Messungen und Messfehler
|
|
- Heini Hoch
- vor 7 Jahren
- Abrufe
Transkript
1 Messungen und Messfehler B. Schönfeld LMPT, ETH Zürich September 2007
2
3 1 Einleitung Messfehler sind (meistens) keine Fehler, sondern Messunsicherheiten. Was man in Messungen bestimmt, sind Schätzwerte, nicht wahre Werte. Um die Zuverlässigkeit einer Messung bewerten zu können, benötigt man eine Angabe zu ihrer Unsicherheit. Und auch diese Unsicherheit ist mit einer Unsicherheit behaftet. Erliegen Sie also nicht der sinnlosen Schärfe im Zahlenrechnen (Gauss). Beispiel zu signifikanten Stellen: Bei einer Mittelung liefert Ihr Taschenrechner die Werte 29, ± 0, Was sind dabei die signifikanten Stellen? Das wird durch die Unsicherheit der Fehlerangabe festgelegt. Z.B., kennt man die Güte der Unsicherheit nicht, so wird man sich für 30, 000 ± 0, 005 entscheiden. Kennt man sie auf besser als etwa 20%, so ist die Angabe 29, 9997 ± 0, 0049 adäquat. Es gibt zwei Arten von Fehlern, systematische Fehler und zufällige Fehler (Abb. 1.1). Figure 1.1: Messungen mit statistischen Fehlern, ohne (a) und mit (b) systematischen Fehlern. Systematische Messfehler: Sie besitzen feste Werte bei identischen Messbedingungen. Für erkannte Messfehler sind Abhilfen möglich, seien sie experimenteller, seien sie rechnerischer Natur. Abweichungen sind typischerweise einseitig. 3
4 1 Einleitung Systematische Messfehler können nicht durch Wiederholungen unter gleichen Bedingungen erkannt werden. Zufällige Messfehler: Sie schwanken statistisch bei identischen Messbedingungen. Sie sind unvermeidbar. Abweichungen haben beiderlei Vorzeichen. Messfehler können durch Wiederholung unter gleichen Messbedingungen charakterisiert werden. Dies kann auf zweierlei Weise geschehen: durch eine Standardabweichung einer Stichprobe (= Teilmenge aus einer möglicherweise unendlich grossen Grundgesamtheit aller möglichen Messwerte) oder durch eine Standardabweichung des Mittelwertes einer Stichprobe. Messwerte besitzen eine abschätzbare Unsicherheit. Beispiele von systematischen Messfehlern: (i) Als Referenztemperatur bei Messungen mit Thermoelementen wird oft Zimmertemperatur angenommen. Dieser Wert schwankt. (ii) Geräte können Eichfehler haben. (iii) Die Nullpunkteinstellung einer Apparatur kann fehlerhaft sein. (iv) Der Beobachter kann voreingenommen sein. Es kann ein Parallaxefehler beim Ablesen eines Messwertes auf einer Skala auftreten. 4
5 2 Zufällige Fehler: Mittelwert und Standardabweichung Nach Wiederholungen einer Messung stellen sich zwei Fragen: Was ist der beste Schätzwert für die Grundgesamtheit? Was für einen Vertrauensbereich ordnen wir diesem Schätzwert zu? Dazu verwenden wir das arithmetische Mittel und die Standardabweichung. Wir ordnen zunächst die Messwerte x i in Klassen mit einem Werte-Intervall x i ein (Abb. 2.1) Figure 2.1: Histogramm mit Werteintervall x i = 1. Total der Eintragungen ist N = 69. Statt die Zahl der günstigen Fälle pro Intervall aufzutragen, normiert man besser auf die totale Anzahl der Fälle und erhält im Grenzfall x i 0 die Wahrscheinlichkeitsdichtefunktion f(x). Die Fläche x 2 x 1 f(x)dx gibt dann die Wahrscheinlichkeit an, dass ein Messergebnis in den gewählten Bereich [x 1, x 2 ] fällt. N i N günstige Fälle Total der Fälle Wahrscheinlichkeitsdichtefunktion f(x) (2.1) Aus einer Stichprobe (= beschränkte Serie von Messungen) erhalten wir eine empirische Verteilung. Eine Grundgesamtheit liefert eine Modellverteilung. Zwei 5
6 2 Zufällige Fehler: Mittelwert und Standardabweichung wichtige Modellverteilungen werden wir kennenlernen, die Gauss-Verteilung oder Normalverteilung und die Poisson-Verteilung. Von einem Schätzwert, auch Erwartungswert genannt, erwartet man, dass er im Grenzfall einer unendlich umfangreichen Stichprobe (Zahl der Wiederholungen n ) den Wert µ der Grundgesamtheit ergibt. Weiterhin soll dieser Schätzwert die kleinste Standardabweichung aufweisen. Beide Forderungen werden vom arithmetischem Mittel x erfüllt, x = 1 n x i = m µ. (2.2) n Das arithmetische Mittel x oder m ist also der beste Schätzwert von µ. Zur weiteren Charakterisierung einer Verteilung verwendet man die Standardabweichung σ. Sie ist definiert durch σ 1 n (x i µ) n 2, (2.3) ihr Quadrat heisst Varianz. Sie sind also hinsichtlich der Grundgesamtheit definiert (µ wird als bekannt angenommen), n wird also als unendlich vorausgesetzt. Betrachten wir nun einen beliebigen, von x verschiedenen Wert A. Wegen 1 n (x i A) 2 = 1 n (x i x + x A) 2 = 1 n (x i x) 2 + (A x) 2 (2.4) n n n ist das Quadrat der Abweichungen vom arithmetischen Mittelwert x minimal. Wenden wir nun die Kennzeichnung von Verteilungen auf unsere Stichproben- Verteilung an. Da wir den Mittelwert µ in Gl. 2.3 nicht kennen, können wir nur einen Schätzwert der Varianz bzw. der Standardabweichung für die gegebene Stichprobe berechnen; wir bezeichnen diese Grössen mit s 2 bzw. s. Ausgehend von σ 2 = 1 n n (x i m + m µ) 2 und mit µ = 0 (dies ist ohne Einschränkung der Allgemeinheit möglich) ergibt sich als Schätzwert für s 2 1 n (x i m) 2 = 1 n n 2 (Σn x i ) 2 1 n ( ) x 2 n 2 i = 1 n s2. (2.5) Hierbei wird bei der Näherung vorausgesetzt, dass die x i unkorreliert sind. Wir erhalten nach Auflösung s 2 = 1 n (x i m) 2. (2.6) n 1 6
7 Dass der Nenner n 1 und nicht n lautet, lässt sich leicht verstehen: ein Freiheitsgrad ging bei der Bestimmung des arithmetischen Mittels verloren. Damit kennen wir die Standardabweichung s eines Stichprobenwertes. Wie gross ist nun aber die Varianz s 2 m des Mittelwertes m einer Stichprobe? Sie ist s 2 m = ([ 1 n ] ) 2 n x i µ = 1 n 1 n (x n 2 i µ) 2 = s2 n. n (x i µ) 1 n n (x j µ) (2.7) Damit ergibt sich für die Standardabweichung des Mittelwertes x s m = s = 1 n (x i x) n n(n 1) 2. (2.8) Mittelwerte und Standardabweichungen der Mittelwerte verschiedener Stichproben schwanken statistisch, wobei für n gilt j=1 m µ (2.9) s σ und s m 0. Beispiel einer Stichprobe: In einer Messreihe bestimmt man folgende Werte für die Grösse x und möchte dazu den Mittelwert x sowie die Standardabweichungen s und s m bestimmen: i x i (x i x) 2 [10 4 ] 1 5,61 3,24 2 5,59 0,04 3 5,50 84,64 4 5,68 77,44 5 5,65 33,64 6 5,52 51,84 33,55 250,84 Mittelwert x = 1 33, 55 = 5, 592 5, 59 6 Standardabweichung der Einzelmessung s = , = 0, 07 Standardabweichung des Mittelwertes s m = 0, 07/ 6 = 0, 03. 7
8 2 Zufällige Fehler: Mittelwert und Standardabweichung Beispiel von Stichproben bei bekannter Grundgesamtheit: Man habe drei neunflächige Würfel, auf denen sich die Zahlen 1 bis 9 befinden. Es werden die Summen der drei (unkorrelierten) Würfelwerte x i notiert und zur Berechnung des Mittelwertes m mit wachsender Stichprobenanzahl (= Zahl der Würfe n) verwendet. Ein aktueller Wurf schwankt somit zwischen 3 und 27. Für dieses Spiel ist die Grundgesamtheit (= 729 Zahlenanordnungen auf den drei Würfeln) bekannt. Damit sind Mittelwert µ (= 15,0) und Standardabweichung σ (= 20, siehe Gl. 2.3) der Strichprobenwerte berechenbar. Abb. 2.2 zeigt, dass es sich prinzipiell lohnt, die Unsicherheit des Mittelwertes durch erhöhte Wurfzahl n zu reduzieren. (a) (b) (c) (d) Figure 2.2: Mittelwert m, Standardabweichungen s, s m sowie Histogramm zum Würfelbeispiel. 8
9 3 Modellverteilungen der Statistik Es gibt Modelle stochastischer Prozesse, deren jeweilige Verteilungsfunktion wohl bekannt ist. Als Beispiel werden die Poisson-Verteilung und die Gauss-Verteilung betrachtet. Die Poisson-Verteilung P (k, µ) gilt für Fälle, bei denen die mittlere Zahl der Ereignisse durch eine sehr grosse Zahl von Ereignismöglichkeiten verursacht wird, wobei aber die Ereigniswahrscheinlichkeit sehr klein ist. Der radioaktive Zerfall ist ein solches Beispiel. Es gilt P (k, µ) = µk k! e µ. (3.1) Hierbei ist k = Zahl der registrierten Ereignisse und µ = der Mittelwert. Wegen σ 2 = µ hat die Poisson-Verteilung nur einen Parameter. Bei 10 4 registrierten Zerfällen haben wir also eine Standardabweichung von 100 Zerfällen und somit eine Messunsicherheit von 1%. Abb. 3.1(a) zeigt, dass für kleine Mittelwerte µ die Poisson-Verteilung ausgeprägt asymmetrisch ist. Für grosse µ und grosse k geht die (diskrete) Poisson-Verteilung in eine (kontinuierliche) Gauss-Verteilung über, mit Mittelwert µ und Standardabweichung σ = µ [Abb. 3.1(b)]. (a) (b) Figure 3.1: (a) Poisson-Verteilung P (k) für vorgegebene Werte von µ. (b) Für µ = 16 ergibt sich bereits eine gute Uebereinstimmung der diskreten Poisson- Verteilung (Histogramm) mit der kontinuierlichen Gauss-Kurve. 9
10 3 Modellverteilungen der Statistik Die Gauss-Verteilung G(x, σ, µ) hat zwei Modellparameter, Mittelwert µ und Varianz σ 2. Sie lässt sich unter der Annahme herleiten, dass jede Messung x das Ergebnis einer grossen Zahl von unabhängigen Elementarfehlern beinhaltet, die gleichwahrscheinlich positiv und negativ sind. Zufallsfehler direktgemessener Grössen werden oft durch die Gaussverteilung wiedergegeben - daher rührt ihre zentrale Bedeutung. Sie ist eine symmetrische Funktion [Abb. 3.2(a)]. ( ) G(x, σ, µ) = 1 (x µ) 2 σ 2π e 2σ 2 (3.2) (a) (b) Figure 3.2: (a) Gausssche-Normalverteilung für verschiedene Werte von σ. Der Wendepunkt der Kurven liegt jeweils bei µ ± σ. (b) 1σ-Vertrauensbereich, in dem 68 von 100 Messwerten erwartet werden. Oft will man eine Vertrauensgrenze für ein Resultat wissen. Diesen Wert erhält man durch Integration der normierten Verteilungskurve innerhalb der gewünschten Grenzen [µ a, µ + b], µ+b G(x, σ, µ)dx. (3.3) µ a Für ±1σ, ±2σ, ±4σ ergeben sich Vertrauensbereiche von 68,3%, 95,5%, 99,994% [Abb. 3.2(b)]. Liegen Werte ausserhalb von Vertrauensgrenzen von etwa ±2%, so bezeichnet man sie oft (willkürlich) als Ausreisser. Wiederholt wird dann auch das Kriterium von Chauvenet herangezogen, ob der Ausreisser wirklich den Schätzwert übermässig beeinflusst. 10
11 4 Fehlerfortpflanzung 4.1 Zufallsfehler Ein zusammengesetztes Ergebnis F basiere auf N verschiedenen Messgrössen f k mit k = 1,..., N. Jede Grösse wurde n Mal gemessen, es liegen also jeweils f kj, j = 1,..., n Daten vor. Der Erwartungswert jeder Messgrösse betrage f k, zudem betrage die Abweichung jeder Einzelmessung von ihrem Mittelwert ɛ kj. Es gibt nun zwei Möglichkeiten, den Erwartungswert von F zu erhalten (ohne Herleitung): F m = F (f 1, f 2...f N ) oder (4.1) F = 1 n F i. (4.2) n Es lässt sich mittels einer Taylorentwicklung der F i in den zufälligen Abweichungen ɛ kj leicht zeigen, dass beide Ergebnisse übereinstimmen, F m = F. Die zweite Methode setzt allerdings voraus, dass alle direkten Messgrössen gleich oft gemessen werden, sie ist also nicht generell anwendbar. Nun zur Stichprobenvarianz von F, s 2 F = n 1 n 1 N ( F k=1 j=1 f k (F j F ) 2 = 1 n 1 ) 2 n j=1 ɛ2 k j n 1 = ( n N ( F j=1 N ( F k=1 f k k=1 ) 2 s 2 f k. f k ) ɛ kj ) 2 (4.3) Dies ist das Gausssche Fehlerfortpflanzungsgesetz. Anstelle der Varianzen der Stichproben kann man dieses Gesetz natürlich auch für die Varianzen der Mittelwerte verwenden. Wohlgemerkt, es wird vorausgesetzt, dass die Messungen der f k untereinander statistisch unabhängig sind! Das Umgehen mit Differentialen kann zu komplizierten Ausdrücken für die Varianz des zusammengesetzten Ergebnisses führen. Hier zwei wichtige Fälle. Für Summen F = c 1 f 1 ± c 2 f 2 gilt s 2 F = c 2 1s 2 f 1 + c 2 2s 2 f 2, (4.4) 11
12 4 Fehlerfortpflanzung für Produkte F = f p 1 f q 2 schreibt man vorteilhafterweise ( sf ) 2 = p 2 F ( sf1 f 1 ) 2 ( ) 2 + q 2 sf2. (4.5) f 2 Standardabweichung einer indirekten Messgrösse: Man will die Oberfläche A eines Zylinders samt ihrer Standardabweichung bestimmen und hat zuvor folgende Messergebnisse für die Mittelwerte von Radius r und Höhe h erhalten: r = (10, 5 ± 0, 2) cm und h = 15, 0 ± 0, 3 cm. Damit erhalten wir A = 1682 cm 2, A r und damit gemäss Gl. 4.3 ( A s m(a) = A = 2πr 2 + 2πrh (4.6) A = 4πr + 2πh und A r h = 2πr r A (r, h) = 226, 2 cm und (r, h) = 65, 97 cm h ) 2 ( ) 2 A s 2 m(r) + s 2 m(h) (4.7) h = 226, 2 2 0, , , 3 2 cm 2 = 49 cm 2. Noch eine Anmerkung zur Genauigkeit des mittleren Fehlers: bei gaussverteilten Messwerten gilt für die Standardabweichung der Standardabweichung von n Daten (ohne Herleitung) σ sg = s. (4.8) 2n Beispiel zu signifikanten Stellen: Als Mittelwert einer Stichprobe von 8 Messwerten ergibt der Taschenrechner x = 12, und s m = 0, Gl. 4.8 liefert σ sg /s = 0, 25. Also ist die korrekte Angabe x = 12, 4 ± 0, 4, oft auch als 12, 4(4) geschrieben. 12
13 4.2 Systematische Fehler 4.2 Systematische Fehler Hier ergibt sich die zusammengesetzte Grösse F aus den N Einzelmessungen f k, k = 1,..., N, die mit systematischen Fehlern h k behaftet sind. Statt des korrekten Wertes F 0 erhält man den verfälschten Wert F, F 0 = F (f 1, f 2,..., f N ) (4.9) F = F (f 1 + h 1, f 2 + h 2,..., f N + h N ). Nimmt man an, dass die systematischen Fehler klein sind (also nur eine Korrektur darstellen), so erhält man für die systematische Abweichung in einer Taylor- Entwicklung bis einschliesslich linearem Glied F F F 0 = N ( F k=1 f k ) h k. Der Gesamtfehler ergibt sich also algebraisch aus den Einzelfehlern. Vorzeichen müssen jetzt beachtet werden. Zwei Fälle sind wiederum nachfolgend ausgeführt. Für eine Summe F = af 1 + bf 2 ergibt sich F = ah 1 + bh 2, (4.10) für ein Produkt F = f p 1 f q 2 F F = ph 1 f 1 + q h 2 f 2. (4.11) 13
14 4 Fehlerfortpflanzung 14
15 5 Ausgleichsrechnung einer einzigen fehlerbehafteten Grösse Die Situation: es liegen Ihnen aus der Literatur n verschiedene Daten zu einer einzigen fehlerbehafteten Grösse x i vor, mit Standardabweichungen s i. Wegen der Zufallsfehler werden die Messgrössen im Widerspruch zueinander stehen. Ziel einer Ausgleichsrechnung ist es nun, den besten Schätzwert anzugeben. Die Wahrscheinlichkeitsdichte, dass gerade dieser vorgegebene Satz von Beobachtungen gemessen wurde, ist bei angenommener völliger Unregelmässigkeit der Einzelwerte das Produkt der Einzelbeiträge. Für diese Einzelbeiträge setzen wir Normalverteilungen an, mit Erwartungswert x (statt µ) und Varianzen s 2 i der Stichproben (statt der unbekannten σi 2 ), [ ( )] n 1 e (x i x) 2 2s 2 i. (5.1) s i 2π Der Satz von Messungen wird umso unwahrscheinlicher, je weiter er vom besten Schätzwert x entfernt ist. Deshalb müssen wir den Potenzexponenten minimieren (Prinzip der kleinsten Abweichungsquadrate), n (x i x) 2 2s 2 i = Minimum, (5.2) und erhalten den gewichteten (oder gewogenen) Mittelwert x durch Ableiten nach x, [ n ] d 1 (x x dx 2s 2 i ) 2 i = 0 n 1 (x x i ) = 0 oder s 2 i x = n 1 x s 2 i i n 1 s 2 i. (5.3) Die Wichtung von Beobachtung x i erfolgt also mit dem jeweiligem 1/s 2 i. Anschaulich gesprochen: die Beobachtung mit der kleinsten Standardabweichung hat 15
16 5 Ausgleichsrechnung einer einzigen fehlerbehafteten Grösse den grössten Einfluss auf X. Im Falle einer konstanten Standardabweichung für die einzelnen Beobachtungen ergibt sich der arithmetische Mittelwert (Gl. 2.2). Der mittlere Fehler der Standardabweichung s m ergibt sich (falls die Unterschiede der Daten x i zufallsbedingt sind) durch das Gausssche Fehlerfortpflanzungsgesetz (Gl. 4.3) s 2 m = = n ( x x i 1 n 1/s2 i ) 2 s 2 i =. n (1/s 2 i ) 2 ( n s2 k=1 1/s2 k )2 i (5.4) Man beachte: die Grössen x i treten dabei nicht auf. Verwendete Literatur G.L. Squires, Practical Physics, Mc Graw-Hill, W.H. H. Gränicher, Messung beendet was nun?, vdf Hochschulverlag, L. Papula, Mathematik für Ingenieure und Naturwissenschaftler, Band 3, Vieweg, M. Drosg, Der Umgang mit Unsicherheiten, Facultas,
Einführung. Fehlerarten
Einführung Jede Messung ist mit einer Messunsicherheit behaftet. Die Unsicherheit bezieht sich dabei nicht auf eine falsche Durchführung der Messung, sondern auf die Tatsache, dass jede von einem Menschen
Mehr1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler
1 Messfehler Jede Messung ist ungenau, hat einen Fehler. Wenn Sie zum Beispiel die Schwingungsdauer eines Pendels messen, werden Sie - trotz gleicher experimenteller Anordnungen - unterschiedliche Messwerte
MehrKapitel 2. Fehlerrechnung
Fehlerrechnung 1 Messungen => quantitative Aussagen Messungen müssen zu jeder Zeit und an jedem Ort zu den gleichen Ergebnissen führen Messungen sind immer mit Fehler behaftet. => Angabe des Fehlers! Bespiel
MehrBegleitmaterial zur Vorlesung. Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen
Institut für Technische Thermodynamik und Kältetechnik Leiter: Prof. Dr.-Ing. K. Schaber Begleitmaterial zur Vorlesung Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen Verfasst von Dr.
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
Mehr5. Meßfehler. Zufällige Messfehler machen das Ergebnis unsicher - ihre Abschätzung ist nur unter Verwendung statistischer Methoden durchführbar
5. Meßfehler Man unterscheidet... zufällige Meßfehler systematische Meßfehler Zufällige Messfehler machen das Ergebnis unsicher - ihre Abschätzung ist nur unter Verwendung statistischer Methoden durchführbar
MehrEinführungsseminar S1 Elemente der Fehlerrechnung. Physikalisches Praktikum der Fakultät für Physik und Astronomie Ruhr-Universität Bochum
Einführungsseminar S1 Elemente der Fehlerrechnung Physikalisches Praktikum der Fakultät für Physik und Astronomie Ruhr-Universität Bochum Literatur Wolfgang Kamke Der Umgang mit experimentellen Daten,
MehrGrundlagen der Statistik und Fehlerrechnung
Physikalisches Grundpraktikum Teil 1 WS 2010/2011 Grundlagen der Statistik und Fehlerrechnung Stefan Diehl 28.02.2011 12.30 13.30 HS I 01.03.2011 12.30 13.30 CHEG18 Inhalt Grundbegriffe der Statistik Wahrscheinlichkeitsverteilungen
MehrEinführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
MehrMeßprozeß, Meßfehler und Statistik
0- Meßprozeß, Meßfehler und Statistik Vorbereitung : Begriff der Wahrscheinlichkeit, statistische Verteilungen (Binomialverteilung, Poissonverteilung, Gaussverteilung), Meßfehler und Fehlerfortpflanzung.
MehrWas ist Physik? Modell der Natur universell es war schon immer so
Was ist Physik? Modell der Natur universell es war schon immer so Kultur Aus was sind wir gemacht? Ursprung und Aufbau der Materie Von wo/was kommen wir? Ursprung und Aufbau von Raum und Zeit Wirtschaft
MehrEinführung in die Fehlerrechnung. Einleitung. Die Unvermeidbarkeit von Unsicherheiten. Warum muss man die Grösse der Unsicherheit kennen?
Einführung in die Fehlerrechnung Einleitung Die Fehlerrechnung hat den Zweck, Unsicherheiten in Messungen zu untersuchen und zu evaluieren. Die Erfahrung zeigt, dass jede, auch die am sorgfältigsten ausgeführte
MehrEinführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
MehrDie richtige Wahl von Verteilungen
Die richtige Wahl von Verteilungen N. Schiering, ZMK GmbH Sachsen-Anhalt Agenda Einleitung Standardmessunsicherheiten Typ A und Typ B Normalverteilung Rechteckverteilung Dreieckverteilung Trapezverteilung
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrMaurizio Musso, Universität Salzburg, ver Physikalische Grundlagen der Meßtechnik. Teil 2
Teil 2 Auswertung von Messungen, zufällige oder statistische Abweichungen Auswertung direkter Messungen Häufigkeitsverteilung, Häufigkeitsfunktion Mittelwert, Standardabweichung der Einzelwerte Standardabweichung
MehrEinführung in die Fehlerrechnung
1 Einführung in die Fehlerrechnung liederung 1. Motivation. Fehlerarten 1. robe Fehler. Systematische Fehler 3. Zufällige Fehler 3. Rechnerische Erfassung der Messabweichungen 1. Fehlerabschätzung einmaliges
MehrStatistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
MehrKonfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005
Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit
MehrFehlerfortpflanzung. M. Schlup. 27. Mai 2011
Fehlerfortpflanzung M. Schlup 7. Mai 0 Wird eine nicht direkt messbare physikalische Grösse durch das Messen anderer Grössen ermittelt, so stellt sich die Frage, wie die Unsicherheitsschranke dieser nicht-messbaren
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrDer Umgang mit Unsicherheiten
Manfred Drosg Der Umgang mit Unsicherheiten Ein Leitfaden zur Fehleranalyse facultas Inhaltsverzeichnis 1 Einleitung 13 1.1 Wissenschaftlichkeit 14 1.2 Sichere (fehlerfreie) Daten 16 2 Grundlegendes über
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 29. Oktober 2007 1. Statistik 1.1 Wahrscheinlichkeit Pragmatisch: p(e) = n(e) N für N sehr groß Kombination von Wahrscheinlichkeiten p(a oder B) =
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
MehrFehler- und Ausgleichsrechnung
Fehler- und Ausgleichsrechnung Daniel Gerth Daniel Gerth (JKU) Fehler- und Ausgleichsrechnung 1 / 12 Überblick Fehler- und Ausgleichsrechnung Dieses Kapitel erklärt: Wie man Ausgleichsrechnung betreibt
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrVon der Normalverteilung zu z-werten und Konfidenzintervallen
Von der Normalverteilung zu z-werten und Konfidenzintervallen Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrPhysik Fehlerrechnung
Physik Fehlerrechnung 1. Abschätzung des wahren Messwertes 1.1. Systematische/zufällige Fehler 1.. Mittelwert, Varianz 3 1.3. Gaußverteilung 5 1.4. Vertrauensbereich 6 1.5. Vergleich von Messwerten 8 1.6.
MehrStatistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Dr. Stan Lai und Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
MehrDie Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
MehrFehlerabschätzung und Fehlerrechnung
Fehlerabschätzung und Fehlerrechnung 4 März 2010 I Fehlerabschätzung I1 Allgemeines Jeder physikalische Messwert ist mit einem Fehler behaftet Man unterscheidet nach systematischen und zufälligen Fehlern
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY231) Herbstsemester 2015 Olaf Steinkamp 36-J-22 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrVermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Bauingenieure und Geodäten Übung 5: statistische Auswertung gleichgenauer Messungen Milo Hirsch Hendrik Hellmers Florian Schill Institut für Geodäsie Fachbereich 3 Inhaltsverzeichnis
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrAuswertung und Lösung
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrEinführung in die Theorie der Messfehler
Einführung in die Theorie der Messfehler Ziel der Vorlesung: Die Studentinnen/Studenten sollen die Grundlagen der Theorie der Messfehler sowie den Unterschied zwischen Ausgleichsrechnung und statistischer
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Mai 2011 3. Schätzung von Parametern Problemstellung: Aus fehlerbehafteten Messungen möglichst genaue Ergebnisse erarbeiten zusammen mit Aussagen
MehrComputer in der Wissenschaft
Dr. Michael O. Distler distler@uni-mainz.de Mainz, 8. Januar 2014 Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der kleinsten
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
Mehr303 Statistik. 1. Aufgaben. 2. Grundlagen
303 Statistik 1. Aufgaben 1.1 Dokumentieren Sie mit Hilfe eines Würfel-Simulationsprogrammes, wie aus einer gleichverteilten Zufallsgröße durch Mittelwertbildung eine Normalverteilung entsteht. Bestätigen
MehrMessen, Messabweichungen, Messungenauigkeiten, Messfehler
Messen, Messabweichungen, Messungenauigkeiten, Messfehler . Fehlerrechnung . Wie exakt (glaubwürdig) ist meine Messung? 1. Ablesen von Messwerten Jede Messung hat eine Ungenauigkeit Winkelmessungen Längenmessungen
MehrRechnernutzung in der Physik
Rechnernutzung in der Physik Teil 3 Statistische Methoden in der Datenanalyse Roger Wolf 15. Dezember 215 INSTITUTE OF EXPERIMENTAL PARTICLE PHYSICS (IEKP) PHYSICS FACULTY KIT University of the State of
MehrSchnellkurs und Übersicht zur Gröÿtfehlerabschätzung und Fehlerrechnung
1 Schnellkurs und Übersicht zur Gröÿtfehlerabschätzung und Fehlerrechnung Zum Messergebnis gehören immer eine Fehlerangabe und nur signikante Stellen 1 Beim Messen arbeiten wir mit Näherungswerten! Selbst
MehrMessunsicherheit und Fehlerrechnung
Messunsicherheit und Fehlerrechnung p. 1/25 Messunsicherheit und Fehlerrechnung Kurzeinführung Peter Riegler p.riegler@fh-wolfenbuettel.de Fachhochschule Braunschweig/Wolfenbüttel Messunsicherheit und
MehrSTATISTISCHE METHODEN UND IHRE ANWENDUNGEN
STATISTISCHE METHODEN UND IHRE ANWENDUNGEN Von Dr. rer. nat. Erwin Kreyszig o. Professor für Statistik an der Universität Karlsruhe mit 82 Abbildungen und zahlreichen Tabellen Vierter, unveränderter Nachdruck
MehrAuswertung von Messungen Teil I
Auswertung von Messungen Teil I 1. Ergebnisdarstellung. Rechnen mit Messwerten - Signifikante Stellen 3. Linearisierung 4. Ausgleichsgerade - lineare Regression 5. Messabweichungen 6. Häufigkeitsverteilung
Mehr825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden?
1. Aufgabe: Eine Bank will die jährliche Sparleistung eines bestimmten Kundenkreises untersuchen. Eine Stichprobe von 12 Kunden ergab folgende Werte: 825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170
MehrVorlesung: Angewandte Sensorik
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 1. Allgemeine Informationen..................... 3 2. Sensorgrundlagen..........................
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
Mehr12 Die Normalverteilung
12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
MehrMessung von Rendite und Risiko. Finanzwirtschaft I 5. Semester
Messung von Rendite und Risiko Finanzwirtschaft I 5. Semester 1 Messung von Renditen Ergebnis der Anwendung der Internen Zinsfuß- Methode ist die Rentabilität des Projekts. Beispiel: A0-100.000 ZÜ1 54.000
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrF-Praktickm. Einführung in die Statistik. Universität Hamburg, Institut für Experimentalphysik. Erika Garutti
F-Praktickm Einführung in die Statistik Erika Garutti (Erika.Garutti@desy.de) Universität Hamburg, Institut für Experimentalphysik disclaimer please do not distribute these slides electronically without
MehrMesstechnische Grundlagen und Fehlerbetrachtung. (inkl. Fehlerrechnung)
Messtechnische Grundlagen und Fehlerbetrachtung (inkl. Fehlerrechnung) Länge Masse Zeit Elektrische Stromstärke Thermodynamische Temperatur Lichtstärke Stoffmenge Basisgrößen des SI-Systems Meter (m) Kilogramm
MehrInstitut für Physik Physikalisches Grundpraktikum
Institut für Physik Physikalisches Grundpraktikum Einführung in die Messung, Auswertung und Darstellung experimenteller Ergebnisse in der Physik (Teil 2) Einige Anmerkungen zur statistischen Behandlung
MehrExperimentalphysik E1!
Experimentalphysik E1! Prof. Joachim Rädler! Paul Koza (Vorlesungsbetreuung)! Alle Informationen zur Vorlesung unter :! http://www.physik.lmu.de/lehre/vorlesungen/index.html! Fehlerrechnung! Der freie
MehrPRAKTIKUM Grundlagen der Messtechnik. VERSUCH GMT 01 Auswertung von Messreihen
1 Fachbereich: Fachgebiet: Maschinenbau Mess-, Steuerungs- und Regelungstechnik Prof. Dr.-Ing. habil. Michael Kaufmann PRAKTIKUM Grundlagen der Messtechnik VERSUCH GMT 01 Auswertung von Messreihen Version
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrÜbungen mit dem Applet Wahrscheinlichkeitsnetz
Wahrscheinlichkeitsnetz 1 Übungen mit dem Applet Wahrscheinlichkeitsnetz 1 Statistischer Hintergrund... 1.1 Verteilungen... 1. Darstellung von Daten im Wahrscheinlichkeitsnetz...4 1.3 Kurzbeschreibung
Mehrvon Prof. Dr. P. H. Osanna, Prof. Dr. N. M. Durakbasa, Dr. techn. L. Kräuter Inhalt
Geometrische Produktspezifikation und -Verifikation "GPS" und Messunsicherheit nach "GUM" als Basis moderner Metrologie im fortschrittlichen Produktionsbetrieb von Prof. Dr. P. H. Osanna, Prof. Dr. N.
MehrAbbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
MehrFehlerrechnung. Einführung. Jede Messung ist fehlerbehaftet! Ursachen:
Fehlerrechnung Einführung Jede Messung ist fehlerbehaftet! Ursachen: Ablesefehler (Parallaxe, Reaktionszeit) begrenzte Genauigkeit der Messgeräte falsche Kalibrierung/Eichung der Messgeräte Digitalisierungs-Fehler
MehrPhysik für Biologen und Zahnmediziner
Physik für Biologen und Zahnmediziner Propädeutikum 4: Messfehler und Vektoren Dr. Daniel Bick 25. Oktober 2013 Daniel Bick Physik für Biologen und Zahnmediziner 25. Oktober 2013 1 / 41 Organisatorisches
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrStetige 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
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrMathematik für Ingenieure und Naturwissenschaftler Band 3
Lothar Papula Mathematik für Ingenieure und Naturwissenschaftler Band 3 Vektoranalysis Wahrscheinlichkeitsrechnung Mathematische Statistik Fehler- und Ausgleichsrechnung 2., verbesserte Auflage Mit zahlreichen
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrQuantifizierung in der Analytischen Chemie
Quantifizierung in der Analytischen Chemie in der Grundvorlesung Analytische Chemie Literatur: W. Gottwald, Statistik für Anwender, Wiley-VCH, Weinheim, 2000 Kapitel in: M. Otto, Analytische Chemie, 3.
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood KARLSRUHER INSTITUT FÜR TECHNOLOGIE (KIT) 0 KIT 06.01.2012 Universität des Fabian Landes Hoffmann Baden-Württemberg und nationales Forschungszentrum
MehrPraktikum zur Vorlesung Einführung in die Geophysik
Praktikum zur Vorlesung Einführung in die Geophysik Hinweise zum Praktikum: Messunsicherheit und Fehlerrechnung Stefan Wenk, Prof. Thomas Bohlen TU Bergakademie Freiberg Institut für Geophysik www.geophysik.tufreiberg.de/pages/studenten/praktika/nebenfaechlerpraktikum.htm
MehrStatistische Methoden
Modeling of Data / Maximum Likelyhood methods Institut für Experimentelle und Angewandte Physik Christian-Albrechts-Universität zu Kiel 22.05.2006 Datenmodellierung Messung vs Modell Optimierungsproblem:
MehrAnfänger-Praktikum I WS 11/12. Michael Seidling Timo Raab Enrico Mank. Praktikumsbericht: Galton-Brett
Anfänger-Praktikum I WS 11/12 Michael Seidling Timo Raab Enrico Mank Praktikumsbericht: Galton-Brett Inhaltsverzeichnis Inhaltsverzeichnis I. Theoretische Grundlagen 2 1. Zentraler Grenzwertsatz 2 2. Binomialverteilung
MehrChemie wässriger Lösungen. Vorlesung zum Modul Chemie wässriger Lösungen
Vorlesung zum Modul Chemie wässriger Lösungen Prof Dr. Michael Mehring 11.12.2017 Wissensstandsüberprüfung - Qualitative Analytik 09.15 10.15 Uhr Raum 1/204 1 11.12.2017 Wissensstandsüberprüfung - Qualitative
Mehr