Grundgesamtheit und Stichprobe
|
|
- Karlheinz Brauer
- vor 7 Jahren
- Abrufe
Transkript
1 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 i wird ein eindeutiger (unbekannter) Merkmalswert Y i zugeordnet, i = 1,...,N. Definition 2 Eine n-elementige Teilmenge {y 1,...,y n } aus der Grundgesamtheit Y 1...,Y N heißt Stichprobe vom Umfang n. Eine Stichprobe wird auch als S bezeichnet. 3. Einfache Zufallsstichprobenverfahren 1
2 Auswahlwahrscheinlichkeit Definition 3 Die Auswahlwahrscheinlichkeit erster Ordnung für die Einheit Y i, i = 1,...,N, bezeichnen wir mit π i := P(Y i Stichprobe) = P(S), i = 1,...,N. Stichprobe S enthält Y i Die Auswahlwahrscheinlichkeit zweiter Ordnung für Y i und Y j, i j und i,j = 1,...,N ist definiert als π ij := P(Y i S und Y j S) = P(S) i,j = 1,...,N. S enthält Y i und Y j 3. Einfache Zufallsstichprobenverfahren 2
3 Repräsentative Stichprobe Definition 4 Eine Stichprobe heißt repräsentativ, wenn aus ihr der Schluss auf die zugrunde gelegte Grundgesamtheit erlaubt ist. Eine Stichprobe heißt repräsentativ in Bezug auf einen interessierenden Parameter, wenn dieser (annähernd) unverzerrt geschätzt werden kann (und eine vorgegebene Genauigkeitsanforderung erfüllt ist). 3. Einfache Zufallsstichprobenverfahren 3
4 Einfache Zufallsauswahl Definition 5 Eine Stichprobe vom Umfang n aus einer Grundgesamtheit vom Umfang N heißt einfache Zufallsstichprobe ohne Zurücklegen (ezoz) vom Umfang n, wenn sie die gleiche Auswahlwahrscheinlichkeit wie alle möglichen Stichproben gleichen Umfangs besitzen. 3. Einfache Zufallsstichprobenverfahren 4
5 Beispiel N = 4, Merkmalswerte {1,3,5,7}, Stichprobe vom Umfang n = 2. Mögliche Stichproben {1,3} {1,5} {1,7} {3,5} {3,7} {5,7} Auswahlwahrscheinlichkeiten 1/6 1/6 1/6 1/6 1/6 1/6 einfache Zufallsstichprobe Auswahlwahrscheinlichkeiten 1/ /2 einfache Zufallsstichprobe 3. Einfache Zufallsstichprobenverfahren 5
6 Mit und ohne Zurücklegen (i) Man unterscheidet Modelle ohne Zurücklegen (ezoz) und mit Zurücklegen (ezmz). (ii) Modell ohne Zurücklegen: y 1,...,y n identisch verteilt, aber stochastisch abhängig. (iii) Modell mit Zurücklegen: y 1,...,y n unabhängig und identisch verteilt. (iv) Problem: viele statistische Analysen (z. B. Lineares Modell, statistische Tests) setzen stochastische Unabhängigkeit voraus; in der Praxis werden aber meist Modelle ohne Zurücklegen angewendet. 3. Einfache Zufallsstichprobenverfahren 6
7 Ohne Zurücklegen Urnenmodell für das Ziehen ohne Zurücklegen mit Beachtung der Reihenfolge N N 1 N 2. Möglichkeiten für 1. Kugel, Möglichkeiten für 2. Kugel, Möglichkeiten für 3. Kugel,. N n+1 Möglichkeiten für n-te Kugel. Insgesamt N(N 1)(N 2)... (N n+1) = N! (N n)!. 3. Einfache Zufallsstichprobenverfahren 7
8 Ohne Zurücklegen Anzahl der möglichen Ziehungen beim Modell ohne Zurücklegen und ohne Beachtung der Reihenfolge: ( ) N! 1 N (N n)! n! =. n Eine konkrete Stichprobe vom Umfang n besitzt also die Auswahlwahrscheinlichkeit 1 ( N n). 3. Einfache Zufallsstichprobenverfahren 8
9 Mit Zurücklegen 3. Einfache Zufallsstichprobenverfahren 9
10 Auswahlwahrscheinlichkeiten ohne Zurücklegen Satz 1 Für das Modell ohne Zurücklegen: a) Für alle k {1,...,N} fest folgt, dass P(y i = Y k ) = P(y j = Y k ) = 1 N, für alle i,j {1,...,n}, d.h. y 1,...,y n besitzen alle die gleiche Verteilung. b) π i = n N, i = 1,...,N. c) π ij = n(n 1) N(N 1), i j,i,j = 1,...,N 3. Einfache Zufallsstichprobenverfahren 10
11 Beweis: 3. Einfache Zufallsstichprobenverfahren 11
12 Beweis: 3. Einfache Zufallsstichprobenverfahren 12
13 Auswahlwahrscheinlichkeiten mit Zurücklegen Satz 2 Für das Modell mit Zurücklegen: a) Für alle k {1,...,N} fest folgt, dass P(y i = Y k ) = P(y j = Y k ) = 1 N, für alle i,j {1,...,n}, d.h. y 1,...,y n besitzen alle die gleiche Verteilung. b) Für k,l {1,...,N} fest folgt, dass P(y i = Y k,y j = Y l ) = P(y i = Y k )P(y j = Y l ) für alle i j {1,...,n}, d.h. y 1,...,y n sind stochastisch unabhängig. c) π i = 1 ( ) N 1 n, N i = 1,...,N. ( ) n d) π ij = ) ( N 1 2 2, N) i,j = 1,...,N 3. Einfache Zufallsstichprobenverfahren 13
14 Beweis: 3. Einfache Zufallsstichprobenverfahren 14
15 Auswahlsatz Definition 6 Der Quotient f = n N bezeichnet. wird als Auswahlsatz Ist der Auswahlsatz klein so ist der Unterschied zwischen ezoz und ezmz gering häufig einfachere Formeln anwendbar. 3. Einfache Zufallsstichprobenverfahren 15
16 Umsetzung in R >set.seed(42) >sample(x,size,replace=false,prob=null) > x<-c(9,17,23,28,30) > sample(x,3) [1] > sample(x,3) [1] Einfache Zufallsstichprobenverfahren 16
17 Grundgesamtheit Y i, i = 1,...,N Merkmal des i-ten Merkmalträgers der Grundgesamtheit N Umfang der Grundgesamtheit Ȳ := 1 N N i=1 Y i Mittelwert des Merkmals in der Grundgesamtheit Y. := N i=1 Y i Merkmalssumme in der Grundgesamtheit S 2 := 1 N 1 N i=1 (Y i Ȳ)2 Varianz des Merkmals in der Grundgesamtheit 3. Einfache Zufallsstichprobenverfahren 17
18 Stichprobe y i, i = 1,...,n Merkmal des i-ten Merkmalträgers der Stichprobe n ȳ := 1 n n i=1 Umfang der Stichprobe yi Mittelwert des Merkmals in der Stichprobe s 2 := 1 n 1 n i=1 (y i ȳ) 2 Varianz des Merkmals in der Stichprobe 3. Einfache Zufallsstichprobenverfahren 18
19 Bias, Varianz, MSE Definition 7 Gegeben sei ein Schätzer Ŷ für den Mittelwert Ȳ. Der Bias ist der systematische Fehler des Schätzers Bias(Ŷ) := E(Ŷ) Ȳ. Ein Schätzer heißt unverzerrt oder erwartungstreu, falls Bias(Ŷ) = 0. Der zufällige Fehler des Schätzers ist die Varianz die Standardabweichung Var(Ŷ) := E(Ŷ E(Ŷ))2, STD(Ŷ) := Var(Ŷ), die mittlere quadratische Abweichung MSE := E(Ŷ Ȳ) Einfache Zufallsstichprobenverfahren 19
20 Lemma 1 Für eine einfach Zufallsstichprobe (mz oder oz) gilt: a) E(y i ) = E(y 1 ) = Ȳ für alle i = 1,...,N b) Var(y i ) = Var(y 1 ) = N 1 N S2 für alle i = 1,...,N 3. Einfache Zufallsstichprobenverfahren 20
21 Beweis: 3. Einfache Zufallsstichprobenverfahren 21
22 Satz 3 Für eine einfach Zufallsstichprobe ohne Zurücklegen gilt: a) ȳ ist ein erwartungstreuer Schätzer für Ȳ b) Var(ȳ) = 1 n c) Var(ȳ) = 1 n Var(ȳ). ( ) 1 n N S 2 ( 1 n N) s 2 ist ein erwartungstreuer Schätzer für 3. Einfache Zufallsstichprobenverfahren 22
23 Beweis: 3. Einfache Zufallsstichprobenverfahren 23
24 Beweis: 3. Einfache Zufallsstichprobenverfahren 24
25 Satz 4 Für eine einfach Zufallsstichprobe mit Zurücklegen gilt: a) ȳ ist ein erwartungstreuer Schätzer für Ȳ ( ) b) Var(ȳ) = 1 n 1 1 N S 2 c) Var(ȳ) = 1 n s2 ist ein erwartungstreuer Schätzer für Var(ȳ). 3. Einfache Zufallsstichprobenverfahren 25
26 Vergleich der Varianz mit und ohne Zurücklegen: 3. Einfache Zufallsstichprobenverfahren 26
27 Beispiel: Population mit N = 5. Y hat folgende Ausprägungen: Y 1 = 9, Y 2 = 10, Y 3 = 11, Y 4 = 18, Y 5 = 22 Wir ziehen Stichproben vom Umfang n = 3 mit und ohne Zurücklegen und berechnen Varianz und Mittelwert. Wie viele mögliche Stichproben gibt es in beiden Fällen? Was ist Ȳ? 3. Einfache Zufallsstichprobenverfahren 27
28 Beispiel: Mögliche Stichproben ohne Zurücklegen 3. Einfache Zufallsstichprobenverfahren 28
29 Beispiel: Mögliche Stichproben mit Zurücklegen 3. Einfache Zufallsstichprobenverfahren 29
30 Beispiel: Erwartungswerte und Varianz 3. Einfache Zufallsstichprobenverfahren 30
31 Beispiel: Verteilung der Mittelwertschätzer 3. Einfache Zufallsstichprobenverfahren 31
32 Schätzung von Anteilen Wir betrachten nun den homograden Fall, sprich Y i kann nur die Werte 1 und 0 annehmen. M der N Untersuchungseinheiten haben die interessierende Eigenschaft: In der Stichprobe: Ȳ = 1 N ȳ = 1 n N Y i = M N := P i=1 n Y i = m n := p i=1 3. Einfache Zufallsstichprobenverfahren 32
33 Verteilung der Stichprobensummen Im Falle ohne Zurücklegen gilt: n y i H(N,n,P). i=1 Im Falle mit Zurücklegen gilt: n y i B(n,P). i=1 3. Einfache Zufallsstichprobenverfahren 33
34 Schätzung von Anteilen Satz 5 Es gilt bei Auswahl ohne Zurücklegen: 1. p ist ein erwartungsstreuer Schätzer für P ( ) 2. Var(p) = 1 N n n N 1 P(1 P) 3. Var(p) = (1 n N ) 1 n 1p(1 p) ist ein erwartungstreuer Schätzer für 2. Bei Auswahl mit Zurücklegen: 1. p ist ein Erwartungsstreuer Schätzer für P 2. Var(p) = 1 n P(1 P) 3. Var(p) = 1 n 1p(1 p) ist ein erwartungstreuer Schätzer für Einfache Zufallsstichprobenverfahren 34
35 Bemerkung Für Var(p) gilt: Var(p) = Faktor P(1 P) Also ist Var(p) am größten für P = 0.5 und fällt gegen 0 für P 0 oder P 1. Für den Varianzkoeffizienten gilt jedoch: CV(p) = Var(p) E(p) = Faktor P(1 P) p = Faktor 1 P P monoton fallend in P. Die relative Streuung ist also größer für kleinere Anteile e.g. Wahlprognosen. 3. Einfache Zufallsstichprobenverfahren 35
36 Varianz und Varianzkoeffizient 3. Einfache Zufallsstichprobenverfahren 36
37 Zentraler Grenzwertsatz für die einfache Zufallsauswahl Das Auswahlmodell der ezoz führt zu dem statistischen Modell y 1,...,y n sind identisch verteilt. E(y 1 ) = Ȳ Var(y 1 ) = N 1 N S2 y 1,...,y n sind stochastisch abhängig. Cov(y 1,y 2 ) = 1 N S2 keine Anwendung des (normalen) Zentralen Grenzwertsatzes, da y i stochastisch abhängig. 3. Einfache Zufallsstichprobenverfahren 37
38 Zentraler Grenzwertsatz für die einfache Zufallsauswahl Dennoch kann ein Grenzwertsatz angegeben werden: Hájek, J. (1960). Limiting distributions in simple random sampling from a finite population. Publications of the Mathematical Institute of the Hungarian Academy of Sciences 5, Sind n und N ausreichend groß, so gilt ȳ appr. N(Ȳ, 1 n ( 1 n N ) S 2. Faustregel: n > 50 und f = 1 n N Approximation. < 0.05 für die Anwendbarkeit der 3. Einfache Zufallsstichprobenverfahren 38
39 Konfidenzintervalle Daraus folgt: ] [ȳ u 1 α/2 Var(ȳ) ; ȳ +u 1 α/2 Var(ȳ) ist approximativ ein (1 α)-konfidenzintervall für ( Var(ȳ) = 1 n 1 n N) s 2. Ȳ Hierbei ist 3. Einfache Zufallsstichprobenverfahren 39
40 Konfidenzintervalle: Beispiel Wir betrachten eine Population von N = 100 Elementen mit folgenden Werten: Y 1 = 1, Y 2 = 2,..., Y 99 = 99, Y 100 = 100 Wir wählen Stichproben vom Umfang n = 5,10,20. Basierend auf 20,000 Stichproben betrachten wir die empirische Verteilung des Stichprobenmittels Wir wiederholen die Übung für N = 25 und Y 1 = 1, Y 2 = 2,..., Y 24 = 24, Y 25 = 25. In diesem Fall ist der Auswahlsatz wesentlich geringer! 3. Einfache Zufallsstichprobenverfahren 40
41 Konfidenzintervalle 3. Einfache Zufallsstichprobenverfahren 41
42 Konfidenzintervalle 3. Einfache Zufallsstichprobenverfahren 42
43 Konfidenzintervalle für Anteilswerte: Approximativ Ein approximatives Konfidenzintervall für den Anteil P in der Stichprobe ist: [ p u 1 α/2 p(1 p) n 1 ( 1 n N ) ; p+u 1 α/2 p(1 p) n 1 ( 1 n N ) ] 3. Einfache Zufallsstichprobenverfahren 43
44 Konfidenzintervalle für Anteilswerte: Exakt Man kann jedoch basierend auf der Hypergeometrischen Verteilung in diesem Fall exakte Konfidenzintervalle berechnen: [ ] U N ; O, N für mit m r=0 m r=0 ( O N O ) r)( n r ( N = α 1, n) ( U N U ) r)( n r ( N = α 2, n) α 1 +α 2 α. 3. Einfache Zufallsstichprobenverfahren 44
45 Konfidenzintervalle für Anteilswerte: Beispiel In einem Betrieb mit N = 300 Mitarbeitern werden n = 100 gefragt, ob sie sich flexiblere Arbeitszeiten und einen Betriebskindergarten wünschen. Die Fragen werden von 45, bzw. 2 Personen mit Ja beantwortet. Die approximativen Konfidenzintervalle sind: und [0,370 ; 0,530] [ 0,003 ; 0,043]. Die exakten Konfidenzintervalle sind: [0,366 ; 0,537] und [0,006 ; 0,064]. 3. Einfache Zufallsstichprobenverfahren 45
46 Wahl des Stichprobenumfangs Wir möchten den notwendigen Stichprobenumfang wählen, so dass das (1 α) Konfidenzintervall für Ȳ. höchstens ein Länge von 2d hat: 3. Einfache Zufallsstichprobenverfahren 46
47 Wahl des Stichprobenumfangs n Praktisches Problem? n 0 1+n 0 /N, wobei n 0 = ( u1 α/2 s ) y Einfache Zufallsstichprobenverfahren 47 d
48 Wahl des Stichprobenumfangs für Anteilswerte n bwz. im Fall mz oder für große N P(1 P) d 2 /u 2 1 α/2 +P(1 P)/N, n u 2 1 α/2 P(1 P) d 2, 3. Einfache Zufallsstichprobenverfahren 48
49 Numerische Illustration für Anteilswerte 3. Einfache Zufallsstichprobenverfahren 49
50 Wahl des Stichprobenumfangs Eine weitere Methode zur Bestimmung des Stichprobenumfangs betrachtet eine Kostenfunktion C(n) C(n) ist streng monoton wachsend Man minimiere C(n) unter der Nebenbedingung, dass die Varianz des Schätzers einen gewissen Wert nicht unterschreite Weitere Möglichkeit: Man setzt jede Einheit der Varianz einem Geldwert d gleich Man minimiert C(n)+dVar(n) 3. Einfache Zufallsstichprobenverfahren 50
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Grundbegriffe der Wahrscheinlichkeitsrechnung Notation: Y y Zufallsvariable Merkmalswert Definition 1 Eine Zufallsvariable Y heißt a) diskret, falls sie nur endlich oder abzählbar unendlich viele Werte
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)
Mehr8 Stichprobenkennwerteverteilung
8 Stichprobenkennwerteverteilung 8.1 Vorbemerkungen 8.2 Die Normalverteilung: Teil 2 8.3 Die t Verteilung 8.4 Normalverteilungs Approximation: Der zentrale Grenzwertsatz 8.1 Vorbemerkungen Daten x 1,...,
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Mehr4. 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
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrDr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar Klausur zur Veranstaltung Erhebungstechniken
Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar 2009 Klausur zur Veranstaltung Erhebungstechniken im Wintersemester 2008 / 2009 Name, Vorname: Studiengang (Bachelor/Diplom):
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)
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrTeil II. Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten. StatSoz 127
Teil II Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten StatSoz 127 6 Zufallsstichprobe und Parameter 6.1 Parameter einer Grundgesamtheit 6.2 Zufallsstichprobe und Bias 6.3 Stichprobenfehler
MehrStichprobenverfahren. Sommersemester Einführung 1
Sommersemester 2015 1. Einführung 1 Personen Jun.-Prof. Dr. Hans Manner Lehrstuhlvertretung Statistische Methoden mit Schwerpunkt Psychometrie Raum: M 737 E-mail: manner@statistik.tu-dortmund.de Tel.:
Mehr10 Statistisches Schätzen
10 Statistisches Schätzen 620 10 Statistisches Schätzen 10.1 Punktschätzung 623 10.1.1 Schätzer und ihre Gütekriterien 623 10.1.2 Erwartungstreue 627 10.1.3 Erwartete quadratische Abweichung (MSE) 634
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
MehrThema der Stunde. I. Die Form der Stichprobenkennwerteverteilung. II. Schlüsse von der Stichprobe auf die Population
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung II. Schlüsse von der Stichprobe auf die Population III. t-test für unabhängige und abhängige Stichproben Stichprobenkennwerte Population
Mehr3 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
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
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
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
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,
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrStichproben und statistische Fehler
Kapitel 0 Stichproben und statistische Fehler 0. Verfahren zur Auswahl von Stichproben Stichprobenauswahl als Bestandteil von Teilerhebungen: Aus dem Ergebnis der Untersuchung der Stichprobe soll dann
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:
Mehr1 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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrKonfidenzintervalle 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
MehrStichproben und statistische Fehler
Kapitel 0 Stichproben und statistische Fehler 0. Verfahren zur Auswahl von Stichproben Stichprobenauswahl als Bestandteil von Teilerhebungen: Aus dem Ergebnis der Untersuchung der Stichprobe soll dann
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
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
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrWillkommen 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.
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
MehrWillkommen 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.
MehrStichprobenverteilung bei unterschiedlichen Auswahlsätzen
Stichprobenverteilung bei unterschiedlichen Auswahlsätzen Begleitende Unterlagen zur Übung Induktive Statistik Michael Westermann Universität Essen Inhaltsverzeichnis 1 Einleitung.......................................................
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
MehrWahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrGrundproblem der Inferenzstatistik
Grundproblem der Inferenzstatistik Grundgesamtheit Stichprobenziehung Zufalls- Stichprobe... "wahre", unbekannte Anteil nicht zufällig p... beobachtete Anteil zufällig? Statistik für SoziologInnen 1 Inferenzschluss
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrStatistik 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
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung
Mehr1. Eigenschaften einer Zufallsstichprobe
1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrGrundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 2: Wahrscheinlichkeitsrechnung und induktive Statistik Von Professor Dr. Jochen Schwarze 9., vollständig überarbeitete Auflage STUDIUM
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-31 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrDie 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
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
MehrEinführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen
Einführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Inhalt Stichproben
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrGrundproblem der Inferenzstatistik
Grundproblem der Inferenzstatistik Grundgesamtheit Stichprobenziehung Zufalls- Stichprobe... "wahre", unbekannte Anteil nicht zufällig p... beobachtete Anteil zufällig? Statistik für SoziologInnen 1 Inferenzschluss
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Mehr7.5 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
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
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 +... +
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
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
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
MehrAuswertung statistischer Daten 1
Auswertung statistischer Daten 1 Dr. Elke Warmuth Sommersemester 2018 1 / 26 Statistik Untersuchungseinheiten u. Merkmale Grundgesamtheit u. Stichprobe Datenaufbereitung Urliste, Strichliste, Häufigkeitstabelle,
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
Mehrdie 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
MehrStatistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Dr. Stan Lai und Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
Mehr