Sozialwissenschaftliche Methoden und Statistik I

Größe: px
Ab Seite anzeigen:

Download "Sozialwissenschaftliche Methoden und Statistik I"

Transkript

1 Sozialwissenschaftliche Methoden und Statistik I Universität Duisburg Essen Standort Duisburg Integrierter Diplomstudiengang Sozialwissenschaften Skript zum SMS I Tutorium Von Mark Lutter Stand: April 2004 Teil II Wahrscheinlichkeitsrechnung und Inferenzstatistik

2 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 2 von 52 Inhaltsverzeichnis Seite 1. Wahrscheinlichkeitstheorie Grundbegriffe Zufallsexperiment Wahrscheinlichkeit Stichprobenraum Ω Elementarereignis ω Ereignis Spezielle Ereignisse: das leere & das sichere Ereignis Komplementäres Ereignis 1.2 Verknüpfung von Ereignissen Durchschnittsbildung (A B) Vereinigung (A B) Unvereinbarkeit von Ereignissen Differenz von Ereignissen 1.3 Empirischer Wahrscheinlichkeitsbegriff: Bernoulli Theorem Theoretischer Wahrscheinlichkeitsbegriff: Laplace Experiment Axiome der Wahrscheinlichkeitstheorie Wahrscheinlichkeitsrechnung: Additionssatz: Additionstheorem A Additionstheorem B Bedingte Wahrscheinlichkeit Stochastische Unabhängigkeit Multiplikationstheorem für abhängige Ereignisse Multiplikationstheorem für unabhängige Ereignisse Satz von der totalen Wahrscheinlichkeit Theorem von Bayes Kombinatorik Permutationen Kombinationen Das Urnenmodell Zufallsvariablen & Wahrscheinlichkeitsverteilungen Definition Zufallsvariable Diskrete vs. Stetige Zufallsvariablen Wahrscheinlichkeitsfunktion Verteilungsfunktion

3 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 3 von diskrete vs. stetige Wahrscheinlichkeitsverteilungen diskrete Verteilungsformen diskrete Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Poissonverteilung stetige Verteilungsformen Normalverteilung Standardnormalverteilung 4. Stichprobe & Grundgesamtheit Die Stichprobenkennwerteverteilung Zentraler Grenzwertsatz Wichtige Begriffe Statistik Schätzer Erwartungswert Erwartungstreue Standardfehler (des Mittelwertes) 4.1 Bestimmung von Konfidenzintervallen Die Überprüfung statistischer Hypothesen / Testverfahren Hypothesenarten Fehlerarten Signifikanz z-test t-test F-Test Chi-Quadrat-Test Interpretation der SPSS-Outputs 6. Literaturverzeichnis... 52

4 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 4 von Wahrscheinlichkeitstheorie 1.1 Grundbegriffe Zufallsexperiment (auch: zufälliger Versuch) Ist ein beliebig oft wiederholbarer Vorgang Wird nach einer genau festgelegten Vorschrift durchgeführt Führt zu genau einem Ergebnis aus einer Menge möglicher Ergebnisse die Menge aller möglichen Ergebnisse lässt sich genau angeben Welches Ergebnis aber eintritt, hängt vom Zufall ab Daher: Das Ergebnis eines Zufallsexperiments lässt sich nicht mit Sicherheit vorherbestimmen, stattdessen lässt sich angeben, mit welcher Wahrscheinlichkeit jedes mögliche Ergebnis eintreten wird Beispiele für Zufallsexperimente sind Das Werfen einer Münze Das Werfen eines Würfels Das Roulettespiel Die zufällige Entnahme eines Produkts aus einer laufenden Produktion und die Kontrolle auf Fehlerhaftigkeit Ebenso sind die folgenden Vorgänge Beispiele für Zufallsexperimente (und hier findet sich der Knüpfpunkt zur empirischen Sozialforschung): Die Befragung einer zufällig ausgewählten Person nach dem Lebensalter, nach dem Geschlecht, nach dem Einkommen usw. Wahrscheinlichkeit (engl.: probability) Eine Wahrscheinlichkeit gibt die Chance des Auftretens eines zufälligen Ereignisses (oder: Ergebnis eines Zufallsexperiment) an Eine Wahrscheinlichkeitsangabe wird immer mit einem Zahlenwert zwischen 0 und 1 (bzw. als Prozentangabe zwischen 0% und 100%) angegeben Stichprobenraum Ω [lies: Omega ] (auch: Ergebnismenge, Ereignisraum) Die Menge aller möglichen Ergebnisse eines Zufallsexperiments heißt Stichprobenraum und wird mit Ω bezeichnet Bsp.: Werfen eines Würfels: Ω {1,2,3,4,5,6} Werfen einer Münze: Ω {Wappen, Zahl} Werfen zweier Münzen: Ω {WW, ZZ, WZ, ZW}

5 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 5 von 52 Elementarereignisse ω [lies: klein Omega ] Die einzelnen Elemente ω aus Ω werden Elementarereignisse genannt Bsp.: Zufallsexperiment: Werfen eines Würfels Mögliche Elementarereignisse: 1, 2, 3, 4, 5, 6 Zufallsexperiment: Werfen einer Münze Mögliche Elementarereignisse: Wappen, Zahl (zufälliges) Ereignis Eine Teilmenge A des Stichprobenraumes Ω heißt (zufälliges) Ereignis Ist das Ergebnis eines Zufallsexperiments ein Element von A, dann sagt man: das (zufällige) Ereignis A ist eingetreten. Ein Ereignis A tritt also genau dann ein, wenn ein Element ω aus Ω zur Teilmenge A gehört Ereignisse werden mit Großbuchstaben bezeichnet Bsp.: Beim Zufallsexperiment Werfen mit einem Würfel ist die Teilmenge {2,4,6} das Ereignis A gerade Augenzahl und die Teilmenge {1,3,5} das Ereignis B ungerade Augenzahl Spezielle Ereignisse Besondere Teilmengen von Ω sind a) das sichere Ereignis und b) das unmögliche Ereignis: Das sichere Ereignis E {Ω} enthält die Menge aller Elementarereignisse ( Ω) und tritt daher immer ein Das unmögliche Ereignis E {φ} enthält die leere Menge ( φ) und tritt daher niemals ein Komplementäres Ereignis Ein Ereignis A, welches aus nicht zu A gehörenden Elementarereignissen besteht, sondern aus allen anderen Elementen ω aus Ω, heißt das zu A komplementäre Ereignis A. Im obigem Beispiel ist Ereignis A gerade Augenzahl das komplementäre Ereignis zu B ungerade Augenzahl (und umgekehrt) Oder: das zum leeren Ereignis komplementäre Ereignis ist das sichere Ereignis Die Menge A ist also das Genaue Gegenteil von A

6 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 6 von Verknüpfung von Ereignissen 1. Durchschnittsbildung A B ( A und / geschnitten B ) A und B treten gleichzeitig ein, d.h. das nach Durchführung eines Zufallsexperiment eingetretene Ergebnis ω aus Ω gehört gleichzeitig sowohl in die Teilmenge A als auch in die Teilmenge B 2. Vereinigung A B ( A oder / vereinigt B ) A oder B tritt ein, d.h. das Element ω kann zur Teilmenge A oder zur Teilmenge B gehören Bsp.: Zwei Ereignisse A und B haben die folgenden Teilmengen: A {1,2,3,6} B {1,4,5,6} Dann ist: A B { 1,6 } A B { 1,2,3,4,5,6 } Unvereinbarkeit (auch: Unverträglichkeit) von Ereignissen Zwei Ereignisse heißen unvereinbar, wenn gilt: A B φ D.h. die Mengen A und B enthalten keine gleichen Elemente Bsp.: Die Ereignisse A: gerade Augenzahl und B: ungerade Augenzahl sind unvereinbar Bei Unvereinbarkeit kann immer nur ein Ereignis auftreten, niemals beide gleichzeitig! Differenz von Ereignissen Die Differenz A \ B ( A ohne B ; auch: A minus B ) tritt dann ein, wenn A, aber nicht B eintritt

7 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 7 von 52 Graphisch dargestellt (die schraffierte Fläche zeigt jeweils den Bereich, in dem das Element ω liegt): 1.3 Empirische Wahrscheinlichkeit: Bernoulli Theorem (auch: Gesetz der großen Zahl) Nach dem Bernoulli Theorem lassen sich Wahrscheinlichkeiten für zufällige Ereignisse empirisch anhand ihrer Auftretenshäufigkeit (bei hinreichend großer Anzahl von Wiederholungen des Zufallsexperiments) ermitteln Merke: die relative Häufigkeit eines Ereignisses stellt (für eine hinreichend große Anzahl von Versuchen) einen Schätzwert für die Wahrscheinlichkeit des Ereignisses dar. 1 Die Wahrscheinlichkeit für das Auftreten eines Ereignisses A wird mit P(A) bezeichnet. P steht für das englische Wort probability Wahrscheinlichkeit 1 vgl. dazu die Ausführungen in Dürr/Mayer, a.a.o., Kap.: 2.5 (S.26ff.) oder die entsprechenden Ausführungen im Faulbaum-Skript

8 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 8 von Theoretische (klassische) Wahrscheinlichkeit: Laplace Experiment Nach Laplace kann die Wahrscheinlichkeit für ein Ereignis a priori bestimmt werden, d.h. ohne empirische Überprüfung der relativen Häufigkeit eines Ereignis (Bernoulli-Theorem), sondern auf theoretischem Weg! Def.: Laplace Experiment: Ein Zufallsexperiment mit endlich vielen, gleichwahrscheinlichen Ergebnissen heißt Laplace Experiment Beispiele für Laplace Experimente sind: Das Werfen eines (idealen) Würfels Das Werfen einer (idealen) Münze Das Ziehen von Kugeln aus einer (idealen) Urne Die Wahrscheinlichkeit eines Ereignisses A lässt sich nach Laplace mit folgender Formel bestimmen: Anzahl günstiger Fälle Anzahl der Elemente von A P(A) Anzahl möglicher Fälle Anzahl der Elemente von Ω Bsp.: 1. Werfen einer Münze. Wie groß ist die Wahrscheinlichkeit für das Eintreten des Ereignisses E { Wappen }? Da: E { Wappen } > 1 Element Ω {W,Z} > 2 Elemente P( Wappen ) ½ 2. Werfen eines Würfels. Wie groß ist die Wahrscheinlichkeit für das Auftreten des Ereignisses E {6}? Da: E {6} > 1 Element Ω {1,2,3,4,5,6} > 6 Elemente P(Augenzahl 6) 6 1

9 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 9 von Werfen zweier Würfel. Wie groß ist die Wahrscheinlichkeit für das Auftreten des Ereignisses E {Augensumme 10}? Da: E {(4,6); (5,5); (5,6); (6,5); (6,4); (6,6)} > 6 Elemente Ω {(1,1);(1,2);(1,3);(1,4);(1,5);(1,6); (2,1);(2,2);(2,3);(2,4);(2,5);(2,6); (3,1);(3,2);(3,3);(3,4);(3,5);(3,6); (4,1);(4,2);(4,3);(4,4);(4,5);(4,6); (5,1);(5,2);(5,3);(5,4);(5,5);(5,6); (6,1);(6,2);(6,3);(6,4);(6,5);(6,6)} > 36 Elemente P(Augensumme 10) 36 6 Anmerkung: Bei den obigen Beispielen können die entsprechenden Anzahlen aufgrund der (Noch-) Überschaubarkeit durch Abzählen leicht bestimmt werden bei komplexeren Mengen ist dies nicht mehr möglich. Dann bedient man sich der Kombinatorik (näheres dazu in Kapitel 2) 1.5 Axiome (Grundsätze) der Wahrscheinlichkeitstheorie P(Ω) 1 P(φ) 0 P( A ) 1 P(A) P(A \ B) P(A) P(A B) vgl. hierzu Beispiel 2.8 in Dürr/Mayer, S. 31

10 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 10 von Wahrscheinlichkeitsrechnung: Additionssatz: Variante 1: Falls zwei voneinander unabhängige Ereignisse vereinbar sind, d.h. falls gilt P(A B) φ dann gilt Additionstheorem A: P(A B) P(A) + P(B) P(A B) Variante 2: Falls jedoch zwei voneinander unabhängige Ereignisse unvereinbar sind, d.h. falls gilt: P(A B) φ dann gilt Additionstheorem B: P(A B) P(A) + P(B) Bsp.: Wie hoch ist die Wahrscheinlichkeit, aus einem Skatspiel (32 Karten) eine schwarze Karte oder einen König zu ziehen? Diese Frage bezieht sich auf Additionstheorem A Es gibt insgesamt 32 Karten (16 rote, 16 schwarze) mit 4 Königen (2 sind rot, 2 sind schwarz). Auftreten kann eine schwarze Karte (Ereignis A) oder ein König (Ereignis B). Formal haben wir hier zwei voneinander unabhängige Ereignisse, die sich nicht gegenseitig voneinander ausschließen (eine schwarze Karte kann gleichzeitig auch ein König sein und umgekehrt) Daher: P(A B) P(A) + P(B) P(A B) Die Wahrscheinlichkeiten können wir mit Laplace ermitteln: P(A B) Anmerkung: Durch die Addition von P(A)+P(B) werden zunächst 2 schwarze Könige doppelt gezählt, anschließend werden sie mit P(A B) wieder subtrahiert. Wie hoch ist die Wahrscheinlichkeit, beim Würfeln mit einem idealen Würfel eine 2 oder eine 4 zu würfeln? Diese Frage bezieht sich auf Additionstheorem B Hier haben wir zwei voneinander unabhängige Ereignisse, die sich gegenseitig ausschließen (es gilt: P(A B ) φ). Daher: P(A B) P(A) + P(B)

11 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 11 von Bedingte Wahrscheinlichkeit / stochastische Unabhängigkeit / Multiplikationstheorem Die Wahrscheinlichkeit für das Ereignis A unter der Bedingung, dass Ereignis B bereits eingetreten ist, heißt bedingte Wahrscheinlichkeit Man schreibt: P(A B) Hierbei geht es um die Frage, ob das Eintreten von B die Wahrscheinlichkeit für das Auftreten von A (1) verändert oder (2) nicht verändert (1) Hat das Eintreten von B einen Einfluss auf die Wahrscheinlichkeit für das Auftreten von A, dann sind beide Ereignisse voneinander abhängig. In diesem Falle gilt die Formel für die bedingte Wahrscheinlichkeit: P(A B) P( A B) P( B) Aus dieser Formel lässt sich das Multiplikationstheorem für abhängige Ereignisse ableiten: P(A B) P(A B) P(B) bzw. P(A B) P(B A) P(A) (2) Hat das Eintreten von B keinen Einfluss auf die Wahrscheinlichkeit für das Auftreten von A, dann sind A und B voneinander unabhängig. Zwei Ereignisse sind insbesondere dann unabhängig voneinander, wenn das Multiplikationstheorem für unabhängige Ereignisse gilt: P(A B) P(A) P(B) bzw. P(A B C) P(A) P(B) P(C) Für die bedingte Wahrscheinlichkeit bedeutet dies, dass es keine bedingte Wahrscheinlichkeit gibt, d.h. es gilt: P(A B) P(A) bzw. P(B A) P(B)

12 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 12 von 52 Beispielaufgaben: (weitere Aufgaben: Dürr/Mayer, a.a.o., S. 38/39) - bedingte Wahrscheinlichkeit: Für eine Untersuchung der Rauchgewohnheiten bei Männern und Frauen hat eine Zufallsstichprobe von 300 Personen folgende (absolute) Häufigkeiten ergeben: Mann Frau Raucher Nicht- Raucher Wie groß ist die Wahrscheinlichkeit, dass eine aus der gleichen Population zufällig ausgewählte Person männlich ist, unter der Bedingung, dass sie zur rauchenden Bevölkerung gehört? Die relativen Häufigkeiten können nach dem Bernoulli-Theorem als Schätzwerte für die Wahrscheinlichkeiten genommen werden. Wir definieren folgende Ereignisse: A: Person ist männlich; B: Person ist Raucher Gesucht ist: P(A B) P( A B) P( B) Es ergeben sich folgende Wahrscheinlichkeiten: P(A B) ( Person ist männlich und Raucher ) 40/300 P(B) ( Person ist Raucher ) 100/300 Dann ist: P(A B) / , Multiplikationstheorem für unabhängige Ereignisse: Wie hoch ist die Wahrscheinlichkeit, beim 3maligen Würfeln mit einem idealen Würfel beim ersten Wurf eine 6, beim zweiten Wurf eine gerade Augenzahl und beim dritten Wurf eine ungerade Augenzahl zu würfeln? Da die Ereignisse voneinander unabhängig sind gilt: 1 3 P(A B C) P(A) P(B) P(C)

13 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 13 von 52 - Multiplikationstheorem für abhängige Ereignisse Eine gutdurchgemischte Urne enthalte 20 rote und 25 weiße Kugeln. Es wird zweimal jeweils eine Kugel ohne Zurücklegen gezogen. Wie groß ist die Wahrscheinlichkeit, erst eine rote und dann eine weiße Kugel zu ziehen? Wir definieren folgende Ereignisse: A: die erste Kugel ist rot B: die zweite Kugel ist weiß Gesucht ist: P(A B). Da wir ohne Zurücklegen ziehen, sind beide Ereignisse voneinander abhängig, deswegen gilt: P(A B) P(A) P(B A) Die Wahrscheinlichkeiten ermitteln wir nach Laplace: P(A) 20/45 (20 rote Kugeln von insgesamt 45 beim ersten Zug) P(B A) 25/44 (25 weiße Kugeln von nur noch 44 Kugeln beim zweiten Zug) Demnach: P(A B) 20/45 25/44 25/99 Dieser Fall kann beliebig erweitert werden: Wie groß ist die Wahrscheinlichkeit, dass die erste Kugel rot, die zweite weiß, die dritte rot und die vierte wieder weiß ist (jeweils ohne Zurücklegen)? Wir definieren folgende 4 Ereignisse: A: erste Kugel rot B: zweite Kugel weiß C: dritte Kugel rot D: vierte Kugel weiß Gesucht ist: P(A B C D) P(A) P(B A) P(C A B) P(D A B C) , Satz von der totalen Wahrscheinlichkeit Der Satz von der totalen Wahrscheinlichkeit stellt im Prinzip nichts anderes dar als eine Erweiterung des Multiplikationssatzes für abhängige Ereignisse. Genauer: Es können beliebig viele Multiplikationssätze (für abhängige Ereignisse) additiv (d.h. nach Additionstheorem B) miteinander verknüpft werden. Er ist definiert als: P(B) P(B A 1 ) + P(B A 2 ) + + P(B A i ) P(A 1 ) P(B A 1 ) + P(A 2 ) P(B A 2 ) + + P(A i ) P(B A i ) oder vereinfacht geschrieben: P(B) P( A ) P( B Ai) n i 1 i

14 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 14 von 52 Ein Anwendungsbeispiel bietet die Erweiterung obiger Beispielaufgabe (vgl. S.13): Wie groß ist die Wahrscheinlichkeit, beim zweimaligen Ziehen ohne Zurücklegen erst eine rote, (und) dann eine weiße Kugel oder erst eine weiße, (und) dann eine rote Kugel zu ziehen? Nach dem Satz der totalen Wahrscheinlichkeit ergibt sich: , Den Unterschied zwischen Satz der totalen Wahrscheinlichkeit und Multiplikationstheorem für abhängige Ereignisse verdeutlicht auch folgende Aufgabe: Ein Unternehmen hat insgesamt 3 Produktionsstandorte mit unterschiedlich großer Anzahl an Arbeitern. An jedem der 3 Standorte müssen Arbeiter entlassen werden. Standort: S 1 S 2 S 3 Anteil der Arbeiter an der Gesamtzahl Anteil der Arbeiter, die am Standort entlassen werden 50% 25% 25% 10% 15% 2% Aus der Gesamtarbeiterschaft wird ein Arbeiter zufällig ausgewählt. a) Wie groß ist die Wahrscheinlichkeit, dass dieser Arbeiter zu S 1 gehört und nicht entlassen wird? b) Wie groß ist die Wahrscheinlichkeit, dass dieser Arbeiter nicht entlassen wird, wobei er zu allen 3 Standorten gehören kann? Wir definieren zunächst folgende Ereignisse: A: Arbeiter wird nicht entlassen A : Arbeiter wird entlassen S i : Arbeiter stammt aus Standort S i, wobei i 1, 2, 3. Aufgabe a) bezieht sich aufs Multiplikationstheorem für abhängige Ereignisse: Gesucht ist: P(S 1 A) P(A S 1 ) P(S 1 ) 0,9 0,5 0,45 Antwort: Mit einer Wahrscheinlichkeit von 45% gehört er zu S 1 und wird nicht entlassen. Aufgabe b) bezieht sich auf den Satz der totalen Wahrscheinlichkeit: Gesucht ist P(B), wobei B das Ereignis: Ein Arbeiter, ausgewählt aus der Gesamtarbeiterschaft, wird nicht entlassen ist. Dann ergibt sich nach dem Satz der totalen Wahrscheinlichkeit: P(B) 0,9 0,5 + 0,85 0,25 + 0,98 0,25 0,9075. Antwort: Ein (zufällig ausgewählter) Arbeiter dieser Firma hat eine 91%tige Chance, nicht entlassen zu werden.

15 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 15 von Theorem von Bayes 2 Das Bayes-Theorem ist nun eine Verknüpfung der bedingten Wahrscheinlichkeit mit dem Multiplikationstheorem für abhängige Ereignisse und der totalen Wahrscheinlichkeit: Die Formel für die bedingte Wahrscheinlichkeit lautet: P(A B) P( A B) P( B) P(A i B) P( A i P( B) B) Für P( A i B) wird die Formel für das Multiplikationstheorem eingesetzt; für P(B) wird die Formel für die totale Wahrscheinlichkeit eingesetzt; daraus ergibt sich das Bayes Theorem: P(A i B) P( A ) P( B A ) n i 1 i P( A ) P( B A ) i i i Mit dem Bayes - Theorem lässt sich nun die bedingte Wahrscheinlichkeit ermitteln, wie groß der Wahrscheinlichkeitsanteil der Schnittmenge P( A i B) an P(B) ist - wobei P(B) die Gesamt-(totale)-Wahrscheinlichkeit ist Bezogen auf obige Beispielaufgabe ( Arbeiter, vgl. S. 14) ist man mit dem Bayes - Theorem in der Lage, folgende Frage zu klären: c) Angenommen, der ausgewählte Arbeiter gehört zu denen, die nicht entlassen werden. Mit welcher Wahrscheinlichkeit stammt er aus Standort S 1? Gesucht ist also die Wahrscheinlichkeit, mit der ein Arbeiter aus S 1 stammt, unter der Bedingung, dass er zu denen gehört, die nicht entlassen werden. Dann gilt: P(S 1 A) P ( A S1) P( S1) P( B) 0,45 0, 496 0,9075 vgl. vgl. Teilaufgabe Teilaufgabe a) b) 2 Das Theorem von Bayes und der Satz von der totalen Wahrscheinlichkeit wird im Dürr/Mayer nicht behandelt. Neben den entsprechenden Ausführungen im Faulbaum Skript sind sie sehr gut erklärt in: Clauß, G. et al., a.a.o., Kap.3; insbes. Kap.: sowie Kap.: Auch sehr gut: Bamberg/Baur, a.a.o., Kap.: 7.3.5ff. Hinweis: Das gesamte Kapitel 3 des Buches von Clauß et. al. ist meiner Meinung nach mit die beste, weil verständlichste Darstellung der Wahrscheinlichkeitstheorie; daher absolut empfehlenswert!

16 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 16 von Kombinatorik Mithilfe der Kombinatorik ist es möglich, die Menge der möglichen Ergebnisse eines Zufallsexperiments, also Ω, zu bestimmen genauer formuliert: Es kann die Menge verschiedener Anordnungsmöglichkeiten von Elementen bestimmt werden Unterschieden wird zwischen Permutationen und Kombinationen: 2.1 Permutation von n Elementen Jede Zusammenstellung / Anordnung, die dadurch entsteht, dass man n gegebene Elemente in irgendeiner Reihenfolge nebeneinander setzt, heißt Permutation der gegebenen Elemente Dabei unterscheidet man (a) ob alle Elemente verschieden sind, oder (b) ob es Elemente gibt, die in Klassen gleicher Elemente zerfallen (a) Alle n Elemente sind verschieden Dann gilt: Die Anzahl der Permutation von n verschiedenen Elementen wird berechnet mit n! (lies: n Fakultät) 3 Bsp.: Wie viele verschiedene `Worte lassen sich unter Verwendung des Wortes MAYER bilden? Jeder Buchstabe - also jedes Element - des Wortes MAYER ist verschieden Daher: n! Hier: 5 Elemente, also 5! verschiedene Anordnungsmöglichkeiten (b) Es gibt n Elemente, die in k Klassen von einander gleichen Elementen zerfallen Dann gilt: Die Permutation wird berechnet mit n! n! n!... n 1 2 k! 3 Unter n! versteht man das Produkt der ersten n natürlichen Zahlen. Bsp.: 4! oder 8! Ferner wird definiert: 0! 1

17 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 17 von 52 Bsp.: Wie viele verschiedene `Worte lassen sich unter Verwendung des Wortes MUELLER bilden? Insgesamt gibt es 7 Elemente, davon sind 2 Elemente gleich n 1! n n!!... 2 n k! 7! 1!1!1!2!2! Erläuterung: Im Zähler steht 7!, da es insgesamt 7 Buchstaben gibt. Im Nenner stehen die Klassen von Elementen: Es gibt drei Klassen von Buchstaben (M,U,R) mit jeweils einem Element (deswegen dreimal 1!) Des weiteren gibt es zwei Klassen von Buchstaben (E,L) mit jeweils zwei Elementen (deswegen zweimal 2!) 2.2 Kombinationen k-ter Ordnung von n Elementen Bildet man nun aus einer Menge von n verschiedenen Elementen eine Zusammenstellung, die aus k Elementen besteht, so nennt man dies Kombination k-ter Ordnung von n Elementen Dabei unterscheidet man 4 Möglichkeiten: mit / ohne Berücksichtigung der Reihenfolge und mit / ohne Zurücklegen Die Anzahl der Kombinationen k-ter Ordnung von n Elementen berechet man mit folgenden vier Formeln: Mit Berücksichtigung der Reihenfolge Ohne Berücksichtigung der Reihenfolge Ohne Zurücklegen n! ( n k)! n k Mit Zurücklegen k n n + k 1 k EXKURS: n ist der sog. Binomialkoeffizient (lies: n über k ). k n Es gilt: n! (für k n) Wobei: n (für n 0) n n 1 k k!( n k)! 1 n n (für n 0) (für k > n) 0 1 n 0 k

18 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 18 von 52 Beispiel für die vier Kombinationsregeln: Aus 3 Elementen (a, b, c) sollen Kombinationen 2-ter Ordnung erstellt werden: Ohne Zurücklegen 4 Mit Zurücklegen 5 Mit Berücksichtigung der Reihenfolge (d.h.: es können Dopplungen auftreten, also ab ba) 6 Ohne Berücksichtigung der Reihenfolge (d.h.: es treten keine Dopplungen auf, also ab ba ) 7 ab ac bc ba ca cb 3! 6 (3 2)! ab ac bc ab ac bc ba ca cb aa bb cc ab ac bc aa bb cc Beispielaufgaben (vgl. Dürr/Mayer, a.a.o., S.47f.) 1. Beim Pferderennen sollen jeweils die 3 schnellsten Pferde eines bestimmten Rennens mit ihrer Reihenfolge des Eintreffens ins Ziel vorhergesagt werden. Insgesamt gehen 20 Pferde an den Start. Wie viel verschiedene Tipplisten gibt es? Kombination 3-ter Ordnung von 20 Elementen Mit Berücksichtigung der Reihenfolge / Ohne Zurücklegen n! 20! Daher: 6840 verschiedene Tipplisten. ( n k)! (20 3)! 2. Wie viel verschiedene Tippreihen gibt es beim Lotto (6 aus 49)? Kombination 6-ter Ordnung von 49 Elementen Ohne Berücksichtigung der Reihenfolge / Ohne Zurücklegen n Daher: verschiedene Tippreihen k 6 4 Ohne Zurücklegen bedeutet, dass ein einmal gezogenes Element nicht nocheinmal gezogen werden kann. Deswegen sind die drei Kombinationen aa, bb, cc nicht möglich 5 Mit Zurücklegen bedeutet, dass ein einmal gezogenes Element wieder gezogen werden kann, deswegen sind die Kombinationen aa, bb und cc möglich 6 Mit Berücksichtigung der Reihenfolge bedeutet, das die unterschiedliche Anordnung von Elementen eine Rolle spielt. Deswegen werden Kombinationen wie ab und ba als ungleich aufgefasst und mitgezählt. 7 Hier spielt die Anordnung der Elemente keine Rolle. Solange also zwei Kombinationen die gleichen Elemente besitzen, werden sie nur 1mal gezählt.

19 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 19 von Ein Zigarettenautomat hat 6 Fächer. Insgesamt hat der Händler 10 Sorten zur Verfügung. Es können mehrere Fächer mit der gleichen Sorte belegt werden. Die Reihenfolge der Belegung der 6 Fächer soll keine Bedeutung haben. Wie viel verschiedene Möglichkeiten gibt es, den Automaten zu füllen? Kombination 6-ter Ordnung von 10 Elementen Ohne Berücksichtigung der Reihenfolge / Mit Zurücklegen Daher: n + k verschiedene Anordnungsmöglichkeiten k 6 4. Wie viel verschiedene dreistellige Zahlen kann man aus den Ziffern 1,2,3,4,5,6,7,8,9 bilden? Kombination 3-ter Ordnung von 9 Elementen Mit Berücksichtigung der Reihenfolge / Mit Zurücklegen k 3 Daher: n verschiedene Ziffern Mithilfe der Kombinatorik können auch Wahrscheinlichkeiten ermittelt werden: Bsp.: Wie groß ist die Wahrscheinlichkeit 6 Richtige beim Lotto (6 aus 49) zu erhalten, wenn man eine Tippreihe abgibt? Mit Laplace können wir die Wahrscheinlichkeit bestimmen: Das Ereignis Eine richtige Tippreihe (6 Richtige) hat 1 Element. Der Stichprobenraum Ω (alle möglichen Tippkombinationen) hat wie oben bereits ermittelt Elemente. Damit beträgt nach Laplace die Wahrscheinlichkeit für eine richtige Tippreihe aus möglichen Tippreihen: 1 P( 6 Richtige ) 0,

20 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 20 von Das Urnenmodell Das Urnenmodell stellt eine Verallgemeinerung der Kombinationen k-ter Ordnung von n Elementen ohne Berücksichtigung der Reihenfolge und ohne Zurücklegen dar. Dieses Modell gestattet es, Wahrscheinlichkeiten direkt zu berechnen Eine Urne enthalte N Kugeln, davon W weiße und S schwarze (W + S N). Es werden n Kugeln nacheinander ohne Zurücklegen gezogen. Dann lässt sich die Wahrscheinlichkeit, dass sich unter den n Kugeln w weiße und s schwarze Kugeln befinden (Ereignis A), folgendermaßen berechnen: n N s S w W A P ) ( Bsp.: Eine Urne (N 10) enthalte 4 weiße und 6 schwarze Kugeln. 3 Kugeln werden nacheinander (ohne Zurücklegen; ohne Berücksichtigung der Reihenfolge) gezogen. Dann ergeben sich für die Ereignisse A { 3 weiße Kugeln werden gezogen } und B { 2 weiße und 1 schwarze werden gezogen } folgende Wahrscheinlichkeiten: ) ( n N s S w W A P ) ( n N s S w W B P Das Urnenmodell lässt sich auf viele Anwendungsbereiche übertragen. 8 Beispielsweise kann die Wahrscheinlichkeit für 6 Richtige im Lotto auch mit dem Urnenmodell ermittelt werden: P( 6 Richtige ) 12 0, n N s S w W 8 Vgl. dazu Beispiel 3.15 in Dürr/Mayer, a.a.o., S.50.

21 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 21 von 52 Erläuterung: Im Nenner steht 49 6, da es insgesamt in der Urne 49 Kugeln gibt, von denen 6 gezogen werden. Das macht verschiedene Möglichkeiten, 6 Zahlen aus 49 ohne Zurücklegen und ohne Berücksichtigung der Reihenfolge anzuordnen. Im Zähler steht 6 43, da von den 6 Richtigen genau diese 6 und von den Falschen genau 0 gezogen werden sollen. Wie groß ist demnach die Wahrscheinlichkeit für 4 Richtige im Lotto? P( 4 Richtige ) 0, Weitere Übungsaufgaben: Dürr/Mayer, a.a.o., S Zufallsvariablen und Wahrscheinlichkeitsverteilungen Zufallsvariable (auch: Zufallsgröße) Eine Variable, deren Merkmalsausprägungen durch Ergebnisse eines Zufallsexperiments realisiert werden, heißt Zufallsvariable eine Zufallsvariable ist also eine Variable, deren Werte vom Zufall abhängen Eine Zufallsvariable ist dabei eine eindeutige Abbildung (Funktion), die jedem Ergebnis der Ergebnismenge Ω eines Zufallsexperiments Werte aus einem Wertebereich, z.b. reelle Zahlen, zuordnet Eine mögliche diskrete Zufallsvariable, abgeleitet aus dem Zufallsexperiment Werfen mit zwei Würfeln, wäre die Zufallsvariable Augensumme ; ihre Werte sind diskret, weil sie abzählbar und diskontinuierlich sind Wenn wir Personen aus einer Population zufällig auswählen und jede ausgewählte Person nach ihrem Geschlecht zuordnen, dann ist die Variable Geschlecht ebenfalls eine diskrete Zufallsvariable stetige Zufallsvariablen ergeben sich aus Zufallsexperimenten, in denen kontinuierliche Größen erfasst werden, wie z.b. Zeit- Längen- oder Gewichtsmessungen. Der Ereignisraum besteht hier aus unendlich vielen möglichen Elementarereignissen.

22 Mark Lutter SMS I Tutorium Teil II Inferenzstatistik Seite 22 von 52 Wahrscheinlichkeitsfunktion Die Wahrscheinlichkeitsverteilung einer Zufallsvariablen ist durch ihre Wahrscheinlichkeitsfunktion f(a) definiert. Sie gibt an, wie wahrscheinlich die einzelnen Ergebnisse eines Zufallsexperiments sind Eine eindeutige Zuordnung (Funktion), welche jedem Wert einer Zufallsvariablen die Wahrscheinlichkeit des Auftretens jeden Wertes zuordnet, heißt Wahrscheinlichkeitsfunktion: f(a i ) p i Bsp.: Aus dem Zufallsexperiment Werfen mit zwei Würfeln betrachten wir die diskrete Zufallsvariable Augensumme. Der Wertebereich, d.h. die Werte, die die Variable annehmen kann, liegt zwischen 2 und 12. Jetzt ordnen wir jedem Wert nach Laplace seine Auftretenswahrscheinlichkeit zu: Wahrscheinlichkeitsverteilung der Zufallsvariable Augensumme f(a i ) p i Augensumme (a i ) Wahrscheinlichkeit (p i ) Die Augensumme 2 und 12 hat jeweils die geringste Auftretenswahrscheinlichkeit, da jeweils nur 1 Ereignis [(1,1) bzw. (6,6)] aus 36 möglichen Ereignissen zutreffen kann. Mit 6/36 hat Augensumme 7 die höchste Wahrscheinlichkeit, weil genau 6 günstige Ereignisse aus 36 möglichen zutreffen [(6,1); (1,6); (4,3); (3,4); (5,2); (2,5)] Graphisch dargestellt: Verteilungsfunktion Aus einer Wahrscheinlichkeitsfunktion f(a) lässt sich durch Summation der einzelnen Wahrscheinlichkeiten ihre Verteilungsfunktion F(a) Σf(p i ) bilden: (man beachte: Die Summe aller Wahrscheinlichkeiten ist immer 1) Verteilungsfunktion von Augensumme Augensumme (a i ) Wahrscheinlichkeit (p i )

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

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

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

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

Mehr

Business Value Launch 2006

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

Mehr

5. Schließende Statistik. 5.1. Einführung

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

Mehr

9. Schätzen und Testen bei unbekannter Varianz

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

Mehr

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

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

Mehr

Übungen zur Mathematik für Pharmazeuten

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

Mehr

Statistik im Bachelor-Studium der BWL und VWL

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

Mehr

Ein möglicher Unterrichtsgang

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

Mehr

$ % + 0 sonst. " p für X =1 $

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

Mehr

Teil I Beschreibende Statistik 29

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

Mehr

Statistik I für Betriebswirte Vorlesung 5

Statistik I für Betriebswirte Vorlesung 5 Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition

Mehr

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

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

Mehr

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses. XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------

Mehr

Grundlagen der Inferenzstatistik

Grundlagen der Inferenzstatistik Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

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

Mehr

3. Der t-test. Der t-test

3. Der t-test. Der t-test Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene

Mehr

P( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X)

P( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X) Ich habe eine Frage zur Tschebyschew Ungleichung. In der Aufgabe 4 des Übungsblattes 3 benötigt man ja die Ungleichung. In diesem Falle war der Bereich (0, 20) symmetrisch um den Erwartungswert µ = 5.

Mehr

Beurteilende Statistik

Beurteilende Statistik Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten

Mehr

Variationen Permutationen Kombinationen

Variationen Permutationen Kombinationen Variationen Permutationen Kombinationen Mit diesen Rechenregeln lässt sich die Wahrscheinlichkeit bestimmter Ereigniskombinationen von gleichwahrscheinlichen Elementarereignissen ermitteln, und erleichtert

Mehr

6 Mehrstufige zufällige Vorgänge Lösungshinweise

6 Mehrstufige zufällige Vorgänge Lösungshinweise 6 Mehrstufige zufällige Vorgänge Lösungshinweise Aufgabe 6.: Begründen Sie, warum die stochastische Unabhängigkeit zweier Ereignisse bzw. zufälliger Vorgänge nur ein Modell der Realität darstellen kann.

Mehr

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

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

Mehr

Willkommen zur Vorlesung Statistik (Master)

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

Mehr

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

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

Mehr

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)

Mehr

Einführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik () Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de Gliederung Allgemeine Statistik. Deskriptive Statistik. Wahrscheinlichkeitstheorie.3

Mehr

Statistiktraining im Qualitätsmanagement

Statistiktraining im Qualitätsmanagement Gerhard Linß Statistiktraining im Qualitätsmanagement ISBN-0: -446-75- ISBN-: 978--446-75-4 Leserobe Weitere Informationen oder Bestellungen unter htt://www.hanser.de/978--446-75-4 sowie im Buchhandel

Mehr

Statistik II für Betriebswirte Vorlesung 3

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

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

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

Mehr

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

Statistik II für Betriebswirte Vorlesung 2

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

Mehr

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

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

Mehr

9. StatistischeTests. 9.1 Konzeption

9. StatistischeTests. 9.1 Konzeption 9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen

Mehr

Klausur: Einführung in die Statistik

Klausur: Einführung in die Statistik 1 Lösungen immer unter die jeweiligen Aufgaben schreiben. Bei Platzmangel auf die Rückseite schreiben (dann Nummer der bearbeiteten Aufgabe mit anmerken!!!). Lösungen, die nicht auf den Aufgabenblättern

Mehr

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren. 1. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen)

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren. 1. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen) Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜUNG. - LÖSUNGEN. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen Die Urne enthält 4 weiße und 8 rote Kugeln.

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

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

Mehr

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

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

Mehr

Einführung in die Statistik mit EXCEL und SPSS

Einführung in die Statistik mit EXCEL und SPSS Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen

Mehr

Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME):

Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): MATRIKELNUMMER: Alte Prüfungsordnung/Neue Prüfungsordnung

Mehr

P X =3 = 2 36 P X =5 = 4 P X =6 = 5 36 P X =8 = 5 36 P X =9 = 4 P X =10 = 3 36 P X =11 = 2 36 P X =12 = 1

P X =3 = 2 36 P X =5 = 4 P X =6 = 5 36 P X =8 = 5 36 P X =9 = 4 P X =10 = 3 36 P X =11 = 2 36 P X =12 = 1 Übungen zur Stochastik - Lösungen 1. Ein Glücksrad ist in 3 kongruente Segmente aufgeteilt. Jedes Segment wird mit genau einer Zahl beschriftet, zwei Segmente mit der Zahl 0 und ein Segment mit der Zahl

Mehr

3. Der t-test. Der t-test

3. Der t-test. Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene Mittelwerte

Mehr

Jetzt lerne ich Stochastik für die Oberstufe

Jetzt lerne ich Stochastik für die Oberstufe Jetzt lerne ich Stochastik für die Oberstufe von Dr. rer. nat. Marco Schuchmann, Dipl.-Math. - 2 - - 3 - Vorwort In diesem Buch werden Anwendungen der Stochastik in der Oberstufe mit vielen Beispielen

Mehr

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:

Mehr

15 Wahrscheinlichkeitsrechnung und Statistik

15 Wahrscheinlichkeitsrechnung und Statistik 5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang

Mehr

2.1 Die Normalverteilung

2.1 Die Normalverteilung . INFERENZSTATISTIK Inferenzstatistik bedeutet übersetzt schließende Statistik. Damit ist der Schluss von den erhobenen Daten einer Stichprobe auf Werte in der Population gemeint..1 Die Normalverteilung

Mehr

Statistik 1: Einführung

Statistik 1: Einführung Seite Stat- Statistik : Einführung Die mathematische Disziplin der Stochastik, die die Teilgebiete Wahrscheinlichkeitstheorie und mathematische Statistik umfaßt, beschäftigt sich mit der Beobachtung, Aufzeichnung

Mehr

Aufgabe 2.1. Ergebnis, Ergebnismenge, Ereignis

Aufgabe 2.1. Ergebnis, Ergebnismenge, Ereignis Aufgabe 2. Ergebnis, Ergebnismenge, Ereignis Ergebnis und Ergebnismenge Vorgänge mit zufälligem Ergebnis, oft Zufallsexperiment genannt Bei der Beschreibung der Ergebnisse wird stets ein bestimmtes Merkmal

Mehr

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis 1 6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Spiele aus dem Alltagsleben: Würfel, Münzen, Karten,... u.s.w. sind gut geeignet die Grundlagen der Wahrscheinlichkeitsrechnung

Mehr

Modul: Stochastik. Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung

Modul: Stochastik. Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung Modul: Stochastik Ablauf Vorstellung der Themen Lernen Spielen Wiederholen Zusammenfassen Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung

Mehr

Melanie Kaspar, Prof. Dr. B. Grabowski 1

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

Mehr

13.5 Der zentrale Grenzwertsatz

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

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

Discrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:

Discrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7: Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln

Mehr

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und β-fehler? Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

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

Mehr

Stochastik Abitur 2009 Stochastik

Stochastik Abitur 2009 Stochastik Abitur 2009 Stochastik Beilage ea (erhöhtes Anforderungsniveau) ga (grundlegendes Anforderungsniveau) ISBN 978-3-8120-0108-3 und ISBN 978-3-8120-0223-3 1 Aufgabe 2 (ea) Rauchen ist das größte vermeidbare

Mehr

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

Mehr

Einführung in statistische Testmethoden

Einführung in statistische Testmethoden Einführung in statistische Testmethoden und die Bearbeitung von Messdaten mit Excel 1. Beispielhafte Einführung in den Gebrauch von Testmethoden 2. Typen von Messwerten, Verteilungen 3. Mittelwert, Varianz,

Mehr

12.1 Wie funktioniert ein Signifikanztest?

12.1 Wie funktioniert ein Signifikanztest? Sedlmeier & Renkewitz Kapitel 12 Signifikanztests 12.1 Wie funktioniert ein Signifikanztest? Zentrales Ergebnis eine Signifikanztests: Wie wahrscheinlich war es unter der Bedingung dass H0 gilt, diesen

Mehr

Bestimmen der Wahrscheinlichkeiten mithilfe von Zählstrategien

Bestimmen der Wahrscheinlichkeiten mithilfe von Zählstrategien R. Brinmann http://brinmann-du.de Seite 4.0.2007 Bestimmen der Wahrscheinlicheiten mithilfe von Zählstrategien Die bisherigen Aufgaben zur Wahrscheinlicheitsrechnung onnten im Wesentlichen mit übersichtlichen

Mehr

Eine Einführung in R: Statistische Tests

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

Mehr

Prüfen von Mittelwertsunterschieden: t-test

Prüfen von Mittelwertsunterschieden: t-test Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test

Mehr

Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik)

Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) 1. Einleitung Deskriptive Statistik: Allgemeine und spezielle

Mehr

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer

Mehr

Monte-Carlo Simulation

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

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

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

Mehr

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

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

Mehr

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

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

Mehr

Physica-Lehrbuch. Ein anwendungsorientiertes Lehr- und Arbeitsbuch. von Christine Duller

Physica-Lehrbuch. Ein anwendungsorientiertes Lehr- und Arbeitsbuch. von Christine Duller Physica-Lehrbuch Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch von Christine Duller Neuausgabe Einführung in die Statistik mit EXCEL und SPSS Duller schnell

Mehr

Analog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als:

Analog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als: 9-9 Die befasst sich mit der Untersuchung, wie wahrscheinlich das Eintreten eines Falles aufgrund bestimmter Voraussetzungen stattfindet. Bis anhin haben wir immer logisch gefolgert: 'Wenn diese Voraussetzung

Mehr

12. Vergleich mehrerer Stichproben

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

Mehr

3.8 Wahrscheinlichkeitsrechnung III

3.8 Wahrscheinlichkeitsrechnung III 3.8 Wahrscheinlichkeitsrechnung III Inhaltsverzeichnis ufallsgrössen Der Erwartungswert 3 3 Die Binomialverteilung 6 4 Die kumulierte Binomialverteilung 8 4. Die Tabelle im Fundamentum (oder Formeln und

Mehr

Grundbegriffe der Wahrscheinlichkeitstheorie

Grundbegriffe der Wahrscheinlichkeitstheorie KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir

Mehr

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3

Mehr

Übungsaufgaben Wahrscheinlichkeit

Übungsaufgaben Wahrscheinlichkeit Übungsaufgaben Wahrscheinlichkeit Aufgabe 1 (mdb500405): In einer Urne befinden sich gelbe (g), rote (r), blaue (b) und weiße (w) Kugel (s. Bild). Ohne Hinsehen sollen aus der Urne in einem Zug Kugeln

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

Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)

Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) 2 3 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik BeStat-1 (7 ) n = 400 Personen wurden gefragt, wie viele Stück eines

Mehr

Stichprobenauslegung. für stetige und binäre Datentypen

Stichprobenauslegung. für stetige und binäre Datentypen Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

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

Mehr

Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00.

Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. 1 Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses

Mehr

Einführung in die Stochastik

Einführung in die Stochastik Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse

Mehr

Kursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse

Kursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien

Mehr

2. Rechnen mit Wahrscheinlichkeiten

2. Rechnen mit Wahrscheinlichkeiten 2. Rechnen mit Wahrscheinlichkeiten 2.1 Axiome der Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung ist ein Teilgebiet der Mathematik. Es ist üblich, an den Anfang einer mathematischen Theorie

Mehr

Studiendesign/ Evaluierungsdesign

Studiendesign/ Evaluierungsdesign Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung

Mehr

Die Binomialverteilung

Die Binomialverteilung Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel

Mehr

Kugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten

Kugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es

Mehr

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

Mehr

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0. 1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:

Mehr

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,

Mehr

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE INHALTS- VERZEICHNIS Vorwort 13 Schreiben Sie uns! 15 1 Statistische Untersuchungen 17 Wozu Statistik? 18

Mehr

Abitur 2012 Mathematik GK Stochastik Aufgabe C1

Abitur 2012 Mathematik GK Stochastik Aufgabe C1 Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2012 Mathematik GK Stochastik Aufgabe C1 nter einem Regentag verstehen Meteorologen einen Tag, an dem mehr als ein Liter Niederschlag pro Quadratmeter gefallen

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

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.) ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Mehr

6. METRISCHE UND KATEGORIALE MERKMALE

6. METRISCHE UND KATEGORIALE MERKMALE 6. METRISCHE UND KATEGORIALE MERKMALE wenn an einer Beobachtungseinheit eine (oder mehrere) metrische und eine (oder mehrere) kategoriale Variable(n) erhoben wurden Beispiel: Haushaltsarbeit von Teenagern

Mehr

Risiko und Versicherung - Übung

Risiko und Versicherung - Übung Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

Stochastik und Statistik für Ingenieure Vorlesung 4

Stochastik und Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl

Mehr

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Markt+Technik Vorwort Schreiben Sie uns! 13 15 Statistische Untersuchungen 17 Wozu Statistik? 18 Wirtschaftliche

Mehr