Wahrscheinlichkeitsrechnung
|
|
- Edwina Buchholz
- vor 5 Jahren
- Abrufe
Transkript
1 Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber
2 Inhalt der heutigen Vorlesung Auswahl einer Verteilungsfunktion: Wahrscheinlichkeitspapier pp Schätzung und Modellentwicklung: Methode der Momente Methode der Maximum Likelihood Befragung g der Studierenden (ca. 5 min)
3 Schätzung und Modellentwicklung Auswahl von Wh Wahrscheinlichkeitsverteilungsfunktionen hilihki il ki Grundsätzlich müssen Verteilungsfunktionen für Zufallsvariablen oder prozesse auf Basis folgender Punkte ausgewählt werden: Frequentistische Information: Physikalische Argumente: Daten Verständnis Ingenieurproblemstellungen Derklassische Ansatzist folgender:. Bestimmen einer Hypothese für eine Wahrscheinlichkeitsverteilungsfamilie.. Schätzen der Funktionsparameter der bestimmten Wahrscheinlichkeitsverteilung. 3. Durchführeneines eines statistischen Tests, umdie Hypothese abzulehnen oderzu akzeptieren
4 Schätzung und Modellentwicklung Auswahl von Wh Wahrscheinlichkeitsverteilungsfunktionen hilihki il ki Im Ingenieurwesen tritt häufig der Fall ein, dass die verfügbaren Daten zu spärlich sind, um einen Hypothesentest für eine gegebene Wahrscheinlichkeitsverteilung durchzuführen zumindest mit einer vernünftigen Signifikanz. Deshalb ist ein einheitliches Vorgehen sehr wichtig: Zuerst werden physikalische Argumente herangezogen, um eine passende Verteilung zu identifizieren. Darauf aufbauend wird überprüft, ob die zur Verfügung stehenden Daten der gewählten Verteilungsfunktion widersprechen
5 Schätzung und Modellentwicklung Modellauswahl anhand von Wh Wahrscheinlichkeitspapier hilihki i Ein Wahrscheinlichkeitspapier ist so skaliert, dass eine bestimmte Funktion beim Aufzeichnen auf dieses Papier die Form einer geraden Linie erhält. > die Form eine geraden Linie ist z.b. gegeben durch: x a by
6 Schätzung und Modellentwicklung Modellauswahl anhand von Wh Wahrscheinlichkeitspapier hilihki i Beispiel: Wahrscheinlichkeitspapier für eine normalverteilte Wahrscheinlichkeitsverteilungsfunktion F X ( x) x X ( X ) x ( F X ( x)) X X Die y Achse ist nicht linear skaliert
7 Schätzung und Modellentwicklung Modellauswahl anhand von Wh Wahrscheinlichkeitspapier hilihki i Grafischer Ansatz: Normalverteilung
8 Schätzung und Modellentwicklung Modellauswahl anhand von Wh Wahrscheinlichkeitspapier hilihki i Die Stichproben Verteilungsfunktion kann anhand einer sortierten Messreihe abgeleitet werden: F X ( x i i ) N Beispiel: Druckfestigkeit von Beton Lösung: Normalverteilungs Wahrscheinlichkeitspapier pp
9 Schätzung und Modellentwicklung Modellauswahl anhand von Wh Wahrscheinlichkeitspapier hilihki i Zeichnet man die Stichproben Verteilungsfunktion in das Wahrscheinlichkeitspapier ein, erhält man
10 Kleine Denkaufgabe 0. Das Signifikanzniveau fk eines Hypothesentests entpricht: der Wahrscheinlichkeit eines Fehlers. Art der Wahrscheinlichkeit eines Fehlers. Art je nach Wahl der Null Hypothese entweder der Wahrscheinlichkeit eines Fehlers. Art oder eines Fehlers. Art.
11 Kleine Denkaufgabe 0. Lösung Das Signifikanzniveau eines Hypothesentests entpricht per Definition der Wahrscheinlichkeit eines Fehlers. Art Urteil Wahrheit H 0 trifft zu. H 0 trifft nicht zu. Akzeptanz von H 0. Richtiges Urteil. Fehler. Art. Ausschluss von H 0. Fehler. Art. Richtiges Urteil.
12 Schätzung und Modellentwicklung Übersicht Wenn man Modelle im Ingenieurbereich i entwickeln möchte, öht müssen unterschiedliche Typen von Informationen herangezogen werden. subjektive Informationen frequentistische Informationen
13 Hb Haben wir uns für ein Verteilungstyp entschieden, müssen die Parameter geschätzt werden. z.b. Normalverteilung Weibullverteilung f X ( x) exp x f X k k x x () x exp u u u k
14 Hb Haben wir uns für ein Verteilungstyp entschieden, müssen die Parameter geschätzt werden. z.b. Normalverteilung Weibullverteilung f X ( x) exp x f X k k x x () x exp u u u k Wahrscheinlichkeitsdichtefunktionen werden definiert durch ihre T Parameter θ,,..,. ( ) k Allgemein gibt mandichtefunktionen bedingt aufdie Parameter an: f ( x θ ) X
15 Es gibt eine Vielzahl von Methoden, Verteilungsparameter zu schätzen; generell wird unterschieden zwischen: Punktschätzern Intervallschätzern. Im Folgenden werden wir zwei Methoden Mthd näher betrachten: Methode der Momente Methode der Maximum Likelihood
16 Methode der Momente (MoM) Gegeben ist eine Stichprobe anhand dderer wir die T Verteilungsparameter schätzen: x (ˆ x, xˆ,..,ˆ ) ˆ, Das Prinzip der Methode der Momenten ist, die Parameter so abzuschätzen, dass die Momente der Verteilung und die Momente der Stichprobe identisch sind. x n
17 Methode der Momente (MoM) Gegeben ist eine Stichprobe anhand dderer wir die T Verteilungsparameter schätzen: x (ˆ x, xˆ,..,ˆ ) ˆ, Das Prinzip der Methode der Momenten ist, die Parameter so abzuschätzen, dass die Momente der Verteilung und die Momente der Stichprobe identisch sind. m n j j x i n i Stichprobe x n j j j k X (,,.., ) x f ( xθ) dx Verteilung
18 Methode der Momente (MoM) Angenommen, wir hb haben eine Verteilung mit k Parametern: Dann müssen wir k Gleichungen mit k Unbekannten lösen:
19 Methode der Momente (MoM) Angenommen, wir hb haben eine Verteilung mit k Parametern: Dann müssen wir k Gleichungen mit k Unbekannten lösen: m ( θ ), j,,.., k n j j n i X θ i j j x x f ( x ) dx, j,,.., k Stichprobe Verteilung
20 Betondruckfestigkeit Methode der Momente (MoM) [Mpa] Bi Beispiel: il 7.8 Druckfestigkeit von Beton, Annahme einer Normalverteilung: Die Normalverteilung hat zwei Parameter wir müssen also zwei 30.3 Gleichungen lösen: n 33.3 m ˆ xi = 33.5 x fx( x, ) dx 34. n i n 35.9 m ˆ x = 36.8 i x f ( X x, ) dx 37. n i
21 Methode der Momente (MoM) Die Stichprobenmomente sind: n ˆ n 3.67 ˆ 0 m x i m x i i 0 i Die Momente der Verteilung sind: (x x ) x exp( 0.5 ) dx (x x ) x exp( 0.5 ) dx
22 Methode der Momente (MoM) Bei Formulierung der folgenden Objektfunktion: k g (, ) ( m (, ) m ) ( (, ) ) Lassen sich die Parameter durch Optimierung finden. z.b. mit Hilfe von MS EXCEL
23 Methode der Momente (MoM) ODER: Alternativ und viel einfacher ist die Herangehensweise mit Hilfe der zentralen Momente:. Bestimmung des Stichprobenmittelwertes und der Stichprobenstandardabweichung.. Gleichsetzen mit dem Mittelwert und der Standardabweichung der Verteilungsfunktion. 3. Berechnung der Parameter
24 Methode der Momente (MoM) Log-Normalverteilung, Parameter Erwartungswert und Streuung F ( x ) X 0 x ln x, f ( x) exp 0 X x ln x exp exp Gumbel max. Parameter Erwartungswert und Streuung f ( x) exp xu exp xu x X u F ( x ) exp exp xu X 0 u,
25 Kleine Denkaufgabe 0. Welche der folgenden Aussagen in Bezug auf Hypothesentests ist richtig? Die Wahl der Null Hypothese ist subjektiv. Das Signifikanzniveau sollte so klein wie möglich gewählt werden. Wenn die Anzahl der Stichproben bekannt ist, kann das Signifikanzniveaubeliebig gewählt werden.
26 Kleine Denkaufgabe 0. Lösung Die Wahl der Null Hypothese ist subjektiv. Auf gleiche Weise kann auch die Wahl des Signifikanzniveaus subjektiv sein. Das subjektive Auswählen von Null Hypothesen und Signifikanzniveaus kann als Prozess der Entscheidungsfindung verstanden werden, der die ökonomischen Auswirkungen von Konsequenzen bedingt durch statistische Schlussfolgerungen mit einbezieht.
27 Maximum Likelihood Methode (MLM) Die Grundidee der MLM ist: die Parameter der Verteilung zu identifizieren, welche die maximale Likelihood besitzen welche also am wahrscheinlichsten sind
28 Maximum Likelihood Methode (MLM) Die Form einer Wahrscheinlichkeitsdichtefunktion h hk it ht kti ist itbestimmt tdurch hihre Parameter θ,,.., Ṭ ( k )
29 Maximum Likelihood Methode (MLM) Die Form einer Wahrscheinlichkeitsdichtefunktion h hk it ht kti ist itbestimmt tdurch hihre Parameter θ,,.., Ṭ ( k ) Wird nun eine Stichprobe xˆ ( xˆ, xˆ,,.., xˆ ) T n beobachtet, hat eine Realisation der Stichprobe ˆx die Likelihood : L f ( xˆ θ) X
30 Maximum Likelihood Methode (MLM) Die Form einer Wahrscheinlichkeitsdichtefunktion h hk it ht kti ist itbestimmt tdurch hihre Parameter θ,,.., Ṭ ( k ) Wird nun eine Stichprobe xˆ ( xˆ, xˆ,,.., xˆ ) T n beobachtet, hat eine Realisation der Stichprobe ˆx die Likelihood : L f ( xˆ θ) X Die Likelihood der gesamten Stichproben errechnet sich aus dem Produkt der Likelihoods der n Einzelbeobachtungen > L f ( xˆ θ) bei gegebenen Parametern X i i 30
31 Maximum Likelihood Methode (MLM) Die Form einer Wahrscheinlichkeitsdichtefunktion h hk it ht kti ist itbestimmt tdurch hihre Parameter θ,,.., Ṭ ( k ) Wird nun eine Stichprobe xˆ ( xˆ, xˆ,,.., xˆ ) T n beobachtet, hat eine Realisation der Stichprobe ˆx die Likelihood : L f ( xˆ θ) X Die Likelihood der gesamten Stichproben errechnet sich aus dem Produkt der Likelihoods der n Einzelbeobachtungen > L f ( xˆ θ) bei gegebenen Parametern X i i 3
32 Maximum Likelihood Methode (MLM) Wir maximieren i nun die Likelihood unter Veränderung der Parameter: max θ L θ xˆ i
33 Maximum Likelihood Methode (MLM) Wir maximieren i nun die Likelihood unter Veränderung der Parameter: max θ L θ xˆ i und erhalten die Parameter, welche am besten zu der Stichprobe passen
34 Maximum Likelihood Methode (MLM) Bi Beispiel ilnormalverteilung: Wir nehmen an, die unseren Beobachtungen zugrundeliegende Verteilungsfunktion sei die Normalverteilung. f X ( x ) exp x Die Likelihood der Beobachtungen der Stichprobe xˆ ( xˆ, xˆ,..., xˆ ) T ist dann; x x x n n L( θ xˆ ) exp i ˆ x i
35 Maximum Likelihood Methode (MLM) Bi Beispiel ilnormalverteilung: Die Parameter der Normalverteilung θ werden so gewählt, dass sie die Likelihoodfunktion maximieren: min θ ( L ( θ xˆ )) Es ist von Vorteil, die logarithmierte Likelihoodfunktion zu verwenden: n l( θ x) ln( f ( xˆ θ)) l( θ x) ln( f ( ˆ X xi θ)) X i i i n
36 Maximum Likelihood Methode (MLM) Bi Beispiel ilnormalverteilung: Wir wählen die Parameter θ so, dass sie die log Likelihoodfunktion maximieren: min( l ( θ xˆ )) θ Es kann gezeigt werden, dass die Parameter selbst zu normalverteilten Zufallsvariablen konvergieren: Mit Mittelwerten: μ ( (,,.., T n ) Und Kovarianzmatrix: C H wobei H ij l( θxˆ) i j θ θ
37 Maximum Likelihood Methode (MLM) Bi Beispiel ilnormalverteilung: Betrachten wir nun die Daten der Betondruckfestigkeit. Unter der Annahme, dass die Betondruckfestigkeit einer Normalverteilung folgt, ergibt sich für die log Likelihoodfunktion: ( θxˆ) nln n xˆ i l i Das Minimum kann analytisch wie folgt bestimmt werden: l n 3 l n i n i ˆ 0 x i ˆ 0 x i n i n xˆ i n i xˆ i n
38 Maximum Likelihood Methode (MLM) Bi Beispiel ilnormalverteilung: Gemäss Zahlenbeispiel Betondruckfestigkeit ergibt sich: n xˆ i Mittelwert der Standardabweichung n 0 i 4.05 nicht erwartungstreu (!) n ˆ xi 3.67 n 0 i Mittelwert des Mittelwertes
39 Maximum Likelihood Methode (MLM) Bi iln l t il Beispiel Normalverteilung: Gemäss Zahlenbeispiel Betondruckfestigkeit ergibt sich: Für die Kovarianzmatrix: x x n H n i i n i i 3 n x H n i i C H Varianz des Mittelwertes Varianz der Standardabweichung
40 Maximum Likelihood Methode (MLM) Das Problem lässt sich ebenfalls numerisch lösen z.b. mit MS EXCEL
41 Maximum Likelihood Methode (MLM) Illustration
42 Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber
43 Die folgenden Denkaufgaben könnten thematisch auch noch in diese Vorlesung reinpassen
44 Kleine Denkaufgabe 0. Das jährlich maximale Hochwasser eines Flusses hat eine Standardabweichung von 60 m 3 /s. Während der letzten 0 Jahre wurde das jährlich maximale Hochwasser des Flusses gemessen und aufgezeichnet. Die folgenden statistischen Werte konnten bestimmt werden: Stichproben Mittelwert = 305 m 3 /s Stichproben Varianz = 450 (m 3 /s) Was ist der Erwartungswert der Stichproben Varianz????? 340 0( (m 3 /s) 450 (m 3 /s) 3600 (m 3 /s)
45 Kleine Denkaufgabe 0. Lösung 340 (m 3 /s) Der Erwartungswert tder Stichproben Varianz i S itdfii ist definiert: E S ( n ) n X Dabei ist n = Anzahl der Stichproben und σ X die gemessene Standardabweichung. E S ( n ) n X (0 ) (60) 340 ( m / s ) 0 3
46 Kleine Denkaufgabe 0.3 Man weiss, dass die Druckfestigkeit von Beton eines bestimmten Betonwerkes eine Varianz von.56 (N/mm ) besitzt. Auf einer Baustelle, die diesen Beton verwendet, werden täglich 64 Stichproben gezogen, um die Druckfestigkeit zu beurteilen. Was könnte der grösste Fehler sein, den man mit einer Wahrscheinlichkeit von 0.9 erwarten kann, wenn man den Stichprobenmittelwert verwendet, um den wahren Mittelwert der Druckfestigkeit zu beurteilen???
47 Kleine Denkaufgabe 0.3 Lösung X - X Pk/ k/ n 64 X X N mm n k 645. X - X P Der grösste Fehler, bzw. die grösste Differenz zwischen X und ist demnach P0.33 X - X X
48 Kleine Denkaufgabe.3 Die Werte dreier Stichproben wurden auf das Wahrscheinlichkeitspapier einer Gumbel Verteilung aufgetragen (siehe Grafik). Welche Stichprobe(n) kann man als Realisation(en) einer Gumbel Verteilung betrachten? -ln(-ln(i i/(n+)) )) Stichprobe Stichprobe Stichprobe 3 x i
49 Kleine Denkaufgabe.3 Lösung Stichprobe -ln(-ln(i i/(n+)) )) x i
Statistik 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
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 1 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Hausübung F.4 (Zuverlässigkeitsberechnung) Bayes sche Entscheidungsanalyse (Aufgabe
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
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
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:
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
MehrBasisprüfung 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
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
MehrComputergestützte Datenanalyse in der Kern- und Teilchenphysik
Computergestützte Datenanalysein der Kern- und Teilchenphysik p. 1/?? Computergestützte Datenanalyse in der Kern- und Teilchenphysik Vorlesung 4 Jan Friedrich Computergestützte Datenanalysein der Kern-
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
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
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
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
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
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
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
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
MehrStichprobenverteilung bei unterschiedlichen Auswahlsätzen
Stichprobenverteilung bei unterschiedlichen Auswahlsätzen Begleitende Unterlagen zur Übung Induktive Statistik Michael Westermann Universität Essen Inhaltsverzeichnis 1 Einleitung.......................................................
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 4 12.03.2008 1 Aufgabe 4.1 Die monatliche Aufwendung X [CHF] für den Wasserverbrauch einschliesslich h der Abwassergebühren eines 2 Personenhaushalts seien
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
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrDWT 314/460 csusanne Albers
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schatzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schatzvariablen fur Parameter von Verteilungen. Sei ~X = (X 1 ; : : : ; X n ):
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
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrNachklausur Mathematik für Biologen WS 08/09
Aufgabe 1: (5 Punkte) In einer diploiden Population beobachten wir die Ausprägung eines bestimmten Gens, das zwei Allele V und W annimmt. Somit besitzt jedes Individuum V V, V W oder W W als Genotyp. Die
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
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
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
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
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
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
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
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,
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil V Induktive Statistik Induktive Statistik
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:
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
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
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
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,
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
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 Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik
Statistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik 1. I Ein Personalchef führt so lange Vorstellungsgespräche durch bis der erste geeignete Bewerber darunter ist und stellt diesen an.
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
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
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)
MehrStatistik für Bachelorund Masterstudenten
Walter Zucchini Andreas Schlegel Oleg Nenadic Stefan Sperlich Statistik für Bachelorund Masterstudenten Eine Einführung für Wirtschaftsund Sozialwissenschaftler 4y Springer 1 Der Zufall in unserer Welt
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
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
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
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
MehrStatistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Dr. Stan Lai und Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer
Mehr1 Verteilungsfunktionen, Zufallsvariable etc.
4. Test M3 ET 27 6.6.27 4. Dezember 27 Regelung für den.ten Übungstest:. Wer bei den Professoren Dirschmid, Blümlinger, Vogl oder Langer die UE aus Mathematik 2 gemacht hat, sollte dort die WTH und Statistik
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
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
MehrVorlesung Wissensentdeckung
Vorlesung Wissensentdeckung Klassifikation und Regression: nächste Nachbarn Katharina Morik, Uwe Ligges 14.05.2013 1 von 24 Gliederung Funktionsapproximation 1 Funktionsapproximation Likelihood 2 Kreuzvalidierung
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
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
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Embrechts ETH Zürich Sommer 2015 Wahrscheinlichkeit und Statistik BSc D-INFK Name: Vorname: Stud. Nr.: Das Folgende bitte nicht ausfüllen! Aufg. Summe Kontr. Pkte.-Max. 1 10 2 10 3 10 4 10
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
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
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
MehrKalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern Vorlesung Robotik SS 016 Kalmanfiter () Kalman-Filter: optimaler rekursiver Datenverarbeitungsalgorithmus optimal hängt vom gewählten
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
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
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik,..3 Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf n wird mit B n bezeichnet, das Lebesgue Maß auf n wird
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrUwe Hassler. Statistik im. Bachelor-Studium. Eine Einführung. für Wirtschaftswissenschaftler. ^ Springer Gabler
Uwe Hassler Statistik im Bachelor-Studium Eine Einführung für Wirtschaftswissenschaftler ^ Springer Gabler 1 Einführung 1 2 Beschreibende Methoden univariater Datenanalyse 5 2.1 Grundbegriffe 5 2.2 Häufigkeitsverteilungen
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
Mehr