Einführung in die statistische Datenanalyse

Größe: px
Ab Seite anzeigen:

Download "Einführung in die statistische Datenanalyse"

Transkript

1 Einführung in die statistische Datenanalyse Jens Röder & Matthias Wieler Oktober 2007 Inhaltsverzeichnis 1 Deskriptive Statistik für die Explorative Datenanalyse 3 2 Zufallsvariablen Grundlegende Begriffe RechnenmitZufallsvariablen Rechnen mit Erwartungswert und Varianz Verteilungen 9 4 Multivariate Verteilungen Grundlegende Begriffe Unabhängigkeit, Kovarianz, Korrelation Multivariate Normalverteilung χ 2 -Verteilung Anwendung der Statistik auf Physikalische Messungen Quadratwurzel-Gesetz Fehlerfortpflanzung Aufgaben zu den Abschnitten 1 bis Testtheorie Ein einführendes Beispiel: 50 Jahre Lotto am Samstag Übung Lineare Regressionsanalyse Einführung Das Lineare Regressionsmodell (LRM) Schätzung im LRM: Die Kleinste-Quadrate-Methode Beispiel: Airquality Übung Tests im klassischen LM Nichtlineare Regression Einführung Einschub: Lineare Regression zum Zweiten Schätzung im Nichtlinearen Regressionsmodell: Die Kleinste- Quadrate-Methode Beispiel: Tests im nichtlinearen Regressionsmodell Übung

2 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 2 Bücher Werner A. Stahel, Statistische Datenanalyse Ullrich Krengel, Einführung in die Wahrscheinlichkeitstheorie D.S. Sivia and J. Skilling, Data Analysis - A Bayesian Tutorial Mary L. Boas, Mathematical Methods in the Physical Sciences Ligges, Programmieren mit R

3 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 3 1 Deskriptive Statistik für die Explorative Datenanalyse x = {x 1,x 2,...,x n,...,x N } (1) sei eine Menge von Beobachtungen. In der Statistik nennt man diese Menge auch die Stichprobe und N den Stichprobenumfang. Der Einfachheit halber gehen wir im Folgenden davon aus, dass die Stichprobe geordnet ist, d.h. x 1 x 2 x n x N. (2) Wir führen einige nützliche Kennzahlen für eine Stichprobe ein. Mittelwert x = µ = 1 N N x n (3) Der Mittelwert ist die bekannteste und gebräuchlichste Kennzahl für die Lage oder Position der Stichprobe. n=1 Median { x x =median({x 1,x 2,...}) = (N+1)/2 falls N ungerade 1 2 x (4) N/2 + x N/2+1 falls N gerade In Worten: Die Hälfte der Beobachtungen liegt unter dem Median, die andere Hälfte liegt darüber. Der Median ist robuster gegen Ausreißer als der Mittelwert (siehe Übungen). Quantile Quantile sind eine Verallgemeinerung des Median. Nach Definition unterteilt das α-quantil q α ({x 1,x 2,...}) die Stichprobe im Verhältnis α :(1 α). Folgende Quantile haben einen speziellen Namen: Name α unteres Quartil 1/4 Median 1/2 oberes Quartil 3/4 Eine übersichtliche Darstellung des Mittelwertes, der wichtigsten Quantile und der Ausreißer (falls vorhanden) ist der sogenannte Boxplot. Skizze Die Quartilsdifferenz q 3/4 q 1/4 ist ein Maß recht geläufiges Maß für die Breite einer Verteilung.

4 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 4 Varianz Var(x) = 1 N 1 N (x n x) 2 (5) n=1 Die Varianz ist das wichtigste Maß für die Streuung einer Stichprobe. Der Nenner N 1 ist durch die Schätztheorie begründet. Eine wichtige Formel für die Varianz ist (der Einfachheit halber mit N im Nenner) Var(x) = 1 N N ( x 2 n 2xx n + x 2) (6) n=1 = 1 N x 2 n N N x n + 1 N x 2 N N n=1 n=1 n=1 (7) = x 2 2x x + x 2 (8) = x 2 x 2 (9) Standardabweichung sd(x) =σ = Var(x) (10) Die Standardabweichung ist anschaulicher als die Varianz, weil sie homogen vom Grad 1 ist (d.h. sd(a x) a sd(x)). Deshalb kann man sie sich als die Breite der Verteilung vorstellen. Histogramm Wenn die Stichprobenwerte x n nur diskrete Werte a k annehmen können, kann man die Stichprobe in einem Histogramm zusammenfassen. Im Histogramm werden die absoluten Häufigkeiten H k dargestellt. Skizze Die absoluten Häufigkeiten H k geben an wie viele der x n einen bestimmten Wert a k annehmen. H k = x n=a k 1 h k = H k N Die h k nennt man die relativen Häufigkeiten. Histogramme werden oft auch für kontinuierliche Wertebereiche verwendet. In dem Fall werden die Stichprobenwerte zuerst diskretisiert, d.h. auf ein geeignetes Gitter a k (beispielsweise die ganzen Zahlen) gerundet. Welches Gitter hier geeignet ist, muss von Fall zu Fall entschieden werden. (11) Kumulierte Häufigkeit Manchmal ist es auch sinnvoll, die kumulierten Häufigkeiten C k zu betrachten. Sie sind definiert als C k = 1= H j c k = C k N = h j (12) x n a k j k j k

5 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 5 2 Zufallsvariablen 2.1 Grundlegende Begriffe Zufallsvariable, Wahrscheinlichkeit Die Beobachtungen x n kann man sich vorstellen als zufällig gezogen aus einer unendlichen Menge von möglichen Beobachtungen. Diese unendliche Menge wird beschrieben durch eine Zufallsvariable X. Die Beobachtungen x n nennt man Realisierungen der Zufallsvariable X. Die Wahrscheinlichkeit, dass die Zufallsvariable X einen bestimmten Wert x annimmt, schreibt man P (X =x). (13) Betrachten man diese Wahrscheinlichkeit als Funktion von x, dann bezeichnet man sie als Wahrscheinlichkeits-Massefunktion. Verteilungsfunktion Die Verteilungsfunktion F (x) gibt die Wahrscheinlichkeit an, dass eine Realisierung x n der Zufallsvariable X kleiner als ein bestimmter Wert x ist. F (x) =P (x n x) =P (X x) (14) Die Veteilungsfunktion kann Werte zwischen 0 und 1 annehmen und sie ist monoton steigend. Wenn x n nur diskrete Werte a k annehmen kann, spricht man von einer diskreten Verteilung, ansonsten von einer kontinuierlichen Verteilung. Für diskrete Verteilungen gilt F (a) = P (X =a k ). (15) a k x Die Verteilungsfunktion F (x) wird oft auch kumulative Verteilung genannt, oder auf englisch cumulative distribution function, kurz cdf. Dichte Für kontinuierliche Wertebereiche existiert die Ableitung der Verteilungsfunktion. Diese wird dann als (Wahrscheinlichkeit-) Dichte bezeichnet, oder auf englisch probability density function, kurzpdf. f(x) = d F (x) (16) dx Die Dichte kann man sich am besten als kontinuierliche Wahrscheinlichkeit vorstellen. Im Gegensatz zur Wahrscheinlicheitsmasse kann die Dichte auch größer als 1sein. Grob gesprochen kann man mit der Dichte unendlich kleine Massen darstellen, und mit der Masse unendlich große Dichten P (X =x) =0< f(x) (17) P (X =x) > 0 f(x) =. (18)

6 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 6 Ein Vorteil der Verteilungsfunktion gegenüber der Masse- und Dichtefunktion ist, dass sie den diskreten und den kontinuierlichen Fall gleichzeitig darstellen kann. Skizze Wir werden im Folgenden aber meistens mit Massen oder Dichten zu tun haben. Erwartungswert und Varianz Die oben eingeführten Kennzahlen für Stichproben werden analog auch für Verteilungen definiert. Der Mittelwert von Verteilungen wird Erwartungswert genannt. Exemplarisch schreiben wir hier die Definitionen für den Erwartungswert und die Varianz von Verteilungen an. E(X) = Var(X) = xf(x) dx (19) ( ) 2f(x) x E(X) dx = E(X 2 ) E(X) 2 (20) Im diskreten Fall wird das Integral durch eine Summe und die Dichtefunktion durch die Massefunktion ersetzt. 2.2 Rechnen mit Zufallsvariablen Eine Zufallsvariable wird durch ihre Verteilung bestimmt. Wenn man auf Zufallsvariablen Rechenoperationen durchführt, verändert sich die zugehörige Verteilung. In diesem Abschnitt werden wir Regeln herleiten, wie sich die Verteilung des Rechenergebnisses ermitteln lässt. Bezeichnung: X, Y, Z sind Zufallsvariablen mit zugehörigen Dichtefunktionen f(x), g(y), h(z). a ist ein deterministischer Wert. Addition Als Einstieg betrachten wir kurz die Addition einer Zufallsvariable X mit einem deterministischen Wert a. Das Ergebnis der Addition sei durch die Zufallsvariable Z beschrieben Z = a + X. (21) Man sieht direkt, dass gilt Skizze h(z) =f(z a). (22) Multiplikation Etwas komplizierter ist die Multiplikation einer Zufallsvariable X mit einem deterministischen Wert a Z = a X. (23) Skizze Um h(z) zu berechnen, betrachten wir ein Intervall I =[z z,z+ z ]. Das Intervall J sei als das Urbild von I definiert [ z z J =, z + ] z. (24) a a

7 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 7 Aufgrund der (Ur-)Bild-Eigenschaft von I und J muss für die Wahrscheinlichkeiten gelten z+z h(z) dz = z z Für beliebige Intervalle ist das nur erfüllt wenn P (Z I) = P (X J) (25) z+z a z z a h(z) = 1 a f(x) =1 a f ( z a f(x) dx. (26) ). (27) Funktion einer Zufallsvariable Jetzt betrachten wir eine beliebige Funktion einer Zufallsvariable Z = φ(x). (28) Skizze Wir gehen genauso vor wie bei der Multiplikation. Da φ nicht notwendigerweise invertierbar ist, ist J im Allgemeinen eine Vereinigung von Intervallen Das ergibt z+z z z J = J 1 J 2... (29) h(z) dz = k φ 1 k (z+z ) φ 1 k (z z ) f(x k )dx, (30) wobei k die Mehrdeutigkeit der Inversion von φ berschreibt. Wenn man das Intervall I gegen einen einzigen Punkt konvergieren lässt (z 0), erkennt man, dass gelten muss h(z) = k = dφ 1 k dz x=φ 1 (z) (z) f(x k) (31) f(x) dφ. (32) dx (x) Summe zweier Zufallsvariablen Die einfachste Operation, die zwei Zufallsvariablen miteinander verknüpft, ist die Summenbildung. Die Verteilungen von X und Y seien bekannt, und wir wollen daraus die Verteilung der Summe Z = X + Y (33) ermitteln. Wir betrachten zunächst den diskreten Fall. Um die Wahrscheinlich zu berechnen, dass Z einen bestimmten Wert z k annimmt, müssen wir alle Möglichkeiten betrachten, wie dieses Ergebnis zustande kommen kann, und deren Wahrscheinlichkeiten aufaddieren. P (Z =z k ) = x k P (X =x k )P (Y =z k x k ) (34) = x k P (X =z k y k )P (Y =y k ) (35)

8 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 8 Skizze Wurf mit zwei Würfeln. Im kontinuierlichen Fall sieht das ganze folgendermaßen aus: h(z) = f(x)g(z x) dx (36) = f(z y)g(y) dy (37) h = f g (38) Integrale dieser Form nennt man Faltungsintegrale, die Faltung zweier Funktionen wird üblicherweise mit beschrieben. 2.3 Rechnen mit Erwartungswert und Varianz Oftmals will man nur wissen, wie sich gewisse Verteilungs-Kennzahlen verhalten, wenn mit den Zufallsvariablen gerechnet wird. Dazu muss man die transformierte Verteilung in die Definition der Kennzahl einsetzen. Das demonstrieren wir hier an drei einfachen Fällen: E(a + X) = E(Z) = z h(z) dz = z f(z a) dz (39) = (x + a) f(x) dx = x f(x) dx + a f(x) dx = a + E(X) (40) E(a X) = E(Z) = z h(z) dz = 1 ( z z f dz (41) a a) = 1 ax f(x) a dx a = a E(X) (42) E(X + Y ) = E(Z) = z f(x) g(z x) dx dz ( ) = f(x) z g(z x) dz dx = f(x) x + E(Y ) dx = E(X)+E(Y ) (43) Diese Rechenregeln kann man zusammenfassen mit der Feststellung: Der Erwartungswert ist linear E(aX + by ) = ae(x)+be(y ). (44) Für die Varianz kann man in ähnlicher Weise ausrechnen: Var(a + X) = Var(X) (45) Var(a X) = a 2 Var(X). (46)

9 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 9 3 Verteilungen Im Folgenden werden die wichtigsten Familien von Verteilungen vorgestellt. Gleichverteilung Die Gleichverteilung beschreibt (Zufalls-)Experimente, deren mögliche Ergebnisse symmetrisch sind (Würfel, Karten). Skizze P K (X =k) = 1 K für k =1,...,K (47) E(X) = K k=1 k=1 1 K k = 1 K K k = 1 K k=1 K(K +1) 2 k=1 (48) = K +1 (49) 2 K 1 Var(X) = K (k E(X))2 = 1 K ( k K +1 ) 2 =... (50) K 2 Bernoulli-Verteilung = K Die Bernoulli-Verteilung beschreibt ein Experiment mit zwei möglichen Ergebnissen: 0 und 1. Das Ergebnis 1 wird oft als Erfolg und 0 als Misserfolg bezeichnet. Skizze (51) P p (X =1) = p (52) P p (X =0) = 1 p (53) E(X) = p 1+(1 p) 0=p (54) Var(X) = p (1 p) 2 +(1 p) (0 p) 2 (55) = p (p 2 2p +1)+p 2 p 3 = p 2 + p (56) = p (1 p) (57) Binomial-Verteilung Die Binomial-Verteilung beschreibt das Ergebnis von N hintereinander ausgeführten Bernoulli-Experimenten. Hierbei wird die Anzahl der Erfolge gezählt, d.h. die Ergebnisse werden aufsummiert. Wir interessieren uns also für die Summe der N Bernoulli-Experimente Z = N X n. (58) n=1 Wir berechnen die Wahrscheinlichkeit von P (Z = k), indem wir die Faltungs-Formel für die Summe zweier Zufallsvariablen (N 1)-mal anwenden.

10 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 10 Der Summand der Faltung ist konstant N P (X n =x n )=p k (1 p) N k (59) n=1 und kann somit vor die Summe gezogen werden. Die Vielfach-Summe der Faltung kann man kurz schreiben, und mit Hilfe der Kombinatorik ergibt sich der Binomialkoeffizient x 1 {0,1} x 2 {0,1} x N {0,1} 1= x {0,1} N n xn=k 1= ( ) N k Die Binomialverteilung mit den beiden Parametern N N und p [0, 1] ist also Skizze (60) ( ) N P N,p (Z =k) = p k (1 p) N k (61) k ( ) E(Z) = E X n = E (X n )=N p (62) n n Var(Z) = N p (1 p) (63) Um die Formel für die Varianz herzuleiten, benutzen wir den Begriff der Korrelation, der später eingeführt wird. Poisson-Verteilung Manchmal ist es nicht angebracht, die Summe Z in eine gewisse Anzahl von Summanden aufzuspalten, sondern man hat eher eine unendliche Summe aus unendlich kleinen Summanden. Beispiel: Z beschreibe die Anzahl der Teilchen, die von einem Detektor in einem gewissen Zeitintervall I erkannt werden. Das Zeitintervall I kann man nun in kleinere Intervalle I n aufteilen, und die Anzahl der Teilchen, die in einem kleinen Intervall detektiert werden, sei X n. Z wird dann durch eine Binomialverteilung beschrieben. Will man exakt rechnen, muss man das kleine Intervall infinitesimal klein werden lassen, da ja zu jedem beliebigen Zeitpunkt ein Teilchen detektiert werden kann. Die Poisson-Verteilung entsteht als Grenzwert der Binomial-Verteilung, wenn man die Anzahl der Summanden gegen unendlich gehen lässt, den Erwartungswert (der im obigen Beispiel der Intensität der Teilchenquelle entspricht) aber konstant hält. N (64) λ = N p = const. (65)

11 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 11 Die Rechnung ergibt dann P λ (Z =k) = lim N N p=const ( ) N p k (1 p) N k (66) k N(N 1) (N k +1) = lim N k! = λk k! lim N = λk ( ) k ( λ 1 λ ) N k (67) N N ( 1 λ N ) N (68) k! e λ (69) E(Z) = lim N p = N p = λ (70) N N p=const Var(Z) = lim N N p=const N p (1 p) =N p = λ (71) Die Ausdrücke für den Erwartungswert und die Varianz kann man ausrechnen, indem man die Dichtefunktion in die entsprechenden Funktionen einsetzt. Einfacher ist es aber, wenn man (wie hier) die Ergebnisse der Binomial-Verteilung verwendet. Normalverteilung (Gauß) In der realen Welt entstehen zufällige Schwankungen meist dadurch, dass sich viele kleine Schwankungen aufaddieren. Wie wir gesehen haben, entspricht das Addieren von Zufallsvariablen einer Faltung der entsprechenden Dichtefunktionen. Es stellt sich heraus, dass das Ergebnis von unendlich vielen Faltungen einer beliebigen Funktion mit sich selbst gegen einen Grenzwert strebt, der ein Fixpunkt der Faltung ist. Dies wird durch den zentralen Grenzwertsatz beschrieben. Der einzige Fixpunkt der Faltung mit endlicher Varianz ist die Gauß-Funktion. Die Verteilung, deren Dichte der Gauß-Funktion entspricht nennt man Normalverteilung. Ohne Herleitung geben wir an Skizze f µ,σ (x) = 1 2πσ e 1 2( x µ σ ) 2 (72) Die abkürzende Schreibweise E(X) = µ (73) Var(X) = σ (74) X N(µ, σ 2 ) (75) (lies: X ist normalverteilt mit Mittelwert µ und Varianz σ 2 ) ist sehr gebräuchlich. Viele Verteilungsfamilien nähern sich für extreme Parameter der Normalverteilung an. Als Beispiel seien hier die Binomial-Verteilung für N,p = const und die Poisson-Verteilung für λ genannt.

12 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 12 4 Multivariate Verteilungen 4.1 Grundlegende Begriffe Definitionen Wenn man zwei (oder mehrere) Zufallsvariablen hat, wird die Situation im Allgemeinen durch die gemeinsame Verteilung beschrieben P (X =x Y =y) (76) f(x, y). (77) Die gemeinsame Verteilung beschreibt die Wahrscheinlichkeit dafür, dass die zwei Ereignisse X = x und Y = y gleichzeitig oder gemeinsam auftreten. Skizze Randverteilung Die Randverteilung oder Marginalverteilung ist definiert durch P (X =x) = y P (X =x Y =y) (78) f X (x) = f(x, y)dy. (79) Sie beschreibt die Situation, wenn man eine Zufallsvariable ignoriert, und nur die Verteilung der anderen Zufallsvariable betrachtet. Skizze Bedingte Verteilung Die bedingte Verteilung ist definiert durch P (X =x Y =y) P (X =x Y =y) = P (Y =y) (80) f(x, y) f(x y) = dy. f Y (y) (81) Sie beschreibt die Situation, wenn eine Zufallsvariable bekannt oder festgelegt ist, und man sich für die Verteilung der anderen Zufallsvariable unter dieser Bedingung interessiert. Skizze 4.2 Unabhängigkeit, Kovarianz, Korrelation Unabhängigkeit Eine besondere Klasse von gemeinsamen Verteilung sind die Verteilungen, die sich faktorisieren lassen, d.h. P (X =x Y =y) = P (X =x) P (Y =y) (82) f(x, y) = f X (x) f Y (y). (83)

13 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 13 Dies ist die Definition der stochastischen Unabhängigkeit, d.h. zwei Zufallsvariablen X und Y heißen statistisch unabhängig, wenn sich ihre gemeinsame Verteilung in der obigen Form schreiben lässt. Anschaulich gesprochen heißt statistische Unabhängigkeit, dass sich die Zufallsvariablen nicht gegenseitig beeiflussen. Das Wissen über eine Zufallsvariable ändert nicht die Verteilung für die andere Variable. Man kann auch sagen: Die Randverteilungen enthalten alle Information über die gemeinsame Verteilung. Auch formal lässt sich aus der obigen Definition herleiten, dass die bedingten Verteilungen gleich den Randverteilungen sind Skizze P (X =x Y =y) = P (X =x Y =y) P (X =x) P (Y =y) = P (Y =y) P (Y =y) (84) = P (X =x) (85) f(x y) = f X (x). (86) Kovarianz Wenn zwei Zufallsvariablen nicht unabhängig sind, ist ein einfaches Maß für deren Abhängigkeit sinnvoll. Die Kovarianz beschreibt die lineare Abhängigkeit zweier (oder mehrerer) Zufallsvariablen. Sie ist definiert als Cov(X, Y ) = [X ] [ ] E( ) E(X) Y E(Y ) (87) = E(XY ) E(X)E(Y ). (88) Die Varianz kann man als Spezialfall der Kovarianz auffassen Var(X) =Cov(X, X). (89) Im Gegensatz zur Varianz kann die Kovarianz aber sowohl positiv als auch negativ sein. Genauer gilt Var(X)Var(Y ) Cov(X, Y ) Var(X)Var(Y ). (90) Kovarianz und (statistische) Unabhängigkeit hängen auf folgenden Weise zusammen. X, Y unabhängig Cov(X, Y ) = 0 (91) (92) In Worten: Die Menge der gemeinsamen Verteilungen, die faktorisieren, ist eine echte Teilmenge der gemeinsamen Verteilungen, die Kovarianz Null haben. Oder als Merksatz, um einen häufigen Fehler zu vermeiden: Verschwindende Kovarianz impliziert nicht Unabhängigkeit! Skizze Beispiel

14 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 14 Korrelation Oftmals ist ein normiertes Maß für die Abhängigkeit zweier Zufallsvariablen sinnvoll. Die Korrelation ist normiert auf das Intervall [ 1, 1]. Corr(X, Y )=ρ(x, Y )= Cov(X, Y ). (93) σ X σ Y Für eine deterministische lineare Abhängigkeit zwischen X und Y gilt Y = ax + b Corr(X, Y )= a = ±1. (94) a Weitere Regeln für das Rechnen mit Erwartungswert und Varianz Mit den Begriffen der Unabhängigkeit und der Kovarianz können wir noch zwei weitere wichtige Rechenregeln für den Erwartungswert und die Varianz angeben. E(X Y ) = E(X) E(Y ) für X, Y unabhängig (95) Var(X + Y ) = Var(X)+Var(Y )+2 Cov(X, Y ) (96) 4.3 Multivariate Normalverteilung Die wichtigste multivariate Verteilung ist die Normalverteilung. Sie ist gegeben durch die mehrdimensionale Gauß-Funktion ( 1 f µ,σ (x) = (2π)d Σ exp 1 ) 2 (x µ)σ(x µ)t. (97) d ist die Anzahl der Dimensionen oder der Zufallsvariablen. x und µ sind Vektoren der Länge d, und Σ ist die Kovarianzmatrix der Größe d d.für d =2schreibenwir die Kovarianzmatrix explizit hin, für höhere Dimensionen ist sie analog definiert. Σ= ( Var(X) Cov(X, Y ) Cov(Y,X) Var(Y ) ). (98) In der Gauß-Funktion oben steht Σ für die Matrix-Determinante der Kovarianzmatrix Σ. Vorführung 4.4 χ 2 -Verteilung Die χ 2 -Verteilung ist univariat, aber zur Herleitung ihrer Dichtefunktion benutzen wir die multivariate Normalverteilung; deshalb steht sie hier im Kapitel über multivariate Verteilungen. Die χ 2 -Verteilung mit k Freiheitsgraden ist definiert als die Verteilung der quadratischen Summe von k normalverteilten Zufallsvariablen k ( ) 2 Q = Z 2 Xn µ n =. (99) n=1 Sie erlangt ihre Bedeutung durch die besonderen Eigenschaften der Normalverteilung und der daraus resultierenden Methode der kleinsten Quadrate (dazu später mehr). σ n

15 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 15 Die χ 2 -Verteilung könnte man straightforward mit den Regeln aus Kapitel 2 berechnen. Wir gehen hier aber einen anschaulicheren und einfacheren Weg. Dazu betrachten wir erst einmal die gemeinsame Verteilung aller X n,einemultivariate Normalverteilung. X N(0,I k ) (100) I k steht für die Einheitsmatrix der Größe k k. Man erkennt, dass alle Punkte x, die demselben z entsprechen, auf einer Kugelschale liegen Skizze. Die Verteilung von Z, d.h. die χ-verteilung (ohne quadrat) kann man also berechnen, indem man die mehrdimensionale Gauß-Funktion über Kugelschalen integriert. h(z) = = x 2 =z 1 (2π) k e x 2 dx (101) z k k/2 1 Γ(k/2) e z /2. (102) Das Γ im Nenner steht für die Gamma-Funktion (kontinuierliche Verallgemeinerung der Fakultät). Der Bruch in der Dichtefunktion ergibt sich aus der allgemeinen Formel für mehrdimensionale Kugeloberflächen. Bemerkung: Für k = 3 ist die χ 2 -Verteilung gerade die Maxwell-Boltzmann- Verteilung (Wahrscheinlichkeit, dass ein Gasmolekül eine bestimmte Energie hat). Die χ 2 -Verteilung ergibt sich nun aus der Regel für das Transformieren einer Dichtefunktion (siehe Kap. 2.2). f k (q) = h(z) h( q) dφ = dz (z) 2 q (103) = 1 2 k/2 Γ(k/2) zk/2 1 e z/2 (104) E(Q) = k (105) Var(Q) = 2k (106)

16 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 16 5 Anwendung der Statistik auf Physikalische Messungen 5.1 Quadratwurzel-Gesetz Eine physikalische Messung kann man auffassen als die Realisierung einer Zufallsvariablen X. Als absolute Messunsicherheit x wird dann meist die Standardabweichung der zugrundeliegenden (geschätzten) Verteilung angegeben. x = Var(X) (107) Intuitiv ist klar, dass sich die Messunsicherheit sich verringern lässt, indem man eine Messung mehrere Male wiederholt und die einzelnen Messergebnisse mittelt. Diesen Effekt betrachten wir jetzt aus statistischer Sicht. Jede der N Messungen Messung wird durch eine Zufallsvariable X n, n =1,...,N beschrieben. Die X n seien unkorreliert und gehorchen alle derselbe Verteilung haben, deren Standardabweichung oder Messunsicherheit wir x nennen. Nach den Gesetzen aus Kapitel 2.3 können wir leicht die Standardabweichung oder Messunsicherheit des Mittelwertes x ausrechnen ( n x = Var X ) n 1 = N N 2 Var(X n )= n 1 N Var(X n) (108) = x N (109) (110) 5.2 Fehlerfortpflanzung Im Allgemeinen hängt die physikalische Größe,diemanineinemExperimentbestimmen will, auf eine beliebige Art und Weise von mehreren Messgrößen ab Z = φ(x 1,X 2,X 3,...). (111) Wir wollen hier ein allgemeines Gesetz angeben, wie man die Unsicherheit z der Zielgröße aus den Messunsicherheiten x j berechnen kann. Dazu nähern wir φ durch eine Taylorentwicklung um die Erwartungswerte der X j. φ(x 1,x 2,x 3...) φ(µ 1,µ 2,...)+ j φ x j (x j µ j )+... (112) Normalerweise sind die Messfehler x j klein im Vergleich zur Glattheit von φ; deshalb kann man die Taylorreihe bereits nach dem zweiten Term abbrechen. Wir nehmen an, dass die Einzelmessungen unkorreliert sind. Dann folgt aus den Regeln für das Rechnen mit der Varianz (Kap.4.2) ( ) 2 φ Var(X j ) (113) Var(Z) = j z = j x j ( ) 2 φ x j. (114) x j Dies ist das sogenannte Fehlerfortpflanzungsgesetz. Wenn die Einzelmessungen korreliert sind, dann stehen unter der Wurzel noch weitere Kovarianz-Terme.

17 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 17 Übungsblatt 1 Aufgabe 1 Die nebenstehende Tabelle enthält Beobachtungsdaten der Schneedecke über Eurasien im Oktober. ( Die Fläche ist in 10 6 km 2 gegeben.) GibdieDatenalsdataframeinRein. Plotte die Fläche als Funktion der Jahreszahl. Erzeuge ein Histogramm der Beobachtungen mit unterschiedlichen Bin-Breiten. Erzeuge einen Boxplot der Beobachtungen. Jahr Fläche , , , , , , , , , ,2 Aufgabe 2 Erzeuge 20 Zufallszahlen mit dem Befehl rnorm() und füge einen Ausreißer an der Stelle 20 hinzu. Plotte die Stichprobe. Berechne den Mittelwert, den Median, die Standardabweichung und die Quartilsdifferenz. Welche Kennzahlen beschreiben die Position bzw. die Breite der Verteilung besser? Aufgabe 3 Lade das Paket datasets in den Suchpfad (mit dem Befehl library()) und schaue dir den Datensatz morley an. Erzeuge einen Plot, in dem die Stichproben aller fünf Experimente nebeneinander zu sehen sind. Erzeuge einen entsprechenden Boxplot. Erzeuge einen entsprechenden Plot, in dem die Mittelwerte und Fehlerbalken (Standardabweichung) aufgetragen sind. Tipp: Die Funktion errbar() befindet sich in dem Paket Hmisc, das erst geladen werden muss. Aufgabe 4 Lies den Datensatz Aufgabe4 ein (load( Aufgabe4 )) und untersuche ihn genau. Was für Regelmäßigkeiten findest du? Erzeuge ein paar Plots, die die Eigenschaften der Daten möglichst gut wiedergeben. Der Datensatz ist eine Mischung verschiedener Daten. Kannst du die einzelnen Komponenten separieren?

18 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 18 Übungsblatt 2 Aufgabe 6 Die Verteilung von X sei durch die Dichtefunktion f(x) gegeben. Berechne die Dichtefunktionen von A = X 2, B = X 3 und C = X. Aufgabe 7 Die Zufallsvariablen X und Y seien gleichverteilt im Intervall [0, 1]. Gib die Verteilung der Zufallsvariable Z = X + Y an. Aufgabe 8 Berechne die Faltung h = f g zweier Gauß-Funktionen f(x) =e ( x σx )2 ( ) g(y) =e y 2 σy (115) Aufgabe 9 Die Wahrscheinlichkeit, bei einer Fahrt in der Straßenbahn kontrolliert zu werden, sei p = Dies lässt sich durch eine Zufallsvariable X beschreiben, die Bernoulliverteilt ist mit Erfolgs wahrscheinlichkeit p. Berechne durch Faltung die Verteilung für die Anzahl der Kontrollen bei zwei (drei) Fahrten. Tipp: Benutze convolve(). Benutze die Binomialverteilung, um die Wahrscheinlichkeit zu bestimmen, bei 100 Fahrten höchstens zwei Mal kontrolliert zu werden. Bestimme dieselbe Wahrscheinlichkeit mit Hilfe der Poissonverteilung. Wie gut ist diese Näherung? Aufgabe 10 (Trinomialverteilung) Ein bestimmtes Elementarteilchen kann drei verschiedene Zustände annehmen mit den Wahrscheinlichkeiten p 1 =0.6, p 2 =0.3, p 3 = 0.1. Es werden 10 Messungen durchgeführt und notiert, wie oft jeder der drei Zustände beobachtet wurde (H1,H2,H3). Skizziere den Wertebereich des Ergebnisses (H1,H2,H3). Tipp: Es muss gelten H 1 + H 2 + H 3 = 10; das führt auf ein Dreiecksgitter. Bestimme die folgenden Wahrscheinlichkeiten mit Hilfe von Kombinatorik (Schreibweise: P (H1,H2,H3)). P (5, 5, 0) P (6, 3, 1) P (5, 3, 2) Schreibe eine allgemeine Formel für die Trinomialverteilung auf.

19 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 19 Aufgabe 11 Erzeuge die Wahrscheinlichkeits-Massefunktion einer diskreten quadratischen Verteilung P (X =x) x 2 für x =[ 10, 9,...,9, 10]. (116) Falte diese Massefunktion immer wieder mit sich selbst, bis das Ergebnis der Gauß-Funktion ähnelt. Tipp: Benutze convolve().

20 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 20 Übungsblatt 3 Aufgabe 12 Berechne Erwartungswert und Varianz der Dreiecks- Verteilung mit der Dichtefunktion { 2x für 0 x 1 f(x) = (117) 0 sonst. Aufgabe 13 Generiere eine Matrix M, die die Werte der Funktion exp ( x2 + y 2 ) +exp ( (x +8)2 +(y 8) 2 ) (118) exp ( (x 3)2 +(y +8) 2 ) (119) 5 auf dem 2d-Gitter x, y =[ 10, 9.9,...,9.9, 10] enthält. Normiere diese Matrix (Summe aller Elemente soll 1 ergeben), so dass man sie als bivariate Wahrscheinlichkeits-Massefunktion interpretieren kann. Plotte die gemeinsame Verteilung. (Tipp: image()) Plotte die beiden Randverteilungen. (Tipp: Summiere mittels Matrix- Mlutiplikation mit einem Vektor aus lauter Einsen.) Plotte die Verteilung, die sich aus Multiplikation der beiden Randverteilungen ergibt. (Tipp: Äußeres Produkt der beiden Randverteilungs-Vektoren) Plotte verschiedene bedingte Verteilungen an interessanten Positionen. Aufgabe 14 Generiere 100 normalverteilte Zufallszahlen und berechne den Mittelwert und die Varianz. Wiederhole den letzten Punkt 100 Mal und speichere jedes Mal den Mittelwert. Plotte die Stichprobe der Mittelwerte und berechne die Varianz dieser Stichprobe. Vergleiche die Varianz der Mittelwerte mit der oben ausgerechneten Varianz der einzelnen Zufallszahlen. Stimmt das mit der theoretischen Erwartung überein? Aufgabe 15 Plotte die Dichtefunktion und die kumulative Verteilungsfunktion der χ 2 -Verteilung für k =1, 2, 3, 5, 10. Aufgabe 16 Die Messung der Masse m eines Körpers ergab m = 1000kg±10kg und die Messung seiner Geschwindigkeit v ergab v = 30m/s± 1m/s. Bestimme die kinetische Energie einschließlich der Fehlerangabe.

21 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 21 Aufgabe 17 Schreibe ein R-Script, das Zufallszahlen erzeugt, die gemäß der Dichtefunktion { 2x für 0 x 1 f(x) = (120) 0 sonst verteilt sind. Plotte eine Stichprobe der Größe 100. Tipp: Benutze die Gleichverteilung (runif()) und überlege dir eine Funktion φ, die die Gleichverteilung in die gewünschte Verteilung transformiert (siehe Aufgabe 6). Schreibe ein R-Script, das Zufallszahlen erzeugt, die gleichverteilt im Einheitskreis liegen. Plotte eine Stichprobe der Größe 100. Tipp: Benutze die Darstellung in Polarkoordinaten: φ ist gleichverteilt in [0, 2π], und r ist Dreiecks -verteilt wie im vorigen Aufgabenteil. Aufgabe 18 Wir betrachten mögliche gemeinsame Verteilungen zweier Zufallsvariablen X, Y, die jeweils nur die Werte 0 oder 1 annehmen können. Die gemeinsame Verteilung kann also durch eine kleine Tabelle angegeben werden. X =0 X =1 Y =0 a b Y =1 c d Gib eine gemeinsame Verteilung an, in der X und Y unabhängig sind. Gib eine gemeinsame Verteilung an, in der X und Y nicht unabhängig sind. Gibt es eine gemeinsame Verteilung mit diesem Wertebereich, in der X und Y nicht unabhängig sind aber trotzdem Korrelation 0 haben? Tipp: Betrachte die Anzahl der Freiheitsgrade der gemeinsamen Verteilung und der Randverteilungen.

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Übung 1: Wiederholung Wahrscheinlichkeitstheorie

Übung 1: Wiederholung Wahrscheinlichkeitstheorie Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Lineare Modelle in R: Einweg-Varianzanalyse

Lineare Modelle in R: Einweg-Varianzanalyse Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =

, dt. $+ f(x) = , - + < x < +,  > 0.  2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) = 38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die

Mehr

Varianz und Kovarianz

Varianz und Kovarianz KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

5 Erwartungswerte, Varianzen und Kovarianzen

5 Erwartungswerte, Varianzen und Kovarianzen 47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Unabhängige Zufallsvariablen

Unabhängige Zufallsvariablen Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

5. Spezielle stetige Verteilungen

5. Spezielle stetige Verteilungen 5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [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

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr

R ist freie Software und kann von der Website. www.r-project.org

R ist freie Software und kann von der Website. www.r-project.org R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Statistik Einführung // Lineare Regression 9 p.2/72

Statistik Einführung // Lineare Regression 9 p.2/72 Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Name:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

Teil I Beschreibende Statistik 29

Teil I Beschreibende Statistik 29 Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS)

Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS) Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS) Es soll untersucht werden, ob und wie sich Rauchen während der Schwangerschaft auf den Gesundheitszustand des Neugeborenen auswirkt. Hierzu werden

Mehr

Musterlösung zu Serie 14

Musterlösung zu Serie 14 Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen

Mehr

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010

Mehr

Ein möglicher Unterrichtsgang

Ein möglicher Unterrichtsgang Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

Lineare Modelle in R: Klassische lineare Regression

Lineare Modelle in R: Klassische lineare Regression Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung

Mehr

Tutorial: Regression Output von R

Tutorial: Regression Output von R Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen

Mehr

Statistik II für Betriebswirte Vorlesung 2

Statistik II für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten

Mehr

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei

Mehr

Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen

Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536 fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann

Mehr

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe

Mehr

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen

Mehr

Lösung zu Kapitel 11: Beispiel 1

Lösung zu Kapitel 11: Beispiel 1 Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

Statistik - Fehlerrechnung - Auswertung von Messungen

Statistik - Fehlerrechnung - Auswertung von Messungen 2013-11-13 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL I Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Literatur Eindimensionaler Fall: Grundbegriffe Wahrscheinlichkeitsverteilungen:

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen

Mehr

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Weiterbildungskurs Stochastik

Weiterbildungskurs Stochastik Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Einführung in Statistik und Messwertanalyse für Physiker

Einführung in Statistik und Messwertanalyse für Physiker Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1

Mehr

Statistische Auswertung der Daten von Blatt 13

Statistische Auswertung der Daten von Blatt 13 Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung

Mehr

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum) Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!

Mehr

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

Einführung in die Statistik

Einführung in die Statistik Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in

Mehr

1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen

1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)

Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff

Mehr

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X

Mehr

Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann

Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................

Mehr

4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung

4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung 4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt

Mehr

Eine Einführung in R: Das Lineare Modell

Eine Einführung in R: Das Lineare Modell Eine Einführung in R: Das Lineare Modell Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2009 Bernd Klaus, Verena Zuber

Mehr

Übungen zur Mathematik für Pharmazeuten

Übungen zur Mathematik für Pharmazeuten Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen

Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen

Mehr

Kenngrößen von Zufallsvariablen

Kenngrößen von Zufallsvariablen Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift:

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift: 20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie

Mehr

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt

Mehr

k np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr

k np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p

Mehr

P (X = 2) = 1/36, P (X = 3) = 2/36,...

P (X = 2) = 1/36, P (X = 3) = 2/36,... 2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel

Mehr

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $ Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Melanie Kaspar, Prof. Dr. B. Grabowski 1

Melanie Kaspar, Prof. Dr. B. Grabowski 1 7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Stetige Verteilungen Rechteckverteilung

Stetige Verteilungen Rechteckverteilung Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5 4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit

Mehr

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang

Mehr