Statistik I für Betriebswirte Vorlesung 13
|
|
- Helmut Bader
- vor 5 Jahren
- Abrufe
Transkript
1 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 13 Version: 14. Juli
2 3.3 Parameterschätzungen: Punktschätzungen Eine der Grundaufgaben der schließenden Statistik besteht in der Schätzung unbekannter Verteilungsparameter, z.b. µ bzw. σ 2 bei einer Normalverteilung oder p bei einer Binomialverteilung. Im Weiteren werden ϑ als Bezeichnung des unbekannten Parameters und ˆϑ als Schätzung für den Parameter gewählt. Bei einer Punktschätzung wird der Parameter durch einen Zahlenwert geschätzt, dieser wird mittels einer Stichprobenfunktion aus der konkreten Stichprobe (x 1,..., x n ) berechnet. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
3 Beispiel: normalverteilte Grundgesamtheit Beispiel: Für eine normalverteilte Grundgesamtheit X N(µ, σ 2 ) ist X ein Schätzer für µ, d.h. ˆµ = X mit Schätzwert ˆµ(x 1,..., x n ) = x = 1 n n x i ; die Stichprobenvarianz S 2 ein Schätzer für σ 2, d.h. ˆσ2 = S 2 mit Schätzwert ˆσ 2 (x 1,..., x n ) = s 2 = 1 n 1 n (x i x) 2. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
4 Wünschenswerte Eigenschaften von Punktschätzungen i) Erwartungstreue Die Schätzung ˆϑ heißt erwartungstreu oder unverzerrt, wenn der Erwartungswert des Schätzers gleich dem zu schätzenden Wert ist, d.h. wenn man im Mittel den Parameter richtig schätzt, E ˆϑ = ϑ. Gilt jedoch E ˆϑ ϑ, dann heißt der Schätzer ˆϑ verzerrt und die Differenz E ˆϑ ϑ heißt systematischer Fehler, Verzerrung oder Bias. Wird die Forderung E ˆϑ = ϑ dahingehend abgeschwächt, dass man nur fordert lim E ˆϑ = ϑ, n kommt man zu dem Begriff der asymptotisch erwartungstreuen Schätzung. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
5 Beispiel zur Erwartungstreue Beispiel: Für eine Zufallsgröße X mit Erwartungswert EX R und endlicher Varianz VarX ist 1 n das Stichprobenmittel X = X i eine erwartungstreue n Schätzung von EX und die Stichprobenvarianz S 2 = 1 n ( Xi X ) 2 eine n 1 erwartungstreue Schätzung der Varianz. Die Schätzfunktion 1 n ( Xi X ) 2 ist im Gegensatz dazu nur n eine verzerrte Schätzung der Varianz. Sie ist jedoch eine asymptotisch erwartungstreue Schätzung der Varianz VarX. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
6 Konsistenz einer Punktschätzung ii) Konsistenz Die Schätzung ˆϑ heißt konsistent, wenn sie mit wachsendem Stichprobenumfang n dem zu schätzenden Parameter immer näher kommt. Insbesondere heißt sie schwach konsistent, wenn für beliebige ε > 0 gilt lim P( ˆϑ ϑ ε) = 1. n Hinreichend dafür sind zum Beispiel die Bedingungen ˆϑ ist (asymptotisch) erwartungstreu und lim Var ˆϑ = 0. n Beispiel: Wegen VarX = σ2 ist für eine Zufallsgröße mit n endlicher Varianz σ 2 das Stichprobenmittel X ein schwach konsistenter Schätzer für den Erwartungswert EX. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
7 Optimalität iii) Optimalität Eine weitere wünschenswerte Eigenschaft einer Schätzung ist ihre Optimalität. Dies besagt, dass die Schätzung in einer Menge von möglichen Schätzungen auf bestimmte Art und Weise optimal ist, zum Beispiel die geringste Varianz besitzt. Beispiel: Für eine Zufallsgröße X mit endlicher Varianz ist das Stichprobenmittel X derjenige lineare erwartungstreue Schätzer für den Erwartungswert EX, der die kleinste Varianz besitzt ( BLUE, best linear unbiased estimator ). Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
8 Konstruktionsmethoden für Punktschätzungen Die unbekannten Parameter einer Wahrscheinlichkeitsverteilung können ganz unterschiedlich sein, so dass man nicht immer auf naheliegende Formeln für Schätzfunktionen zurückgreifen kann. Außerdem kann man ganz verschiedene Schätzfunktionen mit unterschiedlichen Eigenschaften zur Schätzung eines Parameters nutzen. Deshalb hat man einige systematische Verfahren zur Bestimmung geeigneter Schätzfunktionen entwickelt, zum Beispiel die Momentenmethode oder die Maximum-Likelihood-Methode. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
9 Die Momentenmethode Bei der Momentenmethode werden die theoretischen Momente der Verteilung mit den unbekannten Parametern mit den empirischen Momenten gleichgesetzt und das resultierende Gleichungssystem nach den interessierenden Parametern aufgelöst. Beispiel: Schätzung der Parameter λ und p der Gammaverteilung. Theoretische Momente: EX = p λ, VarX = p λ 2. Empirische Momente: X, S 2. So erhält man das Gleichungssystem p λ = X, p λ 2 = S 2 und aufgelöst nach λ und p die Schätzfunktionen ˆλ = X S 2 und ˆp = X 2 S 2. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
10 Die Maximum-Likelihood-Methode I Bei der Maximum-Likelihood-Methode wird als Schätzwert ˆϑ(x 1,..., x n ) der Parameter verwendet, der das beobachtete Stichprobenergebnis am wahrscheinlichsten macht. Dazu wird die sogenannte Likelihood-Funktion L(x 1,..., x n, ϑ) gebildet: P(X = x 1, ϑ)... P(X = x n, ϑ), für diskrete Verteilungen; L(x 1,..., x n, ϑ) = f (x 1, ϑ)... f (x n, ϑ), für stetige Verteilungen, dabei ist f (x, ϑ) die Dichtefunktion der stetigen Zufallsgröße X, wenn ϑ der tatsächliche Parameter ist. Bei der Bildung der Likelihood-Funktion wird die stochastische Unabhängigkeit der Zufallsgrößen der mathematischen Stichprobe ausgenutzt. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
11 Die Maximum-Likelihood-Methode II Der Maximum-Likelihood-Schätzer wird dann als Lösung der Extremwertaufgabe bestimmt. L(x 1,..., x n, ϑ)! = max ϑ Häufig wird auch die äquivalente Aufgabenstellung genutzt. ln L(x 1,..., x n, ϑ)! = max ϑ Schätzer, die mit Hilfe der Maximum-Likelihood-Methode konstruiert wurden, haben oft bessere Eigenschaften als die Schätzer, die mit Hilfe der Momentenmethode konstruiert wurden. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
12 Beispiel 1 Maximum-Likelihood-Methode Schätzung des Parameters λ der Exponentialverteilung. Für x i > 0, i = 1,..., n gilt L(x 1,..., x n, ϑ) = λe λx1... λe λxn, L(x 1,..., x n, ϑ) = λ n e λ n x i, ln L(x 1,..., x n, ϑ) = n ln λ λ d ln L(x 1,..., x n, ϑ) dλ = n λ n ˆλ(x 1,..., x n ) = n n n x i, x i = 1 x. x i! = 0 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
13 Beispiel 2 Maximum-Likelihood-Methode Schätzung des Parameters λ der Poissonverteilung. Für x i N 0, i = 1,..., n gilt n x i L(x 1,..., x n, ϑ) = λx 1 x 1! e λ... λxn λ x n! e λ = x 1!... x n! e nλ, ( n ) ln L(x 1,..., x n, ϑ) = x i ln λ ln(x 1!... x n!) nλ, d ln L(x 1,..., x n, ϑ) dλ = ˆλ(x 1,..., x n ) = n x i λ n =! 0 n x i n = x. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
14 3.4 Parameterschätzungen: Konfidenzschätzungen Ein Nachteil von Punktschätzungen ist darin zu sehen, dass diese als Zufallsgrößen mit einer Verteilung mit einer positiven Varianz den wahren Wert des Parameters ϑ nur selten exakt treffen. Bei stetigen Verteilungen, wie z.b. der Normalverteilung, geschieht dies sogar nur mit Wahrscheinlichkeit Null, da z.b. P ( X = µ ) = 0 gilt. Daher ist es häufig besser, einen ganzen Bereich (ein ganzes Intervall) als Schätzung anzubieten, dieser Bereich soll dann den unbekannten tatsächlichen Parameter mit hoher Wahrscheinlichkeit überdecken. Das Intervall I ist ein Konfidenzintervall (Vertrauensintervall) oder allgemeiner eine Konfidenzschätzung für den Parameter ϑ zum Niveau 1 α, wenn P(ϑ I ) 1 α gilt. Dabei wird eine Zahl 0 < α < 1, üblicherweise nahe 0, vorgegeben. Sie gibt die Wahrscheinlichkeit an, mit der Fehlentscheidungen (der wahre Parameter wurde nicht überdeckt) akzeptiert werden. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
15 Konfidenzintervalle Wenn also für 100 verschiedene Stichproben aus ein und derselben Grundgesamtheit für ein und denselben Parameter jeweils ein Konfidenzintervall zum Niveau 1 α bestimmt werden, werden im Mittel (1 α) 100 Intervalle den unbekannten Parameter überdecken und α 100 nicht. Ob das eine konkret berechnete Intervall den Parameter überdeckt oder nicht, ist aber nicht entscheidbar. Jeder Parameterwert aus dem Konfidenzintervall I kann als wahrer Parameterwert akzeptiert werden, allerdings mit einer Irrtumswahrscheinlichkeit von α. Ausgangspunkt zur Konstruktion eines Konfidenzintervalles für einen Parameter ϑ ist meistens eine Schätzgröße für eine Punktschätzung ˆϑ. Dazu muss man jedoch die exakte (oder asymptotische) Verteilung der Schätzfunktion oder einer geeigneten abgeleiteten Stichprobenfunktion finden. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
16 Konfidenzintervall für µ falls X N(µ, σ 2 ), σ 2 bekannt Wegen X N (µ, σ2 n Mit dem Quantil z 1 α 2 Standardnormalverteilung P ) ( z 1 α X µ gilt n N(0, 1). σ zum Niveau 1 α 2 der ( d.h. Φ(z 1 α ) = 1 α ) gilt dann 2 2 n z1 α 2 P X µ 2 σ ( X σ z 1 α µ X + σ z n 2 1 α n 2 ) = 1 α, ) = 1 α. Damit erhält man die Formel für das (zweiseitige) Konfidenzintervall I für den Erwartungswert µ der Normalverteilung bei bekannter Varianz σ 2 zum Konfidenzniveau 1 α [ I = X σ z 1 α ; X + σ ] z n 2 1 α. n 2 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
17 Zahlenbeispiel Aufgabe: 10 Wägungen eines leichten Objektes (auf einer Apothekerwaage) ergaben (in mg): Die Waagengenauigkeit sei mit σ = 0.25 bekannt, die Messwerte können als normalverteilt angenommen werden. Bestimmen Sie das konkrete Konfidenzintervall für µ zur Irrtumswahrscheinlichkeit von 0.05! Lösung: α = α 2 = z = 1.96, n = 10, x = 10.1 [ I = ; ] 1.96, I = [9.945 ; ]. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
18 Notwendiger Stichprobenumfang Aus einer vorgegebenen Überdeckungswahrscheinlichkeit 1 α und einer vorgegebenen Intervalllänge kann man den dazu notwendigen Stichprobenumfang ableiten. In dem schon behandelten Fall eines Konfidenzintervalles für den Erwartungswert µ einer normalverteilten Grundgesamtheit bei bekannter Varianz σ 2 beträgt die halbe Intervalllänge d = σ ( ) z1 z 1 α, folglich n α 2 2 σ 2. n 2 d Im Wägebeispiel ergibt das für α = 0.05, d = 0.1 einen Wert von n = 24. In anderen Situationen hängen häufig mehrere Größen in der Formel für die Intervalllänge von n ab, z.b. das vorkommende Quantil. Dann kann man mit einem iterativen Vorgehen den notwendigen Stichprobenumfang bestimmen. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
19 Allgemeine Wirkung von α und n Allgemeine Wirkung der Irrtumswahrscheinlichkeit α : Je kleiner α ist, desto größer ist bei gegebem n das Konfidenzintervall, d.h. desto unschärfer wird ϑ lokalisiert, desto größer ist aber auch die Überdeckungswahrscheinlichkeit. Allgemeine Wirkung des Stichprobenumfangs n : Je größer n ist, desto kleiner wird bei gegebenem α das Konfidenzintervall, d.h. umso schärfer wird ϑ lokalisiert. Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung 13 Version: 14. Juli
Statistik 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
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
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
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
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
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
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
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
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
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)
MehrStochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie
Stochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie Sommersemester 2018 Kapitel 8: Elemente der mathematischen Statistik Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik
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
MehrDie Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare
17.1.3 Die Momentenmethode Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare Lösungen. Sei ϑ = (ϑ 1,...,ϑ s ) der unbekannte, s-dimensionale
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
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
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
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
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:
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
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
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
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
Mehr10 Statistisches Schätzen
10 Statistisches Schätzen 620 10 Statistisches Schätzen 10.1 Punktschätzung 623 10.1.1 Schätzer und ihre Gütekriterien 623 10.1.2 Erwartungstreue 627 10.1.3 Erwartete quadratische Abweichung (MSE) 634
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
Mehrp = h n (K)= Juli vl smart vp qk notebook Praktische Lösung des Problems: mit den Werten
I. Eigenschaften von Schätzfunktionen Wir wollen den unbekannten Anteil p von Autos ermitteln, die mit Katalysator fahren. Mathematisch können wir das Problem wie folgt beschreiben: Sei X der Autotyp eines
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
Mehr5. Statistische Schätztheorie
5. Statistische Schätztheorie Problem: Sei X eine Zufallsvariable (oder X ein Zufallsvektor), die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X (oder
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
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
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
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
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:.............................................................................
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrZusammenfassung: Kapitel 5, Zusammenhangsmaße
Zusammenfassung: Kapitel 5, Zusammenhangsmaße Kovarianz s xy = 1 n n (x i x)(y i ȳ) i=1 Korrelationskoeffizient nach Bravais-Pearson r xy = s xy s x s y = n (x i x)(y i ȳ) i=1 n (x i x) 2 i=1 n (y i ȳ)
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
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
MehrStatistik II für Betriebswirte Vorlesung 2
Statistik II für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 26. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrKapitel VI - Maximum-Likelihood-Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Maximum-Likelihood-Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
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
MehrEinführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen
Einführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Inhalt Stichproben
MehrStatistik-Notfallkit für Schüler und Lehrer
Statistik-Notfallkit für Schüler und Lehrer Jan Kallsen Christian-Albrechts-Universität zu Kiel 3. Dezember 2018 Zusammenfassung Schließende Statistik ist konzeptionell nicht einfach. Hier sind einige
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
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
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
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,
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,
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:............................................................................
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 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:
MehrKapitel V - Erwartungstreue Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
Mehr1.8 Mehrdimensionale Zufallsvariablen
1.8 Mehrdimensionale Zufallsvariablen 1.8 Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Schnelldurchgang unter Bezug auf das
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............
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
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
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
MehrModellanpassung. Einführung in die induktive Statistik. Statistik. Statistik. Friedrich Leisch
Modellanpassung Einführung in die induktive Statistik Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München SS 2009 Statistik Statistik Wahrscheinlichkeitsrechnung: Gesetze bekannt,
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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
MehrBootstrap: Punktschätzung
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Bootstrap: Punktschätzung 1. Die Grundidee 2. Plug-in Schätzer 3. Schätzung des Standardfehlers 4. Schätzung und Korrektur der Verzerrung 5. Konsistenz
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 14. Übung SS 18: Woche vom
Übungsaufgaben 14. Übung SS 18: Woche vom 16. 7. 20. 7. 2018 Stochastik VIII: Statistik; Konf.-interv.; Tests Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr2.2 Punktschätzung. Gegeben sei die in Kapitel 2.1 beschriebene Situation, also eine i.i.d. Stichprobe X 1,...,X n eines Merkmales X.
Ziel: Finde ein möglichst gutes Schätzverfahren und damit einen möglichst guten Schätzwert für eine bestimmte Kenngröße ϑ (Parameter) der Grundgesamtheit, z.b. den wahren Anteil der rot/grün-wähler, den
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
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
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
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
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.
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
MehrStatistik II für Betriebswirte Vorlesung 3
Statistik II für Betriebswirte Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 2. November 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
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
MehrSchließende Statistik
Schließende Statistik Vorlesung an der Universität des Saarlandes Dr. Martin Becker Wintersemester 20/5 Schließende Statistik (WS 20/5) Folie Einleitung Organisatorisches. Organisatorisches I Vorlesung:
MehrSchließende Statistik
Schließende Statistik Vorlesung an der Universität des Saarlandes Dr. Martin Becker Wintersemester 207/8 Schließende Statistik (WS 207/8) Folie Einleitung Organisatorisches. Organisatorisches I Vorlesung:
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
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
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
MehrGrundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 2: Wahrscheinlichkeitsrechnung und induktive Statistik Von Professor Dr. Jochen Schwarze 9., vollständig überarbeitete Auflage STUDIUM
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,
Mehr