Mathe/Statistik Help [de]
•
24 Feb 2011, 14:34
•
Journals
Kann mir jemand erklären, was Regressionsgerade, Kovarianz & Korrelation und deren Matrizen, sowie Normalapproximation sind, tun und wie man die anwendet?
Oder einfach irgendnen Link reinklatschen, wo das ausführlich/anschaulich/verständlich erklärt wird?
Oder einfach irgendnen Link reinklatschen, wo das ausführlich/anschaulich/verständlich erklärt wird?
Ich würde dir ja gern helfen aber Mathe war nie meine Stärke und wird es nie sein :x (seit der 7ten Klasse 4- bis 5+ bis zum Ende)
In der Schule konnt ich Mathe noch :s
Kovarianz würd ich dir den Wikipediaartikel nahelegen,der scheint nicht schlecht zu sein (hab ihn aber nur überflogen).
Korrelation verwendet man (meines Wissensstandes nach) nicht,die kann man beobachten und interpretieren.Auch hier hat mir der Wikiartikel geholfen. Korrelation ist oft in Systemen mehrere Variablen zu finden, allerdings bedeutet eine Korrelation nicht, dass die Variablen sich gegenseitig beeinflussen.
Matrizen machen wir erst noch und das letzte hab ich noch nie gehört.
Ansonsten Unibib =)
oder
kleine blassgrüne Gnome aus Polen,spezialisiert darauf, WoW-Gold zu klauene.
this shit is easy but i cant teach u in english in a few minutes, sorry
ask your teacher
I'm a fast learner, the explanation i have doesn't explain shit though.
aber das kleine einmaleins kann ich ganz gut, wenn du da mal hilfe brauchst, einfach ne pm ;D
korrelation: Wenn zwei Datensätze bzw die Variablen die diese Datensätze in einem mathematischen Modell wiedergeben nicht unabhängig voneinander sind. Unabhängig nicht in dem Sinne, dass der eine Datensatz vom anderen abhängt (als funktion oder so), sondern in dem Sinne, dass einfach ein gegenseitiger (nicht zwingend kausaler) Einfluss besteht.
kovarianz ist eine statistische größe, die ein maß für die korrelation darstellt.
regressionsgerade? ftw, zu meiner zeit nannte man das noch schlicht ausgleichsgerade ;c also einfach eine gerade durch alle (mess)punkte, so dass der summierte Abstand zwischen Punkten und Gerade minimal ist.
Normalapproximation: Man muss auch nicht alles wisse ;D
PS: alles nur ansichten eines physikers! korrelationen gibt es in vielen wissenschaften und fast jeder meint damit was andres ;P
Hast du irgendne Seite, wo sowas detailliert beschrieben wird, weil ich mal annehme, dass du später bei eventuellen Rückfragen nicht mehr on bist ;)
Glaube nur bei meiner alten xfire-ID, wo ich das Pw nichtmehr weiß..
->n1con oder #187.et
imo wiki erklärt das Thema ziemlich gut.
Die Kovarianz bzw Korrelation geben ein Mass für einen linearen Zusammenhang zwischen zwei Variablen an
Mit Matrizen meinst du anscheinend Kovarianzmatrizen (ist bloss eine Zusammenfassung aller Kovarianzen zwischen den einzelnen Komponenten der Zufallsvektoren); mit der Normalapproximation meinst du vielleicht den n-dimensionalen Zentralen Grenzwertsatz, oder? Dieser ist nichts anderes als ein 1-dim. zentraler Grenzwertsatz, und besagt, dass die standardisierte Folge von Summen von ZVen asymptotisch gegen die Normalverteilung konvergieren.
2. Mit Normalapproximation müsste bei mir sowas wie die Normalverteilung sein (also mehr oder weniger ein Histogramm mit unendlich vielen Versuchen/Wiederholungen)...Wobei ich denke, dass es zw. den beiden doch eigentlich nen Unterschied geben müsste?
2. Ich weiss nicht ob ich dich richtig verstehe: Asympototisch bedeutet, dass man das Ergebnis für sehr grosses n betrachtet, also nach sehr vielen Versuchen. IM ZGS geht es darum, dass die standardisierte Summe (Zuvallsvariable) für grosses n normalverteilt ist. Die Konvergenz gegen die Normalverteilung findest du übrigens nicht nur im ZGS, sondern auch in lokalen Konvergenzsätzen, wie zb Poisson-oder Binomialapproximation.
Hört sich so an, wie ich auch meinte..Möglicherweise ist der Unterschied auch nicht weiter relevant..
Kovarianz = cxy , falls > 0 -> gleichläufig korreliert ( linear steigend )
=0 -> kein linearer Zusammenhang
< 0 -> gegenläufiger Zusammenhang ( linear fallend )
Alle diese Maßzahlen beziehen sich auf den Zusammenhang mehrere Merkmale X und Y ..
dabei gibt die Kovarianz die Art des Zusammenhangs wieder ( s.o.)
Durch die regressionsgerade siehste dann auch die graphische darstellung und auch die stärke des zusammenhangs, dazu musst du aber zunächst den regressionskoeffizienten berechnen.
meistens ist alles von der skalierung der merkmale abhängig, danach entscheidest du was du berechnest ( zB nominal,ordinal,kardinal & diskret bzw. stetig )
ist einfach das "zeichen" der kovarianz , wobei x und y im index stehen ,konntes nur hier schlecht als index setzen
Hab hier in meinem Skript:
cov(x,y)=Mittel von ((x-Mittel der x)*(y-Mittel der y))
sowie falls x!=y: cov(x,y)= r*SD(x)*SD(y) und wieder was anderes für x=y
ABER 1. versteh ich die erste Formel nicht: Ich hab doch mehrere x-Werte und nicht nur einen und wie soll ich das Mittel von einem Produkt nehmen? und 2. ist die erste Formel doch auch für x!=y oder nicht?
Ich will weinen:<
Zb du hast 10 x- und y-Werte (paarweise), so ist die empirische Kovarianz gleich:
Cov(x,y)=1/10*(Summe...
Die SUmme bildest du von i = 1 bis 10 und in den Klammern setzt du alle xi- und yi-Werte ein, wobei "Mittel der x" genau das Mittelwert aller xi-Werte angibt.
In Fall von Zufallsvektoren X,Y (dh mehrdimensionaler Fall) bildest du eine Kovarianzmatrix, indem du die Kovarianzen Komponentenweise berechnest und dann zu einer Matrix zusammenfasst. Zb wenn X=(X1,X2) und Y=(Y1,Y2,Y2), so ist die Kovarianzmatrix eine 2x3-Matrix, welche aus einzelnen Kovarianzen zwischen den einzelnen Komponenten von Zufallsvektoren zusammengefasst ist.
Könntest du mir das anhand von nem Beispiel genau zeigen? Ist das was ich geschrieben hab nicht ein Produkt und keine Summe? :o
z.B. hab ich als Angabe
x1 x2 x3
1 2 2
2 3 3
3 1 1
4 4 4
5 6 6
6 5 7
7 7 5
->Berechnen Sie für jedes Paar von Variablen (xi;xj) (i,j=1,...,3) die Kovarianz cov(xi,xj). Fassen Sie die Resultate in der Kovarianzmatrix zusammen.
Ich weiß weder was i&j ist, noch wie die Gleichung aussehen soll, noch wie das dann in der Matrix angeordnet wird :s
Nun, zur Berechnung dieser Kovarianz:
nehmen wir mal an, wir wollen Cov(x1,x2) berechnen, dann ist diese gleich:
Cov(x1,x2)=1/7*[(1-"Mittelwert von x1")*(2-"Mittelwert von x2")+(2-"Mittelwert von x1")*(3-"Mittelwert von x2")+(3-"Mittelwert von x1")*(1-"Mittelwert von x2")+...+(7-"Mittelwert von x1")*(7-"Mittelwert von x2")]
wobei: "Mittelwert von x1" = (1+2+3+4+5+6+7)/7
"Mittelwert von x2" = (2+3+1+4+6+5+7)/7
Aber solangsam halt ich 50% für nicht ganz unmöglich und wenn nicht sollt ichs zumindest bis zur 2. Klausur halbwegs raus haben.
Da du die Kovarianz für alle Kombinationen (xi,yj) mit i,j=1,..,3 berechnest, so erhälst du alle 9 Matrixeinträge