Einführung in die Geostatistik (2) Fred Hattermann (Vorlesung), Michael Roers (Übung),
|
|
- Eva Weiner
- vor 8 Jahren
- Abrufe
Transkript
1 Einführung in die Geostatistik () Fred Hattermann (Vorlesung), Michael Roers (Übung),
2 Gliederung Allgemeine Statistik. Deskriptive Statistik. Wahrscheinlichkeitstheorie.3 Statistische Tests
3 Was ist die Aufgabe der Statistik? Aufgabe der Statistik ist die Zusammenfassung von Daten, deren Darstellung, Analyse und Interpretation. Sie müssen schon bei der Planung eines Versuches berücksichtigt werden. Man unterscheidet zwischen beschreibender oder deskriptiver und schließender oder analytischer Statistik. Statistik und Stochastik: Statistik ist die Methodik, Daten nach einem Zufallsverfahren zu gewinnen und zu analysieren, um zu neuen Erkenntnissen zu gelangen. Stochastik ist die wissenschaftliche Disziplin, die sich mit der Behandlung von Zufallsereignissen und der Wahrscheinlichkeitsrechnung befasst. Die Notwendigkeit zur Anwendung statistischer Methoden ergibt sich immer dann, wenn die Datengrundlage für numerische Analysen nicht vollständig ist, d.h. wenn nur eine Stichprobe anstelle der eigentlich interessierenden Grundgesamtheit zur Verfügung steht.
4 Niederschlag [mm] Augenzahl Fallhöhe [m] Warum Statistik? Ein statistisches Modell beschreibt die Eigenschaften eines Zufallsprozesses. Beispiel für deterministisches Ereignis: Fallhöhe eines Balles. Zeit [t] Beispiel für unkorreliertes stochastisches (stat.) Ereignis: Würfeln. Zeit [t] Beispiel für korreliertes stochastisches (stat.) Ereignis : Zeit [t] Niederschlagshöhe.
5 - Einführung Es ist grundsätzlich unmöglich, die Umwelt vollständig zu beschreiben, vielmehr werden Realitätsausschnitte oder Merkmale untersucht. Die konkrete Merkmalsausprägung ist messbar und wird für die mathematische (statistische) Analyse in Zahlwerte kodiert. In der Mathematik bezeichnet man die Merkmale als Variablen und die durch Zahlwerte kodierten Merkmalsausprägungen als Werte. Beispiel: Beobachtungsvariable = Stoffkonzentration; Wert der Beobachtungsvariable = X [mg/l]. Es gibt unabhängige und abhängige Variablen. Z.B. ist die Temperatur von der Höhe abhängig, die Höhe aber nicht von der Temperatur. Diese Abhängigkeit kann man sich bei der Interpolation zunutze machen. Weiter gibt es kategorische oder qualitative Variablen wie z.b. geologische Einheiten und metrische oder quantitative Variablen wie z.b. Konzentrationen.
6 - Einführung Beispiel: Hinzunahme von Höheninformation zur Interpolation von Temperaturen (links ohne, rechts mit).
7 . Einführung () Die deskriptive Statistik dient der Beschreibung quantitativempirischer Daten. Ziel ist es, Daten und die ihnen zugrunde liegenden Muster sinnvoll darzustellen und zusammenzufassen. Beispiele sind: Tabellen (z.b. Häufigkeitstabellen, oft Einteilung in Klassen); Grafiken (z.b. Balkendiagramme oder Histogramme, Kreisdiagramme, Liniendiagramme); Statistische Kennwerte (z.b. Mittelwerte, Streuungsmaße). Im Gegensatz zur deskriptiven Statistik versucht man in der analytischen Statistik, von den Ergebnissen der Stichprobe auf die Grundgesamtheit der Beobachtungsvariablen zu schließen: Auf der Basis der Stichprobenwerte kann man auf die (räumliche) Verteilung der Beobachtungsvariablen schließen; Auf der Basis von Stichprobenwerten kann man Hypothesen überprüfen (ist z.b. die Temperatur in der zweiten Hälfte des letzten Jahrhunderts signifikant höher als in der Zeit davor?). -> statistische Tests
8 . Deskriptive Statistik Anzahl Werte Häufigkeitsverteilung: Messwerte qualitativer (kategorischer) Variablen treten meist mehrfach auf. Bei quantitativen (metrischen) Variablen bildet man meist Intervalle oder Klassen, denen die Messwerte zugeordnet werden. Das Ergebnis ist in beiden Fällen eine Häufigkeitsverteilung. Diese Häufigkeitsverteilung lässt sich tabellarisch oder grafisch darstellen: Klasse Klassengrenzen Anzahl Werte Tabelle Histogramm Klasse
9 . Deskriptive Statistik Z.B. Temperaturen [ C] Klimastationen
10 . Lagemaße Lagemaße: Modalwert = der in der Stichprobe am häufigsten auftretende Wert; Medianwert = sowohl oberhalb als auch unterhalb des Medianwertes liegen 50 % der nach Größe sortierten Werte, er wird deshalb auch Zentralwert genannt; Mittelwert = arithmetisches Mittel oder Durchschnitt, also die Summe der Werte x i durch die Anzahl n der Werte: x n i n x i
11 . Streuungsmaße Dispersions- oder Streuungsmaße: Streuungsmaße beschreiben die Streuungsbreite oder Heterogenität der Werte. Bei kleiner Dispersion verteilen sich die Werte eng um den Mittelwert, bei großer weit. Wichtig sind: Range = Variationsbreite oder Spannweite zwischen dem größten und dem kleinsten Wert. Varianz = Die empirische Varianz ist eine Kennzahl für die Dispersion von gemessenen Werten um den Mittelpunkt herum. Je stärker die Messwerte der einzelnen Werte vom Mittelwert abweichen, desto größer ist die Varianz s der Variablen. In die Berechnung der empirischen Varianz gehen die quadrierten Abweichungen der einzelnen Werte x i von ihrem Mittelwert ein: s n n i ( x i x) Standardabweichung = Quadratwurzel der Varianz.
12 . Beispiel Lagemaße und Streuungsparameter Mittelwert x n i n x i Varianz s n i n ( x i x) Meßwerte Errechnung Varianz s 5 (x- x ) = (5-4) = Summe Summe 4 Mittelwert Varianz 0.8
13 Niederschlag [mm] Augenzahl Fallhöhe [m] Was ist ein statistisches Modell? Ein statistisches Modell beschreibt die Eigenschaften eines Zufallsprozesses. Beispiel für deterministisches Ereignis: Fallhöhe eines Balles. Zeit [t] Beispiel für unkorreliertes stochastisches (stat.) Ereignis: Würfeln. Zeit [t] Beispiel für korreliertes stochastisches (stat.) Ereignis : Zeit [t] Niederschlagshöhe.
14 . Wahrscheinlichkeitstheorie Wahrscheinlichkeitsdichte oder Dichtefunktion: Betrachtet man stetige Zufallsvariablen, so kann man die Wahrscheinlichkeit für das Auftreten einer Realisation (eines Elementarereignisses) nicht bestimmen, dafür aber die Wahrscheinlichkeit, dass der Wert innerhalb eines Intervalls liegt. Die Wahrscheinlichkeitsdichte oder Dichtefunktion gibt an, mit welcher Wahrscheinlichkeit die stetige Zufallsvariable X innerhalb von a und b liegt: P ( a X b) f ( x) dx b a Die Gesamtfläche unter dem Integral ist auf normiert: f ( x) dx
15 . Eintrittswahrscheinlichkeiten Überschreitungswahrscheinlichkeit Zwischenwahrscheinlichkeit Unterschreitungswahrscheinlichkeit
16 . Verteilungsmodelle
17 . Verteilungsmodelle Verteilungsmodelle: Die meisten Zufallsvariablen können durch Verteilungsmodelle beschrieben werden, wobei für stetige und diskrete Zufallsvariablen unterschiedliche Modelle Anwendung finden. Gleichverteilung: Für eine diskrete Zufallsvariable bedeutet die Tatsache, dass sie gleichverteilt ist, dass alle k möglichen Ereignisse bzw. x i -Werte gleich wahrscheinlich sind: f(x i ) = /k für alle i =,..., k Für eine stetige Zufallsvariable bedeutet die Tatsache, dass sie gleichverteilt ist, dass der Graph der Funktionsvorschrift einen konstanten Wert hat und parallel zur x-achse verläuft.
18 . Normalverteilung y Wichtigstes statistisches Modell: Normalverteilung Mit Mittelwert (Erwartungswert) µ, Streuung (Varianz) σ und Standardabweichung σ. Für die Standardnormalverteilung ist µ = 0 und σ =. y e ( x ) σ µ + σ Normalverteilung x
19 . Normalverteilung Normalverteilung: Die Normalverteilung ist ein Verteilungsmodell für stetige Zufallsvariablen und wurde von Carl Friedrich Gauß entwickelt -> Gaußsche Glockenkurve. Wichtig: Die Normalverteilung ist symmetrisch um den Mittelwert (Erwartungswert) µ mit einer Streuung σ. Die Streuung bestimmt dabei die Breite der Verteilung. Normalverteilungen mit gleichem µ und σ sind identisch. Modalwert = Median = Mittelwert Im Bereich µ - σ bis µ + σ liegen ca. 68 % der Werte. Im Bereich µ - σ bis µ + σ liegen ca % der Werte.
20 . Vertrauensbereiche Vertrauensbereich für einen Beobachtungswert: Im Bereich µ -.96*σ bis µ +.96*σ liegen ca. 95 % der Werte. Im Bereich µ -.58*σ bis µ +.58*σ liegen ca. 99 % der Werte. Im Bereich µ - 3.9*σ bis µ + 3.9*σ liegen ca % der Werte. Beispiel: µ = 3, σ = => 95% der Werte liegen zwischen 3 +/-.96 *
21 . Vertrauensbereiche Vertrauensbereich für den wahren Mittelwert µ: Gibt das Intervall an, das den wahren Mittelwert µ mit einer bestimmten Wahrscheinlichkeit einschließt. Vorraussetzung ist, dass die Verteilung der für eine Stichprobe errechneten Mittelwerte eine Normalverteilung ist. x Formel: Vertrauens bereich x z * Dabei ist z für z.b. einen Vertrauensbereich von 95% =.96. s n
22 . Zentrale Grenzwertsatz Zentraler Grenzwertsatz: Wenn man eine Serie von Zufallsstichproben gleicher Größe aus derselben Grundgesamtheit zieht und die Mittelwerte berechnet, dann tendiert die Verteilung der Mittelwerte zur Normalverteilung.
23 Durch welche Parameter wird ein statistisches Modell beschrieben?. Moment: Erwartungswert von Z: E [ Z] z f ( z) dz x n i n x i Für Normalverteilung gleich dem Mittelwert. Moment: Varianz von Z Var[ Z] E[( Z E[ Z]) ] s n i n ( x i x) Kovarianz zweier Zufallsvarialen Z und Z : Cov[ ZZ] E[( Z E[ Z])( Z E[ Z])] n Cov( Z, Z) ( z, i z)( z, i z) n i Korrelation zweier Zufallsvariablen: Kor[ Z Z ] Cov( Z Z Var[ Z ) ] Var[ Z ]
24 . Unterschiedliche Normalverteilungen y y Gleiche Varianz, unterschiedliche Mittelwerte Gleiche Mittelwerte unterschiedliche Varianz y y
25 . Verteilungsmodelle Z-Transformation Die Z-Transformation Für viele biometrische Verfahren wird die Umwandlung der untersuchten Variablen einer gegebenen Normalverteilung in die Standard-Normalverteilung vorausgesetzt. Sie erfolgt durch: xi x) z s ( mit = Mittelwert und s = Standardabweichung x f ( z) e z
26 . Analytische Statistik Aber: Viele natürlichen Zufallsvariablen sind nicht normalverteilt. Eine häufig vorkommende Verteilung natürlicher Zufallsvariabler, welche per Definition nur positiv sein ykönnen (z.b. der Permeabilität von Böden), ist die Lognormalverteilung: y x e (ln x )
27 . Verteilungstransformation Transformation in eine Normalverteilung: Viele statistische Methoden setzen eine Normalverteilung der untersuchten Größe voraus. Liegt diese nicht vor, können verschiedene Verfahren angewandt werden, um eine schiefe Verteilung in eine Normalverteilung umzuwandeln: Logarithmische Transformation: y log x, y ln x Beispiel: Linkssteile Verteilungen Kehrwerttransformation: Beispiel: Rechtssteile Verteilungen y x oder y x Quadratwurzeltransformation: y x Beispiel: Vorliegen kleiner ganzer Zahlen bei einer Zählung Potenztransformation: Beispiel: Bei Rechtsgipfligkeit y n x
28 .3 Statistische Tests Vertrauensbereich: Der aus der Stichprobe berechnete Mittelwert µ ist nur ein Schätzwert für den Mittelwert (man kennt normalerweise nicht die gesamte Zufallsfunktion). Mit bestimmter statistischer Sicherheit lässt sich allerdings ein Vertrauensbereich +/- µ bis zu einem Schwellenwert α angeben, der den Parameter mit einschlisst. Nullhypothese und Alternativhypothese: Ho: Die Nullhypothese ist die Behauptung, dass beobachtete Unterschiede zwischen zwei Verteilungen rein zufällig sind. Ha: Durch Ausschluss von Ho wird die Alternativhypothese angenommen, welche bedeutet, dass ein Effekt vorhanden ist. Fehler. und. Art: Fehler. Art: Die Nullhypothese wurde unberechtigt abgelehnt. Fehler. Art: Die Nullhypothese wurde unberechtigt beibehalten.
29 T-Verteilung Tabellenwerte H0 -> Unterschiede sind zufällig Ha -> Unterschiede sind nicht zufällig T - test für gleichgroße Stichproben : t Prüfhypothesen : Ho : Ha : a a µ b µ b x s - x s n
30 .3 Statistische Tests Zur Erläuterung Vertrauensbereich: Der aus der Stichprobe berechnete Mittelwert µ ist nur ein Schätzwert für den Mittelwert (man kennt normalerweise nicht die gesamte Zufallsfunktion). Mit bestimmter statistischer Sicherheit lässt sich allerdings ein Vertrauensbereich +/- µ bis zu einem Schwellenwert α angeben, der den Parameter mit einschlisst.
31 .3 Analytische Statistik statistische Tests Statistische Tests: Statistische Test liefern Kriterien, um ausgehend von den Messwerten aus den Stichproben die aufgestellte Hypothesen (Ho bzw. Ha) anzunehmen oder abzulehnen. Dazu wird meist eine Prüfgröße errechnet. Anpassungstests ermitteln, ob die Werte der Stichprobe einer theoretischen Verteilung, z.b. der Normalverteilung, gehorchen. Sie selbst sind verteilungsfreie Verfahren.
32 .3 Analytische Statistik statistische Tests Konservative Tests: Fest vorgegebene Fehlerwahrscheinlichkeiten α für den Fehler. oder. Art zugunsten der Nullhypothese (halten länger als geboten an der Nullhypothese fest, darum ist ein relativ großer Stichprobenumfang nötig, um Ho zu verwerfen). Einseitige und zweiseitige Tests: Die Nullhypothese lautet meist, dass zwei Parameter einer gleichen Grundgesamtheit entstammen. Die Alternativhypothese kann alternativ lauten die Parameter sind ungleich (zweiseitige Alternativhypothese, da der Parameter größer oder kleiner als Parameter sein kann). Man müsste einen zweiseitigen Test anwenden. Weiß man allerdings schon die Richtung der Änderung (größer oder kleiner), muss man einen einseitigen Test anwenden. Beim einseitigen Test ist die Fehlerwahrscheinlichkeit (α/) kleiner als beim zweiseitigen Test. Daher hat der einseitige eine höhere Teststärke und deckt bestehende Unterschiede eher auf.
33 .3 Analytische Statistik statistische Tests Statistische Tests: Parametrische Tests (Vergleich von Parametern) setzten im allgemeinen Normalverteilung und Varianzhomogenität voraus. Bei den parameterfreien oder verteilungsfreien Verfahren werden anstelle der Messwerte Rankzahlen verwendet. Sie haben allerdings eine geringere Teststärke. Z.B. werden beim Kolmorogoff-Smirnoff-Test (K-S-Test) nur die Summenkurven der Normalverteilung und die der empirischen Daten auf ihre Abstände überprüft.
34 .3 Analytische Statistik statistische Tests Beispiel : Es soll untersucht werden, ob die Werte einer Stichprobe Normalverteilt sind. Anwendbare Tests: - graphisch durch Wahrscheinlichkeitsnetz - Chi -Test als Anpassungstest - G-Test als Anpassungtest - Test nach Kolmogoroff-Smirnoff - Schnelltest nach David und Mitarbeitern - Prüfung auf Schiefe und Excess
35 .3 Analytische Statistik statistische Tests Beispiel : Test auf Normalverteilung. Schnelltest nach David und Mitarbeitern: Man errechnet die Spannweite (den Range) und die Standardabweichung der Verteilung und vergleicht deren Quotient mit tabellierten Werten. Liegt er oberhalb einer kritischen Grenze, wird Ho abgelehnt. Prüfgröße: Spannweite (Range) Streuung R s Mit R = 0.0, s =.36: Spannweite (Range) Streuung Man liest dann aus einer Tabelle ab, ob der Wert 7.35 bei einer bestimmten Fehlerwahrscheinlichkeit (z.b. N = 80, α = 5%) den oberen Grenzwert überschreitet. Ist dies der Fall, wird die Hypothese der Normalverteilung abgelehnt.
36 .3 Analytische Statistik statistische Tests Beispiel : Es soll untersucht werden, ob sich zwei normalverteilte Stichproben signifikant unterscheiden y y
37 .3 Analytische Statistik statistische Tests Beispiel : Es soll untersucht werden, ob sich zwei normalverteilte Stichproben signifikant unterscheiden (hier: Eiergröße bei Fischen verschiedenen Alters). A x 36.5 s 6.0 n 8 Freiheitsgrade B T - test für gleichgroße Stichproben : t Prüfhypothesen : Ho : a µ b Ha : µ Irrtumswahrscheinlichkeiten : 0.05(Test einseitig) t a b x s - x s n
38 .3 Analytische Statistik statistische Tests Beispiel : Es soll untersucht werden, ob sich zwei normalverteilte Stichproben signifikant unterscheiden (hier: Eiergröße bei Fischen verschiedenen Alters). Ergebnis: Der errechnete Wert für den einseitigen T-Test ist 3.3. Er liegt damit über dem tabellierten Wert von.5 für 4 Freiheitsgrade und ein Signifikanzniveau von.5%. Daraus folgt, dass Ho (µ a =µ b ) abgelehnt werden muss, die Verteilungen sind also ungleich, und die Eier jüngerer Fische kleiner als die älterer Fische.
39 .3 Analytische Statistik statistische Tests Trenduntersuchung Strahlung Mann/Kendall Test (Zeitreihen gehen von ).
40
41 . Wahrscheinlichkeitstheorie Zufallsexperiment: Die Wahrscheinlichkeit P (probabilité) ist ein quantitatives Maß, das die Sicherheit oder Unsicherheit eines Ereignisses ausdrückt. Ein Zufallsexperiment ist ein reales oder gedachtes Experiment, das theoretisch beliebig oft wiederholt werden kann, nach einer bestimmten Vorschrift durchgeführt wurde und dessen Ergebnis nicht mit Sicherheit vorhersehbar ist. Beispiel: Würfeln. Das Ergebnis eines Zufallsexperiments heißt Ereignis. Der Ereignisraum S ist die Grundgesamtheit oder Menge aller möglichen Elementarereignisse (nicht mehr in weitere Ereignisse zu unterteilen). Beispiel: Werfen eines Würfels ist das Zufallsexperiment, {6}, {gerade Augenzahl}, {<4} sind Ereignisse, {6} und {5} sind Elementarereignisse, S={,, 3, 4, 5, 6} ist der Ereignisraum. Jedes Ereignis ist also eine Teilmenge des Ereignisraums und setzt sich aus einem oder mehreren Elementarereignissen zusammen.
42 Rechenregeln: Allgemeine Statistik. Wahrscheinlichkeitstheorie Komplementärereignis: Ist B das Komplementärereignis von A, so ist die Wahrscheinlichkeit für das Auftreten von B: P( B) P( A) Beispiel: Ist P(A) = 0.7, dann ist P(B) = 0.3 Additionssatz: Für zwei sich ausschließende Ereignisse A und B eines Zufallsexperiments gilt, dass die Wahrscheinlichkeit, dass A oder B auftritt, folgendermaßen errechnet werden kann: P( A B) P( A) P( B) Beispiel: Ist P(A) = 0. und P(B) = 0.4, dann ist P(A U B) = 0.5 Bedingte Wahrscheinlichkeit: Die bedingte Wahrscheinlichkeit P(B A), dass das Ereignis B eintritt, obwohl das Ereignis A bereits eingetroffen ist, ist: P( B A) P( A B) P( A) Multiplikationssatz: Für zwei voneinander unabhängige Ereignisse A und B eines Zufallsexperiments gilt: Die Wahrscheinlichkeit, dass sowohl A als auch B eintreten, ist: P( A B) P( A) P( B)
43 . Analytische Statistik Zufallsvariable: Man erhält eine Zufallsvariable, indem man jedem möglichen Elementarereignis des Ereignisraums eine reelle Zahl zuordnet. Die Zahlwerte stehen für einzelne Elementarereignisse, man nennt sie Realisation der Zufallsvariablen. Beispiel für Zufallsvariable: Körpergröße, Niederschlag, Konzentrationen Zufallsvariablen werden mit großen, die tatsächlichen Realisationen mit Kleinbuchstaben gekennzeichnet. Wahrscheinlichkeitsfunktion: Die Wahrscheinlichkeitsfunktion der diskreten Zufallsvariablen X ordnet jeder möglichen Realisation x i eine Wahrscheinlichkeit P zu: Zum Beispiel beim Würfeln: f(xi) = P(X=xi) (f(5) = P(x=5) = /6 = 0.667)
Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
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
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
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
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
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
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,
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
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
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
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
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
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,
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
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
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
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
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
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
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
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
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
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
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
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.
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
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.
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
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
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
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
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
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
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
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.
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrDie Optimalität von Randomisationstests
Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis
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
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
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
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
MehrMotivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen
Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
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
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrStandardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen. Standardisierung von Daten
DAS THEMA: TABELLEN UND ABBILDUNGEN Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen Standardisierung von Daten z-standardisierung Standardnormalverteilung 1 DIE Z-STANDARDISIERUNG
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrSkriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)
Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
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
MehrAbitur 2007 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2007 Mathematik GK Stochastik Aufgabe C1 Eine Werbeagentur ermittelte durch eine Umfrage im Auftrag eines Kosmetikunternehmens vor Beginn einer Werbekampagne
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
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
Mehr15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit
5.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Einführendes Beispiel ( Erhöhung der Sicherheit bei Flugreisen ) Die statistische Wahrscheinlichkeit, dass während eines Fluges ein Sprengsatz an Bord
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
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.
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
MehrZufallsgrößen und Wahrscheinlichkeitsverteilungen
RS 24.2.2005 Zufallsgroessen_i.mcd 1) Zufallsgröße Zufallsgrößen und Wahrscheinlichkeitsverteilungen Zu jedem Zufallsexeriment gehört ein Ergebnisraum Ω. Die einzelnen Ergebnisse ω i können Buchstaben,
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
MehrKorrelation. Übungsbeispiel 1. Übungsbeispiel 4. Übungsbeispiel 2. Übungsbeispiel 3. Korrel.dtp Seite 1
Korrelation Die Korrelationsanalyse zeigt Zusammenhänge auf und macht Vorhersagen möglich Was ist Korrelation? Was sagt die Korrelationszahl aus? Wie geht man vor? Korrelation ist eine eindeutige Beziehung
MehrQuantilsschätzung als Werkzeug zur VaR-Berechnung
Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
Mehr1.4 Installation eines Qualitätsmanagementsystems
Ko n t r o l l f r a g e n : 1 Geben Sie vier Argumente an, die für die Installation eines Qualitätsmanagementsystems sprechen. 2 Erläutern Sie den Zusammenhang zwischen einem funktionierenden Qualitätsmanagementsystem
MehrSchleswig-Holstein 2011. Kernfach Mathematik
Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
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
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
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrKapitel 3: Etwas Informationstheorie
Stefan Lucks 3: Informationstheorie 28 orlesung Kryptographie (SS06) Kapitel 3: Etwas Informationstheorie Komplexitätstheoretische Sicherheit: Der schnellste Algorithmus, K zu knacken erfordert mindestens
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrStatistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE
Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE INHALTS- VERZEICHNIS Vorwort 13 Schreiben Sie uns! 15 1 Statistische Untersuchungen 17 Wozu Statistik? 18
MehrÜbungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:
Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...
MehrKlausur: Einführung in die Statistik
1 Lösungen immer unter die jeweiligen Aufgaben schreiben. Bei Platzmangel auf die Rückseite schreiben (dann Nummer der bearbeiteten Aufgabe mit anmerken!!!). Lösungen, die nicht auf den Aufgabenblättern
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
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
MehrAufgabe 2.1. Ergebnis, Ergebnismenge, Ereignis
Aufgabe 2. Ergebnis, Ergebnismenge, Ereignis Ergebnis und Ergebnismenge Vorgänge mit zufälligem Ergebnis, oft Zufallsexperiment genannt Bei der Beschreibung der Ergebnisse wird stets ein bestimmtes Merkmal
Mehr