Musteraufgaben zur Klausurvorbereitung für Messdatenauswertung und Messunsicherheit (MDA)

Größe: px
Ab Seite anzeigen:

Download "Musteraufgaben zur Klausurvorbereitung für Messdatenauswertung und Messunsicherheit (MDA)"

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 der dazugehörigen 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 ˆθ ) T ( Y X ˆθ ) (9) 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 das die Größe Y normalverteilt streut ergibt w 0 = s 2 0 w a = s 2 a s Posterior = w0 + w a () Musterklausuraufgaben, iprom 2 d.hueser@tu-bs.de

3 y Posterior = w 0 +w a (w 0 y 0 +w a y a ) (2) 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) 5. Die Satterthwaite sche Gleichung ( N ) ν eff = u 4 (y) (c i u(x i )) 4 i= (8) 6. Die erweiterte Messunsicherheit und das vollständige Messergebnis erweiterte Messunsicherheit U = ku (9) vollständiges Messergebnis y = ŷ ±U (20) Musterklausuraufgaben, iprom 3 d.hueser@tu-bs.de

4 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 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. Musterklausuraufgaben, iprom 4 d.hueser@tu-bs.de

5 Hinweis: Verwenden Sie für das Quantil bei dem Hypothesentest für die gemeinsame Anzahl der Freiheitsgrade folgende Formel ν = s2 0 +(s/j) 2 s 2 0 ν 0 + (s/j)2 J geschätzte Bearbeitungsdauer ca. 2-5 Minuten Musterklausuraufgaben, iprom 5 d.hueser@tu-bs.de

6 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. 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 Musterklausuraufgaben, iprom 6 d.hueser@tu-bs.de

7 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. 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. Musterklausuraufgaben, iprom 7 d.hueser@tu-bs.de

8 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 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! Musterklausuraufgaben, iprom 8 d.hueser@tu-bs.de

9 geschätzte Bearbeitungsdauer ca. 7-9 Minuten 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 mm 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 =.5 C 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. Musterklausuraufgaben, iprom 9 d.hueser@tu-bs.de

10 d) Schreiben Sie das vollständige Messergebnis auf. 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 Gewichtsfaktoren aufgeführt, in Spalte 5 die Differenzen d i = x i x, in Spalte 6 die jeweilige Varianz Musterklausuraufgaben, iprom 0 d.hueser@tu-bs.de

11 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 ) mitgeleifert. 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) Musteraufgaben zur Klausurvorbereitung für Messdatenauswertung und Messunsicherheit (MDA) Modulverantwortlicher: Prof. Dr.-Ing. R. Tutsch iprom, TU Braunschweig WS 207/8 Der Vorlesungsstoff lässt sich

Mehr

Die erforderlichen Quantiltabellen und zusätzlich benötigte Formeln werden mit der Aufgabenstellung zusammen ausgeteilt.

Die 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

Mehr

Konzepte der Statistik für die Messdatenanalyse

Konzepte 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:

Mehr

Kovarianz, Korrelation und lineare Regression

Kovarianz, 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:

Mehr

Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min

Klausur 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,

Mehr

Multivariate Verfahren

Multivariate 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

Mehr

Auswertung von Mess- und Ringvergleichen

Auswertung 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:

Mehr

Auswertung von Mess- und Ringvergleichen

Auswertung 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:

Mehr

Mathematik 2 für Naturwissenschaften

Mathematik 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

Mehr

Berücksichtigung der Messunsicherheit bei Vergleichsmessungen am Beispiel von Wärmezählern

Berücksichtigung 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

Mehr

Mathematik 2 für Naturwissenschaften

Mathematik 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

Mehr

Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002

Prüfung 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

Mehr

Konfidenzintervalle 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 Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31.

10,24 ; 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

Mehr

Anpassungstests VORGEHENSWEISE

Anpassungstests 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

Mehr

4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers

4.1. 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

Mehr

Aufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:

Aufgabe 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

Mehr

Auswertung und Lösung

Auswertung 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

Mehr

MSP Musterlösung. Name, Nummer: Datum: 12. Juli Energie eines Super-Kondensators 2Y6HUB

MSP 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

Mehr

Statistik I für Betriebswirte Vorlesung 14

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

Mehr

3) Testvariable: T = X µ 0

3) 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

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und

Mehr

Mathematik für Naturwissenschaften, Teil 2

Mathematik 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

Mehr

Statistik II. IV. Hypothesentests. Martin Huber

Statistik 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

Mehr

Goethe-Universität Frankfurt

Goethe-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

Mehr

5. Seminar Statistik

5. 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

Mehr

Statistik I für Betriebswirte Vorlesung 14

Statistik 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

Mehr

Lösungen Klausur Statistik 2/re/soz

Lösungen 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

Mehr

Grundlagen der Messunsicherheitsanalyse Das ABC der Messunsicherheitsbudgets

Grundlagen 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

Mehr

Kapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests

Kapitel 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

Mehr

Statistik I für Betriebswirte Vorlesung 4

Statistik 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

Mehr

Statistische Methoden der Datenanalyse. Übung XI

Statistische 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

Mehr

Klausur zu Statistik II

Klausur 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

Mehr

Mathematische und statistische Methoden II

Mathematische 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

Mehr

Statistische Methoden der Datenanalyse

Statistische 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

Mehr

Varianzvergleiche bei normalverteilten Zufallsvariablen

Varianzvergleiche 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

Mehr

Messunsicherheitsfortpflanzung linearer Modelle

Messunsicherheitsfortpflanzung 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

Mehr

Messunsicherheit einer indirekten Messgröße; numerische Integration

Messunsicherheit 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

Mehr

Musterlösung. Modulklausur Multivariate Verfahren

Musterlösung. 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

Mehr

Wahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019

Wahrscheinlichkeitsrechnung 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

Mehr

Multivariate Verfahren

Multivariate 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:

Mehr

Klausur zur Vorlesung

Klausur 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

Mehr

Einbeziehen von A-Priori-Wissen, scharfer Model-Prior

Einbeziehen 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

Mehr

D-CHAB Frühlingssemester 2017 T =

D-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

Mehr

x t2 y t = 160, y = 8, y y = 3400 t=1

x 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 =

Mehr

7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien

7.1 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)

Mehr

Messunsicherheitsangabe für Messbereiche

Messunsicherheitsangabe 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

Mehr

Klausur zur Vorlesung

Klausur 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

Mehr

Kovarianz, Korrelation und lineare Regression

Kovarianz, 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,

Mehr

2 Klassische statistische Verfahren unter Normalverteilungs-Annahme

2 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

Mehr

Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem

Kapitel 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

Mehr

Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I. WS 2009/2010 Kapitel 2.0

Methoden 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

Mehr

3 Grundlagen statistischer Tests (Kap. 8 IS)

3 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003

Prüfung 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

Mehr

Übung zur Vorlesung Statistik I WS Übungsblatt 9

Übung 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

Mehr

10. Die Normalverteilungsannahme

10. 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

Mehr

Dr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik

Dr. 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

Mehr

Wahrscheinlichkeitsdichteverteilungen und Hypothesentests

Wahrscheinlichkeitsdichteverteilungen und Hypothesentests Wahrscheinlichkeitsdichteverteilungen und Hypothesentests Dr. habil. Dorothee Hüser, PTB 6. Nov. 207 Dritte Vorlesung zu Messdatenauswertung und Messunsicherheit (MDA) Modulverantwortlicher: Prof. Dr.-Ing.

Mehr

2.3 Intervallschätzung

2.3 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,

Mehr

Statistik Übungsblatt 5

Statistik 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

Mehr

0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1

0 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

Mehr

Übungen mit dem Applet

Übungen 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

Mehr

Ermitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:

Ermitteln 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

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung 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

Mehr

3.3 Konfidenzintervalle für Regressionskoeffizienten

3.3 Konfidenzintervalle für Regressionskoeffizienten 3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird

Mehr

Wahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -

Wahrscheinlichkeit 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

Mehr

2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017

2. 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

Mehr

Statistisches Testen

Statistisches Testen Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall

Mehr

Berechnung der Messunsicherheit Empfehlungen für die Praxis

Berechnung 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

Mehr

7.2 Mittelwert einer Stichprobe

7.2 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

Mehr

SozialwissenschaftlerInnen II

SozialwissenschaftlerInnen 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

Mehr

Einbeziehen von A-Priori-Wissen, scharfer Model-Prior, Regressionsrechnung

Einbeziehen 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

Mehr

Epidemiologie / Biometrie

Epidemiologie / 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

Mehr

LK Lorentzkraft. Inhaltsverzeichnis. Moritz Stoll, Marcel Schmittfull (Gruppe 2) 25. April Einführung 2

LK 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........................

Mehr

Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp

Datenanalyse. (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

Mehr

Statistik II. IV. Hypothesentests. Martin Huber

Statistik 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

Mehr

Grundlagen der Berechnung von Messunsicherheiten

Grundlagen 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

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie 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

Mehr

Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret.

Welche 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

Mehr

Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten

Entscheidung 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:

Mehr

Übungsscheinklausur,

Übungsscheinklausur, 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:...

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 21. Januar 2015 1 t-tests für Erwartungswerte Verbundene und unverbundene Stichproben

Mehr

Lösungen zu den Übungsaufgaben in Kapitel 10

Lösungen 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

Mehr

S1. a. Drücken Sie allgemein p durch die anderen in der Formel verwendeten Größen aus! Wie groß ist p, wenn a = 0.08, u = 1.96 und n = 120?

S1. a. Drücken Sie allgemein p durch die anderen in der Formel verwendeten Größen aus! Wie groß ist p, wenn a = 0.08, u = 1.96 und n = 120? S1. a. Drücken Sie allgemein p durch die anderen in der Formel verwendeten Größen aus! Wie groß ist p, wenn a = 0.08, u = 1.96 und n = 120? a = u p ( 1 p) n b. Wenn am 28. Oktober (Nach Auszählen der Briefwähler)

Mehr

Chi-Quadrat Verfahren

Chi-Quadrat Verfahren Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz

Mehr

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift

Mehr

Probeklausur - Statistik II, SoSe 2017

Probeklausur - 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

Mehr

Die Familie der χ 2 (n)-verteilungen

Die Familie der χ 2 (n)-verteilungen Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +

Mehr

Die Familie der χ 2 (n)-verteilungen

Die Familie der χ 2 (n)-verteilungen Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +

Mehr

Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO

Schätzen 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

Mehr

Statistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!

Statistik 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:.............................................................................

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation

Mehr

Fit for Abi & Study Stochastik

Fit 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

Mehr

Biostatistik, Winter 2011/12

Biostatistik, 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

Mehr