Stdengang 2. Metrsch skalerte, dskrete Merkmale Bsp.: Semesterzahl 3. Metrsch skalerte, stetge Merkmale Bsp.: Qadratmeterzahl

Endmensonale Häfgketsvertelng Sete 3 1.1 HK-Vertelng nomnalskalerter Merkmale Nomnalskala: Merkmalsasprägngen snd glechberechtgt nebenenander 1. Tabellarsche Darstellng Bespel Wohnngsmfrage WS 0708 Merkmal: Stdengang (A) absolte Merkmalsasprägng (A ) Häfgket (n) BWL (A 1 ) 88 UW (A 2 ) 37 WSo (A 3 ) 27 Sonstges (A 4 ) 12 Smme 4 Schrebwese: n = n(a ) h = h(a ) n = n = 164 = 1 relatve Häfgket (h=n/n) 88/164 = 0,537 37/164 = 0,226 27/164 = 0,165 12/164 = 0,073 1,000 HK-Vertelng (Def.): Gesamthet aller rel. HK h = h(a )

Endmensonale Häfgketsvertelng Sete 4 2. Grafsche Darstellng (Aswahl) a) Kresdagramm ('pe-chart'): De Kresfläche wrd n entsprechende Antele afgetelt. WSo 16,5% Sonstge 7,3% BWL 53,7% UW 22,6% Hnwes zr Berechnng der Antele an der k ( ) Kresfläche:. = 1 h A = 100 % = 360 Bespel BWL: Wnkel = 0,537 * 360 = 193

Endmensonale Häfgketsvertelng Sete 5 b) Balkendagramme ( bar-chart ) 60 HK-Vertelng Relatve Häfgketen (n %) 40 20 0 BWL UW WSo Sonstge 53,7 22,6 16,5 7,3 Ach möglch: Darstellng der abs. Häfgketen 100 Absolte Häfgketen 80 60 40 20 0 BWL UW WSo Sonstge 88 37 27 12 c) Andere Grafen Bespele (vgl. Skrpt, Excel)

Endmensonale Häfgketsvertelng Sete 6 Exkrs: Verbale Häfgketsdarstellng: "Wenn wr für ene Mnte schwegen sollten für jeden Menschen, der 1982 an Hnger starb, wären wr ncht n der Lage, den Begnn des 21. Jahrhnderts z feern, wel wr dann mmer noch stll sen müssten." Kbas Staatspräsdent Fdel Castro, 1983

Endmensonale Häfgketsvertelng Sete 7 1.2 HK-Vertelng metrsch skalerter, dskreter Merkmale Metrsch: Abstände zwschen MMA messbar Dskret: Abzählbar vele MMA Alle absolt skalerten Merkmale (Anzahl von..) 1. Tabellarsche Darstellng Bespel Wohnngsmfrage WS 0708 Merkmal: Semesteranzahl (x) Merkmalsasprägng (x ) 1 (x 1 ) 3 (x 2 ) 5 (x 3 ) absolte HK n(x ) 65 94 5 relatve HK h(x ) 0,396 0,574 0,030 Smme n = 164 1,000 Kmlerte absolte HK n(x x ) 65 159 164 HK-Fnkton (Def.): Gesamthet aller rel. HK h(x ) Vertelngsfnkton (Def.): Gesamthet aller kmlerten rel. HK F(x ) = h(x x ) Kmlerte relatve HK h(x x ) 0,396 0,970 1,000

Endmensonale Häfgketsvertelng Sete 8 2. Grafsche Darstellng a) Darstellng der Häfgketsfnkton h(x ) Stabdagramm HK-Fnkton h(x) 1 0,8 0,6 0,4 0,2 0 0 1 2 3 4 5 b) Darstellng der Vertelngsfnkton F(x ) Treppenfnkton Vertelngsfnkton F(x) 1 0,8 0,6 0,4 0,2 0 0 1 2 3 4 5

Endmensonale Häfgketsvertelng Sete 9 1.3 Häfgketsvertelng metrsch skalerter, stetger Merkmale Metrsch: Abstände zwschen MMA messbar Stetg: Überabzählbar vele MMA Da jeder Merkmalswert n der Regel nr enmal beobachtet wrd (be belebg genaer Messng) st zr Darstellng erst ene Klassenbldng notwendg. Klassenentelng Regeln Möglchst gleche Klassenbreten, be großem Varatonsberech der Daten ach nterschedlche Klassenbreten verwenden Anzahl der Klassen (k) ncht z groß: 3 2 n,..., n Bsp.: n= 100 5 10 Klassen ( ) Der häfgste Wert der Urlste sollte de Klassenmtte der Klasse mt der größten Häfgket blden. Für enen Verglech mt anderen Vertelngen: gleche Klassen blden Generelles Zel: Strktr des Asgangsmaterals klar nd möglchst nverfälscht herasarbeten!

Endmensonale Häfgketsvertelng Sete 10 1. Tabellarsche Darstellng Bespel Skrpt Merkmal: Jahreslohn für 1980 (n 1.000 DM) (x) Klasse Lohnklasse [1000 DM] Absolte Häfgket Relatve Häfgket Klassenbrete Vertelngsfnkton Dchtefnkton x x< x o Δx Qelle: Statstsches Bndesamt, Fachsere 14, Rehe 7.3, 1980 n h =n /n 1 0 bs nter 25 25 12163 0,4756 0,4756 0,1902 2 25 -.50 25 11383 0,4451 0,9207 0,1780 3 50 -. 75 25 1730 0,0676 0,9883 0,0270 4 75 -. 100 25 298 0,0117 1,000 0,0047 Insgesamt 25574 1,000 o ( ) F x 10 1 ( ) f x

Endmensonale Häfgketsvertelng Sete 11 2. Grafsche Darstellng a) Darstellng der HK-Fnkton: Hstogramm Problem be Klassenbldng: Relatve Häfgketen werden verzerrt drch nterschedlch große Klassen Lösng: Normerng der relatven Häfgketen drch Klassenbrete ( Dchtefnkton) ( ) f x h(x ) = Δ x Bespel: Klasse h(x ) (x ) f(x ) 0 1 0,2 1 0,2 1 9 0,8 8 0,1 Hstogramm: Darstellng der Dchtefnkton f(x ) 0,25 0,2 0,15 Rote Lne: HK-Polygon 0,1 0,05 0 0 1 2 3 4 5 6 7 8 9 10

Endmensonale Häfgketsvertelng Sete 12 Bespel Skrpt Merkmal x: Jahreslohn für 1980 (n 1000 DM) 50 % Häfgketspolygon 25 % 0 25 50 75 100 b) Darstellng der Vertelngsfnkton 1,0 0,6 0,2 0 25 50 75 100 Schrtte: 1. Pnkte der Tabelle abtragen Obergrenze nd F-Werte 2. Pnkte verbnden Annahme der Glechvertelng nnerhalb ener Klasse

Endmensonale Häfgketsvertelng Sete 13 3. Interpolaton Gescht: Wert von F(x) für en gegebenes x Annahme: Glechvertelng n der Klasse Es glt: ( ) ( ) F x F x x x = h x Δ x ( ) Daras folgt: x x Δ x 1) F ( x) = F( x ) + h( x) 2) ( ) F( x ) F x x= x + Δx h x ( )

Endmensonale Häfgketsvertelng Sete 14 Möglche Fragestellngen: 1) We vel Prozent der statstschen Enheten bestzen enen Merkmalswert klener als x? gegeben: x gescht: F(x) 2) Unterhalb welchen Wertes legen F(x) aller Merkmalsasprägngen? gegeben: F(x) gescht: x

Bespel: Endmensonale Häfgketsvertelng Sete 15 1) We vel Prozent der Personen haben enen Lohn, der klener als 40.000 DM st? gegeben: x = 40 gescht: F(x) Formel 1 Klasse 2 x x F x F x h x Δx ( ) = ( ) + ( ) 40 25 = 0,4756 + 0,4451 = 0,74266 25 2) Über welchen Lohn verfügen 50% der Personen mt dem gerngsten Lohn? (ODER: Lohngrenze, nterhalb derer 50% aller Personen legen) gegeben: F(x) = 0,5 gescht: x Formel 2 Klasse 2 ( ) F( x ) F x x= x + Δx h x ( ) 0,5 0, 4756 = 25 + 25 = 26,37 0, 4451