Univariates Datenmaterial
|
|
- Emma Böhmer
- vor 7 Jahren
- Abrufe
Transkript
1 Univariates Datenmaterial Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x = {y 1, y 2,..., y n } o Ausprägungen: a 1 < a 2 <... < a k, k n Deskriptive Statistik: Aufarbeitung der Daten o Tabellarisch (Werte, relative und kumulative Häufigkeiten) o Graphisch: Stabdiagramm, Kreisdiagramm, Histogramm 1
2 Lageparameter Deskriptive Statistik Abhängig vom Skalierungsniveau der Variable Nominale Daten o Modalwert: häufigster Wert Ordinale Daten o Median: teilt n gegebene Werte in die 50% kleineren bzw. größeren Beobachtungen o Quantil: z ist p-quantil, falls p-fache der Beobachtungen kleiner gleich z sind Kardinale Daten o Mittelwert (arithmetisches Mittel): ȳ = 1 n n i=1 y i 2
3 Streuungsparameter Deskriptive Statistik Spannweite: max(y i ) - min(y i ) Interquartilsspanne: Differenz zwischen 0.75-Quantil (3. Quartil) und 0.25-Quantil (1. Quartil) Kardinale Daten o Empirische Varianz: s 2 = 1 n 1 n i=1 (y i ȳ) 2 o Mittlere quadratische Abweichung: s 2 mqa = 1 n n i=1 (y i ȳ) 2 o Standardabweichung: s = s 2 o Variationskoeffizient: s ȳ 3
4 Mehrdimensionales Datenmaterial Deskriptive Statistik Beispiel: zwei Merkmale/ Zufallsvariablen: Daten: ( x1 y 1 ), ( x2 y 2 ),, ( xn y n ) ( X1 Y 1 ), ( X2 Y 2 ),, ( Xn Y n ) Datenaufbereitung o nominale oder ordinale/kardinale Daten mit wenigen Ausprägungen: Kontingenztabelle o kardinale/ordinale Daten mit wenigen Ausprägungen (stetige Daten): Streudiagramm/Scatterplot 4
5 Streudiagramm Deskriptive Statistik 5
6 Korrelation Deskriptive Statistik Ordinale Daten o Rangkorrelationkoeffizient (Spearman): r SP r SP = n i=1 (rg(x i) rk x )(rg(y i ) rg y ) n i=1 (rg(x n i) rg x ) 2 i=1 (rg(y i) rg y ) 2 Kardinale Daten o Korrelationkoeffizient (Pearson): 1 r xy 1 r xy = n i=1 (x i x)(y i ȳ) Cov(x, y) n i=1 (x i x) 2 n i=1 (y = i ȳ) 2 s x s y 6
7 Kovarianz und Korrelation Deskriptive Statistik Kardinale Daten o Kovarianz von x und y: Cov(x, y) = s xy Cov(x, y) = s xy = 1 n 1 n (x i x)(y i ȳ) i=1 Kovarianz und Korrelation beschreiben die lineare Abhängigkeit/ Beziehung von zwei Variablen bzw. den relevanten Daten Korrelation ist im Gegensatz zur Kovarianz ein normiertes Maß: 1 r xy 1 o r xy = 1: perfekter positiver linearer Zusammenhang o r xy = 1: perfekter negativer linearer Zusammenhang o r xy = 0: kein linearer Zusammenhang 7
8 Varianz-Kovarianz Matrix Deskriptive Statistik Varianz-Kovarianz Matrix von x und y ( ) s 2 x s x,y s x,y s 2 y Merke: Cov(x, y) = Cov(y, x) bzw. s x,y = s y,x 8
9 Wahrscheinlichkeitstheorie/ Stochastik Modellieren ökonomische Phänomene als Ergebnis von Zufallsexperimenten Ökonomischen Variablen werden entsprechend als Zufallsvariablen interpretiert o Zufallsvariablen werden durch Verteilungen (z.b. Normalverteilung) und deren Charakteristika beschrieben (z.b. Erwartungswert und Varianz) o Verteilung repräsentiert Eigenschaften der interessierenden Grundgesamtheit (z.b. Grundgesamtheit aller Arbeitnehmer im Rahmen einer Arbeitsmarktstudie) Kollektion von ökonomischen Variablen (z.b. Lohn von 10 Arbeitnehmern) wird als Kollektion von Zufallsvariablen interpretiert (Stichprobe) 9
10 Wahrscheinlichkeitstheorie/ Stochastik Wieso? o Wollen etwas über die Eigenschaften der Grundgesamtheit (z.b. Streuung der Löhne) lernen Anwendung von Schätzern o Stochastische Modellierung erlaubt uns die sinnvolle Evaluation von Schätzern und Interpretation von Schätzergebnissen o Durch Verteilungssannahmen werden Eigenschaften der Grundgesamtheit,,parametrisiert o Schätzer schätzen die Parameter o Wir können die Eigenschaften der Schätzer ableiten o Wir können Aussagen darüber machen, ob Schätzergebnisse relevant (signifikant) verschieden von einer Referenz sind (Statistische Tests) Referenz: Stock & Watson: Kap
11 Zufallsexperiment Annahme: beobachtete Ereignisse sind Ergebnis eines Zufallsexperiment/ Zufallsprozess,,Computerabstürze während des Schreibens einer Seminararbeit o Ergebnisse: sich gegenseitig ausschließende Resultate eines Zufallsexperimentes kein, 1, 2, 3,..., Computerabstürze o Jedem Ergebnis kann eine Wahrscheinlichkeit zugeordnet werden o Ergebnismenge: Menge aller möglichen Ergebnise o Ereignis: Untermenge der Ergebnismenge Ereignis:,,Der Computer stürzt nicht mehr als einmal ab = Menge bestehend aus den Ergebnissen,,kein und,,1 Absturz 11
12 Zufallsvariablen Zufallsvariable: numerische Zusammenfassung eines zufälligen Ergebnisses ZV:,,Anzahl der Computerabstürze o diskrete ZVen: ZV nimmt nur eine diskrete Menge an Werten an z.b. 0, 1,... Computerabstürze o stetige ZVen: ZV kann unendliche viele Werte (in einem Interval) annehmen z.b. Haushaltseinkommen, Aktienkurse,... o Hinweis: Die meisten,,stetigen ökonomischen Variablen, wie z.b. Einkommen, werden nur als stetig modelliert, sind es im strengen Sinne aber nicht. Grund: die Einheiten, z.b. Währung, sind nicht beliebig teilbar. Zufallsvariablen können durch Verteilungen beschrieben werden: Unterscheidung in diskrete und stetige Variablen ist wichtig 12
13 Diskrete Zufallsvariablen Wahrscheinlichkeitsfunktion o Liste aller möglichen Werte y i einer ZVen und deren Wahrscheinlichkeiten P (Y = y i ) o Summe der W.keiten = 1 (Kumulative) Verteilungsfunktion o Wahrscheinlichkeit, dass ZVe kleiner oder gleich einem Wert c ist P (Y c) = i:y i c P (Y = y i) = F (c) Beispiele: fiktive Verteilung für Computerabstürze, Bernoulli-Verteilung 13
14 Stetige Zufallsvariablen (Kumulative) Verteilungsfunktion o Definiert wie für diskrete Variablen o Beispiel: fiktive Verteilung für Fahrzeit zwischen Wohnung und Uni, Normalverteilung Dichtefunktion (Wahrscheinlichkeitsdichte) o Formal: Ableitung der Verteilungsfunktion f(c) = F (c) o Fläche unter der Dichtefunktion zwischen zwei Punkten a und b (Integral) gibt Wahrscheinlichkeit an, dass Wert der ZVe zwischen a und b liegt: P (a Y b) o Merke: P (Y = a) = P (a) = 0 für stetige Zufallsvariablen! 14
15 Verteilungsannahmen Die wahren Verteilungen von Zufallsvariablen sind unbekannt Häufig nehmen wir eine spezifische Verteilung an, z.b. Normalverteilung o Problem: Daten widersprechen oft der Verteilungsannahme o Lösung: Keine spezifischen Verteilungsannahme, sondern nur Annahmen über Erwartungswert und Varianz einer Zufallsvariable (Existenz, manchmal auch konkrete Werte) o Merke: Erwartungswert und Varianz sind Eigenschaften, die aus der Verteilung der Zufallsvariable abgeleitet werden bzw. Verteilung näher charakterisieren! Konzentrieren uns bei Erläuterungen zu Erwartungswert und Varianz auf diskrete ZVen o stetige ZVen: Summen werden durch Integrale ersetzt 15
16 Erwartungswert Erwartungswert: mittlerer (durchschnittlicher) Wert, den eine Zufallsvariable nach unendlich vielen Wiederholungen eines Zufallsexperimentes annimmt Lageparameter der Verteilung der Zufallsvariable o Notation: E(Y ) = µ Y, der Wert µ Y ist üblicherweise unbekannt o E(Y ) = y 1 p 1 + y 2 p y k p k = k i=1 y ip i o Beispiele: erwartete Anzahl von Computerabstürzen, Erwartungswert einer Bernoulli-ZVe 16
17 Varianz und Standardabweichung Maße für Streuung der Verteilung o Notation Varianz: Var(Y ) = σy 2 Standardabweichung: σ Y o Var(Y ) = E[(Y µ Y ) 2 ] = k i=1 (y i µ Y ) 2 p i o Beispiele: Varianz der Anzahl von Computerabstürzen, Varianz einer Bernoulli-ZVe 17
18 Lineare Funktion einer Zufallsvariable Lineare Funktion der Zufallsvariablen X: Y = a + bx a, b sind Konstanten Y ist folglich auch eine Zufallsvariable Erwartungswert und Varianz von Y? o E(Y ) = µ Y = a + be(x) = a + bµ X o Var(Y ) = σy 2 = b2 Var(X) = b 2 σx 2 18
19 Zwei Zufallsvariablen Die meisten ökonomisch interessanten Fragen betreffen zwei oder mehrere Variablen o Finden Uniabsolventen leichter einen Arbeitsplatz als als Bewerber ohne Uniabschluß? o Ist die Einkommensverteilung für Männer und Frauen unterschiedlich? Wir müssen Verteilung mehrerer Zufallsvariablen (z.b. Ausbildung/ Einkommen und Einkommen/Geschlecht) gleichzeitig berücksichtigen. Konzepte: gemeinsame, marginale und bedingte Wahrscheinlichkeitsverteilung 19
20 Gemeinsame und marginale Verteilung Gemeinsame Wahrscheinlichkeitsverteilung gibt Wahrscheinlichkeit an, dass die ZVen X und Y gleichzeitig die Werte x und y annehmen P (X = x, Y = y) o Beispiel: Gemeinsame Verteilung von Wetterbedingungen und Fahrzeit Marginale Wahrscheinlichkeitsverteilung einer ZVe Y ist ein anderer Name für die Wahrscheinlichkeitsfunktion von Y o Marginale Verteilung ergibt sich aus gemeinsamer Verteilung durch Addition der W.keiten aller Ereignisse für die Y einen bestimmten Wert annimmt P (Y = y) = l i=1 P (X = x i, Y = y) 20
21 Bedingte Verteilung, Erwartungswert und Varianz Bedingte Verteilung von Y gegeben X Verteilung von Y gegeben, dass eine andere Zufallsvariable X einen spezifischen Wert annimmt P (X = x, Y = y) o P (Y = y X = x) = P (X = x) o Beispiel: Bedingte Verteilung der Fahrzeit gegeben, dass es regnet Bedingter Erwartungswert von Y gegeben X o Wird unter Verwendung bedingter Verteilung bestimmt o E(Y X = x) = k i=1 y ip (Y = y i X = x) Bedingte Varianz von Y gegeben X ist die Varianz der bedingten Verteilung von Y gegeben X 21
22 o Var(Y X = x) = k i=1 [y i E(Y X = x)] 2 P (Y = y i X = x) 22
23 Gesetz der iterierten Erwartungen Herleitung des unbedingten Erwartungswertes über den bedingten Erwartungswert E(Y ) = E[E(Y X)] o Implikation: E(Y X) = 0 E(Y ) = E[E(Y X)] = E[0] = 0 23
24 Unabhängigkeit von Zufallsvariablen X und Y sind unabhängig verteilt bzw. unabhängig, falls Informationen über eine Variable keine Information über die andere Variable liefert o Bedingte Verteilung von Y gegeben X entspricht marginaler Verteilung von Y o P (Y = y X = x) = P (Y = y) o Implikation: P (Y = y, X = x) = P (X = x)p (Y = y) 24
25 Kovarianz und Korrelation Kovarianz ist lineares Abhängigkeitsmaß der Zufallsvariablen X und Y Cov(X, Y ) = σ XY = E[(X µ X )(Y µ Y )] = k i=1 l (x i µ X )(y j µ Y )P (X = x i, Y = y j ) j=1 Korrelation ist normiertes lineares Abhängigkeitsmaß ρ X,Y = Cov(X, Y ) Var(X)Var(Y ) = σ XY σ X σ Y, 1 ρ X,Y 1 25
26 Unabhängigkeit, Korrelation und bedingter Erwartungswert Unabhängigkeit von X und Y Cov(X, Y ) = ρ X,Y = 0 o Umkehrung gilt nicht! E(Y X) = E(Y ) Cov(X, Y ) = ρ X,Y = 0 o Umkehrung gilt nicht! 26
27 Summen von Zufallsvariablen E(X + Y ) = E(X) + E(Y ) = µ X + µ Y Var(X + Y ) = Var(X) + Var(Y ) + 2Cov(X, Y ) = σ 2 X + σ2 Y + σ XY o Falls X und Y unabhängig oder unkorrelliert sind: Var(X + Y ) = σ 2 X + σ2 Y Weitere Eigenschaften von Summen von Zufallsvariablen: siehe Key Concept 2.3 in Stock & Watson 27
28 Verteilungen von Zufallsvariablen Normalverteilung: charakterisiert durch Erwartungswert und Varianz: Y N(µ, σ 2 ) Standardnormalverteilung: µ = 0 und σ 2 = 1 Z = (Y µ)/σ Z N(0, 1) o Berechnung von Wahrscheinlichkeiten mit Normalverteilung: siehe Key Concept 2.4 und Figure 2.6 in Stock & Watson Weitere Verteilungen o Chi 2 -Verteilung mit m Freiheitsgraden Z 1,... Z m sind unabhängig N(0, 1) m i=1 Z2 i χ2 m o t-verteilung mit m Freiheitsgraden Z N(0, 1) und W χ 2 m sind unabhängig Z/ W/m t m 28
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
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
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrÜbung 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
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter Erwartsungswert und Varianz
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
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:
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrP (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
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
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
Mehr5 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,
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests 5 Regression Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrSind f X bzw. f Y die wie auf Folie 242 definierten Dichtefunktionen zur N(µ X, σx 2 )- bzw. N(µ Y, σy 2 )-Verteilung, so gilt (genau) im Fall ρ = 0
Beispiel: Zweidimensionale Normalverteilung I Beispiel: Zweidimensionale Normalverteilung II Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale multivariate Normalverteilung Spezifikation am
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrWirtschaftswissenschaftliches Prüfungssekretariat Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2015
Wirtschaftswissenschaftliches Prüfungssekretariat Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 205 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-43 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrStatistik mit und ohne Zufall
Christoph Weigand Statistik mit und ohne Zufall Eine anwendungsorientierte Einführung Mit 118 Abbildungen und 10 Tabellen Physica-Verlag Ein Unternehmen von Springer Inhaltsverzeichnis Teil I Deskriptive
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
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrStichwortverzeichnis. Chi-Quadrat-Verteilung 183, 186, 189, 202 ff., 207 ff., 211 Testen von Zufallszahlen 294 Cărtărescu, Mircea 319
Stichwortverzeichnis A Ableitung partielle 230 absolute Häufigkeit 47 Abweichungen systematische 38, 216, 219 zufällige 216, 218, 220, 222 Algorithmus average case 303 Las Vegas 300 Monte Carlo 300 randomisierter
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrTeil / Ein paar statistische Grundlagen 25. Kapitel 1 Was Statistik ist und Warum sie benötigt Wird 2 7
Inhaltsverzeichnis Einführung 21 Über dieses Buch 21 Törichte Annahmen über den Leser 22 Wie dieses Buch aufgebaut ist 23 Teil I: Ein paar statistische Grundlagen 23 Teil II: Die beschreibende Statistik
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrAufgabenstellung und Ergebnisse zur. Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2018/19
Aufgabenstellung und Ergebnisse zur Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 08/9 PD Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Die Klausur besteht
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
Mehr1 Einleitung und Grundlagen 1
Inhaltsverzeichnis Vorwort vii 1 Einleitung und Grundlagen 1 1.1 Einführende Beispiele 1 1.2 Statistischer Prozess 2 1.3 Grundlagen 2 1.4 Unterscheidung von Merkmalen 3 1.4.1 Skalenniveaus 3 1.4.2 Stetige
Mehr5. 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
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrVarianz 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 ]
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrÜber dieses Buch Die Anfänge Wichtige Begriffe... 21
Inhalt Über dieses Buch... 12 TEIL I Deskriptive Statistik 1.1 Die Anfänge... 17 1.2 Wichtige Begriffe... 21 1.2.1 Das Linda-Problem... 22 1.2.2 Merkmale und Merkmalsausprägungen... 23 1.2.3 Klassifikation
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrEinführung in die Statistik
Einführung in die Statistik 1. Deskriptive Statistik 2. Induktive Statistik 1. Deskriptive Statistik 1.0 Grundbegriffe 1.1 Skalenniveaus 1.2 Empirische Verteilungen 1.3 Mittelwerte 1.4 Streuungsmaße 1.0
MehrProgramm. 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
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
MehrStochastik in den Ingenieu rwissenschaften
---_..,.'"--.---------- Christine Müller Liesa Denecke Stochastik in den Ingenieu rwissenschaften Eine Einführung mit R ~ Springer Vieweg 1 Fragestellungen........................................... Teil
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
Mehr