Statistik II. Sommersemester PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie. Universität Augsburg

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Statistik II. Sommersemester PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie. Universität Augsburg"

Transkript

1 Statistik II Sommersemester 2005 PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie Klausur und Unterlagen Klausur: Spielregeln : Wie Statistik I Nachholklausur im WS 2005 / 2006 Hilfreiche Unterlagen: Foliensatz Übungsaufgabensammlung Klausuraufgabensammlung Klausur Statistik II vom Wintersemester 2004 / 2005 ) Download: Rubrik Downloads Literatur: Bamberg/Baur: Statistik, Oldenbourg, 12. Aufl Bamberg/Baur: Arbeitsbuch Statistik, Oldenbourg, 7. Aufl (optional) Statistik II 138

2 Zusätzliche Veranstaltungen Übung zu Statistik II Mittwoch 8:30 10:00 HW 1001 Paul Mittwoch 8:30 10:00 FW 2101 Papatrifon Mittwoch 10:15 11:45 HW 1003 Krapp Mittwoch 10:15 11:45 FW 1109 Klein Mittwoch 12:30 14:00 HW 1003 Baur Mittwoch 12:30 14:00 FW 1106 Bamberg Mittwoch 12:30 14:00 FW 1109 Klein Mittwoch 14:15 15:45 HW 1004 Baur Statistik II mit Excel Grundkurs Mittwoch 14:15 15:45 FW 2113 Paul Mittwoch 16:00 17:30 FW 2113 Paul Statistik II mit Excel Vertiefungskurs Mittwoch 17:45 19:15 FW 2113 Paul Übung zu Statistik I Mittwoch 17:45 19:15 FW 1106 Klein/Papatrifon Statistik II 139 Gliederung 10. Gesetz der großen Zahlen und zentraler Grenzwertsatz 11. Grundlagen der induktiven Statistik 12. Punkt-Schätzung 13. Intervall-Schätzung 14. Signifikanztests 18. Stichprobenplanung Statistik II 140

3 Gesetz der großen Zahlen und zentraler Grenzwertsatz Gegeben: Zufallsvariablen X 1,...,X n unabhängig und identisch verteilt ( iid ) E(X i ) = µ Var(X i ) = σ 2 Gesucht: Verhalten von X i bzw. X n = 1 n wenn n laufend erhöht wird. Beachte (vgl. Folie 125): E( X n ) = µ Var( X n ) = σ2 n X i 10. Gesetz der großen Zahlen und zentraler Grenzwertsatz Gesetz der großen Zahlen Tschebyscheff-Ungleichung angewandt auf P( X E(X) c) Var(X) (93) c 2 X n = 1 n X i ergibt P( X n µ c) σ2 n c 2 Nun: n Gesetz der großen Zahlen: lim P( X n µ c) = 0 bzw. lim P( X n µ c) = 1 (95) n n 10. Gesetz der großen Zahlen und zentraler Grenzwertsatz 142

4 10.1 Gesetz der großen Zahlen 0.4 x n n 10. Gesetz der großen Zahlen und zentraler Grenzwertsatz Zentraler Grenzwertsatz BB S. 130: Wahrscheinlichkeiten von Ereignissen, die mithilfe der Summe von iid Zufallsvariablen gebildet werden, lassen sich für großes n mittels der Normalverteilung hinreichend genau berechnen. Beispiel (Übungsaufgabe 47): X 1, X 2, X 3 in [0; 1] gleichverteilt; Z 1 = X 1, Z 2 = X 1 +X 2, Z 3 = X 1 +X 2 +X 3 1 f(z 1 ) 1 f(z 2 ) 3 4 f(z 3 ) 1 z z z Gesetz der großen Zahlen und zentraler Grenzwertsatz 144

5 10.2 Zentraler Grenzwertsatz Approximativ gilt: Standardisierung: Y n = X i N(nµ; σ n) (96) X i nµ σ n Zentraler Grenzwertsatz: = X n µ 1 = X n µ σ n σ n N(0; 1) P(Y n x) n Φ(x) (97) 10. Gesetz der großen Zahlen und zentraler Grenzwertsatz Zentraler Grenzwertsatz Beispiel (BB-Beispiel 61): X i B(1; p) X = n X i B(n; p) (Folie 93) E(X) = np; Var(X) = np(1 p) (Fig. 36) ( ) P np(1 p) X np x Φ(x) (Brauchbar, falls np 5 und n(1 p) 5.) 10. Gesetz der großen Zahlen und zentraler Grenzwertsatz 146

6 10.2 Zentraler Grenzwertsatz Beispiel (BB-Aufgabe 76): X 1,..., X 12 gleichverteilt in [0; 1] E(X i ) = 1 2 ; Var(X i) = 1 12 (Fig. 36) Mit (87), (88), (91), (92) folgt: E(Y) = 12 Var(Y) = 12 Y = 12 X i 6 E(X i ) 6 = = 0 Var(X i ) = = 1 Y N(0; 1) (approximativ) 10. Gesetz der großen Zahlen und zentraler Grenzwertsatz 147 Grundlagen der induktiven Statistik Vollerhebung of unmöglich, deshalb: Beobachte Teilgesamtheit schließe auf Grundgesamtheit Beispiel: Warensendung von 1000 Stück; darunter M Stück Ausschuss. M ist unbekannt. Zufällige Entnahme von n = 30 Stück ( Stichprobe ). Darunter 2 Stück Ausschuss. Denkbare Zielsetzungen: 2 Schätze M durch eine Zahl (z.b = 66,67) 30 Schätze ein Intervall für M (z.b. M [58; 84]) Teste die Hypothese, dass M > 50 ist. 11. Grundlagen der induktiven Statistik 148

7 Grundbegriffe Grundgesamtheit (G): Menge aller relevanten Merkmalsträger. Verteilung von G: F(x) = P(X x) = W keit, dass ein Merkmalsträger ausgewählt wird, der beim untersuchten Merkmal maximal die Ausprägung x aufweist. Uneingeschränkte (reine) Zufallsauswahl: Jedes Element von G hat die selbe Chance, ausgewählt zu werden. Stichprobenumfang (n): Anzahl der Merkmalsträger in der Stichprobe. Einfache Stichprobe: Uneingeschränkte Zufallsauswahl und unabhängige Ziehung. Alle Stichprobenvariablen X 1,..., X n sind iid. 11. Grundlagen der induktiven Statistik Grundbegriffe Stichprobenergebnis: n-tupel der Realisationen der Stichprobenvariablen, (x 1,...,x n ). Stichprobenraum: Menge aller möglichen Stichprobenergebnisse. Likelihoodfunktion: Verteilgungsklasse, der F (Vtlg. von G) angehört, ist bekannt; Verteilungsparameter ϑ aber unbekannt (z.b. N(µ; σ)). Einfache Stichprobe X 1,..., X n. Die gemeinsame Dichte / Wahrscheinlichkeitsfunktion von X 1,...,X n in Abhängigkeit von ϑ, f(x 1,..., x n ϑ), heißt Likelihoodfunktion. 11. Grundlagen der induktiven Statistik 150

8 Grundbegriffe Beispiel: G ist B(1; p)-verteilt, p unbekannt; zu x i : f i (x) = p x (1 p) 1 x (BB S. 99) Einfache Stichprobe mit n = 2 Likelihoodfunktion f(x 1,x 2 p) = f 1 (x 1 ) f 2 (x 2 ) (wegen Unabhängigkeit) = p x 1 (1 p) 1 x1 p x 2 (1 p) 1 x 2 = p x 1+x 2 (1 p) 2 x 1 x 2 Stichprobenergebnis (0, 1) f(0, 1 p) = p(1 p) = p p 2 (Welcher Wert p passt am besten zu (0, 1)?) Stichprobenfunktion: Zufallsvariable V, die sich als Funktion der Stichprobenvariablen ergibt: V = g(x 1,...,X n ), z.b. V = 1 n X i = X (vgl. Folie 141) 11. Grundlagen der induktiven Statistik 151 Wichtige Stichprobenfunktionen (Fig. 38) Gegeben: Einfache Stichprobe X1,...,Xn Beliebige Verteilung mit E(Xi) = µ, Var(Xi) = σ 2 Wichtige Stichprobenfunktionen: Herleitungen: BB S. 140 Besonders wichtige Zusammenhänge Grundlagen der induktiven Statistik 152

9 Wichtige Stichprobenfunktionen (Fig. 38) ( E 1 n ) (X i X) 2 = n 1 n σ2, aber: E(S 2 ) = σ 2 Auf Grund der jensenschen Ungleichung (Folie 120) gilt E(S) σ. Grund: E(S) = E( S 2 ) E(S 2 ) = σ 2 = σ, da g(x) = x konkav ist. Verschiebungssatz für S 2 : [ ] S 2 = n 1 (X i X) 2 n 1 n = 1 n 1 [ ] X 2 i n X 2 [ = n 1 n 1 n = 1 n 1 ] X 2 i X 2 X 2 i n n 1 X Grundlagen der induktiven Statistik Testverteilungen ➀ Chi-Quadrat-Verteilung: Sind X 1,...,X n iid N(0; 1)-verteilte ZV, so wird die Verteilung von Z = als Chi-Quadrat-Verteilung mit n Freiheitsgraden bezeichnet. Kurzschreibweise: Z χ 2 (n) Es gilt: E(Z) = n und Var(Z) = 2n Fraktile: Bis n 30 in Tabelle 5 (BB S. 322 ff.); ab n > 30 Näherung: x α = 1 2 ( x α + 2n 1) 2 X 2 i wobei x α das α-fraktil der N(0; 1)-Verteilung ist. 11. Grundlagen der induktiven Statistik 154

10 Testverteilungen Beispiel: x 0,975 aus... χ 2 (30): x 0,975 = 46,98 χ 2 (50): x 0,975 = 1,96 x 0,975 = 1 2 (1, ) 2 = 70, Grundlagen der induktiven Statistik 155 χ 2 -Verteilung (BB Tab. 5, S. 324) 11. Grundlagen der induktiven Statistik 156

11 Standardnormalverteilung (BB Tab. 3, S. 319) 11. Grundlagen der induktiven Statistik Testverteilungen ➁ t-verteilung: Ist X N(0; 1), Z χ 2 (n), X, Z unabhängig, so wird die Verteilung von T = X 1 n Z als t-verteilung mit n Freiheitsgraden bezeichnet. Kurzschreibweise: T t(n) Es gilt: E(T) = 0 und Var(T) = n n 2 Fraktile: n > 30: verwende N(0; 1)-Fraktile; bis n 30: Tabelle 4 (BB S. 320 f.) Achtung: Nur α 0,6 vertafelt. Ggfs. Symmetrie ausnutzen: x α = x 1 α für α < 0,5 11. Grundlagen der induktiven Statistik 158

12 Testverteilungen Beispiel: Bestimme folgende Fraktile für t(10)... x 0,6 = 0,260 x 0,5 = 0 x 0,1 = x 0,9 = 1, Grundlagen der induktiven Statistik 159 t-verteilung (BB Tab. 4, S. 320) 11. Grundlagen der induktiven Statistik 160

13 Testverteilungen ➂ F-Verteilung: Ist X χ 2 (m), Y χ 2 (n), X, Y unabhängig, so wird die Verteilung von Z = 1 m X 1 n Y als F-Verteilung mit den Freiheitsgraden m und n bezeichnet. Kurzschreibweise: Z F(m, n) Es gilt: E(Z) = n n 2 und Var(Z) = 2n2 (n+m 2) m(n 4)(n 2) 2 Fraktile: 0,95- und 0,99-Fraktile: Tabelle 6 (BB S. 325 f.); ggfs. interpolieren. Für 0,01- und 0,05-Fraktile: x α = 1 x 1 α mit x 1 α aus F(n,m) (98) 11. Grundlagen der induktiven Statistik Testverteilungen Beispiel: Bestimme x 0,05 für F(2, 5): F(5, 2): x 1 0,05 = x 0,95 = 19,30 F(2, 5): x 0,05 = 1 x 0,95 = 1 19,30 = 0, Grundlagen der induktiven Statistik 162

14 F-Verteilung (BB Tab. 6, S. 325) 11. Grundlagen der induktiven Statistik Verteilungen von Stichprobenfunktionen Gegeben: Einfache Stichprobe X 1,...,X n aus N(µ;σ)-Verteilung: Stichprobenfunktion Verteilung X i N(nµ; σ n) X X µ σ 1 σ 2 1 σ 2 X µ S N(µ; σ n ) n N(0; 1) (X i µ) 2 χ 2 (n) (X i X) 2 = n 1 S 2 χ 2 (n 1) σ 2 n t(n 1) Bei bel. Verteilung von G sind X µ σ n und X µ S n approx. N(0; 1)-verteilt. 11. Grundlagen der induktiven Statistik 164

15 Punkt-Schätzung Ein unbekannter Parameter ϑ der Verteilung von G (z.b. σ von N(10; σ)) soll auf Basis einer Stichprobe geschätzt werden. Schätzwert: ˆϑ Vorgehen: Verwendung einer Schätzfunktion ˆΘ = g(x 1,..., X n ) Beachte: Der Schätzwert ˆϑ ist die Realisierung der ZV (!) ˆΘ. Frage: Welche Stichprobenfunktion ist zur Schätzung geeignet? Kriterien für die Beurteilung/Konstruktion von Schätzfunktionen! Im Folgenden: Vorliegen einer einfachen Stichprobe, d.h. X 1,..., X n iid. 12. Punkt-Schätzung Erwartungstreue und wirksamste Schätzfunktionen Eine Schätzfunktion ˆΘ = g(x 1,...,X n ) heißt erwartungstreu oder unverzerrt für ϑ, wenn unabhängig vom numerischen Wert von ϑ gilt: Gilt E( ˆΘ) = ϑ (99) lim E( ˆΘ n ) = ϑ n so heißt ˆΘ n asymptotisch erwartungstreu für ϑ. 12. Punkt-Schätzung 166

16 12.1 Erwartungstreue und wirksamste Schätzfunktionen Beispiel: Sind ˆΘ = X, ˆΘ = X 1+X n 2, ˆΘ = 1 n 1 a) ˆΘ: E( X) = µ (Fig. 38) ˆΘ ist erwartungstreu. X i erwartungstreu für µ? b) ˆΘ : E ( X 1 +X n ) (87),(88) 2 = 1 2 [E(X 1) + E(X n )] = 1 2 (µ + µ) = µ ˆΘ ist erwartungstreu. ( c) ˆΘ : E 1 n 1 X i ) (87),(88) = 1 n 1 E(X i ) = 1 n 1 µ = n n 1 µ µ ˆΘ ist nicht erwartungstreu, aber wegen ( lim n n n 1 µ) = µ asymptotisch erwartungstreu. Welche der erwartungstreuen Schätzfunktionen ˆΘ, ˆΘ ist besser? 12. Punkt-Schätzung Erwartungstreue und wirksamste Schätzfunktionen Von zwei erwartungstreuen Schätzfunktionen ˆΘ, ˆΘ für ϑ heißt ˆΘ wirksamer als ˆΘ, wenn unabhängig vom numerischen Wert von ϑ gilt: Var( ˆΘ) < Var( ˆΘ ) Beispiel: Wegen Var( ˆΘ) = Var( X) = σ2 n < Var( ˆΘ ) = Var ( X 1 +X 2 ) (91),(92) 2 = 1 4 (σ2 + σ 2 ) = σ2 2 (falls n > 2) ist ˆΘ wirksamer als ˆΘ. 12. Punkt-Schätzung 168

17 12.1 Erwartungstreue und wirksamste Schätzfunktionen Allgemein: Diejenige Schätzfunktion, die die gerinste Varianz aller im Rahmen eines bestimmten Schätzproblems erwartungstreuer Schätzfunktionen besitzt, heißt die wirksamste Schätzfunktion. Die Bestimmung der wirksamsten Schätzfunktion ist relativ schwierig. 12. Punkt-Schätzung Erwartungstreue und wirksamste Schätzfunktionen Verteilung von G ϑ wirksamste e.treue Schätzfkt. unbekannt µ X B(1; p) p (= µ) X Gleichverteilung in [0; 2a] a (= µ) n+1 2n max{x 1,...,X n } N(µ; σ) (σ bekannt oder unbekannt) µ X N(µ; σ), µ bekannt σ 2 1 (X n i µ) 2 N(µ; σ), µ unbekannt σ 2 S Punkt-Schätzung 170

18 12.2 Konsistente Schätzfunktionen Eine Folge von Schätzfunktionen ˆΘ n gemäß ˆΘ 1 = g 1 (X 1 ) ˆΘ 2 = g 2 (X 1, X 2 ). ˆΘ n = g n (X 1,...,X n ) heißt konsistent für ϑ, wenn für alle c > 0 gilt: P( ˆΘ n ϑ c) 0 (100) n (Die Wahrscheinlichkeit, ϑ deutlich zu verfehlen, geht gegen 0.) 12. Punkt-Schätzung Konsistente Schätzfunktionen Aus der Tschebyscheff-Ungleichung P( X E(X) c) Var(X) c 2 (93) resultiert folgende hinreichende (nicht notwendige) Konsistenzbedingung: ( lim n ) E( ˆΘ n ) = ϑ und lim n Var( ˆΘ n ) = 0 Beispiel: Ist X n konsistent für µ? Aus Fig. 38 folgt... E( X n ) = µ, d.h. X n ist erwartungstreu für µ. Var( X n ) = σ2 n 0, d.h. die Varianzen bilden eine Nullfolge. n X n ist konsistent für µ. 12. Punkt-Schätzung 172

19 12.4 Das Maximum-Likelihood-Prinzip (ML-Prinzip) Gegeben: Ergebnis einer einfachen Stichprobe (x 1,...,x n ) Likelihoodfunktion (vgl. Folie 150) f(x 1,...,x n ϑ) Beispiel: G ist B(1; p)-verteilt, p unbekannt; zu x i : f i (x) = p x (1 p) 1 x (BB S. 99) Einfache Stichprobe mit n = 2 Likelihoodfunktion f(x 1,x 2 p) = f 1 (x 1 ) f 2 (x 2 ) (wegen Unabhängigkeit) = p x 1 (1 p) 1 x1 p x 2 (1 p) 1 x 2 = p x 1+x 2 (1 p) 2 x 1 x 2 Stichprobenergebnis (0, 1) f(0, 1 p) = p(1 p) = p p 2 Gesucht: Schätzwert ˆϑ, der am besten zu (x 1,...,x n ) passt 12. Punkt-Schätzung Das Maximum-Likelihood-Prinzip (ML-Prinzip) ML-Prinzip: Wähle ˆϑ so, dass für alle möglichen ϑ-werte gilt: f(x 1,...,x n ˆϑ) f(x 1,...,x n ϑ) Maximierung meist durch Nullsetzen der 1. Ableitung (2. Abl. < 0 prüfen!) Maximierung für... konkretes Stichprobenergebnis (z.b. (0, 1)) ML-Schätzwert allgemeines Stichprobenergebnis (z.b. (x 1,x 2 )) ML-Schätzfunktion Die Maximierung der logarithmierten Likelihoodfunktion liefert dasselbe Ergebnis, ist aber meist einfacher: ln f(x 1,...,x n ˆϑ) lnf(x 1,...,x n ϑ) Grund: ln(x) wächst streng monoton mit x. 12. Punkt-Schätzung 174

20 Typische Vorgehensweise bei ML-Schätzung 1. Likelihoodfunktion aufstellen: f(x 1,..., x n ϑ) 2. Likelihoodfunktion logarithmieren (optional): ln f(x 1,...,x n ϑ) 3. Erste Ableitung nullsetzen: ϑ [ln]f(x 1,..., x n ϑ) =! 0 4. Vorzeichen der zweiten Ableitung prüfen: 2 [ln]f(x ϑ 2 1,...,x n ˆϑ) <? 0 Im Beispiel auf Folie 173: f(x 1,x 2 p) = p x 1+x 2 (1 p) 2 x 1 x 2 bzw. f(0, 1 p) = p p 2 a) Konkreter Schätzwert: p f(0, 1 p) = 1 2p! = 0 ˆp = p 2 f(0, 1 p) = 2 < 0 ˆp = 1 2 ist ML-Schätzwert 12. Punkt-Schätzung 175 Typische Vorgehensweise bei ML-Schätzung b) Schätzfunktion: Logarithmieren sinnvoll (um Produktregel usw. zu vermeiden)! ln f(x 1,x 2 p) = (x 1 + x 2 ) ln(p) + (2 x 1 x 2 ) ln(1 p) p ln f(x 1,x 2 p) = x 1+x 2 2 x 1 x 2 p 1 p! = 0 (x 1 + x 2 )(1 p) = (2 x 1 x 2 )p x 1 + x 2 = 2p ˆp = x 1+x ln f(x p 2 1,x 2 p) = x 1+x 2 2 x 1 x 2 < 0 p 2 (1 p) 2 ˆp = 1 2 (x 1 + x 2 ) (= x) ist ML-Schätzfunktion (passt auch zu a). Achtung: Lösung meist per Ableitung; es gibt aber Ausnahmen! 12. Punkt-Schätzung 176

21 Klausuraufgabe 156 (gekürzt) Ein bestimmtes Produkt wird von genau zwei Firmen A, B hergestellt. Jedes der produzierten Stücke kann auf Grund äußerer Merkmale eindeutig einer von zwei möglichen Güteklassen I, II zugeordnet werden. Bekannt ist, dass die von Firma A (bzw. Firma B) erzeugten Stücke zu 35 % (bzw. zu 50 %) der Güteklasse I entsprechen. Aus der Produktion einer der beiden Firmen wurde eine einfache Stichprobe vom Umfang 9 entnommen; alle 9 Stücke stammen also von ein und derselben Firma, wobei nicht erkennbar sei, von welcher. In der Stichprobe gehören 4 der 9 Stücke zu Güteklasse I. Zu welcher Antwort auf die Frage nach der Herkunft der Stichprobe kommt man nach dem Maximum-Likelihood-Prinzip? 12. Punkt-Schätzung 177 Maximum-Likelihood-Schätzfunktionen Verteilung von G ϑ ML-Schätzfunktion B(1; p) p (= µ) X Exp(λ) µ X Exp(λ) σ 2 X 2 P(λ) λ (= µ = σ 2 ) X N(µ; σ) (σ bekannt oder unbekannt) µ X N(µ; σ), µ bekannt σ 2 1 n (X i µ) 2 N(µ; σ), µ unbekannt σ 2 1 n (X i X) Punkt-Schätzung 178

22 Maximum-Likelihood-Schätzfunktionen Für die ML-Schätzung von σ (und anderem) ist folgender Satz hilfreich: Ist h eine streng monotone Funktion (gleichgültig ob wachsend oder fallend) und ist ˆΘ eine Maximum-Likelihood-Schätzfunktion für den Parameter ϑ, so ist die Stichprobenfunktion h( ˆΘ) eine Maximum-Likelihood-Schätzfunktion für den transformierten Parameter h(ϑ). Beispiel: Ist ˆΘ ML-Schätzfunktion für σ 2, so ist ˆΘ ML-Schätzfunktion für σ. Ist G Exp(λ), so ist ML-Schätzfunktion für λ. 1 X (λ = 1 µ = h(µ) mit h str. mon. fallend; ML-Schätzfkt. für µ: X h( X) = 1 X ) 12. Punkt-Schätzung Bayes-Schätzfunktionen Gegeben: Ergebnis einer einfachen Stichprobe (x 1,...,x n ) Likelihoodfunktion (vgl. Folie 150) f(x 1,..., x n ϑ) Vorinformation über ϑ (Einschätzung eines Sachkundigen) in Form einer a priori Dichte / Wahrscheinlichkeitsfunktion ϕ(ϑ) Vorinformation Stichprobe Bayes-Schätzung a posteriori Dichte / Wahrscheinlichkeitsfunktion ψ(ϑ x 1,...,x n ) 12. Punkt-Schätzung 180

23 12.5 Bayes-Schätzfunktionen Hilfsmittel: Formel von Bayes: P(A j B) = P(B A j) P(A j ) P(B A i ) P(A i ) wobei nun P(A j B) ersetzt wird durch ψ(ϑ x 1,...,x n ) P(B A j ) ersetzt wird durch f(x 1,..., x n ϑ) P(A j ) ersetzt wird durch ϕ(ϑ) f(x 1,..., x n ϑ i )ϕ(ϑ i ) im diskreten Fall f(x 1,...,x n ϑ j )ϕ(ϑ j ) j ψ(ϑ x 1,..., x n ) = f(x 1,..., x n ϑ)ϕ(ϑ) im stetigen Fall f(x 1,..., x n ϑ)ϕ(ϑ) dϑ i 12. Punkt-Schätzung 181 (65) Vorgehensweise bei Bayes-Schätzung 1. Likelihoodfunktion aufstellen: f(x 1,...,x n ϑ) 2. a priori Dichte / Wahrscheinlichkeitsfunktion (ist bekannt): ϕ(ϑ) 3. a posteriori Dichte / Wahrscheinlichkeitsfunktion ermitteln: ψ(ϑ x 1,...,x n ) 4. Lageparameter der a posteriori Verteilung berechnen, z.b. Modus Median Erwartungswert 12. Punkt-Schätzung 182

24 Klausuraufgabe 131 In A-Stadt wird über den Bau einer neuen Straße durch eine Volksabstimmung abgestimmt. Ein Fachmann schätzt den Anteil der Stimmen für den Bau der Straße folgendermaßen ein: Stimmenanteil für den Bau a priori Wahrscheinlichkeit für diesen Anteil 35 % 0,4 45 % 0,3 55 % 0,3 a) Geben Sie den a priori Erwartungswert des Stimmenanteils für den Bau der Straße an. Eine Wahlumfrage bei 120 (zufällig ausgewählten) wahlberechtigten Einwohnern ergab 70 Stimmen für den Bau der Straße. 12. Punkt-Schätzung 183 Klausuraufgabe 131 b) Ermitteln Sie das Maximum-Likelihood-Schätzergebnis für den Stimmenanteil der Wähler, die für den Bau stimmen. c) Ermitteln Sie die a posteriori Wahrscheinlichkeitsfunktion für den Anteil der Wählerstimmen für den Bau der Straße. d) Geben Sie den a posteriori Erwartungswert des Stimmenanteils für den Bau der Straße an. 12. Punkt-Schätzung 184

25 Intervall-Schätzung Für einen unbekannten Verteilungsparameter ϑ soll auf Basis einer Stichprobe ein Intervall geschätzt werden. Verwendung der Stichprobenfunktionen V u, V o, so dass V u V o und P(V u ϑ V o ) = 1 α (102) stets gelten. [V u ; V o ] heißt Konfidenzintervall (KI) für ϑ zum Konfidenzniveau 1 α. Beachte: Das Schätzintervall [v u ; v o ] ist Realisierung der ZV (!) V u, V o. Irrtumswahrscheinlichkeit α (klein, i.d.r. α 0,1) Frage: Welche Konfidenzintervalle sind zur Schätzung geeignet? Hängt von Verteilung von G sowie vom unbekannten Parameter (µ, σ 2 ) ab! Im Folgenden: Einfache Stichprobe X 1,...,X n mit E(X i ) = µ, Var(X i ) = σ Intervall-Schätzung 185 Intervall-Schätzung Wichtiger Spezialfall: Symmetrische Konfidenzintervalle Symmetrisch heißt nicht, dass die Dichte symmetrisch ist, sondern übereinstimmende W keiten für Über-/Unterschreiten des KI, d.h. P(V u > ϑ) = P(V o < ϑ) = α 2 (103) Wichtig: Eine Verkleinerung von α bewirkt eine Vergrößerung des KI. 13. Intervall-Schätzung 186

26 Überblick Intervallschätzung (BB S. 172) 13. Intervall-Schätzung KI für µ bei Normalverteilung mit bekanntem σ 2 Vorgehensweise: Grund für N(0; 1)-Verteilung: Betrachte z.b. V u = X σc n : V u > µ X σc n > µ X µ σ n > c n N(0; 1) (vgl. Folie 164) X µ σ 13. Intervall-Schätzung 188

27 KI für µ bei Normalverteilung mit bekanntem σ Intervall-Schätzung KI für µ bei Normalverteilung mit bekanntem σ 2 Beispiel (BB-Beispiel 73): Normalverteilung mit σ = 2,4 (x 1,...,x 9 ) = (184,2; 182,6; 185,3; 184,5; 186,2; 183,9; 185,0; 187,1; 184,4) Gesucht: KI für µ zum Konfidenzniveau 1 α = 0, α = 0,99 2. N(0; 1): c = x 1 α 2 = x 1 0,01 = x 0,995 = 2,576 (Tab. 3; Interpolation) 2 3. x = 1 (184, ,4) = 184,8 9 σc 4. n = 2,4 2,576 9 = 2,06 5. KI = [184,8 2,06; 184,8 + 2,06] = [182,74; 186,86] Interpretation: Mit 99 % Wahrscheinlichkeit ist µ [182,74; 186,86]. 13. Intervall-Schätzung 190

28 Wichtige Fraktilswerte Wichtige N(0; 1)-Fraktilswerte: 0,9 1, ,95 1, ,975 1, ,99 2, ,995 2, (I.d.R. genügen drei Nachkommastellen.) α x α 13. Intervall-Schätzung 191 Intervalllänge Im Fall gilt offenkundig L = V o V u = 2σc n (106) Welcher Stichprobenumfang n sichert eine vorgegebene (Maximal-)Länge L? (106) nach n auflösen! n ( ) 2 2σc (107) L Eine Halbierung von L erfordert eine Vervierfachung von n! Im BB-Beispiel 73: L = 4 n ( ) 2 2,4 2, = 9,556 n Intervall-Schätzung 192

29 KI für µ bei Normalverteilung mit unbekanntem σ 2 Vorgehensweise: Zu Schritt 2: Falls n 1 > 30 wird die N(0; 1)-Verteilung verwendet. 13. Intervall-Schätzung KI für µ bei Normalverteilung mit unbekanntem σ 2 Beispiel (BB-Aufgabe 92): Wie BB-Beispiel 73 (vgl. Folie 190), jedoch σ unbekannt α = 0,99 2. t(8): c = x 1 α 2 = x 1 0, x = 1 9 s = (184, ,4) = 184, sc n = 1,31 3,355 = x 0,995 = 3,355 (Tab. 4) 8 [(184, ,4 2 ) 9 184,8 2 ] = 1,31 9 = 1,47 5. KI = [184,8 1,47; 184,8 + 1,47] = [183,33; 186,27] Interpretation: Mit 99 % Wahrscheinlichkeit ist µ [183,33; 186,27]. 13. Intervall-Schätzung 194

30 KI für µ bei beliebiger, insb. dichotomer Verteilung Voraussetzung: n > 30, bzw. falls G dichotom: 5 n x i n 5 Vorgehensweise: Zu Schritt 3: Manchmal kann ein anderer Schätzwert ˆσ sinnvoller sein. 13. Intervall-Schätzung KI für µ bei beliebiger, insb. dichotomer Verteilung Beispiel (BB-Beispiel 74): Poisson-Verteilung mit λ (= µ = σ 2 ) unbekannt. (x 1,...,x 40 ) = (3; 8;... ; 6) Gesucht: KI für λ zum Konfidenzniveau 1 α = 0, α = 0,9 2. N(0; 1) : c = x 1 α 2 = x 1 0,1 = x 0,95 = 1,645 (Folie 191) 2 3. x = 1 ( ) = 6,5 40 ˆσ = x = 6,5 = 2,55 (da σ 2 = λ) 4. ˆσc n = 2,55 1, = 0,66 5. KI = [6,5 0,66; 6,5 + 0,66] = [5,84; 7,16] 13. Intervall-Schätzung 196

31 Intervalllänge Falls σ bekannt verwende (107). Sonst hängt L = 2 ˆσc n (wegen n kann i.a. nicht ermittelt werden. ˆσ) vom Stichprobenergebnis ab. Ausnahme: Obere Schranke d für ˆσ ist bekannt, d.h. ˆσ d gilt immer. L 2dc ( ) 2 2dc n n L Beispiel: G B(1; p) ˆσ = x(1 x) = x x 2 x [0; 1] x x 2 maximal bei x = 1 2 x x ( ) = 1 4 ˆσ 1 n ( c L x x 2 4 = 1 2 ) = d 2 x 0,5 13. Intervall-Schätzung KI für σ 2 bei Normalverteilung Vorgehensweise, falls µ unbekannt: Falls µ bekannt: Schritt 2: Ersetze χ 2 (n 1) durch χ 2 (n). Schritte 3 und 4: Ersetze (n 1) s 2 durch n (x i µ) Intervall-Schätzung 198

32 13.2 KI für σ 2 bei Normalverteilung Beispiel: G N(2; σ); (x 1,..., x 5 ) = (1; 1,5; 2,5; 3; 2) Gesucht: KI für σ 2 zum Konfidenzniveau 1 α = 0, α = 0,99 2. χ 2 (5) : c 1 = xα 2 = x 0,005 = 0,41; c 2 = x 1 α 2 = x 0,995 = 16, (x i µ) 2 = (1 2) 2 + (1,5 2) 2 + (2,5 2) 2 + (3 2) 2 + (2 2) 2 = 2,5 4. v u = 2,5 16,75 = 0,15; v o = 2,5 0,41 = 6,10 5. KI = [0,15; 6,10] (Extrem groß, da n klein.) 13. Intervall-Schätzung 199 Unsymmetrisches KI bei Binomialverteilung Voraussetzung: G B(1; p) mit 5 n x i n 5 a) Überschätzung vermeiden (z.b. kleine Partei nahe 5 %-Hürde): 1. Ein Konfidenzniveau 1 α wird festgelegt. 2. Das (1 α)-fraktil c der N(0; 1)-Verteilung wird bestimmt. 3. Das Stichprobenmittel x und ˆσ = x(1 x) werden errechnet. 4. Der Wert v o = x + ˆσc n wird berechnet. 5. Als Ergebnis der Intervall-Schätzung wird [0; v o ] angegeben. b) Unterschätzung vermeiden (z.b. Anteil militanter Demonstranten): Wie oben, aber Der Wert v u = x ˆσc n wird berechnet. 5. Als Ergebnis der Intervall-Schätzung wird [v u ; 1] angegeben. 13. Intervall-Schätzung 200

33 Unsymmetrisches KI bei Binomialverteilung Beispiel: Eine Umfrage unter 200 Erstwählern hat einen mittleren Stimmenanteil von 4,5 % für eine bestimmte Partei ergeben. Bestimmen Sie ein unsymmetrisches Konfidenzintervall für den erwarteten Stimmenanteil dieser Partei zum Konfidenzniveau 95 %. n = 200; x = 0, x i = 200 0,045 = 9 [5; 200 5] Vorauss. erfüllt 1. 1 α = 0,95 2. N(0; 1) : c = x 1 α = x 0,95 = 1,645 (Folie 191) 3. x = 0,045; ˆσ = 0,045 (1 0,045) = 0,21 4. v o = 0, ,21 1, = 0,07 5. KI = [0; 0,07] 13. Intervall-Schätzung 201

Statistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA

Statistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten 12. und 14. Prof. Dr. Stefan Etschberger HSA Outline 1 : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung 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 : Gliederung 1 Einführung 2 Deskriptive Statistik

Mehr

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung 0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau

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

Einführung in die (induktive) Statistik

Einführung in die (induktive) Statistik Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung

Mehr

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente... Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............

Mehr

3 Grundlagen statistischer Tests (Kap. 8 IS)

3 Grundlagen statistischer Tests (Kap. 8 IS) 3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung

Mehr

Statistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und

Statistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und Übersicht über die Vorlesung Teil : Deskriptive fru@hephy.oeaw.ac.at VO 42.090 http://tinyurl.com/tu42090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 200 Teil 4:

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)

Mehr

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte

Mehr

Willkommen zur Vorlesung Statistik (Master)

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

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig

Mehr

Klausur zu Statistik II

Klausur zu Statistik II GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel

Mehr

Einführung in die Induktive Statistik: Testen von Hypothesen

Einführung in die Induktive Statistik: Testen von Hypothesen Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte

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

Kapitel 3 Schließende Statistik

Kapitel 3 Schließende Statistik Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:

Mehr

Einführung in die Maximum Likelihood Methodik

Einführung 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

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen

Mehr

Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14

Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.

Mehr

Die Varianz (Streuung) Definition

Die Varianz (Streuung) Definition Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ

Mehr

Spezielle stetige Verteilungen

Spezielle stetige Verteilungen Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für

Mehr

Kapitel V - Erwartungstreue Schätzfunktionen

Kapitel V - Erwartungstreue Schätzfunktionen Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent

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

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie und Statistik vom INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen

Mehr

Inhaltsverzeichnis. 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 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

Mehr

2 Aufgaben aus [Teschl, Band 2]

2 Aufgaben aus [Teschl, Band 2] 20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:

Mehr

7.5 Erwartungswert, Varianz

7.5 Erwartungswert, Varianz 7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k

Mehr

Klassifikation von Signifikanztests

Klassifikation von Signifikanztests Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen

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

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert

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

Mehr

Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen

Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe

Mehr

Übungsaufgaben zu Statistik II

Übungsaufgaben zu Statistik II Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben

Mehr

Statistische Tests (Signifikanztests)

Statistische Tests (Signifikanztests) Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)

Mehr

3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer

3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer 3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich

Mehr

Wahrscheinlichkeitsrechnung und schließende Statistik

Wahrscheinlichkeitsrechnung und schließende Statistik Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis

Mehr

Grundgesamtheit und Stichprobe

Grundgesamtheit und Stichprobe Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U

Mehr

Webinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie

Webinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.

Mehr

Schätzer und Konfidenzintervalle

Schätzer und Konfidenzintervalle Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl

Mehr

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind

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

Grundgesamtheit und Stichprobe

Grundgesamtheit und Stichprobe Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U

Mehr

die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen

die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung

Mehr

Auswahl von Schätzfunktionen

Auswahl von Schätzfunktionen Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung

Mehr

8. Stetige Zufallsvariablen

8. Stetige Zufallsvariablen 8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung 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 Unabhängigkeit von Ereignissen A, B unabhängig:

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood

Mehr

Theorie - Statistik und Wahrscheinlichkeitstheorie. 27. Mai 2008

Theorie - Statistik und Wahrscheinlichkeitstheorie. 27. Mai 2008 Theorie - Statistik und Wahrscheinlichkeitstheorie 27. Mai 2008 Inhaltsverzeichnis 1. Was ist eine Zufallsvariable?......................... 4 2. Wie ist Freiheitsgrad definiert?.......................

Mehr

0, t 0,5

0, t 0,5 XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------

Mehr

Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK

Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:

Mehr

Statistik und Wahrscheinlichkeitsrechnung

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

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR 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

Mehr

1.6 Der Vorzeichentest

1.6 Der Vorzeichentest .6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen

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

Kapitel VI - Lage- und Streuungsparameter

Kapitel 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

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über

Mehr

Kapitel 2 Wahrscheinlichkeitsrechnung

Kapitel 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

Mehr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne

Mehr

Zusammenfassung Stochastik I + II

Zusammenfassung Stochastik I + II Zusammenfassung Stochastik I + II Stephan Kuschel Vorlesung von Dr. Nagel Stochastik I: WS 007/08 Stochastik II: SS 008 zuletzt aktualisiert: 7. Juli 009 Da diese Zusammenfassung den Menschen, die sie

Mehr

9 Die Normalverteilung

9 Die Normalverteilung 9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs Höhere Mathematik 3 Prüfungsvorbereitungskurs Höhere Mathematik 3 Wahrscheinlichkeitstheorie (Klausuraufgaben) Marcel Bliem Marco Boßle Jörg Hörner Mathematik Online Herbst 2010 Bliem/Boßle/Hörner (MO) PV-Kurs HM 3 1 / 7

Mehr

I. Deskriptive Statistik 1

I. 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........................

Mehr

Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure

Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie

Mehr

7.2 Moment und Varianz

7.2 Moment und Varianz 7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p

Mehr

Statistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von

Statistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN

Mehr

Tabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen

Tabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem

Mehr

Klausur zur Mathematik für Biologen

Klausur zur Mathematik für Biologen Mathematisches Institut der Heinrich-Heine-Universität DÜSSELDORF WS 2002/2003 12.02.2003 (1) Prof. Dr. A. Janssen / Dr. H. Weisshaupt Klausur zur Mathematik für Biologen Bitte füllen Sie das Deckblatt

Mehr

3.3 Methoden zur Evaluierung von Schätzern

3.3 Methoden zur Evaluierung von Schätzern 3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,

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

Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung

Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne

Mehr

Vertiefung der. Wirtschaftsmathematik. und Statistik (Teil Statistik)

Vertiefung der. Wirtschaftsmathematik. und Statistik (Teil Statistik) Selbstkontrollarbeit 1 Vertiefung der Wirtschaftsmathematik und Statistik (Teil Statistik) 18. Januar 2011 Aufgaben Aufgabe 1 Gegeben sei eine binomialverteilte Zufallsvariablen X mit den Parametern N

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

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.

Mehr

Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen

Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller

Mehr

Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter

Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter Was für Kenngrößen von Verteilungen kennst du? Ortsparameter (Arithmetisches Mittel, Median, MedMed,

Mehr

Einführung in die Statistik

Einführung 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

Mehr

Statistik II. Statistische Tests. Statistik II

Statistik II. Statistische Tests. Statistik II Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen

Mehr

Jost Reinecke. 7. Juni 2005

Jost Reinecke. 7. Juni 2005 Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung

Mehr

Allgemeines zu Tests. Statistische Hypothesentests

Allgemeines zu Tests. Statistische Hypothesentests Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer

Mehr

8. Konfidenzintervalle und Hypothesentests

8. Konfidenzintervalle und Hypothesentests 8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars

Mehr

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die

Mehr

Institut für Stochastik, SoSe K L A U S U R , 13:

Institut für Stochastik, SoSe K L A U S U R , 13: Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter

Mehr

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die

Mehr

Hypergeometrische Verteilung

Hypergeometrische Verteilung Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.

Mehr

Institut für Biometrie und klinische Forschung. WiSe 2012/2013

Institut für Biometrie und klinische Forschung. WiSe 2012/2013 Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive

Mehr

Statistik II für Betriebswirte Vorlesung 1

Statistik II für Betriebswirte Vorlesung 1 Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2015 Aufgabe 1 Zum Ende des

Mehr

Vorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten

Vorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen

Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung

Mehr

Einführung in die computergestützte Datenanalyse

Einführung in die computergestützte Datenanalyse Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL

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

Die Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare

Die Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare 17.1.3 Die Momentenmethode Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare Lösungen. Sei ϑ = (ϑ 1,...,ϑ s ) der unbekannte, s-dimensionale

Mehr

5. Statistische Schätztheorie

5. Statistische Schätztheorie 5. Statistische Schätztheorie Problem: Sei X eine Zufallsvariable (oder X ein Zufallsvektor), die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X (oder

Mehr

Statistische Tests für unbekannte Parameter

Statistische Tests für unbekannte Parameter Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung

Mehr

Grundlagen der Mathematik II (LVA U)

Grundlagen der Mathematik II (LVA U) Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung

Mehr

Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz

Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis

Mehr

Übungsscheinklausur,

Übungsscheinklausur, Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...

Mehr