Musteraufgaben zur Klausurvorbereitung für Messdatenauswertung und Messunsicherheit (MDA)
|
|
- Eike Schuster
- vor 5 Jahren
- Abrufe
Transkript
1 Musteraufgaben zur Klausurvorbereitung für Messdatenauswertung und Messunsicherheit (MDA) Modulverantwortlicher: Prof. Dr.-Ing. R. Tutsch iprom, TU Braunschweig WS 207/8 Der Vorlesungsstoff lässt sich in folgende Themenbereiche gliedern Klausurrelevanter Stoff, den man auswendig können muss. Die beiden Formeln für die Testgrößen der beiden Hypothesentestes t-test und Chi2- Test, sowie den En-Wert für Ringvergleiche, der der Prüfgröße des t-test ähnlich ist mit dem Unterschied, dass hier nicht die Standardabweichung des Mittelwertes, sondern die erweiterte Messunsicherheit verwendet wird: t-test: H 0 : µ = µ 2 T = x x 2 2 s + s 2 2 T? < t α/2,ν () En-Wert für Vergleich eines des Ergebnisses eines an einem Ringvergleich teilnehmenden Labors mit einem Pilotlabor E n = x Lab x Ref U 2 Lab +URef 2 E n? < (2) En-Wert für Vergleich eines des Ergebnisses eines an einem Ringvergleich teilnehmenden Labors mit dem gewichteten Mittel der Ergebnisse (x i ±U i ) aller teilneh-
2 mender Labore, wobei u(x i ) = U i k u 2 ( x) = n u 2 (x i ) (3) i= d i = x i x mit x = n w i x i i= und w i = u2 ( x) u 2 (x i ) (4) u 2 (d i ) = u 2 (x i ) u 2 ( x) (5) E n (x i ) = d i 2 u 2 (d i ) E n? < (6) χ 2 -Test: H 0 : σ 2 = σ 2 2 ( s T = ν σ 0 ) 2 χ 2 α/2,ν? < T oder T? < χ 2 α/2,ν (7) 2. Die Formeln für die lineare Regression und für die dazugehörige Varianz der Residuen und Kovarianz der Regressionsmodellparameter: a) Regressormatrix X aufstellen können b) lineares Gleichungssystem hinschreiben, dessen Lösung die Schätzer der Modellparameter liefert ( X T X ) θ = X T Y (8) c) Varianz der Residuen Var(ε) = ( Y X J M ˆθ ) T ( Y X ˆθ ) (9) mit J für den Stichprobenumfang und M für die Anzahl der Modellparameter. d) Kovarianz der Regressionsmodellparameter Cov(θ) = ( X T X ) Var(ε) (0) 3. Die Formeln für die gewichtete Summe von à-priori Schätzer y 0,s 0 und Schätzer y a,s a aus aktueller Messung mit der Formel für die gemeinsame Varianz, die sich aus der bayesischen Statistik unter der Voraussetzung, dass die Größe Y normalverteilt streut, Musterklausuraufgaben, iprom 2 d.hueser@tu-bs.de
3 ergibt s Posterior = + s 2 0 s 2 a w 0 = s2 Posterior s 2 0 w a = s2 Posterior s 2 a () Anmerkung: Der Gebrauch des Symbols w ist hier so gewählt, dass bereits gilt w 0 +w a = so dass dieses w zu Vorlesung 2 passt, das aus Vorlesung 7 ist noch nicht entsprechend normiert! y Posterior = (w 0 y 0 +w a y a ) (2) d.h. ( s 2 y Posterior = Posterior s 2 0 y 0 + s2 Posterior s 2 a y a ) 4. Die Formeln für die Kovarianz, Korrelation und die Messunsicherheitsfortpflanzung a) Kovarianz u(x i,x k ) = J J (X i,j x i )(X k,j x k ) (3) j= mit u(x i ) u(x i,x i ) b) Korrelation r ρ i,k = u(x i,x k ) u(x i )u(x k ) (4) c) Sensitivität(skoeffizient)en, Empfindlichkeitskoeffizienten c i = f(x,...,x N ) X i c k = f(x,...,x N ) x,..., x N X k x,..., x N (5) u 2 (y) = N N c i c k u(x i,x k ) (6) i= k= d) Varianz einer Größe X, die gemäß Rechteckverteilung streut, δx = Spanne u 2 (X) = δx 2 δx 2 δx (X ) 2 dx = δx2 2 (7) Musterklausuraufgaben, iprom 3 d.hueser@tu-bs.de
4 5. Die Satterthwaite sche Gleichung ν eff = u 4 (y) ( N i= ) (c i u(x i )) 4 (8) ν i 6. Die erweiterte Messunsicherheit und das vollständige Messergebnis erweiterte Messunsicherheit U = ku (9) vollständiges Messergebnis y = ŷ ±U (20) Stoff, der wichtig wird für den, der in Zukunft weiterhin mit Statistik zu tun haben wird in sehr unterschiedlichen Fachgebieten, nicht nur in der Metrologie, auch in der Finanzmathematik, den Naturwissenschaften, etc. Mit Wahrscheinlichkeitsdichteverteilungen und bedingten Wahrscheinlichkeitsdichteverteilungen arbeiten für die Verfahren der bayesischen Statistik (sehr verbreitet in der Finanzmathematik und den Naturwissenschaften) mit scharfem Model-Prior (wird nur in der Messtechnik eingesetzt) Numerische Integrationsverfahren regelmäßige Samples (Trapez, Romberg) stochastische Samples, Monte-Carlo-Methoden Musterklausuraufgaben, iprom 4 d.hueser@tu-bs.de
5 Aufgabe Bei der Prozesskontrolle zur Herstellung von Bauteilen mit einem Bohrungsdurchmesser d 0 = 30.0mm soll überprüft werden, ob der Prozess stabil läuft. Am Vortag wurde bei einer entnommen Stichprobe von J = Bauteilen ein Mittelwert von d = 28.0mm bestimmt und eine Standardabweichung von s = 4.5mm. Am nächsten Tag wurde eine etwas größere Stichprobe entnommen mit J 2 = 2 Bauteilen. Der Mittelwert war dieses Mal d 2 = 26.5mm und die Standardabweichung s 2 = 2.mm. a) Bestimmen Sie zu beiden Ergebnissen jeweils die Standardabweichung des Mittelwertes. b) Prüfen Sie zu jedem der beiden Ergebnisse die Nullhypothese, dass der Mittelwert zu dem Mittelwert d 0 passt. Dabei wurde der Richtwert mit ν 0 = 50 Freiheitsgraden gewonnen und die Standardabweichung des Mittelwertes betrug s 0 =.2mm. Verwenden Sie ein Signifikanzniveau von 5% für die Entscheidung.. Schreiben Sie die Formel für die Testgröße auf. 2. Schreiben Sie für das Quantil den gerundeten Wert der Anzahl der Freiheitsgrade auf. 3. Schreiben Sie die Zahlenwerte der beiden Testgrößen und der beiden Quantile auf. Hinweis: Verwenden Sie für das Quantil bei dem Hypothesentest für die gemeinsame Anzahl der Freiheitsgrade folgende Formel ν = s s2 J s 2 0 ν 0 + s2 J(J ) geschätzte Bearbeitungsdauer ca. 2-5 Minuten Aufgabe 2 Es wurde eine Kennlinie aufgenommen, die durch eine analytische Funktion beschrieben werden soll. Diese Funktion ist ein kubisches Polynom, d.h. ein Polynom dritten Grades. Zur Aufnahme der Kennlinie wurden J unterschiedliche Werte x j mit j =,...,J als Eingangsgröße eingestellt (Regressor). Zu jedem eingestellten Wert der Eingangsgröße hat das Messsystem einen Wert y j ausgegeben (Regressand). a) Schreiben Sie die Modellgleichung für ein kubisches Polynom auf. Musterklausuraufgaben, iprom 5 d.hueser@tu-bs.de
6 b) Schreiben Sie die Regressormatrix X auf. c) Wie lautet der allgemeine Lösungsansatz für die Regressionsrechnung? d) Wie sieht die Gleichung für die Varianz der Residuen als Funktion von Regressormatrix X, dem Regressandenvektor y und den Schätzwerten der Regressionsparametern ˆθ? e) Wie lautet die Kovarianzmatrix der Polynomkoeffizienten θ? geschätzte Bearbeitungsdauer ca. 9-0 Minuten. Aufgabe 3 Bei einer Landvermessung wurde ein Grundstück mit dreieckiger Fläche vermessen, indem die Seitenlängen L und L 2 von zwei der drei Seiten und der Winkel γ zwischen diesen beiden Seiten gemessen wurde. Die Fläche A = 2 L L 2 sin(γ) soll aus den Ergebnissen der Messungen bestimmt werden. Die Vermessungstechniker haben zu den beiden Längen jeweils J = 5 Messungen durchgeführt und daraus die beiden Mittelwerte unddiestandardabweichungens L unds L2 berechnet.diewinkelmessungistaufwendigerund wurde ein Mal vorgenommen. Das Messverfahren ist den Technikern bekannt und sie wissen, dass die gesamte Spanne von δγ = 3 überdeckt wird. Es wird also bei der Winkelmessung eine Rechteckverteilung für die Streuung zugrunde gelegt. Größe Mittelwert Streuung L 40.6m s L = 0.3m L m s L2 = 0.2m γ 6 δγ = 3 Die Messungen der beiden Seitenlängen und des Winkels sind unkorreliert. a) Schreiben Sie die Gleichungen und Zahlenwerte für die Sensitivitäten auf. b) Schreiben Sie die Standardunsicherheit u(γ) als Funktion von der Spanne δγ auf, die Sie für die Unsicherheitsfortpflanzung verwenden werden. Hinweis: Beachten Sie dass für die Fortpflanzung die Dimension passen muss, also der Winkel (u(γ)) in Radian und nicht in Grad zu verwenden ist. Musterklausuraufgaben, iprom 6 d.hueser@tu-bs.de
7 c) Schreiben Sie die Formel für die Unsicherheitsfortpflanzung auf, indem Sie die Terme der drei Summanden einzeln mit allen Faktoren aufführen. d) Bestimmen Sie den Schätzwert und die Unsicherheit der Grundstücksfläche A. e) Schätzen Sie die effektive Anzahl der Freiheitsgrade für den Erweiterungsfaktor für die Unsicherheit der Grundstücksfläche. Hinweis: Verwenden Sie dazu die folgende Näherung für die relative Unsicherheit des Winkels γ: u u = α = 0.25 und schätzen Sie daraus die Anzahl der Freiheitsgrade für die Winkelmessung mit ν γ = 8 ab. 2α 2 f) Geben Sie den Erweiterungsfaktor und die erweiterte Unsicherheit für ein Vertrauensniveau von 95% der Grundstücksfläche A an. geschätzte Bearbeitungsdauer ca. 5-8 Minuten. Aufgabe 4 Firma VLSI hat ein Stufenhöhennormal mit Kalibrierschein der amerikanischen obersten Kalibrierbehörde NIST geliefert. Die Angabe zur Stufenhöhe im Kalibrierschein ist d = (02.5±9.0)nm k = 2. Sie sind Laboringenieur an der PTB und haben mit Hilfe Ihres Interferenzmikroskops durch Regressionsrechnung folgende mittlere Stufenhöhe ermittelt ˆd PTB = 998.3nm. Ihre Auswertesoftware liefert Ihnen als Ergebnis der Regressionsrechnung folgende Standardabweichung: s d,ptb = 6.5nm. a) Der Kalibrierschein vom NIST gibt die erweiterte Unsicherheit U an, bestimmen Sie die Unsicherheit u. b) Die Angaben des Kalibrierscheins liefern eine à-priori Information. Es wird angenommen, dass die beobachtbaren Werte der Stufenhöhen d normalverteilt sind, dieser Prior Musterklausuraufgaben, iprom 7 d.hueser@tu-bs.de
8 also eine Normalverteilung ist. Auch für die mit dem Interferenzmikroskop an der PTB beobachtbaren Werte der Stufenhöhen d PTB wird angenommen, dass sie normalverteilt sind. Bestimmen Sie die Stufenhöhe und Standardabweichung des Posterior aus den Messergebnissen beider Kalibrierbehörden. Hinweis: Bayesische Statistik, Vorlesung 6 c) Geben Sie das vollständige Messergebnis aus der Kombination der Daten von NIST und PTB an unter Verwendung von k = 2. geschätzte Bearbeitungsdauer ca. 5-7 Minuten Aufgabe 5 Bei der Produktion von Bolzen wird eine Stichprobe von J B = 7 Bolzen entnommen. Es wird die Länge b der Bolzen geprüft. Dabei wurden folgende Werte gemessen: b/mm a) Bestimmen Sie Mittelwert b und Standardabweichung s b der Stichprobe. b) Prüfen Sie die Hypothese s b σ 0 für ein Signifikanzniveau von α = 0.05 für σ 0 = 0.05 für σ 0 = Schreiben Sie die Formel und die beiden Zahlenwerte für die Testgröße auf, den Wert des Quantils und die Schlussfolgerungen aus den beiden Tests. Hinweis: Bedenken Sie, dass es sich hier um ein einseitigen Test handelt! geschätzte Bearbeitungsdauer ca. 7-9 Minuten Musterklausuraufgaben, iprom 8 d.hueser@tu-bs.de
9 Aufgabe 6 Für Prüfaufgaben in einer Fertigungshalle wird ein Endmaß aus Edelstahl eingesetzt. Auf dem mitgelieferten Kalibrierschein ist das vollständige Messergebnis für die Dicke d angegeben und die Temperatur T, bei der d ermittelt wurde, mit d = (00.805±0.020)mm k = 2 T = C. Zur erweiterten Unsicherheit U(d) = mm der Dicke d wird vorausgesetzt, dass die Größe d normalverteilt streut. Für die Temperturmessung wurde die Spanne δt = 0.00 K gleichverteilter Temperaturwerte angegeben. Der thermische Ausdehnungskoeffizient des Edelstahls wird angegeben mit α = ( ± ) K Hier ist die angegebene Unsicherheit die erweiterte mit k = 2 und vorausgesetzt, dass α normalverteilt ist. Die Umgebung, in der das Endmaß verwendet wird, ist deutlich wärmer als das Labor, in dem es kalibriert wurde. Dort beträgt die Temperatur T W = 25.5 C. Auch hier wurde die Spanne δt W =.5K gleichverteilter Beobachtungswerte der Temperatur angegeben. a) Bestimmen Sie die Dicke des Endmaßes bei der T W aus d W = ( + α(t W T))d b) Schreiben Sie die Sensitivitäten für die Unsicherheitsfortpflanzung zur Berechnung der Unsicherheit von d W auf, sowohl die Formeln als auch die Zahlenwerte. c) Bestimmen Sie die erweiterte Unsicherheit unter Verwendung des Wertes 2 für den Erweiterungsfaktor. Schreiben Sie zunächst zu jeder der Größen die Unsicherheit u auf. Schreiben Sie die Formel für die Unsicherheitsfortpflanzung auf. d) Schreiben Sie das vollständige Messergebnis auf. Anmerkung: Der Unterschied zwischen der Einheit Kelvin (K) und der Einheit Grad Celsi- Musterklausuraufgaben, iprom 9 d.hueser@tu-bs.de
10 us ( C) besteht in einem konstanten Offset, so dass bei TemperaturDIFFERENZEN diese Einheiten gegeneinander gekürzt werden können. geschätzte Bearbeitungsdauer ca. 9- Minuten Aufgabe 7 Zur Charakterisierung eines Lineartisches wurden zwei Signale erfasst, zum einen eine Winkelabweichung θ und zum anderen die Verfahrgeschwindigkeit v des Tisches. Es wurden J = 5 gemeinsam getriggerte Wertepaare aufgezeichnet. v/ µm s θ/mrad a) Bestimmen Sie Mittelwert und Standardabweichung zu jeder der beiden Größen v und θ. b) Bestimmen Sie den Korrelationskoeffizienten. Schreiben Sie dazu die Formel auf, sowie den Zahlenwert der Kovarianz und schließlich das Endergebnis. c) Geben Sie das Bestimmtheitsmaß an. geschätzte Bearbeitungsdauer ca. 8-0 Minuten Aufgabe 8 Es wurde ein Ringvergleich durchgeführt, bei dem 6 DAkks-Laboratorien teilgenommen haben. Dazu wurde ein Prüfobjekt rumgehen lassen, auf dem jeder der Teilmehmer eine Rauheitskenngröße in Mikrometern gemessen hat. Die Werte der Kenngröße sind in der folgenden Tabelle in der zweiten Spalte x i /µm gelistet, die jeweilige Standardunsicherheit u(x i )/µm in der dritten Spalte. EswurdediegemittelteVarianzu 2 ( x),darausdiegewichtsfaktorenunddarausdasgewichtete Mittel x berechnet. Für die mittlere Standardunsicherheit, d.h. die Wurzel aus der gemittelten Varianz, wurde folgender Wert bestimmt: u( x) = µm x = n w i x i = µm i= In der folgenden Tabelle sind sind in Spalten 4 die aus den Varianzen berechneten Gewichts- Musterklausuraufgaben, iprom 0 d.hueser@tu-bs.de
11 faktoren aufgeführt, in Spalte 5 die Differenzen d i = x i x, in Spalte 6 die jeweilige Varianz zu den Differenzen und in Spalte 7 die Werte der Prüfgröße E n. Labor x i / µm u(x i ) / µm w i / ( µm ) d i / µm u 2 (d i )/µm 2 E n (x i ) a) Schreiben Sie die Definitionsgleichung zur Varianz u 2 (d i ) der Differenz d i auf. b) Schreiben Sie die Definitionsgleichung zur Prüfgröße E n, die sich auf die Differenz zwischen dem Ergebnis eines einzelnem Teilnehmers und dem Mittelwert aller Teilnehmer bezeiht auf. c) Berechnen Sie die Werte, die in der Tabelle fehlen und tragen Sie diese dort ein. d) Welche Labore stimmen nicht mit dem Mittelwert überein? e) Schreiben Sie die Definitionsgleichung zur Prüfgröße E n für den Fall auf, dass es einen Referenzwert x ref mit dazugehöriger erweiterter Unsicherheit zur Messgröße von einem unabhängigen Pilotlabor gibt. Die Einzelteilnehmer haben die Werte der erweiterten Unsicherheit U i bzw. die Erweiterungsfaktoren k i zu den u(x i ) mitgeliefert. geschätzte Bearbeitungsdauer ca. 7-0 Minuten Musterklausuraufgaben, iprom d.hueser@tu-bs.de
Musteraufgaben zur Klausurvorbereitung für Messdatenauswertung und Messunsicherheit (MDA)
Musteraufgaben zur Klausurvorbereitung für Messdatenauswertung und Messunsicherheit (MDA) Modulverantwortlicher: Prof. Dr.-Ing. R. Tutsch iprom, TU Braunschweig WS 207/8 Der Vorlesungsstoff lässt sich
MehrDie erforderlichen Quantiltabellen und zusätzlich benötigte Formeln werden mit der Aufgabenstellung zusammen ausgeteilt.
Klausurstoff Die Klausur findet in einem Hörsaal ohne elektronische Hilfmittel statt. Zugelassen sind Stifte (Kugelschreiber, Filzschreiber), Papier und Taschenrechner. Geräte wie beispielsweise Smartphones
MehrKonzepte der Statistik für die Messdatenanalyse
Konzepte der Statistik für die Messdatenanalyse Modelle Beispiel: optische Abbildung im Fernfeld (Fraunhoferbeugung) indirekte Messgröße: Abstand der beiden Spalte D Modell inverses Problem direkte Messgrößen:
MehrKovarianz, Korrelation und lineare Regression
Kovarianz, Korrelation und lineare Regression Dozent: Dr-Ing Gerd Ehret Physikalisch-Technische Bundesanstalt 9 Okt 018 Zweite Vorlesung zu Messdatenauswertung und Messunsicherheit MDA Modulverantwortlicher:
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrAuswertung von Mess- und Ringvergleichen
Auswertung von Mess- und Ringvergleichen Dozent: Dr.-Ing. Gerd Ehret Physikalisch-Technische Bundesanstalt 26. Nov. 2018 Sechste Vorlesung zu Messdatenauswertung und Messunsicherheit (MDA) Modulverantwortlicher:
MehrAuswertung von Mess- und Ringvergleichen
Auswertung von Mess- und Ringvergleichen Dozent: Dr.-Ing. Gerd Ehret Physikalisch-Technische Bundesanstalt 26. Nov. 2018 Sechste Vorlesung zu Messdatenauswertung und Messunsicherheit (MDA) Modulverantwortlicher:
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
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
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
MehrBerücksichtigung der Messunsicherheit bei Vergleichsmessungen am Beispiel von Wärmezählern
Berücksichtigung der Messunsicherheit bei Vergleichsmessungen am Beispiel von Wärmezählern Moritz Leopoldo Córdova Murillo Physikalisch- Technische Bundesanstalt Fachbereich 7.6 "Wärme" 260. PTB - Seminar
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
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
Mehr10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31.
Bei einer Flaschenabfüllanlage ist die tatsächliche Füllmenge einer Flasche eine normalverteilte Zufallsvariable mit einer Standardabweichung = 3 [ml]. Eine Stichprobe vom Umfang N = 50 ergab den Stichprobenmittelwert
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
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
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
MehrMSP Musterlösung. Name, Nummer: Datum: 12. Juli Energie eines Super-Kondensators 2Y6HUB
WST donat.adams@fhnw.ch IMN MSP Musterlösung Name, Nummer: Datum: 1. Juli 017 1. Energie eines Super-Kondensators Y6HUB An einer Sendung von Super-Kondensatoren mit Energie-Gehalt E = 1 C U wurden folgende
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
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
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
MehrGrundlagen der Messunsicherheitsanalyse Das ABC der Messunsicherheitsbudgets
Metrodata GmbH Datenverarbeitung für Messtechnik und Qualitätssicherung Y=ŷ±U; k p =x Grundlagen der Messunsicherheitsanalyse Das ABC der Messunsicherheitsbudgets Teresa Werner Munich Calibration Day München
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrLösungen Klausur Statistik 2/re/soz
Lösungen Klausur Statistik /re/soz. Juli 009 1. Hier sind drei Datenreihen spaltenweise angegeben. Bei der Durchführung von verschiedenen Berechnungen ist leider einiges durcheinandergekommen. Zehn Zahlen
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
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
MehrWelche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret.
Grundlagen der Statistik 25.9.2014 7 Aufgabe 7 Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret. B Ein Merkmal
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
MehrStatistische Methoden der Datenanalyse. Übung XI
Albert-Ludwigs-Universität Freiburg Wintersemester 203/204 Statistische Methoden der Datenanalyse Markus Schumacher, Stan Lai, Florian Kiss Übung XI 2..204, 22..204 Anwesenheitsaufgaben Aufgabe 53 Vergleich
MehrMethoden der Werkstoffprüfung Kapitel II Statistische Verfahren I. WS 2009/2010 Kapitel 2.0
Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I WS 009/010 Kapitel.0 Schritt 1: Bestimmen der relevanten Kenngrößen Kennwerte Einflussgrößen Typ A/Typ B einzeln im ersten Schritt werden
MehrMessunsicherheitsfortpflanzung linearer Modelle
Messunsicherheitsfortpflanzung linearer Modelle Dr. habil. Dorothee Hüser, PTB 3. Dez. 2018 Siebte Vorlesung zu Messdatenauswertung und Messunsicherheit (MDA) Modulverantwortlicher: Prof. Dr.-Ing. R. Tutsch
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrVarianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
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
MehrStatistische Methoden der Datenanalyse
Albert-Ludwigs-Universität Freiburg Wintersemester 20/202 Statistische Methoden der Datenanalyse Markus Schumacher Übung X Markus Warsinsky 6..202 Anwesenheitsaufgaben Aufgabe 59 Vergleich von Messungen
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrMessunsicherheit einer indirekten Messgröße; numerische Integration
Messunsicherheit einer indirekten Messgröße; numerische Integration Dr. habil. Dorothee Hüser, PTB Dr. Wolfgang Schmid, Euramet 18. Dez. 2017 Neunte Vorlesung zu Messdatenauswertung und Messunsicherheit
MehrWahrscheinlichkeitsdichteverteilungen und Hypothesentests
Wahrscheinlichkeitsdichteverteilungen und Hypothesentests Dr. habil. Dorothee Hüser, PTB 6. Nov. 207 Dritte Vorlesung zu Messdatenauswertung und Messunsicherheit (MDA) Modulverantwortlicher: Prof. Dr.-Ing.
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
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,
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
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:
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
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
MehrErmitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
MehrEinbeziehen von A-Priori-Wissen, scharfer Model-Prior
Einbeziehen von A-Priori-Wissen, scharfer Model-Prior Dr.-Ing. Gerd Ehret, Dr. habil Dorothee Hüser Physikalisch-Technische Bundesanstalt 7. Jan. 2019 Zehnte Vorlesung (Teil 1/2) zu Messdatenauswertung
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrMessunsicherheitsangabe für Messbereiche
Messunsicherheitsangabe für Messbereiche Messunsicherheitsangabe für Messbereiche 260. PTB-Seminar 21./22. März 2011 Dr. Harry Stolz PTB Braunschweig Leiter der Zertifizierungsstelle H. Stolz, März 2011
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
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 Testen von Hypothesen
MehrKovarianz, Korrelation und lineare Regression
Kovarianz, Korrelation und lineare Regression Dr habil Dorothee Hüser, PTB 2 Nov 217 Fünfte Vorlesung zu Messdatenauswertung und Messunsicherheit MDA Modulverantwortlicher: Prof Dr-Ing R Tutsch iprom,
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
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 9
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 9 17. Dezember 2012 Aufgabe 26 (4 Punkte): In einer Studie mit n = 10 Patienten soll die Wirksamkeit eines Medikaments gegen Bluthochdruck geprüft
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
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 / Übungsaufgaben Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 10.02.2012 1/51 Aufgabe 1 Aufgabenstellung Übungsaufgaben Ein Pharmakonzern möchte ein neues Schlankheitsmedikament
MehrRingversuch: Temperaturleitfähigkeit im Tief- und Hochtemperaturbereich. Erhard Kaschnitz Österreichisches Gießerei-Institut Leoben
Ringversuch: Temperaturleitfähigkeit im Tief- und Hochtemperaturbereich Erhard Kaschnitz Österreichisches Gießerei-Institut Leoben Ringversuch mit einer einzigen Probe, die von Teilnehmer zu Teilnehmer
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
Mehr7.2 Mittelwert einer Stichprobe
66 7.2 Mittelwert einer Stichprobe Gegeben ist eine normalverteilte Grundgesamtheit. Mit Hilfe einer Stichprobe möchten wir Aussagen über den unbekannten Mittelwert µ dieser Grundgesamtheit machen. Wenn
MehrEpidemiologie / Biometrie
Wintersemester 2004 / 2005 Epidemiologie / Biometrie Robert Hochstrat 14. März 2005 Zusammenschrift der Übung zur Vorlesung aus dem WS 04/05 Rückfragen, Ergänzungen und Korrekturen an robert hochstrat@web.de
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrLK Lorentzkraft. Inhaltsverzeichnis. Moritz Stoll, Marcel Schmittfull (Gruppe 2) 25. April Einführung 2
LK Lorentzkraft Blockpraktikum Frühjahr 2007 (Gruppe 2) 25. April 2007 Inhaltsverzeichnis 1 Einführung 2 2 Theoretische Grundlagen 2 2.1 Magnetfeld dünner Leiter und Spulen......... 2 2.2 Lorentzkraft........................
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrGrundlagen der Berechnung von Messunsicherheiten
Metrodata GmbH Datenverarbeitung für Messtechnik und Qualitätssicherung Y=ŷ±U; k p =x Grundlagen der Berechnung von Messunsicherheiten Teresa Werner Munich Calibration Day München 1 Konzept der Messunsicherheit
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
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
MehrBerechnung der Messunsicherheit Empfehlungen für die Praxis
308. PTB-Seminar Berechnung der Messunsicherheit Empfehlungen für die Praxis 15. und 16. März 2018 in der PTB Berlin Dr.-Ing. Michael Hernla Erweiterte Messunsicherheit bei nicht korrigierten systematischen
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
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
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
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrEinbeziehen von A-Priori-Wissen, scharfer Model-Prior, Regressionsrechnung
Einbeziehen von A-Priori-Wissen, scharfer Model-Prior, Regressionsrechnung Dozent: Dr.-Ing. Gerd Ehret Physikalisch-Technische Bundesanstalt 4. Dez. 2017 Siebte Vorlesung zu Messdatenauswertung und Messunsicherheit
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
Mehr