Aussage über die Verteilung Summen und Durchschnitte beliebig verteilter Zufallsvariablen
|
|
- Dennis Schreiber
- vor 7 Jahren
- Abrufe
Transkript
1 7. Grezwertsätze Die Grezwertsätze bilde de Abschluss der Wahrscheilichkeitsrechug ud sid vo zetraler Bedeutug vor allem für die iduktive Statistik. Gesetz der große Zahle Aussage über die Geauigkeit der Abschätzug eies ubekate Mittelwertes der Grudgesamtheit durch de Stichprobemittelwert. Zetrale Grezwertsatz Aussage über die Verteilug Summe ud Durchschitte beliebig verteilter Zufallsvariable bei großem Stichprobeumfag Die Tschebyscheffsche Ugleichug wird eierseits für de Beweis des Gesetzes der große Zahle beötigt. Adererseits lässt sie sich aber auch eigestädig zur Abschätzug vo Wahrscheilichkeite bei eiem ubekate Vertei- lugstyp verwede.
2 7. Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug, also die Wahrscheilichkeits- oder Dichtefuktio, bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist aber eie solche Wahrschei-lichkeit zu ermittel, we der Verteilugstyp icht bekat ist? Wir frage geauer ach der Wahrscheilichkeit, dass eie beliebig verteilte Zufallsvariable ierhalb oder außerhalb eier ε-umgebug um de Erwartugswert μ liegt. Abbildug: ε-umgebug um de Erwartugswert μ f ( x ) μ ε ε μ ε μ + ε x ε-umgebug um μ
3 Mit der Tschebyscheffsche Ugleichug ka eie Höchstwahrscheilichkeit dafür bestimmt werde, dass die Zufallsvariable X midestes um ε vom Mittelwert μ abweicht. Die Wahrscheilichkeit, dass eie beliebig verteilte Zufallsvariable mit dem Er- wartugswert μ ud der Variaz σ um midestes ε vo ihrem Mittelwert abweicht, ist höchstes gleich σ / ε : σ (7 ) P ( X μ ε ) (7.). ε Beweis es vo (7.): Wir beschräke us auf de diskrete Fall ud gehe vo der i (5.4) gegebee Defiitio der Variaz aus: (5.4) V(X) σ m ( ) x μ p j j j. Werde ur Summade betrachtet, t dere Abweichug vom Erwartugswert t µ midestes gleich ε ist, μ ε, gilt x j ( x j μ) p j (7.) σ, x μ ε j
4 da die rechte Seite vo (7.) eie Teilsumme vo (5.4) ist. Da die Abweichuge x j μ midestes gleich ε sid, gilt außerdem x j μ ε ( ) x j μ p j ε p j ε p j (7.3). Aus (7.) ud (7.3) folgt σ ε p j. x j μ ε (7.4) j x j μ ε x j μ ε Da die Summe die Wahrscheilichkeit agibt, dass die Zufallsvariable X midestes um ε vo ihrem Erwartugswert abweicht, P( X μ ε), lässt sich (7.4) i der Form (7.5) σ ε P( X μ ε) p j x j μ ε schreibe. Nach Divisio beider Seite der Ugleichug (7.5) durch ε ud Ver- tauschug der Seite erhält ma hieraus umittelbar die Tschebyscheffsche Ugleichug (7.).
5 Aufgrud der Wahrscheilichkeit des Komplemetärereigisses ist σ (7.6) P( X μ < ε) ε eie zu (7.) gleichwertige Formulierug der Tschebyscheffsche Ugleichug. I der Form (7.6) gibt die Tschebyscheffsche Ugleichug eie Midestwahrscheilichkeit a. Wird i (7.) speziell ε k σ gesetzt, da folgt (7.7) P( X μ kσ) k Die Höchstwahrscheilichkeit, dass eie Zufallsvariable X um midestes dem k-fache ihrer Stadardabweichug vom Erwartugswert abweicht, beträgt /k. Abbildug: Höchstwahrscheilichkeit bei ε- Umgebug als k-fache Stadardabweichug (grauer Bereich) f ( x ) μ k σ μ μ + k σ x
6 Wird die Tschebyscheffsche Ugleichug für Midestwahrscheilichkeite formuliert, ergibt sich (7.8) P( X μ < kσ). k Abbildug: Midestwahrscheilichkeit bei ε- Umgebug als k-fache Stadardabweichug (grauer Bereich) f ( x ) μ kσ μ μ + kσ x
7 Auswirkug vo k auf die Höhe der Midestwahrscheilichkeite Wir bereche die Midestwahrscheilichkeit, dass eie beliebig verteilte Zufallsvariable X um icht mehr als das k,, 3-fache ihrer Stadardabweichug vo ihrem Erwartugswert abweicht. Mit (7.8) erhält ma: k Itervall Midestwahrscheilichkeit (μ σ, μ + σ) (μ σ, μ + σ) 3 (μ 3σ, μ + 3σ) P P P ( X μ < σ) 0 ( X μ < σ) 0,5 0, 75 3 ( X μ < 3σ) 0, 0, für k: Kei Iformatiosgewi, da Wahrscheilichkeite stets icht egativ sid - für k>: Midestwahrscheilichkeite ehme zu, we k steigt
8 Beispiel 7.: Der Bezipreis ist bei gegebeem Nachfrageverhalte der Autofahrer vo Eiflussgröße wie z. B. dem Rohölpreis ud dem Bestad a Kraftfahrzeuge abhägig. Bei eier Mieralölfirma rechet ma für eie Plaugsperiode mit eiem mittlere Bezipreis vo,35 pro Liter. Da Preisschwakuge icht ausgeschlosse werde köe, wird vo eier Stadardabweichug i Höhe vo 0, ausgegage. a) Wie groß ist midestes die Wahrscheilichkeit, dass der Bezipreis ierhalb eies σ-bereichs um de Erwartugswert liege wird? Es ist ε σ. Mit der Tschebyscheffsche Ugleichug (7.8) erhält ma für k die Midestwahrscheilichkeit P( X μ < σ) 0,5 0,75. k b) Wie groß ist höchstes die Wahrscheilichkeit, dass der Bezipreis um mehr als 0,5 vom Erwartugswert abweicht? Hier gilt ε 0,5. Mit der Tschebyscheffsche Ugleichug i der Formulierug (7.) ergibt sich daraus die Höchstwahrscheilichkeit σ 0, 0, P( X μ ( ε 0,5) ) 0,64. 0,05 ε 0,5
9 7. Gesetz der große Zahle Das Gesetz der große Zahle liefert eie theoretische Begrüdug für die Verwedug des Stichprobemittelwertes zur Abschätzug des ubekate Mittelwertes eier Grudgesamtheit. Schwaches Gesetz der große Zahle vo Tschebyscheff gegebe: Zufallsvariable X mit Erwartugswert E(X) μ ud Variaz V(X) σ Aahme: -malige Wiederholug eies Zufallsvorgags mit Zurücklege X i : Zufallsvariable, die agibt, welche Wert X bei der i-te Durchführug des Zufallsvorgags, i,,, aehme wird x i : Der ach der i-te Durchführug beobachtete Wert x i, i,,, ist eie Realisatio der Zufallsvariable We die Zufallsvariable X i alle derselbe Grudgesamtheit mit Zurücklege etomme werde, sid sie icht ur uabhägig, soder auch idetisch verteilt (gleiche Wahrscheilichkeits- bzw. Dichtefuktio). Isbesodere habe die Zufalls- variable X, X,, X deselbe Erwartugswert ud dieselbe Variaz: (7.9) E( ) μ ud (7.0) V X i ( ) σ X i für alle i,,..., für alle i,,...,.
10 Stabilitätseigeschaft des arithmetische Mittels X Arithmetisches Mittel der Zufallsvaria- Nach de Wiederholuge beobach- ble X i teter Durchschittswert (7.) X X i (7.) x x i i i Erwartugswert vo X : E X E Xi E Xi i i (7.3) ( ) ( ) μ μ Der Erwartugswert der Zufallsvariable ist gleich dem Erwartugswert der Zufallsvariable X. Variaz vo X : V i X ( X ) V X V X V( X ) i i i i ( ) σ (7.4) V X σ (wege (7.0) ud der Uabhägigkeit der X i ) Die Variaz vo X ist um de Faktor / kleier ist als die Variaz der Zufallsvariable X. i
11 Das schwache Gesetzes der große Zahle vo Tschebyscheff besagt, dass die Wahrscheilichkeit eier Abweichug des arithmetische Mittels X vom Erwartugswert µ vo weiger als ei beliebig kleier Wert ε (ε > 0) mit wachsedem gege strebt: (7.5) lim P( X μ < ε). Beweis vo (7.5): Das Gesetz der große Zahle lässt sich leicht mit der Ugleichug vo Tschebyscheff beweise, die für eie beliebige Zufallsvariable X defiiert ist. We ma die Tschebyscheffsche Ugleichug (7.5) für das arithmetische Mittel X formuliert, erhält ma V (7.6) ( ) ( X ) P X μ < ε. ε Wege (7.4) geht diese Ugleichug i die Form P über. Aufgrud vo σ lim ε σ ( X μ < ε) 0 ε folgt für hieraus umittelbar das Gesetz der große Zahle (7.5).
12 Die Folge vo Zufallsvariable ( X ) kovergiert stochastisch gege µ. Diese stochastische Kovergez bedeutet: - icht, dass die Abweichug X μ immer kleier wird, soder ur, - dass es bei gege uedlich fast sicher ist, dass die Zufallsvariable X Werte i eier ε-umgebug g g um µ aimmt. Bei eier große Azahl vo Durchführuge des Zufallsvorgags liegt X daher mit hoher Wahrscheilichkeit i dem beliebig kleie Itervall (μ ε, μ ε). Ma ka also mit eier hohe Wahrscheilichkeit de Erwartugswert µ der Zufallsvariable X durch eie kokrete Realisierug der Zufallsvariable X abschätze, sofer ur geüged groß ist.
13 Beispiel 7.: Beim Lottospiel werde i jeder Ziehug 7 Zahle (6 Zahle ud Zusatzzahl) aus 49 Zahle gezoge. Nach dem Gesetz der große Zahle kovergiert das arithmetische Mittel X mit zuehmeder Zahl der Wiederholuge stochastisch gege de Erwartugswert μ [(m+)/(49+)/5 ach (6.b)]. Wie groß muss die Zahl der Wiederholuge sei, damit mit eier Wahrscheilichkeit vo 98% gesichert ist, dass das arithmetische Mittel X der Lottozahle i eier ε-umgebug vo X μ 0,5 um de Erwartugswert μ liegt? Die gesuchte Wahrscheilichkeit lässt sich i der für das Gesetz der große Zahle formulierte Tschebyscheffsche Ugleichug (7.6) bestimme: P X μ < 0,5 ε ( ) V X ε σ ε.. Da die Lottozahle x,,,49 gleichverteilt sid, ist ihre Variaz ach (6.3b) durch m V( X) 00 gegebe.
14 Damit ergibt sich P( X μ < 0,5) 00 00! 0,98. 0,5 0,5 Löst ma die letzte hieri ethaltee Gleichug ach auf, erhält ma ,98 0,98 0, , ,0 0,0 800 Bei Wiederholuge des Zufallsexperimets ist also mit eier Wahrschei- lichkeit vo 98% gesichert, dass das arithmetische Mittel X der Lottozahle i eier ε-umgebug vo ±0,5 um de Erwartugswert 5 liegt.
15 Schwaches Gesetz der große Zahle vo Beroulli Spezialfall: Die Größe X i sid uabhägige Beroulli-verteilte Zufallsvariable: X i falls A eit ritt 0 sost Summe der Berouli-verteilte Zufallsvariable X, X,, X : Y i. i X Biomialverteilte i ilt Zufallsvariable Y: Absolute Häufigkeit it für das Eitrete t vo A Erwartugswert vo X i Variaz vo X i E(X i ) p V(X i ) p (-p) Erwartugswert vo Y Variaz vo Y E(Y) p V(Y) p (-p) p) (7.7) P Y Zufallsvariable P : Relative Häufigkeit für das Eitrete vo A (Ateilswert)
16 Erwartugswert vo P : E P E Y E Y p (7.8) ( ) ( ) p Der Erwartugswert der Zufallsvariable P ist gleich der Wahrscheilichkeit für das Eitrete des Ereigisses A. P Variaz vo : ( ) V P (7.9) ( ) V Y V( Y) p( p) ( p). p Die Variaz vo P ist um de Faktor / kleier ist als die Variaz der Zufallsvariable Y. Dari kommt die Stabilität der relative Häufigkeite mit wachseder Zahl der Wiederholuge des Zufallsvorgags zum Ausdruck. Das schwache Gesetzes der große Zahle vo Beroulli besagt, dass die Wahrscheilichkeit eier Abweichug der relative Häufigkeit P vo der Wahrscheilichkeit p des Ereigisses A vo weiger als eiem beliebig kleie Wert ε (ε > 0) mit wachsedem gege strebt: (7.0) lim P( P p < ε). Das Gesetz vo Beroulli liefert also die Begrüdug dafür, dass ma eie ube- Das Gesetz vo Beroulli liefert also die Begrüdug dafür, dass ma eie ube kate Wahrscheilichkeit durch eie kokret ermittelte relative Häufigkeit beliebig geau abschätze ka, sofer die Azahl der Beobachtuge ur groß geug ist.
17 Beispiel 7.3: Eie Müze mit de Seite Kopf ud Zahl wird immer wieder geworfe. Nach dem Gesetz der große Zahle vo Beroulli kovergiert die relative Häufigkeit (Ateilswert) P der Seite Kopf ( Ereigis A) ud zuehmedem stochastisch gege die Wahrscheilichkeit P(A) p 0,5. Wie oft muss die Müze geworfe werde, damit der Ateilswert mit eier Wahrscheilichkeit vo midestes 96% i der ε-umgebug (0,49; 0,5) liege wird? Dem Gesetz der große Zahle vo Beroulli (7.0) liegt die für die Zufallsvariable P formulierte Tschebyscheffsche Ugleichug (7.6) zugrude: (7.) P( P p < ε) V P ε ( ) p ( p ) Mit ε 0, erhält ma für die hier geforderte Midestwahrscheilichkeit h i hk it vo 96% V( P ) p( p) P P 0,0 p < ε ε ε ε. 0,5 0,5 0,5 0,96. 0,0 0,000!
18 Löst ma die letzte hieri ethaltee Gleichug ach auf, so ergibt sich 0, ,96 0,96 0,000 0, ,04 0, Die Müze muss also mal geworfe werde, damit die relative Häufigkeit für Kopf mit eier Warscheilichkeit vo midestes 96% i dem vorgegebee Itervall (0,49; 0,5) liegt.
19 7.3 Zetraler Grezwertsatz Der Zetrale Grezwertsatz macht eie Aussage über das Grezverhalte eier Folge vo Verteilugsfuktioe ( F X ), die zu eier gegebee Folge vo Zufallsvariable (X ) gehört. Für de Zetrale Grezwertsatz gibt es uterschiedliche Verallgemeierugsgrade ud zahlreiche Variate. Im Ker erhält ma das Ergebis, dass bei Zufallsvariable, die als Summe oder Durchschitte iterpretiert werde köe, bei großer Azahl vo Wiederholuge eies Zufallsvorgags die Normalverteilug awedbar ist. Grezwertsatz vo Lideberg ud Lévy Beim Zetrale Grezwertsatz vo Lideberg ud Lévy setzt ma keie spezielle Verteilugstyp voraus. Wir betrachte eie Summe vo uabhägig beliebig verteilte Zufallsvariable, die aus eier idetische Grudgesamtheit stamme, mit E(X i )μ ud V(X i )σ. Summevariable: (7.8) Y X i i Erwartugswert vo Y Variaz vo Y (7.9) E( Y ) E ( ) μ (7.0) Xi E Xi i i i ( ) ( ) V Y V Xi V Xi σ i
20 Der Grezwertsatz vo Lideberg ud Lévy beihaltet, dass die Folge der Verteilugsfuktioe ( FY ) F,F,F, K Y Y Y 3, die zur Folge der Zufallsvariable (Y )Y, Y, Y 3,... gehört, sich mit wachsedem immer besser der Verteilugsfuktio F(y) eier Normalverteilug mit de Parameter apasst: E(Y μ σ ) μ ud V(Y ) σ (7.) Y ist bei großem approximativ N( μ, σ²)-verteilt Die exakte Grezwertaussage gilt für die stadardisierte Summevariable Z. Nach dem Grezwertsatz vo Lideberg ud Lévy ist die Zufallsvariable (7.) Y μ Z σ asymptotisch stadardormalverteilt: Z a N 0, (7.3) ( ) I der Awedug wird die Normalapproximatio für >30 (Faustregel) verwedet.
21
22 Beispiel 7.4: Eie Eizelhadelskette plat, i eier Regio mit Mio. Haushalte ei Filialetz zu errichte. Das Marktvolume beträgt gegewärtig 50 Mio. pro Quartal, was eiem durchschittliche Umsatz vo 50 je Haushalt etspricht. Die Stadardabweichug der Haushaltsausgabe pro Quartal liegt ebefalls bei 50. Eie Testfiliale, die i agemesseer Zeit für 900 Haushalte erreichbar ist, hat i eiem Quartal eie Gesamtumsatz vo erzielt. Die Marktforschugsabteilug g wird damit beauftragt, eizuschätze, welche Wahr- scheilichkeit eiem i dieser Höhe erzielte oder größere Umsatz uter uveräderte Marktbediguge zukommt. Die Zufallsvariable X i bezeichet die Ausgabe des i-te Haushalts i. Da ist E(X i ) μ 50 ud V(X i ) σ 50 für alle i,,..., ( 900). Wir köe aehme, dass die X i uabhägige gg ud idetisch verteilte Zufallsvariable sid. Das bedeutet isbesodere, dass sich die Ausgabe uterschiedlicher Haushalte icht gegeseitig beeiflusse. Da gibt die Summevariable 900 Y X i i die gesamte i der Testfiliale l erzielte Ausgabe der Haushalte a. Für de Erwartugswert ud die Stadardabweichug der Summevariable Y erhält ma
23 ud E(Y ) μ V(Y ) σ Die Summe der 900 Haushaltsausgabe, , ist die kokrete Realisa- tio der Zufallsvariable Y. Gesucht wird u die Wahrscheilichkeit, dass Y Werte aimmt, die größer oder gleich sid: P(Y ). Wege der Wahrscheilichkeit des Komplemetärereigisses gilt P(Y ) P(Y < ). Da hier die Voraussetzuge des Zetrale Grezwertsatzes vo Lideberg ud Lévy erfüllt sid ( 900 > 30), lässt sich die gesuchte Wahrscheilichkeit approximativ über die Verteilugsfuktio der Stadardormalverteilug bestimme: P(Y ) Φ Φ( ) 0, z 0,00 0,0 0,0 0,03 0,04 0,05 0,06 0,07 0,08 0,09,0 0,977 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,98 0,987
24 Die Komplemetärwahrscheilichkeit ist damit durch P(Y ) Φ () 0,977 0,0808 gegebe. Die Wahrscheilichkeit, bei uveräderte Marktbediguge eie Umsatz vo midestes zu erziele, liegt bei,3 %. f (y ) ( ) Y ~ N ; ( ) , ,08 y
25 Approximative Normalverteilug des arithmetische Mittels X Das stadardisierte arithmetische Mittel (7.4) * X Z μ σ uterscheidet sich vo der stadardisierte Summevariable (7.) ur um de Faktor im Zähler ud im Neer. Der Zetrale Grezwertsatz vo Lideberg ud Lévy gilt daher auch für das stadardisierte arithmetische Mittel (7.5): (7.5) Z N ( 0, ) * a Das arithmetische Mittel X ist daher bei große (Faustregel: >30) uter de Voraussetzuge des Zetrale Grezwertsatzes vo Lideberg ud Lévy approximativ ormalverteilt mit de Parameter E( X ) μ ud V(X ) σ /
26 Grezwertsatz vo de Moivre ud Laplace Spezialfall: Die Größe X i sid uabhägige Beroulli-verteilte Zufallsvariable: Die Summevariable falls A eit ritt X i 0 sost Y X i ist daher biomialverteilt. i Der Grezwertsatz vo de Moivre ud Laplace beihaltet, dass sich die Folge der Verteilugsfuktioe (FY ) F,F,F,K Y Y Y3 mit wachsedem immer besser der Verteilugsfuktio eier Normalverteilug F(y) mit de Parameter apasst E(Y ) p ud V(Y ) p (-p) (7.6) Y ist bei großem approximativ N( p, p( p (-p))-verteiltp)) Die Summe uabhägiger, Beroulli-verteilter Zufallsvariable X i, dh d.h. diebiomial- verteilte Zufallsvariable Y ist daher approximativ ormalverteilt..
27 Die exakte Grezwertaussage gilt auch hier wieder für die stadardisierte Summevariable Z. Nach dem Grezwertsatz vo de Moivre ud Laplace ist die Zufalls- variable Y p (7.8) Z p p ( ) asymptotisch stadardormalverteilt:. (7.9) Z ~ a N 0, ( ) Für die Praxis beötige wir die Iformatio, wie groß midestes sei muss, damit diese Approximatio awedbar ist. Hierzu ist die Faustregel 9 (7.30) > p p ( ) ützlich. Daach muss um so größer sei, je asymmetrischer die Biomialverteilug aus- geprägt ist: - bei Symmetrie (p0,5): > 36 - bei merklicher Asymmetrie z.b. p0,: > 56 - bei starker Asymmetrie z.b. p0,: > 00
28 Stetigkeitskorrektur Bei der Approximatio der Biomial- durch die Normalverteilug immt ma häufig och eie Stetigkeitskorrektur vor, die i der ute stehede Abbildug verdeutlicht wird. Eie biomialverteilte Zufallsvariable Y ka ur die Werte y 0,,..., mit de Wahrscheilichkeite c e P(Y y) aehme. e Um eie e kotiuierliche e Fläche zu erhalte, kostruiert ma Säule mit eier Breite vo um die Stäbe. Abbildug: Visualisierug der Stetigkeitskorrektur f(y) ( ) μ; σ 0.4 Y ~ N Wahrscheilichkeit, dass die bi- omialverteilte Zufallsvariable Y eie bestimmte Wert a aimmt: 0.3 (7.3) 0. P(Y a) F(a + 0,5) F(a 0,5) F: Verteilugsfuktio der Normalverteilug (Fläche des Rechtecks über y dem Itervall [a-0,5; a+0,5])
29 Wahrscheilichkeit, dass eie biomialverteilte Zufallsvariable zwische de Greze a ud b liegt (mit Stetigkeitskorrektur): (7.3) P(a Y b) F(b + 0,5) F(a 0,5). Da F(y) die Verteilugsfuktio eier Normalverteilug mit de Parameter E(Y ) p ud V(Y ) p (-p) p) ist, lässt sich die Itervallwahrscheilichkeit (7.3) aus b + 0,5 p Φ a 0,5 p (7.3) P( a Y b) Φ ( ) p p p ( p ). Abbildug: Itervallwahrscheilich- keit mit Stetigkeitskorrektur f(y) Y ~ N ( ) μ ; σ μ a 0,5 a b b + 0, 5 y + Itervallwahrscheilichkeit ohe Stetigkeitskorrektur Itervallwahrscheilichkeit mit Stetigkeitskorrektur
30 Die Berücksichtigug vo ±0,5 im Argumet der Verteilugsfuktioe der Normalverteilug, F(y) ud Φ(z), wird als Stetigkeitskorrektur bezeichet. Je größer ist, desto weiger wirkt sich die Stetigkeitskorrektur auf die Berechug der Wahrscheilichkeite aus. Beispiel 7.5: Ei Betrieb liefert Glühlampe i Kartos zu je 000 Stück. Aus frühere Utersuchuge ist bekat, dass der Betrieb im Mittel 3 % Ausschuss produziert. Wie groß ist die Wahrscheilichkeit, dass sich i eiem zufällig ausgewählte Karto zwische 0 ud 40 defekte Glühlampe befide? Es sei A das Ereigis, i dass eie etommee Glühlampe defekt ist. We A eitritt, d.h. die etommee Glühbire defekt ist, immt die Zufallsvariable de Wert a, sost 0. Die Zufallsvariable Y bezeichet die Azahl der defekte Glühlampe i dem zufällig ausgewählte Karto: 000 Y X i i Da wisse wir, daß Y biomialverteilt ist mit de Parameter 000 ud p0,03. Die gesuchte Wahrscheilichkeit dafür, dass Y i das Itervall [0,40] fällt, ergibt sich da aus ( ) y 000 y P 0 Y 40 0,03 0,97 y y 0
31 Eie Berechug der Wahrscheilichkeit mit dieser Formel ist jedoch zu umstädlich. Nach dem Zetrale Grezwertsatz vo de Moivre ud Laplace gilt jedoch, dass die stadardisierte Zufallsvariable Y p Z p p ( ) für große äherugsweise stadardormalverteilt ist. Da die Faustregel (7.30) > 309, 3 p ( p) 0,03 ( 0,03) ( ) erfüllt ist, köe wir die gesuchte Wahrscheilichkeit mit der Normalverteilug bestimme. Mit de Parameter ud erhalte wir P E(Y) p 000 0,03 30 ( p) 000 0,03 0,97 9, V(Y) p Φ Φ 9, 9, ( 0 Y 40) Φ(,85) Φ(,85) Aufgrud der Symmetrie der Stadardormalverteilug d t ist Φ(-,85) Φ(,85),.
32 so dass wir ach Ablese des Wertes aus der Verteilugstabelle der Stadardormalverteilug, z 0,00 0,0 0,0 0,03 0,04 0,05 0,06 0,07 0,08 0,09,7 0,9554 0,9564 0,9573 0,958 0,959 0,9599 0,9608 0,966 0,965 0,9633,8 0,964 0,9649 0,9656 0,9664 0,967 0,9678 0,9686 0,9693 0,9699 0,9706,9 0,973 0,979 0,976 0,973 0,9738 0,9744 0,9750 0,9756 0,976 0,9767 die gesuchte Wahrscheilichkeit erhalte: P(0 Y 40) Φ (,85) Φ(,85) Φ(,85) [ Φ(,85) ] ( 0,9678) 0, ,9678 Daach beträgt die Wahrscheilichkeit, dass i eiem zufällig ausgewählte Karto vo 000 Glühlampe zwische 0 ud 40 Ausschussstücke vorhade sid, 93,6%. Allerdigs habe wir dieses Ergebis ermittelt, ohe zu berücksichtige, dass bei der Approximatio der Biomial- durch die Normalverteilug eie diskrete durch eie stetige Verteilug ageähert wird. We die gesuchte Wahrscheilichkeit uter Berücksichtigug der Stetigkeitskorrektur berechet wird, ergibt sich P ( 0 Y 40) , ,5 30 Φ Φ 9, 9, Φ,95 Φ,95 Φ,95 Φ,95 0,9744 0,9744 0,9488 ( ) ( ) ( ) [ ( )] ( ).
33 We also die Stetigkeitskorrektur vorgeomme wird, erhöht sich die Wahrscheilichkeit um,3 Prozetpukte. f ( y ) ,936 0,949 Y ~ N(30; 9,) y
34 Approximative Normalverteilug des Ateilwerts P Der stadardisierte Ateilswert (relative Häufigkeit) (7.33) Z P p p ( p ) uterscheidet sich vo der stadardisierte Summevariable (7.8) ur um de Faktor im Zähler ud im Neer. Der Zetrale Grezwertsatz vo de Moivre ud Laplace gilt daher auch für de stadardisierte Ateilswert (7.33): (7.34) Z N ( 0, ) * a Der Ateilswert (relative Häufigkeit) P ist daher bei große (Faustregel: (7.30)) uter de VorausSetzuge des Zetrale Grezwertsatzes vo de Moivre ud Laplace approximativ ormalverteilt mit de Parameter E(P ) p ud V(P ) p( p)
35 Weitere Grezwertsätze Für de Zetrale Grezwertsatz vo Lideberg ud Lévy gibt es Verallgemeieruge. Grezwertsatz vo Ljapuoff: Gibt hireichede Bediguge a, uter dee der Zetrale Grezwertsatz vo Lideberg ud Lévy auch im Fall uabhägiger, aber icht otwedig idetisch verteilter Zufallsvariable gilt. Grezwersatz vo Lideberg-Feller: Gibt für de beim Grezwertsatz vo Ljapuoff geate Fall darüber hiaus die otwedige Bediguge a. Hierbei zeigt sich, dass uter recht allgemeie Bediguge die Summe uabhägiger ud beliebig (icht otwedig idetisch) verteilter Zufallsvariable stets asymptotisch ormalverteilt ist. Isbesodere lässt sich aus dieser Verallgemeierug zeige, dass eie Summevariable Y, die als additive Überlagerug vieler kleier uabhägiger Zufallseiflüsse mit relativ kleie Variaze iterpretierbar ist, asymptotisch eier Normalverteilug folgt. Gerigfügige Abweichuge vo der Uabhägigkeitsaahme schräke die Awedbarkeit icht ei.
6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
Mehr7. Grenzwertsätze Grenzwertsätzen Zentraler Grenzwertsatz Gesetz der großen Zahlen Tschebyscheffsche Ungleichung
7. Grezwertsätze Bei de Grezwertsätze geht es um Aussage, die ma sogar da treffe ka, we keierlei Iformatioe über de Verteilugs-Typ der betrachtete Zufallsvariable vorliege. Zetraler Grezwertsatz Aussage
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
MehrAnwendung für Mittelwerte
Awedug für Mittelwerte Grudgesamtheit Stichprobeziehug Zufalls- Stichprobe... "wahre", ubekate Mittelwert der Grudgesamtheit icht zufällig?... beobachtete Mittelwert zufällig Statistik für SoziologIe 1
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrÜbungen mit dem Applet erwartungstreu
Übuge mit dem Applet erwartugstreu Visualisierug vo erwartugstreu Begriffe ud statischer Hitergrud. Visualisieruge mit dem Applet..3. Zufallsstreuug der Eizelwerte...3. Mittelwerte 3.3 Variaz. 4.4 Variaz
MehrInduktive Statistik. Formelsammlung. Prof. Dr. W. Assenmacher. Stichprobenraum: Ω = {ω 1, ω 2,...,ω m }
Prof. Dr. W. Assemacher Statistik ud Ökoometrie Uiversität Duisburg-Esse Campus Esse Iduktive Statistik Formelsammlug Stichproberaum: Ω = {ω 1, ω,...,ω m } Vollstädiges System vo Ereigisse {A 1,..., A
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG 9 - LÖSUNGEN. Ziehug vo Kugel aus eier Ure a. Die Zahl der Permutatio der Kugel, die aus Klasse utereiader gleicher
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
Mehr6 Vergleich mehrerer unverbundener Stichproben
6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die
Mehr10. Intervallschätzung 10.1 Begriff des Konfidenzintervalls
10. Itervallschätzug 10.1 Begriff des Kofidezitervalls Mit uterschiedliche Stichprobe werde verschiedee Puktschätzer für de Parameter der Grudgesamtheit erzielt. We m Stichprobe aus der Grudgesamtheit
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Ihaltsverzeichis 1 Vorbemerkuge 1 Zufallsexperimete - grudlegede Begriffe ud Eigeschafte 3 Wahrscheilichkeitsaxiome 4 4 Laplace-Experimete 6 5 Hilfsmittel aus der Kombiatorik 7 6 Bedigte Wahrscheilichkeite
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrStatistik. 2. Semester. Begleitendes Skriptum zur Vorlesung. im FH-Masterstudiengang. Technisches Management. von. Günther Karigl
Statistik. Semester Begleitedes Skriptum zur Vorlesug im FH-Masterstudiegag Techisches Maagemet vo Güther Karigl FH Campus Wie 06/7 Statistische Schätzverfahre Statistische Schätzverfahre Währed die deskriptive
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 8.1 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12.075, p-wert: 0.0168 f χ
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrBernoulli-Experiment und Binomialverteilung
IV Beroulli-Exerimet ud Biomialverteilug Beroulli-Exerimet ud Beroulliette Defiitio: Zufallsexerimete, bei dee ma sich ur für das Eitrete ( Treffer, Symbol ) oder das Nichteitrete ( Niete, Symbol 0 ) eies
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrFormelsammlung Statistik 29. Januar 2019
Formelsammlug Statistik Seite 1 Formelsammlug Statistik 9. Jauar 019 Witersemester 018/19 Adreas Löpker, HTW Dresde 1. Deskriptive Statistik (F1) Stichprobe x vom Umfag, Stichprobe y vom Umfag m x = (x
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrÜbungen zu QM III Mindeststichprobenumfang
Techische Hochschule Köl Fakultät für Wirtschafts- ud Rechtswisseschafte Prof. Dr. Arreberg Raum 221, Tel. 39 14 jutta.arreberg@th-koel.de Übuge zu QM III Mideststichprobeumfag Aufgabe 12.1 Sie arbeite
MehrUmrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung
.3. Prozetuale Häufigkeitsverteilug (HV) Die prozetuale Häufigkeitsverteilug erlaubt de Vergleich vo Auswertuge, dee uterschiedliche Stichprobegröße zugrude liege. Es köe auch uterschiedliche Stichprobegröße
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
MehrWichtige Verteilungen
Wichtige Verteiluge Gaußsche Glockekurve ormalverteilug Logarithmische ormalverteilug Histogramm mit Glockekurve 3 Biomial- oder Beroulli-Verteilug Poisso-Verteilug Hypergeometrische Verteilug Epoetialverteilug
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrTESTEN VON HYPOTHESEN
TESTEN VON HYPOTHESEN 1. Grudlage Oft hat ma Vermutuge zu Sachverhalte ud möchte diese gere durch Experimete bestätige. Dabei ka es sich i der Praxis zum Beispiel um Verteiluge vo gewisse Zufallsgröße
MehrDer χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?
Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
Mehr3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr Dauer der
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrStochastik. Bernoulli-Experimente und Binomialverteilung. Allg. Gymnasien: ab J1 / Q1 Berufl. Gymnasien: ab Klasse 12.
Stochastik Allg. Gymasie: ab J / Q Berufl. Gymasie: ab Klasse 2 Alexader Schwarz www.mathe-aufgabe.com August 208 Aufgabe : Ist der Zufallsversuch eie Beroulli-Kette? We ja, gib die Läge ud die Trefferwahrscheilichkeit
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
MehrTeil II Zählstatistik
Teil II Zählstatistik. Aufgabestellug. Vergleiche Sie experimetelle Zählverteiluge mit statistische Modelle (POISSON-Verteilug ud Normalverteilug) 2. Theoretische Grudlage Stichworte zur Vorbereitug: Impulszahl,
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
Mehr10. Testen von Hypothesen Seite 1 von 6
10. Teste vo Hypothese Seite 1 vo 6 10.1 Eiführug i das Teste vo Hypothese Eie Hypothese ist eie Vermutug bzw. Behauptug über die Wahrscheilichkeit eies Ereigisses. Mit Hilfe eies geeigete Tests (=Testverfahre)
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrPflichtlektüre: Kapitel 10 Grundlagen der Inferenzstatistik
Pflichtlektüre: Kapitel 10 Grudlage der Iferezstatistik Überblick der Begriffe Populatio Iferezstatistik Populatiosparameter Stichprobeverteiluge Auch Stichprobekewerteverteiluge Wahrscheilichkeitstheorie
MehrZentraler Grenzwert Satz
Zetraler Grezwert Satz Aufgabe Aufgabe 1 Um ihr Studium zu fiaziere jobbe Sie ebebei als Iterviewer ud befrage bei eier ihrer Missioe zufällig Wahlberechtigte um das Wahlergebis eier bestimmte Partei vorherzusage.
MehrEreignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)
Kapitel 10 Statistik 10.1 Wahrscheilichkeit Das Ergebis eier Messug oder Beobachtug wird Ereigis geat. Ereigisse werde mit de Buchstabe A, B,...bezeichet. Die Messug eier kotiuierliche Variable x gibt
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrParameterschätzung. Numero, pondere et mensura Deus omnia condidit
Parameterschätzug Numero, podere et mesura Deus omia codidit Populatio, Zufallsvariable, Stichprobe Populatio Zufallsvariable X Stichprobe x eie"realisierug vo X (Beobachtug) alle mäliche Rekrute der US
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
Mehr