Konfidenzbereiche. Kapitel Konstruktion
|
|
- Cathrin Huber
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel 7 Konfidenzbereiche Wir wollen wieder eine Größe τ :Θ Σ schätzen. Jedoch wollen wir diesmal nicht nur einen Wert T (x) angeben, der uns besonders plausibel erscheint, sondern einen ganzen Bereich C(x) Σ solcher plausibler Werte, der den wahren Wert τ(ϑ) mit möglichst großer Wahrscheinlichkeit enthält. Dieses orgehen ist deshalb sinnvoll, weil die Punktschätzung keine konkrete Aussage über die Qualität des geschätzten Wertes macht. Hier hingegen können wir durch Angabe des Bereichs C(x) und durch Angabe der Wahrscheinlichkeit, dass C(x) den Wert τ(ϑ) enthält gleich eine quantifizierte Qualitätsaussage unserer Schätzung mitliefern. Definition 7. (Konfidenzbereich) Sei M =(X, A, (P ϑ ) ϑ Θ ) ein statistisches Modell und τ :Θ Σ eine zu schätzende Kenngröße. Ferner sei α [, ] vorgegeben. Jede Abbildung C : X 2 Σ mit den Eigenschaften (i) {x : C(x) τ(ϑ)} Afür alle ϑ Θ, (ii) P ϑ [{x : C(x) τ(ϑ)}] α für alle ϑ Θ, heißt Konfidenzbereich für τ zum (Fehler-)Niveau α. Ist speziell Σ R und jedes C(x) ein Intervall, so heißt C ein Konfidenzintervall. Soweit zur allgemeinen Definition. Um die Notation etwas übersichtlicher zu halten, beschränken wir uns nun auf den Fall, wo τ =id Θ, also ϑ selbst, geschätzt werden soll. 7. Konstruktion Wie konstruiert man nun solche Bereiche C(x)? Wir können die Abbildung C identifizieren mit einer Teilmenge C X Θ und setzen dann C(x) :={ϑ Θ: (x, ϑ) C} 25
2 26 Konfidenzbereiche und A(ϑ) :={x X :(x, ϑ) C}. Dann ist für jedes ϑ Θ {x : C(x) ϑ} = A(ϑ). Die Forderungen aus der Definition lauten also A(ϑ) A, P ϑ [A(ϑ)] α für alle ϑ Θ. Klar sollte A(ϑ) möglichst klein sein. Die Definition des Konfidenzbereichs macht allerdings keine Aussage zur Brauchbarkeit. Speziell ist C(x) Θ natürlich ein Konfidenzbereich für jedes Niveau. Allerdings ein völliger nutzloser. Diskreter Fall Sind nun X und Θ diskret, so können wir wie folgt vorgehen, um C zu bestimmen. Wir tragen die Zahlen P ϑ [{x}], ϑ Θ, x X, in eine Tabelle ein, x nach rechts und ϑ nach oben. Wir markieren dann in jeder Zeile (also für jedes ϑ) die n ϑ größten Werte P ϑ [{x ϑ, }] P ϑ [{x ϑ,2 }]..., so lange bis die Zeilensumme dieser Werte α erreicht: n ϑ P ϑ [{x ϑ,i }] α. Danach setzen wir A(ϑ) ={x ϑ,i : i =,...,n ϑ }. Folglich ist ist C(x) ={ϑ Θ: x {x ϑ,,...,x ϑ,n } = { ϑ Θ: der Wert P ϑ [{x}] wurde markiert. } Beispiel 7.2 In einer Urne befinden sich zehn Kugeln. Davon ist eine unbekannte Anzahl ϑ Θ = {,...,} rot, die anderen Kugeln sind weiß. Durch fünffaches Ziehen mit Zurücklegen wollen wir die Anzahl der roten Kugeln schätzen mit einem Niveau von α =.. Dabei wollen wir nur die Summe der gezogenen roten Kugeln berücksichtigen. Es ist also X = {,...,5}, P ϑ = b 5,ϑ/. Wir erhalten für die
3 7. Konstruktion 27 Wahrscheinlichkeiten P ϑ [{x}] die folgende Tabelle. k = ϑ = Wir erhalten also als Konfidenzintervalle C() = {,...,4} C() = {,...,5} C(2) = {2,...,7} C(3) = {3,...,8} C(4) = {5,...,9} C(5) = {6,...,}. Stetiger Fall Ist X R ein Intervall und hat P ϑ die Dichte f ϑ,sowähle ein Teilintervall A(ϑ) =[x ϑ,x+ ϑ ] X,wo f(ϑ) möglichst große Werte annimmt, P ϑ [A(ϑ)] = x + ϑ x ϑ f ϑ (t) dt α. Ein solches Intervall auszuwählen, ist der Idealfall. Weil das im Allgemeinen etwas kompliziert ist, werden wir solche Intervall aussuchen, wo x ϑ f ϑ(t) dt α 2 und f x + ϑ (t) dt α 2. Wir wollen etwas allgemeiner ϑ auch unstetige erteilungen (also ohne Dichte) zulassen und treffen daher die folgende Definition.
4 28 Konfidenzbereiche Definition 7.3 (Quantile) Sei P eine Wahrscheinlichkeitsverteilung auf R, und sei α (, ). Jede Zahl x R mit der Eigenschaft P[(,x]] α, P[(,x)] α heißt ein α Quantil von P. Wir schreiben Q α (P) ={x : x ist α Quantil von P}. Speziell ist ist jedes 2 Quantil ein Median. Manchmal wird ein ( α) Quantil auch α Fraktil genannt. Ist P eine erteilung mit Dichte und ist x ein α Quantil von P, so gilt sogar die Gleichheit P[(,x)] = P[(,x]] = α. Satz 7.4 Für jedes α (, ) ist Q α (P) ein nichtleeres kompaktes Intervall. Beweis Das geht ganz genau wie der Beweis von Satz 3.34 für den Fall des Medians. Bemerkung Die Aussage des Satzes ist für α {, } im Allgemeinen falsch. (Warum?) Nun wollen wir unsere Quantile auch benutzen, wenn X keine Teilmenge der reellen Zahlen ist. Zu diesem Zweck müssen wir zunächst eine geeignete Statistik T : X R finden, deren erteilung wir leicht bestimmen können, und die möglichst viel Information über das Experiment enthält. Zu jedem ϑ Θ wählen wir dann ein α 2 Quantil t ϑ Q α/2(p ϑ T ) und ein ( α 2 ) Quantil t+ ϑ Q ( α/2)(p ϑ T ), also P ϑ [T<t ϑ ] α 2, P ϑ[t >t + ϑ ] α 2. (7.) Tatsächlich brauchen wir nicht, dass t ± ϑ exakte Quantile sind, sondern nur (7.). Dies ist speziell dann wichtig, wenn wir die Quantile nicht genau ausrechnen können. Wir setzen dann C := {(x, ϑ) : T (x) [t ϑ,t+ ϑ ]}. Es dann A(ϑ) =T ([t ϑ,t+ ϑ ]) also Wir haben also den folgenden Satz gezeigt. P ϑ [A(ϑ) c ]=P ϑ [T<t ϑ ]+P ϑ[t >t + ϑ ] α. Satz 7.5 Durch C(x) :={ϑ Θ: t ϑ T (x) t+ ϑ } (7.2) wird ein Konfidenzbereich zum Niveau α definiert. Sind die Abbildungen ϑ t ϑ und ϑ t+ ϑ monoton, dann ist C(x) ein Intervall.
5 7.2 Konfidenzintervalle für die Binomialverteilung 29 Beispiel 7.6 (Normalverteilung mit bekannter arianz) Wir wollen aus n unabhängigen Beobachtungen den Erwartungswert ϑ einer Normalverteilung mit bekannter arianz σ 2 zum Niveau α schätzen. Es ist also Θ=R, X = R n, P ϑ = N n ϑ,σ 2. Als Statistik wählen wir T (x) = n (x x n ). Dann ist P ϑ T = N ϑ,σ2 /n. Sei Φ die erteilungsfunktion von N, und Φ deren Umkehrfunktion. Dann ist ( Q α/2 (P ϑ T )=ϑ + σ2 α ) n Φ ( 2 = ϑ σ2 n Φ α ) = t ϑ ( 2 Q α/2 (P ϑ T )=ϑ + σ2 n Φ α ) = t + ϑ 2. Den Wert Φ ( ) α 2 kann man in Tabellen nachgucken. Offenbar sind ϑ t ϑ und ϑ t+ ϑ monoton, also bekommen wir ein Konfidenzintervall zum Niveau α durch C(x) ={ϑ : t ϑ T (x) t+ ϑ } = [T ( (x) σ2 n Φ α ) (,T(x)+ σ2 2 n Φ α ) ]. 2 (7.3) 7.2 Konfidenzintervalle für die Binomialverteilung Wir wollen den Parameter p [, ] der Binomialverteilung b n,p schätzen. Da p jetzt unendlich viele Werte annehmen kann, ist das erfahren aus Abschnitt 7. mit der Tabelle nicht mehr ganz praktikabel. Wir wollen also gemäß (7.) für jedes p Werte x p und x + p angeben, für die gilt b n,p ({,...,x p }) α 2, b n,p({x + p +,...,n}) α 2. (7.4) Wir setzen dann C(x) :={p [, ] : x p x x + p }. (7.5) Bevor wir die Werte x ± p konkret ausrechnen, wollen wir uns der Frage zuwenden, ob dieses C(x) tatsächlich ein Intervall ist. Dazu müssen wir prüfen, dass die Abbildungen p x p und p x + p monoton wachsend sind. Die positive Antwort gibt das folgende Lemma. Lemma 7.7 Für p, p [, ], p<p und x {,...,n} ist b n,p ({x,...,n}) <b n,p ({x,...,n}). Beweis Wir benutzen ein Kopplungsargument. Seien X,...,X n unabhängig und uniform verteilt auf [, ]. Für q [, ] setzen wir X q i := [,q](x i ), i =,...,n
6 3 Konfidenzbereiche sowie S q = X q i. Dann sind X q,...,xq n unabhängig und Ber q verteilt. Also ist S q b n,q. Nach Konstruktion ist aber auch S p S p. Also ist b n,p ({x,...,n}) b n,p ({x,...,n}) =P[S p x] P[S p x] = P[S p x, S p <x] P[S p = n, S p =] = P[X i (p, p ] für alle i =,...,n] =(p p) n >. Normalapproximation Wir nehmen an, dass n so groß ist, dass wir die Approximation einsetzen können ( ) x np b n,p ({,...,x}) Φ. np( p) Es ist dann also p ± x so zu wählen, dass Φ x np x = α np x ( p x ) 2 und Φ x np+ x = α np + x ( p + x ) 2 Dann ist C(x) =[p x,p + x ] ein Konfidenzintervall für p. Wir erhalten wegen Φ (α/2) = Φ ( α/2) für p x und p + x die selbe quadrierte Gleichung (x + p ± x n) 2 = ( Φ ( α 2 ) ) 2 np ± x ( p ± x ). Auflösen ergibt (mit y := nφ ( α/2) 2 ) Wir erhalten also ein approximatives Konfidenzintervall durch mit p ± x aus (7.6). p ± x = 2nx + y ± 4nxy + y 2 4yx 2 2n 2. (7.6) +2y C(x) :=[p x,p + x ] (7.7)
7 7.2 Konfidenzintervalle für die Binomialverteilung 3 Quantile der Betaverteilung Definition 7.8 Für m, n > sei B(m, n) = t m ( t) n dt das Eulersche Betaintegral. Die erteilung β m,n auf [, ] mit Dichte f(x) = heißt Betaverteilung mit Parametern m und n. B(m, n) xm ( x) n Lemma 7.9 Für m, n N ist B(m, n) = (m )! (n )!. (m + n )! Beweis Das hatten wir schon in (6.2) gezeigt. Satz 7. Für n N und x {,...,n} ist b n,p ({x,...,n}) =β x,n x+ ([,p]). (7.8) Beweis Seien X,...,X n und S p wie in Lemma 7.7. Sei N = { #{X,...,X n } = n } das Ereignis, dass keine zwei Zufallsvariablen den selben Wert annehmen. Da die Zufallsvariablen unabhängig sind und eine Dichte haben, hat N die Wahrscheinlichkeit : P[#{X,...,X n } = n] =. P[X i = X j ] i,j= i,j= dt i dt j {ti=t j} Ferner sei Π n die Gruppe der Permutationen {,...,n} {,...,n} mit neutralem Element id. Außerdem sei Π x n := {σ Π n : σ(x) =x, σ(i) <ifür alle i<x}. Offenbar lässt sich jedes σ Π x n in genau einer Weise durch σ Π x, σ 2 Π n x darstellen: σ (i), i < x, σ(i) = x, i = x, x + σ 2 (i x), i > x. Speziell ist #Π x n =#Π x #Π n x =(x )! (n x)!. Dann sind die Ereignisse A σ := { X σ() <X σ(2) <...<X σ(x) p<x σ(x+) <...<X σ(n) }, σ Πn,
8 32 Konfidenzbereiche disjunkt und Ferner ist {S p x} N = σ Π n A σ. A σ = {max(x,...,x x ) X x min(x x+,...,x n )} {X x p} N. σ Π x n Aus Symmetriegründen ist für jedes σ Π n Also ist P[S p x] = P[A σ ] σ Π n = n! P[A id ] = n! (x )! (n x)! σ Π x n P[A σ ]=P[A id ]. P[A σ ] = B(x +,n x) P[ max(x,...,x x ) X x min(x x+,...,x n ) und X x p ] p ( tx tx )( ) = dt x dt dt x dt x+ dt n B(x +,n x) t x t x p = t x x ( t x ) n x dt x B(x +,n x) = β x,n x+ ([,p]). Korollar 7. Für den Erfolgsparameter p der Binomialverteilung b n,p erhalten wir bei Beobachtung von x {,...,n} ein Konfidenzintervall zum Niveau α durch C(x) = [ Q α/2 (β x,n x+ ),Q α/2 (β x+,n x ) ] = [ Q α/2 (β x,n x+ ), Q α/2 (β n x,x+ ) ] (7.9) Diese Darstellung des Konfidenzintervalls ist deshalb so nützlich, weil die Quantile der Betaverteilung tabelliert sind und auch numerisch sehr leicht bestimmt werden können. Beweis Die zweite Gleichheit folgt direkt aus der Symmetrie der Betaverteilung β m,n ([,p]) = β n,m ([ p, ]). Setze nun und Dann ist p x = Q α/2 (β x,n x+ ), p + x = Q α/2 (β x+,n x ) x p = min{x : p + x p}, x + p = max{x : p x p}. A(p) ={x p,...,x + p } = {x : C(x) p}.
9 7.3 Normalverteilung mit unbekannter arianz 33 Es reicht also zu zeigen, dass und b n,p ({x + p +,...,n}) α 2 b n,p ({,...,x p }) α 2 (7.) (7.) Für x>x + p ist p<p x also nach Satz 7. b n,p ({x,...,n}) =β x,n x+ ([,p]) < α 2. Analog ist für x<x p dann p>p + x, also b n,p ({,...,x}) = β x+,n x ([,p]) < α Normalverteilung mit unbekannter arianz Wir haben bereits in Beispiel 7.6 das Konfidenzintervall für den Erwartungswert der Normalverteilung bei bekannter arianz σ 2 kennen gelernt (siehe (7.3)). Das Ziel dieses Abschnitts ist es, ein entsprechendes Konfidenzintervall für den Erwartungswert anzugeben, wenn die arianz nicht bekannt ist. Wir müssen hierzu weiter ausholen und verschiedene erteilungen definieren, sowie deren Zusammenhang mit der Normalverteilung diskutieren. Definition 7.2 Seien Y,Y,...,Y n unabhängig und N, verteilt. (i) Die erteilung von S n := Y Y 2 n heißt Chi-Quadrat erteilung mit n Freiheitsgraden, kurz χ 2 n. (ii) Die erteilung von Y n S n heißt t-erteilung mit n Freiheitsgraden, kurz t n. (iii) Für a, t > ist die Gammaverteilung mit Formparameter t und Größenparameter a, kurz Γ a,t erteilung, diejenige erteilung auf [, ) mit Dichtefunktion f a,t (x) = Dabei ist Γ(t) = x t e x dx die Gammafunktion. at Γ(t) xt e ax, x. (7.2) Satz 7.3 (ii) Es gilt (i) Für a, s, t > ist Γ a,t Γ a,s =Γ a,s+t. (7.3) χ 2 n =Γ 2, n 2. (7.4)
10 34 Konfidenzbereiche (iii) Die t n erteilung hat die Dichte f n (x) = Dabei ist B(s, t) = xs ( x) t dx. (iv) Es gilt ( ) (n+)/2 B ( n 2, ) + x2, x R. (7.5) 2 n n N, =w lim n t n. (7.6) Beweis Dies findet man in den einschlägigen Lehrbüchern. Sei A eine orthogonale (reelle) n n Matrix, wir schreiben A O(n), das heißt, die Zeilenvektoren bilden eine Orthonormalbasis des R n. Dann ist bekanntermaßen det(a) {, +} und ebenfalls A O(n). Für jedes x R n ist Ax R n definiert durch (Ax) i = n j= A i,jx j. Bekanntermaßen ist Ax 2 = x 2 und A y 2 = y 2 für alle x, y R n. Wir definieren nun für einen Zufallsvektor X =(X,...,X n ) T den Zufallsvektor Y =(Y,...,Y n ) T = AX eben durch Y i = A i,j X j. j= Lemma 7.4 Sind X,...,X n unabhängig und N,σ 2 verteilt, und ist A O(n) sowie Y = AX, so sind Y,...,Y n unabhängig und N,σ 2 verteilt. Beweis Die erteilung von X hat als Dichte f X, das Produkt der Dichten f Xi der P Xi, also f X (x) = n f Xi (x i ) n = (2πσ 2 ) /2 e x2 i /2σ2 ( ) =(2πσ 2 ) n/2 x 2 i exp 2σ 2 ( ) =(2πσ 2 ) n/2 exp x 2 2 2σ 2. Die Dichtetransformationsformel (Satz.56) liefert nun die Dichte f Y von Y f Y (y) = f X(A y) det(a) =(2πσ 2 ) n/2 exp ( A y 2 2 2σ 2 ( =(2πσ 2 ) n/2 exp y 2 2 2σ 2 = f X (y). ) ) Da Y die selbe Dichte wie X hat, gilt P X = P Y. Das ist aber die Behauptung.
11 7.3 Normalverteilung mit unbekannter arianz 35 Lemma 7.5 Es existiert eine orthogonale Matrix A O(n) mit A,j = n, j =,...,n. Beweis Setze a = (n /2,...,n /2 ) T, a 2 = (,,,...,), a 3 = (,,,,...,) T,..., a n = (,...,, ) T. Wende auf diese ektoren das Gram-Schmidt Orthonormalisierungsverfahren an. So erhält man eine Orthonormalbasis â,...,â n, wobei â = a. Setze nun A i,j =â i j. Als erwartungstreue Schätzer für Erwartungswert µ und arianz σ 2 der Normalverteilung hatten wir berechnet M = X i n = n (X i M) 2. Satz 7.6 Seien X,...,X n unabhängig und N µ,σ 2 verteilt. Dann gilt: (i) M und sind unabhängig. (ii) M N µ,σ2 /n und n σ 2 χ 2 n. (iii) T µ := n(m µ) t n. (7.7) Beweis Ohne Einschränkung können wir annehmen, dass µ =gilt. (i) Wähle nun A wie in Lemma 7.5 und Y = AX. Dann ist M = Y, n und (wegen Y 2 2 = X 2 2) = n = n = n = n (X i M) 2 Xi 2 n n M 2 i=2 Yi 2 n n Y 2 i. Da Y,...,Y n unabhängig sind, sind M und unabhängig. n Y 2
12 36 Konfidenzbereiche (ii) Klar ist M N,σ 2 /n.day 2,...,Y n N,σ 2 ist, folgt (ii). (iii) Offenbar ist nm = Y. Nach (i) und (ii) sind (σ 2 ) /2 nm N, und (σ 2 ) (n ) χ 2 n unabhängig, also ist T = (σ2 ) /2 nm t n (σ2 ) nach Definition der t n erteilung (Definition 7.2), es folgt also (iii). Wir wollen nun das Schätzproblem betrachten. Sei M =(R n, B(R n ), (N n µ,σ ) 2 (µ,σ2 ) R [, )). Unser Ziel ist es, ein Konfidenzintervall für µ anzugeben. Die Statistik n (M(x) µ) T µ (x) := (x) hat eine von σ 2 nicht abhängende erteilung und eignet sich daher zur Konstruktion eines Konfidenzintervalls. Satz 7.7 (Konfidenzintervall für die Normalverteilung bei unbekannter arianz) Seien M =(R n, B(R n ), (N n µ,σ 2 ) (µ,σ 2 ) R [, )), M(x) = n x i, (x) = n (x i M(x)) 2. Sei α (, ) und Q α (t 2 n ) = Q α (t 2 n ) das ( α 2 ) Quantil der t n erteilung. Dann definiert [ ] (x) C(x) = M(x) Q α (t (x) n 2 n ), M(x)+ Q α (t n 2 n ) (7.8) ein Konfidenzintervall für µ zum Niveau α. Beweis Es gilt P µ,σ 2[C(X) µ] [ = P µ,σ 2 µ<m =2P µ,σ 2 [ µ<m ] [ ] Q α (t n 2 n ) + P µ,σ 2 µ>m+ Q α (t n 2 n ) ] Q α (t n 2 n ) =2P µ,σ 2 [ ] n (M µ) >Q α (t 2 n ) wobei wir im letzten Schritt Satz 7.6(iii) ausgenutzt haben. =2 α 2 = α,
Biostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
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
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. 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. Andrej Depperschmidt. Sommersemester 2016
Statistik Andrej Depperschmidt Sommersemester 2016 Schätzen der Varianz mit Stichprobenmittel Sei X = (X 1,..., X n ) eine Stichprobe u.i.v. ZV mit E[X i ] = µ R, Var[X i ] = σ 2 (0, ) und µ 4 = E[(X i
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
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
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
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
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr2 Klassische statistische Verfahren unter Normalverteilungs-Annahme
7 Klassische statistische Verfahren unter Normalverteilungs-Annahme. χ s, t s, F r,s -Verteilung a) N,..., N s uiv N (0, ) Verteilung von Y := N +... + N s heißt Chi-Quadrat-Verteilung mit s Freiheitsgraden
MehrExkurs: Exakte Konfidenzintervalle für den Erfolgsparameter in der Binomialverteilung. 27. Januar 2014
Exkurs: Exakte Konfidenzintervalle für den Erfolgsparameter in der Binomialverteilung 27. Januar 2014 Unter n unabhängigen Versuchen seien x Erfolge beobachtet worden, wir fassen x als Realisierung einer
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
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,
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
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
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
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
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
Mehr3.4 Bayes-Verfahren Begrifflicher Hintergrund. Satz 3.22 (allgemeines Theorem von Bayes)
3.4 Bayes-Verfahren 203 3.4.1 Begrifflicher Hintergrund Satz 3.22 (allgemeines Theorem von Bayes) Seien X und U zwei Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsfunktion f X,U ( ) bzw. Dichte f
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
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
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:
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrErwartungswerte, Varianzen
Kapitel 3 Erwartungswerte, Varianzen Wir wollen nun Zufallsvariablen eine Maßzahl zuordnen, die ihr typisches Verhalten in vager Weise angibt. Haben wir n Punkte x 1,...,x n R d, so ist der Schwerpunkt
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten 1/43 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.1 Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
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,
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
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrWiederholung Analysis
Wiederholung Analysis F( x) sei Stammfunktion zu f( x) f( x) dx = F( x) F ( x) = f( x) Bestimmtes Integral b a f ( x) dx = F( b) F( a) Uneigentliche Integrale x x x f() t 0 F( x) = f() t dt ist monoton
MehrSuffizienz und Vollständigkeit
KAPITEL 7 Suffizienz und Vollständigkeit 7.1. Definition der Suffizienz im diskreten Fall Beispiel 7.1.1. Betrachten wir eine unfaire Münze, wobei die Wahrscheinlichkeit θ, dass die Münze Kopf zeigt, geschätzt
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
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
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
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
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
MehrSignifikanztests Optimalitätstheorie
Kapitel Signifikanztests Optimalitätstheorie Randomisierte Tests In einem statistischen Modell M, A, P ϑ sei ein Testproblem gegeben: H : ϑ Θ gegen H : ϑ Θ ; wobei also durch Θ Θ Θ eine Zerlegung des Parameterbereichs
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrDiskrete Strukturen II
SS 2004 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2004ss/ds/index.html.de 18. Juni 2004 Exponentialverteilung als Grenzwert der geometrischen
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 5: Aufgaben zu den Kapiteln 9 bis 12
Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 0) Teil 5: Aufgaben zu den Kapiteln 9 bis Aufgaben zu Kapitel 9 Zu Abschnitt 9. Ü9.. Es sei ψ : R R stetig differenzierbar.
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
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
MehrLösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker II
Universität des Saarlandes Fakultät für Mathematik und Informatik Sommersemester 2004 Prof. Dr. Joachim Weickert Dr. Bernhard Burgeth Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
Mehr3 Statistische Schätzungen
3 Statistische Schätzungen In der Wahrscheinlichkeitstheorie geht es darum, über Modelle Ereignisse zu bewerten bzw. Voraussagen über ihr Eintreten zu treffen. Sind nun umgekehrt Daten bekannt, und wollen
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, 4. Mai 2017 Dr. Michael O. Distler
Mehr2. Prinzipien der Datenreduktion
2. Prinzipien der Datenreduktion Man verwendet die Information in einer Stichprobe X 1,..., X n, um statistische Inferenz über einen unbekannten Parameter zu betreiben. Falls n groß ist, so ist die beobachtete
MehrVERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
KAPITEL 15 VETEILUNGEN VON FUNKTIONEN EINE ZUFALLSVAIABLEN In diesem Kapitel geht es darum, die Verteilungen für gewisse Funktionen von Zufallsvariablen zu bestimmen. Wir werden uns auf den Fall absolut
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
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
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
Mehr1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe
1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe Nachdem eine Stichprobe X 1,..., X n gezogen wurde berechnen wir gewöhnlich irgendwelchen Wert damit. Sei dies T = T (X 1,..., X n, wobei T auch
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
MehrDer Satz von Taylor. Kapitel 7
Kapitel 7 Der Satz von Taylor Wir haben bereits die Darstellung verschiedener Funktionen, wie der Exponentialfunktion, der Cosinus- oder Sinus-Funktion, durch unendliche Reihen kennen gelernt. In diesem
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 0/ 5.03.0 Dr. Sebastian Petersen Klausur: Diskrete Strukturen I Aufgabe. (8 Punkte) a) Sei X = {0, }. Geben Sie die Potenzmenge P (X) (durch Auflisten ihrer Elemente) an.
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
Mehr