Statistik und Wahrscheinlichkeitsrechnung
|
|
- Hella Schuster
- vor 5 Jahren
- Abrufe
Transkript
1 Statistik und Wahrscheinlichkeitsrechnung Übung 1 1
2 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Hausübung F.4 (Zuverlässigkeitsberechnung) Bayes sche Entscheidungsanalyse (Aufgabe G.1) Entscheidungsanalyse bei bekannter Information: A priori Analyse Entscheidungsanalyse mit zusätzlicher Information: A posteriori Analyse Entscheidungsanalyse mit unbekannter Information: Prä posteriori Analyse Einsatz der gelernten statistischen Methoden an einem Datensatz (Aufgabe G.)
3 Übersicht Statistik und Wahrscheinlichkeitsrechnung 3
4 Aufgabe G.1 Ein Unternehmen plant den Bau einer Fabrik in einer Wüste. Um die Produktion zu gewährleisten, werden 100 Kiloliter Wasser am Tag benötigt. Es bestehen zwei Möglichkeiten, dies zu realisieren: A1: Bohren eines Brunnens vor Ort A: Bau einer Pipeline zur Wasserversorgung Die Pipeline kann für 100 Mio. CHF realisiert werden. Der Bau eines Brunnens kostet 10 Mio. CHF. Es kann jedoch nicht garantiert werden, dass der Brunnen ausreichend Wasser führt. 4
5 Aufgabe G.1 A Priori Analyse Brunnen A 1 Statistik und Wahrscheinlichkeitsrechnung P P 0.60 Pipeline A P 1.0 a) Aus Erfahrungen früherer Projekte mit ähnlichen geologischen Voraussetzungen kann geschlossen werden, dass ein Brunnen mit einer Wahrscheinlichkeit von 40% ausreichend Wasser führen wird. Für welche Aktion sollten sich die Geschäftsführer dieses Unternehmens entscheiden? θ 1 : Kapazität des Brunnens < 100 Kiloliter θ : Kapazität des Brunnens 100 Kiloliter θ : Kapazität der Pipeline 100 Kiloliter Entscheidungsknoten 5
6 Aufgabe G.1 P 0.40 A Priori Analyse Brunnen A 1 70 P Pipeline A P 1.0 min ; 100 E u P P P min ; min 70 ; 100 = 70 Mio. CHF A 1 Brunnen Pipeline Die Aktion würde mit den gegebenen A Priori Wahrscheinlichkeiten geringere Kosten verursachen. Also sollte der Ingenieur sich für die Erschliessung eines Brunnens vor Ort entscheiden
7 Aufgabe G.1 θ 1 : Kapazität des Brunnens < 100 Kiloliter θ : Kapazität des Brunnens 100 Kiloliter b) Die Kapazität des Brunnens kann durch eine Probebohrung geschätzt werden. Diese Bohrung verursacht Kosten von 1 Mio. CHF. Das Verfahren der Probebohrung liefert drei unterschiedliche Indikatoren bezüglich der Kapazität. Die Wahrscheinlichkeitstabelle für dieses Verfahren ist gegeben. Die erste Probebohrung ergibt eine Indikation I. Sollte der Brunnen zur Wasserversorgung gebohrt werden? Kapazität des Brunnens Indikator < 100 kl > 100 kl I 1 : Kapazität >105 kl P(I 1 θ 1 ) = 0.1 P(I 1 θ ) = 0.8 I : 95 kl < Kapazität <105 kl P(I θ 1 ) = 0. P(I θ ) = 0.1 I 3 : Kapazität < 95 kl P(I 3 θ 1 ) = 0.7 P(I 3 θ ) = 0.1 7
8 Aufgabe G.1 Statistik und Wahrscheinlichkeitsrechnung A Posteriori Analyse Durch eine Probebohrung können wir nun unsere A priori Wahrscheinlichkeiten aktualisieren Dazu verwenden wir den Satz von Bayes. P"( E A) A Posteriori i PAE ( i) P'( Ei) PAE ( i) P'( Ei) n PA ( ) PAE ( ) P'( E) Likelihood i1 θ 1 : Kapazität des Brunnens < 100 Kiloliter θ : Kapazität des Brunnens 100 Kiloliter i i A Priori Gleichung B.15 Skript P ''( q I ) 1 = PI ( q ) P'( q ) 1 1 PI ( q ) P'( q ) + PI ( q ) P'( q ) 1 1 A Posteriori Wahrscheinlichkeit = aktualisierte A Priori Wahrscheinlichkeit P''( q I ) = PI ( q ) P'( q ) PI ( q ) P'( q ) + PI ( q ) P'( q ) 1 1 8
9 Aufgabe G.1 A Posteriori Analyse Statistik und Wahrscheinlichkeitsrechnung θ 1 : Kapazität des Brunnens < 100 Kiloliter θ : Kapazität des Brunnens 100 Kiloliter P '( q1 ) = 0.6 P '( q ) = 0.4 Kapazität des Brunnens Indikator < 100 kl > 100 kl I 1 : Kapazität >105 kl P(I 1 θ 1 ) = 0.1 P(I 1 θ ) = 0.8 I : 95 kl < Kapazität <105 kl P(I θ 1 ) = 0. P(I θ ) = 0.1 I 3 : Kapazität < 95 kl P(I 3 θ 1 ) = 0.7 P(I 3 θ ) = 0.1 P P "( q1 I) = = "( q I) = =
10 Aufgabe G.1 A Posteriori Analyse Brunnen A 1 85 P'' I 0.5 Ergebnis der Probebohrung ist jetzt bekannt Pipeline A P I P ' Brunnen Pipeline 1 E'' u min P'' I (10) P'' I (100 10); P' 100 min ; min 85 ; Mio. CHF Mit dieser Indikation aus dem Pumpversuch erscheint die Alternative A 1 als die günstigere und sollte folglich gewählt werden. 10
11 Aufgabe G.1 c) Entscheide, ob überhaupt eine Probebohrung durchgeführt werden sollte. Betrachten wir dazu zunächst den Entscheidungsbaum. 11
12 Aufgabe G.1 Prä Posteriori Analyse 85 Mio. P P P 1
13 Aufgabe G.1 Prä Posteriori Analyse Zuerst benötigen wir die Wahrscheinlichkeit, dass die Probebohrung die Indikation I, I oder I3 liefert. 1 I 3 I I 1 PI 3 P I 3 P I 1 13
14 Aufgabe G.1 Prä Posteriori Analyse P( q ) = P( q ) = 0.4 Kapazität des Brunnens Indikator < 100 kl > 100 kl I 1 : Kapazität >105 kl I : 95 kl < Kapazität <105 kl I 3 : Kapazität < 95 kl P' I P I P' P I P' P' I P I P' P I P' P' I P I P' P I P' I 3 I I 1 P I P I 3 3 P I 1 14
15 Aufgabe G.1 Prä Posteriori Analyse P( q1 ) = 0.6 P( q ) = 0.4 Statistik und Wahrscheinlichkeitsrechnung Jetzt müssen wir unsere A Posteriori Wahrscheinlichkeiten der Zustände für jede Indikation berechnen. Kapazität des Brunnens Indikator < 100 kl > 100 kl I 1 : Kapazität >105 kl I : 95 kl < Kapazität <105 kl I 3 : Kapazität < 95 kl PI ( ) P( ) P ( 1 I1) P( I1) I 1 PI ( ) P( ) P 1 ( I1) 0.84 P( I1) A A 1 I P I P P I 1 15
16 Aufgabe G.1 Prä Posteriori Analyse P( q ) = P( q ) = 0.4 Kapazität des Brunnens Indikator < 100 kl > 100 kl I 1 : Kapazität >105 kl I : 95 kl < Kapazität <105 kl I 3 : Kapazität < 95 kl PI ( ) P( ) P 1 1 ( 1 I) 0.75 P( I) I PI ( ) P( ) P ( I) 0.5 P( I) A A 1 P I P I P 1 16
17 Aufgabe G.1 Prä Posteriori Analyse P( q ) = P( q ) = 0.4 Kapazität des Brunnens Indikator < 100 kl > 100 kl I 1 : Kapazität >105 kl I : 95 kl < Kapazität <105 kl I 3 : Kapazität < 95 kl PI ( ) P( ) P ( 1 I3) P( I3) I 3 PI ( ) P( ) P 3 ( I3) P( I3) A A 1 I P I P P I 3 17
18 Aufgabe G.1 Prä Posteriori Analyse Brunnen Pipeline E u I min P( I )110 P( I ) 10; P E u I min P( I ) 110 P( I ) 10; P E u I min P( I ) 110 P( I ) 10; P E [u I 3 ] E [u I ] E [u I 1 ] P P P 18
19 Aufgabe G.1 Prä Posteriori Analyse Brunnen u I1 u I u I E min ; E min ; E min ; Pipeline E [u I 3 ] E [u I ] E [u I 1 ] P P P 19
20 Aufgabe G.1 Prä Posteriori Analyse Statistik und Wahrscheinlichkeitsrechnung E u E u I P[ I ] E u I P[ I ] E u I P[ I ] C E u C Wobei C die Kosten für die Probebohrung sind. Probebohrung Mio. CHF + C I 3 I I 1 PI PI P I Mio. CHF 85 Mio. CHF 6 Mio. CHF 0
21 Aufgabe G.1 Prä Posteriori Analyse Jetzt können wir die Entscheidung fällen! C Mio. CHF min( A, A, A ) 70 Mio. CHF 1 3 Folglich würden wir uns für den Bau eines Brunnens entscheiden, weil dies mit dem geringsten Risiko verbunden ist. Pipeline A Brunnen A 1 Probebohrung C A 3 Wenn die Probebohrung weniger als 0.5 Mio. CHF kostet, dann lohnt sie sich. Da die Probebohrung aber 1 Mio. CHF kostet sollte diese nicht durchgeführt werden 1
22 Aufgabe G.1 Prä Posteriori Analyse P P P
23 Aufgabe G. An der deutschen Nordseeküste wird ein alter Schutzdamm auf seine Qualität überprüft. Dabei soll sichergestellt werden, dass er den neuesten Sicherheitsbestimmungen genügt. Sie sind der Experte/die Expertin und mit der Beurteilung dieses Schutzdamms beauftragt. Sie sollen überprüfen, ob die Höhe des Dammes ausreichend ist und ob der Damm stabil genug ist oder verstärkt werden muss. 3
24 Aufgabe G. Um die notwendige Höhe des Dammes bestimmen zu können, soll anhand von Messwerten der letzten 30 Jahre ein Modell für die maximale jährliche Wasserhöhe erstellt werden. Jahr Maximaler Wasserstand [m] Jahr Maximaler Wasserstand [m]
25 Aufgabe G. a) Erstelle eine erste Übersicht über die maximale jährliche Wasserhöhe der letzten 30 Jahre. 5
26 Aufgabe G. a) Erstelle eine erste Übersicht über die maximale jährliche Wasserhöhe der letzten 30 Jahre. k 13. 3log(n)
27 Aufgabe G. a) Erstelle eine erste Übersicht über die maximale jährliche Wasserhöhe der letzten 30 Jahre. Kumulierte relative Häufigkeit 7
28 Aufgabe G.. b) Anhand der vorliegenden Daten möchtest du das Intervall bestimmen, in welchem der wahre Mittelwert mit einer Konfidenz von 95% liegt. Da der von dir berechnete Wert für die Stichprobenstandardabweichung s erwartungstreu sich gut mit den Angaben der einschlägigen Literatur deckt, gehst du davon aus, dass er der wahren Standardabweichung entspricht. X PX [ X] X 8
29 Aufgabe G.. PX [ X] X Nach dem zentralen Grenzwertsatz ist der Stichprobenmittelwert näherungsweise normalverteilt mit dem Erwartungswert 1 und der Varianz Var[ X ] x n Damit gilt: X EX [ ] X X X Pk/ k/ 0.95 X n X X PX [ k/ X Xk/ ] n n 9
30 Aufgabe G. Der Stichprobenmittelwert berechnet sich zu: n 1 x x.438[ m] n i 1 i Und gemäss den Annahmen ist die Standardabweichung: 1 s x x [ m] n X erwartungstreu i n 1 i1 Das Intervall berechnet sich demnach zu: P X P[.9.59] 0.95 X Der wahre Mittelwert liegt mit einer Konfidenz von 95% im Intervall [.9m;.59m]. 30
31 Aufgabe G. Statistik und Wahrscheinlichkeitsrechnung c) Überprüfe anhand geeigneter Wahrscheinlichkeitspapiere, welche Verteilung am besten zu diesen Daten passt. Beispiel: Gumbelverteilung F ( x) exp exp( a( xb)) X ln ln F ( x) a( x b) ax ab y X 31
32 Aufgabe G. Statistik und Wahrscheinlichkeitsrechnung c) Überprüfe anhand geeigneter Wahrscheinlichkeitspapiere, welche Verteilung am besten zu diesen Daten passt. Beispiel: Gumbelverteilung o o i o i xˆ F ( ˆ ) ln ln ( ˆ X x FX x ) N
33 Aufgabe G. c) Überprüfe anhand geeigneter Wahrscheinlichkeitspapiere, welche Verteilung am besten zu diesen Daten passt. 33
34 Aufgabe G. d) Sollte der Vergleich verschiedener Wahrscheinlichkeitspapiere nicht eindeutig sein, eignet sich auch ein Vergleich der Likelihoods. Schätze hierfür zuerst die Parameter der Lognormalverteilung und der Gumbel Max Verteilung mit der Methode der Momente. Berechne anschliessend die jeweilige Likelihood und entscheide auf dieser Basis, welche Verteilungsfunktion die Daten besser repräsentiert. 34
35 Aufgabe G. u d) Schätzen der Parameter und der Gumbel Max Verteilung mit der Methode der Momente: Gumbel Max Verteilung: fx x e xu e xu u Skript Tabelle D. n 1 x xˆ.4385 n i 1 i n 1 s x n i 1 xˆ i u
36 Aufgabe G. Statistik und Wahrscheinlichkeitsrechnung d) Schätzen der Parameter und der Lognormalverteilung mit der Methode der Momente: Lognormalverteilung f X 1 1ln( x) ( x) exp x exp( ) exp( ) exp( ) 1 Skript Tabelle D.1 s x x exp( ) 1 ln ln
37 Aufgabe G. 37
38 Aufgabe G. d) Berechne anschliessend die jeweilige Likelihood und entscheide auf dieser Basis, welche Verteilungsfunktion die Daten besser repräsentiert. n L( θ xˆ) f ( ˆ X xi θ) i1 Gumbel Max : Lognormal : Normal : Exponential :
39 Übersicht 39
40 Aufgabe G. Statistik und Wahrscheinlichkeitsrechnung e) Führe für die Gumbel Max Verteilung einen Chi Quadrat Test auf einem Signifikanzniveau von 10% durch, um beurteilen zu können, ob das Modell verwendet werden kann um die Messdaten zu repräsentieren. Intervall Häufigkeit Wahrscheinlichkeit P [Stichprobe in diesem Intervall] Erwartete Häufigkeit N n p Normalisierte Quadrate der Differenzen Summe m k i1 i n p i i 40
41 Aufgabe G. Stichprobenstatistik: Anzahl Freiheitsgrade: 4 1 = 1 Da < =.7055, kann die Gumbelverteilung auf dem 10% Signifikanzniveau akzeptiert werden. Signifikanzniveau: 10% 41
42 Aufgabe G. f) Der Schutzdamm hat eine Höhe von 5 Metern. Falls der jährliche maximale Wasserstand höher ist als der Schutzdamm, wird von einem Versagen des Dammes gesprochen. Berechne die Versagenswahrscheinlichkeit p f. Versagen wenn jährlicher maximaler Wasserstand > 5 m x x.558e pf P( X 5 [m]) e dx 5m 1F 5 [ m] X
43 Aufgabe G. g) Der Damm erstreckt sich über eine Länge von mehreren hundert Metern. Aufgrund Erosion und anderen altersbedingten Schäden ist die Höhe des Dammes nicht überall gleich. Seine Höhe kann mit einer Lognormalverteilung mit 5[m], 0.5[m] beschrieben werden. Die Sicherheitsmarge berechnet sich demnach zu M DW wobei DDammhöhe und W Wasserhöhe. Berechne die Versagenswahrscheinlichkeit p f anhand einer Monte Carlo Simulation. D Dammhöhe: Lognormalverteilung, 5[m], 0.5[m] W Wasserhöhe: Gumbel Max Verteilung mit Parametern , u
44 Aufgabe G. Monte Carlo Simulation Wasserhöhe: Gumbel Max Verteilung Mit den Parametern W expexp F w w u , u.558 Dammhöhe: ln( d ) Log Normal Verteilung FD d Mit dem Mittelwert 5[m] und Standardabweichung 0.5[m] ergeben sich die Parameter ln ln
45 Aufgabe G. Statistik und Wahrscheinlichkeitsrechnung Monte Carlo Simulation Simulation von Realisationen der Zufallsvariablen für die Wasserhöhe und die Dammhöhe: d M DW 0 w 45
46 Aufgabe G. Statistik und Wahrscheinlichkeitsrechnung Monte Carlo Simulation Simulation von Realisationen der Zufallsvariablen für die Wasserhöhe und die Dammhöhe: d M DW 0 P f n f PM 0 N 8 10'000 w 46
47 Aufgabe G. h) Neben der Dammhöhe soll auch die Stabilität des Dammes evaluiert werden. Es wird angenommen, dass die jährliche maximale Belastung (Einwirkung) mit einer normalverteilten Zufallsvariablen modelliert werden kann mit kn kn Mittelwert L 6'000 und Standardabweichung. L 1'500 m m Die Belastbarkeit (Widerstand) des Dammes kann ebenfalls mit einer kn normalverteilten Zufallsvariablen modelliert werden mit Mittelwert R 1'000 m kn und Standardabweichung 3'000. R m Die Grenzzustandsfunktion der Stabilität des Dammes ist definiert als: das heisst der Damm bricht (versagt) wenn M 0 M R L 47
48 Aufgabe G. h) Berechne die Versagenswahrscheinlichkeit des Dammes mit diesen Annahmen. kn M R L m kn M R L m M p f M
49 Aufgabe G. i) Wenn es zu einem Stabilitätsversagen des Dammes kommt, dann entstehen Schäden von 6 Mio. Euro. Es steht zur Diskussion, den Damm zu verstärken, so dass seine Belastbarkeit geringfügig steigt. kn kn R 15'000 R '000 m m Die hierfür notwendigen Kosten betragen, diskontiert und auf ein Jahr umgerechnet, 0. Mio. Euro. Berechne die neue Versagenswahrscheinlichkeit eines verstärkten Dammes, und vergleiche das Risiko der zwei Varianten belassen und verstärken. Eine Annahme hierbei ist, dass über die Lebensdauer des Dammes mit dem gleichen Schadenerwartungswert gerechnet werden kann. 49
50 Aufgabe G. i) Konsequenzen 6 Mio. Euro Kosten einer Verstärkung: 0. Mio. Euro/Jahr Belastbarkeit nach einer Verstärkung: R kn kn 15'000, '000 R m m Berechnen der neuen Versagenswahrscheinlichkeit: kn M R L m kn M R L 500 m M M 500 p f 4 50
51 Aufgabe G. i) Konsequenzen: 6 Mio. Euro. jährliche Kosten: Euro. p p f f alt neu p f 6 Mio. Euro A 1 : Damm belassen p f 0 Mio. Euro A : Damm verstärken p f 4 p f 4 6 Mio. Euro 0 Mio. Euro 51
52 Aufgabe G. i) Konsequenzen: 6 Mio. Euro. jährliche Kosten: Euro. p p f f alt neu p f 6 Mio. Euro A 1 : Damm belassen p f 0 Mio. Euro A : Damm verstärken p f 4 p f 4 6 Mio. Euro 0 00 > Euro Entscheidung für Damm verstärken 5
Basisprüfung B. Sc. FS 2009
Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung FS 2009 (Als Tafelübung im FS 2011, Aufgabe 1c leicht abgeändert) Prof. Dr. M. H. Faber ETH Zürich Montag, 17. August 2009 14:00 16:00 Inhalt
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 8.04.009 1 Inhalt der heutigen Vorlesung Zusammenfassung der letzten Vorlesung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrBasisprüfung B. Sc. FS 2009
Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung FS 2009 Prof. Dr. M. H. Faber ETH Zürich Montag, 17. August 2009 14:00 16:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... Basisprüfung
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 8.04.009 Inhalt der heutigen Vorlesung Auswahl einer Verteilungsfunktion: Wahrscheinlichkeitspapier pp Schätzung und Modellentwicklung:
MehrBasisprüfung B. Sc. FS 2011
Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung FS 2011 Dr. Jochen Köhler ETH Zürich Mittwoch, 17. August 2011 9:00 11:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... Aufgabe Beschreibung
MehrBasisprüfung B. Sc. WS 2009/10
Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung WS 2009/10 Prof. Dr. M. H. Faber ETH Zürich Montag, 08. Februar 2010 14:00 16:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... 1/15
MehrBasisprüfung B. Sc. HS 2010
Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung HS 2010 Prof. Dr. M. H. Faber ETH Zürich Mittwoch, 2. Februar 2011 9:00 11:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... Basisprüfung
Mehr2. Teilprüfung FS 2009
2. Teilprüfung Statistik und Wahrscheinlichkeitsrechnung FS 2009 Prof. Dr. Michael Havbro Faber ETH Zürich Dienstag 19. Mai 2009 08:00 09:30 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... 2. Teilprüfung:
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Schätzung und Modellentwicklung Überblick Statistische Signifikanztests
MehrWahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom
Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrBasisprüfung Statistik und Wahrscheinlichkeitsrechnung Frühjahr 2005
Basisprüfung Statistik und Wahrscheinlichkeitsrechnung Frühahr 2005 Prof. Dr. M.H. Faber Prof. Dr. P. Burlando ETH Zürich Freitag, 11. März 2005 14:00 16:00 Name:... Vorname:... 1/10 Basisprüfung: Statistik
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
MehrDr. H. Grunert Schließende Statistik Vorlesungscharts. Vorlesung 7. Schätzverfahren
Vorlesungscharts Vorlesung 7 Schätzverfahren Konstruktion von Konfidenzintervallen Konfidenzintervalle für den Erwartungswert normalverteilter Grundgesamtheiten Konfidenzintervalle für Anteilswerte Seite
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik Bearbeitet von Karl Mosler, Friedrich Schmid 4., verb. Aufl. 2010. Taschenbuch. XII, 347 S. Paperback ISBN 978 3 642 15009 8 Format
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Mai 2011 3. Schätzung von Parametern Problemstellung: Aus fehlerbehafteten Messungen möglichst genaue Ergebnisse erarbeiten zusammen mit Aussagen
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrTestat Prüfung FS 2011
Testat Prüfung FS 20 ETH Zürich Studienrichtungen: Bauingenieurwissenschaften Umweltingenieurwissenschaften Geomatik und Planung 05.05.20 08:00 09:00 Vorname: Familienname: Stud. Nr.: Studienrichtung:
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 21. Januar 2016 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Punkte: 15, 15, 12, 14, 16, 18 ; Summe der Punkte: 90 Aufgabe 1 15 Punkte Bei
MehrAufgabe (12 Punkte) Sei A A eine σ-algebra. (a) Man zeige: Ist X : Ω R A -messbar, dann ist X A-messbar. (b) Gilt die Umkehrung von (a)?
Am 5. Mai 2007 wurde zum dritten Mal eine stochastische Eingangsprüfung durchgeführt. Insgesamt konnten maximal 56 Punkte erreicht werden, zum Bestehen der Prüfung waren mindestens 26 Punkte notwendig.
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrDr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Sommer 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrNachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester Oktober 2011
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester 2011 28. Oktober 2011 Prof. Dr. Torsten Hothorn Institut für Statistik Nachname: Vorname: Matrikelnummer: Anmerkungen: ˆ Schreiben
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood KARLSRUHER INSTITUT FÜR TECHNOLOGIE (KIT) 0 KIT 06.01.2012 Universität des Fabian Landes Hoffmann Baden-Württemberg und nationales Forschungszentrum
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 5.04.01 1 Inhalte der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Ereignisse undeinfachezufallsvariablen Lineare
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrMusterlösung zu Serie 8
Dr. Markus Kalisch Statistik I für Biol./Pharm. Wiss./HST) FS 15 Musterlösung zu Serie 8 1. a) Damit fx) eine Dichte ist, muss die Fläche des Dreiecks gleich 1 sein. Es muss also gelten c = 1. Daraus folgt
MehrProbeklausur Statistik Lösungshinweise
Probeklausur Statistik Lösungshinweise Prüfungsdatum: Juni 015 Prüfer: Studiengang: IM und BW Aufgabe 1 18 Punkte 0 Studenten werden gefragt, wie viele Stunden sie durchschnittlich pro Tag ihr Smartphone
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr
Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehrj K j d j m j h j f j
Für eine stetige Zufallsvariable X in einem Intervall [ a ; b ] kann X jeden beliebigen Wert annehmen. Die Wahrscheinlichkeiten werden in diesem Fall nicht mehr wie bei einer diskreten Zufallsvariable
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 5 29.03.2011 1 Inhalt der heutigen Übung Vorrechnen der Hausübung D.3 Gemeinsames Lösen der Übungsaufgaben D.4: Zufallsvektoren D.5: Multivariate Wahrscheinlichkeiten
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, 2. Juli 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Konjugierte Prior Konjugierte Prior
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 26. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 13.10.2017 Wir gehen stets von einem Wahrscheinlichkeitsraum Ω,A,P aus. Aufgabe 1 15 Punkte Seien a,b > 0 und x,y fest. Gegeben sei das Maß µ : B 1 [0,, µa := a1 A x+b1 A
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 11. Winterthur, 10. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 10. Mai 017 1 Zufallsvariablen:
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 0.0.0 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf R n wird mit λ n bezeichnet.
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrÜberblick. Überblick. Bayessche Entscheidungsregel. A-posteriori-Wahrscheinlichkeit (Beispiel) Wiederholung: Bayes-Klassifikator
Überblick Grundlagen Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrEvaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests
Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung V: Konfidenzintervalle // Normalverteilungstests Seminarinhalte Sitzung V: 16.05.2018 Konfidenzintervalle bei bekannter Varianz Konfidenzintervalle
MehrStichprobenverteilung bei unterschiedlichen Auswahlsätzen
Stichprobenverteilung bei unterschiedlichen Auswahlsätzen Begleitende Unterlagen zur Übung Induktive Statistik Michael Westermann Universität Essen Inhaltsverzeichnis 1 Einleitung.......................................................
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
Mehr