Stichprobenanweisungen n-c : Simulation und Berechnungen
|
|
- Gertrud Kathrin Hofer
- vor 7 Jahren
- Abrufe
Transkript
1 HTL Saalfelden Stichrobensysteme Seite von 2 Wilfried Rohm wrohm@aon.at Stichrobenanweisungen n-c : Simulation und Berechnungen INHALT Prinzi einer n-c-stichrobenanweisung Simulation der Stichrobenentnahme, Ermittlung der OC Wie hängt der Verlauf der OC von den Parametern n und c ab? Berechnung der charakteristischen 9 / - Werte Prüfaufwand Durchschluf, Durchschlufkurve und maximaler Durchschluf Vergleich der Berechnung mit Binomial- und Poissonverteilung Der AQL-Wert: Bedeutung und Interretation ) Prinzi einer n-c-stichrobenanweisung zurück zum INHALT Bei Stichrobensystemen handelt es sich um eine leicht verständliche Methode der statistischen Qualitätssicherung. Stichroben ersetzen in vielen Fällen -%-Prüfungen, insbesondere bei zerstörenden Prüfungen oder Prüfungen an nicht allzu kritischen Teilen (d.h. ein gewisser durchschlüfender Fehleranteil kann verkraftet werden.) bzw. Prüfungen, die sonst nicht wirtschaftlich durchführbar sind. In der Praxis wird eine Vielzahl unterschiedlicher Stichrobensysteme verwendet. Hier beschränken wir uns auf den einfachsten und bekanntesten Fall einer sogenannten Einfachstichrobenanweisung für qualitative Merkmale beschränken. "Qualitativ" soll heißen, daß die Prüfung eines Teiles nur auf der Basis gut oder schlecht (bzw. fehlerfrei oder fehlerhaft) erfolgt. Beisiel : Monatlich werden 2. Sritzgußteile bestimmter Sezifikation an eine Firma geliefert. Der Lieferant hat zugesichert, daß höchstens % dieser Sritzgußteile unbrauchbar sind. Damit erklärt sich die Firma einverstanden, jedoch soll diese Angabe des Lieferanten im Wareneingang stichrobenartig überrüft werden. Aus der Norm DIN ISO (AQL-Stichrobensystem) wurde folgende Stichrobenanweisung herausgelesen: n c = 35 7 Was bedeutet diese Stichrobenanweisung? Aus dem Losumfang N=2. soll eine Stichrobe von n=35 Sritzgußteilen entnommen und gerüft werden. Die Zahl c wird Annahmezahl genannt, das bedeutet: Sind bis zu 7 fehlerhafte Teile unter den 35 gerüften Teilen, so gilt das Los im obigen Sinne als "o.k." und wird angenommen. Werden mehr als 7 fehlerhafte Teile gefunden, so wird das Los abgelehnt bzw. rückgewiesen. Was dann zu tun ist, muß vertraglich geregelt sein (z.b.: Reklamation / Rücksendung an den Lieferanten).
2 HTL Saalfelden Stichrobensysteme Seite 2 von 2 Fragestellungen Offensichtlich ist eine Stichrobenentnahme mit einem bestimmten Risiko verbunden. So können etwa "zufälliger Weise" mehr als 7 schlechte unter den 35 untersuchten Teilen sein, obwohl in der gesamten Lieferung der Ausschußrozentsatz kleiner als % ist. Auf der anderen Seite könnte es sein, daß "zufälliger Weise" die Anzahl der gefundenen Schlecht-stücke 7 ist, obwohl der Ausschußrozentsatz in der gesamten Lieferung größer als % ist. Zur Abschätzuung dieser Risiken müssen etwa folgende Fragen beantwortet werden können: a) Wie groß ist beisielsweise die Wahrscheinlichkeit, daß die Lieferung angenommen wird, wenn die Lieferung gerade 2% fehlerhafte Teile enthält? Umgekehrt: Bei welchem Fehlerrozentsatz beträgt die Annahmewahrscheinlichkeit genau 9%? b) Wie groß ist die Anzahl der durchschlüfenden fehlerhaften Teile für einen bestimmten vorgegebenen Ausschußrozentsatz? c) Bei welchem Ausschußrozentsatz ist dieser Durchschluf maximal? Bei der Beantwortung dieser Fragen stößt man sehr schnell auf Grenzen, was die raktische Berechenbarkeit ohne Comuterrogramm oder CAS-Programm betrifft. Daher gibt es auch umfangreiche Tabellen. Gerade deshalb ist es aber sehr reizvoll, diese (rein gedanklich) nicht allzu schweren Fragen mittels Mathcad zu lösen. 2) Simulation der Stichrobenentnahme, Ermittlung der OC zurück zum INHALT Wir wollen die Stichrobennahme einer Lieferung simulieren, die einen konstanten "Schlechtanteil" aufweist und die mittels einer n-c-anweisung auf Annahme überrüft werden soll. (n Teile werden gerüft, Annahme der Lieferung, wenn höchstens c schlechte darunter sind) Indem wir anschließend die Größe variieren, können wir ermitteln, wie häufig es zu einer ANNAHME bzw. RÜCKWEISUNG kommt und dies schließlich mit den theoretischen Wahrscheinlichkeiten vergleichen. Die Versuchsentnahme entsricht (wegen dem konstanten Schlechtanteil ) dem Versuchsschema der Binomialverteilung. Daher können wir mittels der Funktion rbinom die Simulation durchführen. (Hinweis: rbinom liefert einen Vektor!) n := 5 c := 2 :=.2 N := Anzahl der Simulationen simulation := rbinom( N, n, ) simulation T = Man exerimientiere mit unrterschiedlichen Werten von! Wir wollen nun die relative Häufigkeit der Annahme der Lieferung in einem Diagramm für verschiedene Werte von (unktweise) darstellen und mit der "theoretischen" Annahmewahrscheinlichkeit in Abhängigkeit vom Ausschußrozentsatz vergleichen - diese Kurve wird OPERATIONSCHARTAKTERISTIK (OC) genannt. Die Berechnung erfolgt mittels der Verteilungsfunktione G(x) der Binomialverteilung.
3 HTL Saalfelden Stichrobensysteme Seite 3 von 2 Zunächst die reine Simulation (Mathcad-Programm) annahmehäufigkeit( N, n, c, ) := sum simulation rbinom( N, n, ) for i.. N sum sum + if simulation i c N Simulationen durchführen und im Feld "simulation" seichern Die Annahmen zählen... sum N annahmehäufigkeit(, 5, 2,.5) =.56 Beisiel für den Aufruf Rückgabe der relativen Häufigkeit für die Annahme Simulation: N sim := n := 5 c := 3 :=,....2 Anzahl der Simulationen (für jedes ) Simulation der n-c-anweisung (für nochmalige Simulation das Grafikfenster anklicken und F9 drücken!) ( ) annahmehäufigkeit N sim, n, c,.5 Vergleich der Simulation mit rechnerischen Werten Definition der Binomialverteilung g bi ( x, n, ) := dbinom( x, n, ) Wahrscheinlichkeit für genau x schlechte in Stichrobe (n) G bi ( x, n, ) := binom( x, n, ) Wahrscheinlichkeit für höchstens x schlechte in Stichrobe(n) Für die Annahmewahrscheinlichkeit Pa= P( x c) gilt: Pa(, n, c) := binom( c, n, ) N sim := n := 5 :=,....3 :=,....2 c := 3 Festzulegende Werte (n-c-anweisung) und N (Anzahl der Simulationen) Werte für die berechnete Kurve Werte in größeren Schritten für die Simuilation Pa(, n, c) ( ) annahmehäufigkeit N sim, n, c, ,
4 HTL Saalfelden Stichrobensysteme Seite 4 von 2 3) Wie hängt der Verlauf der OC von den Parametern n und c ab? zurück zum INHALT OC=Annahmewahrscheinlichkeit der Einfachstichrobe n-c Pa(, n, c) := G bi ( c, n, ) :=,....2 Pa(, 5, 2) Pa(, 5, 3) Pa(,, 3) ) Berechnung der charakteristischen 9 / - Werte zurück zum INHALT In der Praxis werden zur Charakteristik einer Stichrobenanweisung häufig 2 Punkte angegeben, die in Kürze den Verlauf der OC beschreiben können: 9... Das ist jener Ausschussrozentsatz in der Grundgesamtheit, bei dem die Annahmewahrscheinlichkeit 9% beträgt.... Das ist jener Ausschussrozentsatz in der Grundgesamtheit, bei dem die Annahmewahrscheinlichkeit % eträgt. Anmerkung: Die Berechnung dieser Größen gelingt im allgemeinen nur numerisch, da z.b. bei der Stichrobenanweisung 35-7 dazu bereits Gleichungen 35.Grades zu lösen sind!! Dies kann man allerdings nur dann demonstrieren, wenn man für die Binomialverteilung eigene Definitionen verwendet, etwa so: n! g bi ( x, n, ) := x! ( n x)! Pa(, n, c) := Pa, 35, 7 c k = ( ).9 g bi ( k, n, ) = x ( ) n x ( ) ( ) 34 ( )
5 HTL Saalfelden Stichrobensysteme Seite 5 von 2 Variante zur Berechnung mit numerischen Lösungsblock: :=. :=.5 Vorgabe 9 := Vorgabe Pa(, n, c) =.9 suchen( ) Pa(, n, c) =. 9 =.22 n := 5 c := 2 Startwert für die numerische Suche nach der Lösung := suchen( ) =.3 :=, Pa(, n, c) ) Prüfaufwand zurück zum INHALT Prüfaufwand: wieviel Stück werden im Mittel bei bestimmtem Ausschußrozentsatz gerüft = Erwartungswert des Stichrobenumfanges N... Losumfang ; n... Stichrobenumfang N := n = 5 c = 2 n mittel ( ) := Pa(, n, c) n + N ( Pa(, n, c) ) Begründung: Bei Annahme des Loses werden nur n Stück gerüft, bei Rückweisung erfolgt eine Sortierrüfung (alle N Stück werden gerüft) Einige Werte in Abhängigkeit vom Ausschußrozentsatz zeigen: bei schlechter Qualität wird die Prüfung teuer!! n mittel ( ) = 5 n mittel (.) = n mittel (.2) = n mittel (.5) =
6 HTL Saalfelden Stichrobensysteme Seite 6 von 2 6) Durchschluf, Durchschlufkurve und maximaler Durchschluf Durchschluf D: Darunter versteht man den mittleren ANTEIL fehlerhafter Einheiten in den eingehenden Losen (also jener Schlechtanteil, der trotz Stichrobenrüfung "durchschlüft"). Bei der folgenden Berechnungsformel wird vorausgesetzt, dass rückgewiesene Lose sortiergerüft werden. D(, N) := Pa(, n, c) N n N N... Losumfang (Grundgesamtheit) n... Stichrobenumfang c... Annahmezahl der n-c-anweisung... Anteil der Schlechtstücke im Los Erläuterung: *Pa()... W., daß die Lieferung angenommen wird UND dass ein Stück schlecht ist. N-n... die ANZAHL der nicht gerüften Stücke (bei Annahme des Loses) (N-n)/N... der ANTEIL der nicht gerüften Stücke im Vergleich zum Losumfang zurück zum INHALT An welcher Stelle wird der Durchschluf maximal (Extremwertaufgabe): AOQL -Wert n := 5 c := 2 :=.3 Schätzwert für die Lösung d aoql wurzel d D(, ) :=, aoql =.4469 :=,....2 D(, ) aoql D(, 25).2 D(, 5) D(, ) D(, ) Interretation: * Die Stelle des Maximums ist vom Losumfang N unabhängig (mathematisch logisch!) * Für großes N gilt : D ist ungefähr Pa()*
7 HTL Saalfelden Stichrobensysteme Seite 7 von 2 Gegenüberstellung zwischen OC und Durchschlufkurve.9 9 Pa(, n, c) D(, N) ) Vergleich der Berechnung mit Binomial- und Poissonverteilung zurück zum INHALT In der Praxis wird seziell im Bereich der Stichrobensysteme gerne mit der einfacher handzuhabenden Poissonverteilung statt der Binomialverteilung gerechnet. Allgemein kann die Poissonverteilung als Näherung der Binomialverteilung für kleines und "nicht zu kleines" n sehr gut verwendet werden. Da diese Bedingungen gerade bei Stichrobensystemen im normalen Anwendungsfall erfüllt sind, sind etwaige Ungenauigkeiten vernachlässigbar. [Es sei ergänzt, dass derartige Näherungen im Zeitalter der Comuteralgebrasysteme nicht mehr so bedeutend sind (wie früher).] Wir demonstrieren dies hier an Hand des OC-Verlaufes, einmal mit der Binomial-, das andere Mal mit der Poissionverteilung berechnet. G bi ( x, n, ) := binom( x, n, ) G o ( x, µ ) := ois( x, µ ) Pa bi (, n, c) := G bi ( c, n, ) Pa o ( µ, c) := G o ( c, µ ) Man exerimentiere mit verschiedenen Werten von n und und interretiere das Ergebnis: n := 5 c := 3 Pa bi (, n, c) Pa o ( n, c)
8 HTL Saalfelden Stichrobensysteme Seite 8 von 2 8) Der AQL-Wert: Bedeutung und Interretation zurück zum INHALT Der Praktiker verwendet für die Charakterisierung der statistischen Risiken einer Stichrobenanweisung (die exakt durch die Oerationscharakteristik = OC erfolgt), gerne den sogenannten AQL-Wert. AQL = Acceatable Quality Limit Die genormten Stichrobenvorschriften sind nach derartigen AQL-Werten geordnet, z.b: AQL =,25,4,65,,5 2,5 4, 6.5 Eine Stichrobenvorschrift, die bei AQL =, zu finden ist, wurde so festgelegt, dass bis zu % Anteil fehlerhafter Einheiten im Los gemäß dieser Stichrobenvorschrift eine hohe Annahmewahrscheinlichkeit (in der Regel über 9%) gegben ist. In der Norm ISO 2859 findet man u.a. folgende n-c-prüfanweisungen bei AQL=, n-c = Die sezielle Wahl hängt übrigens in erster Linie vom Losumfang N ab Pa(, n, c) := G bi ( c, n, ) AQL :=. :=,....2 Pa(, 3, ) Pa(, 5, ) Pa(, 8, 2) Pa(, 25, 3) Pa(, 2, 5) Pa(, 35, 7).2. AQL Wir sehen aus diesem Schaubild: * Der AQL-Wert soll eine ungefähre Ahnung vom Verlauf der OC vermitteln. * Bis zum AQL-Wert (in Prozent) wird "eine hohe Annahmewahrscheinlichkeit" garantiert! Im seziellen erhalten wir folgende Annahmewahrscheinlichkeiten beim AQL-Wert % Pa(., 3, ) =.878 Pa(., 5, ) =.9 Pa(., 8, 2) =.953 Pa(., 25, 3) =.963 Pa(., 2, 5) =.984 Pa(., 35, 7) =.985
9 HTL Saalfelden Stichrobensysteme Seite 9 von 2
10 HTL Saalfelden Stichrobensysteme Seite von 2 ( ) 32 ( ) 3 ( )
11 HTL Saalfelden Stichrobensysteme Seite von 2
12 HTL Saalfelden Stichrobensysteme Seite 2 von 2 ( ) ( ) 38 =.9
Simulation einer Binomialverteilung
HTL Saalfelden Simulation einer Binomialverteilung Seite 1 von 7 Wilfried Rohm wrohm@aon.at Simulation einer Binomialverteilung Mathematische / Fachliche Inhalte in Stichworten: Binomialverteilung, Simulation
MehrBinomialverteilung Vertrauensbereich für den Anteil
Übungen mit dem Applet Binomialverteilung Vertrauensbereich für den Anteil Binomialverteilung Vertrauensbereich für den Anteil 1. Statistischer Hintergrund und Darstellung.... Wie entsteht der Vertrauensbereich?...
Mehr1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen
6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei
Mehr11. Approximation der Binomialverteilung durch die Normalverteilung
7. Approximation der Binomialverteilung durch die Normalverteilung Die Berechnung der Binomialverteilung ist wegen der Binomialkoeffizienten nicht unproblematisch. Man kann sie deshalb in gewissen Fällen
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
Mehr2. Stichproben-Verfahren in der Annahmekontrolle
2. Stichproben-Verfahren in der Annahmekontrolle Stichwörter: Einfacher Prüfplan, zweifacher Prüfplan, Ausschussanteil, Operations-Charakteristik, OC-Kurve, Annahmegrenze, AQL, Ablehngrenze, LTPD, LQ,
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrAQL. 9. Statistisches Qualitätsmanagement 9.3 Statistische Methoden der Warenannahme (AQL)
9.3 Statistische Methoden der Warenannahme (AQL) AQL Vorlesung Qualitätsmanagement, Prof. Dr. Johann Neidl Seite 1 Um was geht es? Stichprobensysteme insbesondere für Eingangsprüfungen. Diese werden durch
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
MehrStatistiktraining 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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrPrüfungsteil 2, Aufgabe 8 Stochastik
Prüfung Mathematik Nordrhein-Westfalen 2013 (LK) Aufgabe 8: (WTR) Abitur Mathematik: Prüfungsteil 2, Aufgabe 8 Nordrhein-Westfalen 2012 LK Aufgabe a (1) und (2) 1. SCHRITT: VERTEILUNG ANGEBEN Da die Anzahl
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrDefinition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch
Kapitel 4 Diskrete Verteilungen 4.1 Bernoulli-Verteilung Definition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch È Üµ ½ für Ü ¼ für Ü ½ ¼ sonst Die Bernoulli-Verteilung
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
MehrWHB11 - Mathematik. AFS II: Umgang mit Zufall und Wahrscheinlichkeiten. Thema: Summierte Binomialverteilung
Binomialverteilung Bisher haben wir berechnet, wie groß die Wahrscheinlichkeit dafür ist, dass bei einer Bernoulli-Kette n der Länge genau k Treffer auftreten. Die Formel dafür war: B (n;p;k) = P (X=k)
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 17.3.21 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrKostenoptimiert Prüfen Prüfen oder Nicht-Prüfen?
QUALITY-APPs Applikationen für das Qualitätsmanagement Kostenoptimiert Prüfen Prüfen oder Nicht-Prüfen? Autor: Dr. Konrad Reuter Lohnt sich der interne Aufwand für Prüfen, Sortieren und Nacharbeiten gegenüber
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 24.2.214 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrPrüfungsteil 2, Aufgabe 8 Stochastik
Prüfung Mathematik Nordrhein-Westfalen 2013 (LK) Aufgabe 7: (WTR) Abitur Mathematik: Prüfungsteil 2, Aufgabe 8 Nordrhein-Westfalen 2012 GK Aufgabe a (1) und (2) 1. SCHRITT: VERTEILUNG ANGEBEN Da die Anzahl
MehrTest mit Binomialverteilung: Meinungsumfragen
7. 7 Test mit Binomialverteilung: Meinungsumfragen Problemstellung: Wie viele stimmen ja? Der Vorstand einer grossen Gewerkschaft möchte deren Statuten in einem wichtigen Punkte ändern. Über die Änderungen
MehrVU mathematische methoden in der ökologie: räumliche verteilungsmuster 1/5 h.lettner /
VU mathematische methoden in der ökologie: räumliche verteilungsmuster / h.lettner / Analyse räumlicher Muster und Verteilungen Die Analyse räumlicher Verteilungen ist ein zentrales Gebiet der ökologischen
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
Mehrentschieden hat, obwohl die Merkmalsausprägungen in der Grundgesamtheit voneinander abhängig sind.
Bsp 1) Die Wahrscheinlichkeit dafür, dass eine Glühbirne länger als 200 Stunden brennt, beträgt 0,2. Wie wahrscheinlich ist es, dass von 10 Glühbirnen mindestens eine länger als 200 Stunden brennt? (Berechnen
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
MehrHTL Saalfelden Taylorreihen Seite 1 von 13. Wilfried Rohm
HTL Saalfelden Taylorreihen Seite von 3 Wilfried Rohm wrohm@aon.at Taylorreihen Mathematische / Fachliche Inhalte in Stichworten: Approximation von Funktionen durch Taylorpolynome, Integration durch Reihentwicklung,
MehrAlternativtest Einführung und Aufgabenbeispiele
Alternativtest Einführung und Aufgabenbeispiele Ac Einführendes Beispiel: Ein Medikament half bisher 10% aller Patienten. Von einem neuen Medikament behauptet der Hersteller, dass es 20% aller Patienten
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
Mehrˆ Die Verluste der einzelnen Perioden sind in den ersten zehn Perioden stochastisch
Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@th-koeln.de Übungen zu QM III (Wirtschaftsstatistik) Binomialverteilung
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrKapitel 6: Statistische Qualitätskontrolle
Kapitel 6: Statistische Qualitätskontrolle 6. Allgemeines Für die Qualitätskontrolle in einem Unternehmen (produzierendes Gewerbe, Dienstleistungsunternehmen, ) gibt es verschiedene Möglichkeiten. Statistische
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
MehrFF Düsseldorf WS 2007/08 Prof. Dr. Horst Peters. Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6
Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6 (Wahrscheinlichkeitsrechnung, Verteilungen) 1. Eine Illustrierte veranstaltet wöchentlich ein Ratespiel,
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrAQL-Stichproben. Losgröße Prüfniveau AQL-Zahl. Stichprobenanweisung nach Tab 3 bzw 4
Um was geht es? Für Eingangs- Zwischen- und Endprüfungen müssen Stichprobensysteme gefunden werden. Diese werden durch die Normen ISO2859 und ISO3951 zur Verfügung gestellt. Wozu dient das Stichprobensystem?
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
MehrAbbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrTeilaufgabe 1.0 In einem Karton befinden sich 50 Bauteile, von denen genau vier fehlerhaft sind.
Abiturprüfung Berufliche Oberschule 2008 Mathematik 13 Technik - B I - Lösung Ein Autoteilezulieferer stellt für eine Autofirma ein aufwändiges elektronisches Bauteil her. Langfristig stellt man fest,
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrSBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf. SBP Mathe Aufbaukurs 1
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf SBP Mathe Aufbaukurs 1 # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das
MehrAbiturprüfung Mathematik, Grundkurs
Seite 1 von 8 Abiturrüfung 2009 Mathematik, Grundkurs Aufgabenstellung Die folgende Tabelle zeigt die Häufigkeit der Blutgruen in Deutschland in Prozent. Blutgrue A 0 B AB Rh+ 37 35 9 4 Rh 6 6 2 1 Quelle:
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehrnumerische Berechnungen von Wurzeln
numerische Berechnungen von Wurzeln. a) Berechne x = 7 mit dem Newtonverfahren und dem Startwert x = 4. Mache die Probe nach jedem Iterationsschritt. b) h sei eine kleine Zahl, d.h. h. Wir suchen einen
MehrBeispielseite (Band 1) 2. Ganzrationale Funktionen 2.4 Nullstellen bei Funktionen 3. Grades
Beispielseite (Band ). Ganzrationale Funktionen.4 Nullstellen bei Funktionen. Grades Funktionen. Grades ohne Absolutglied Bei ganzrationalen Funktionen. Grades ohne Absolutglied beginnt die Nullstellenberechnung
MehrAbiturprüfung Mathematik, Leistungskurs. Die folgende Tabelle zeigt die Häufigkeit der Blutgruppen in Deutschland in Prozent.
Seite 1 von 8 Abiturrüfung 2009 Mathemati, Leistungsurs Aufgabenstellung Die folgende Tabelle zeigt die Häufigeit der Blutgruen in Deutschland in Prozent. Blutgrue A 0 B AB Rh+ 37 35 9 4 Rh 6 6 2 1 Quelle:
MehrStochastik 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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrVorlesung Stetige Verteilungen / Mathematische Behandlung
B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,
MehrEinführung Mathcad Prime 3
bernhard.nietrost@htl-steyr.ac.at Seite 1 von 17 Einführung Mathcad Prime Mathematische / Fachliche Inhalte in Stichworten: Verwendung der für den Schulgebrauch wichtigsten mathematischen Funktionen: Erstellen
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) n heisst für uns n gross Literatur Kapitel 7 * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrVerarbeitung von Messdaten
HTL Steyr Verarbeitung von Messdaten Seite von 8 Bernhard Nietrost, HTL Steyr Verarbeitung von Messdaten Mathematische / Fachliche Inhalte in Stichworten: Regression, Polynominterpolation, Extremwertberechnung,
MehrStochastik: Binomialverteilung Stochastik Die 4 Grundaufgaben bei der Binomialverteilung Gymnasium ab Klasse 10
Stochastik Die 4 Grundaufgaben bei der Binomialverteilung Gymnasium ab Klasse 10 Alexander Schwarz www.mathe-aufgaben.com November 2013 1 Hinweis: Für die Aufgaben darf der GTR benutzt werden. Erste Grundaufgabe:
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: X
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrangetex,v 18 01/11/09 14:07:08 hk Exp $ $Id: untermfgtex,v 14 01/11/1 10:00:34 hk Exp hk $ Extrema unter Nebenbedingungen Lagrange-Multiplikatoren In der letzten Sitzung hatten wir begonnen die
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
Mehr7 Ergänzungen zum Training Qualitätsmanagement auf CD-ROM
7 Ergänzungen zum Training Qualitätsmanagement auf CD-ROM Die im Buch enthaltene CD-ROM kann mit einem Standard-PC mit dem Betriebssystem Microsoft Windows (98, Me, NT, 2000 oder XP) verwendet werden.
MehrPrüfung aus Statistik 1 für SoziologInnen- Gruppe A
Prüfung aus Statistik 1 für SoziologInnen- Gruppe A 26. Juni 2012 Gesamtpunktezahl =80 Prüfungsdauer: 2 Stunden 1) Wissenstest (maximal 20 Punkte) Lösungen Kreuzen ( ) Sie die jeweils richtige Antwort
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrKapitel 3: QM in der Beschaffung Wiederholungs- und Verständnisfragen
Nennen Sie die Aufgaben des s im Beschaffungsprozess Nennen Sie die Punkte in einer vereinbarung Was ist ein Erstmuster Nennen Sie Aspekte einer Lieferantenbewertung für Wirtschaftsingenieure Grenzen der
MehrAufgabe 5: Stochastik
Abitur Aufgabe 5: Stochasti zugelassene Hilfsmittel: Wissenschaftlicher Taschenrechner Eine Firma stellt Bodenfliesen aus Kerami her. Damit eine Fliese als 1. Wahl gilt, muss sie strenge Qualitätsnormen
MehrVorlesung Statistik WING ASW Melanie Kaspar, Prof. Dr. B. Grabowski 1
Melanie Kaspar, Prof. Dr. B. Grabowski 1 Aus diesen Eigenschaften lassen sich alle weiteren Eigenschaften ableiten: Beweis zu 1) Melanie Kaspar, Prof. Dr. B. Grabowski 2 Aufgabe Die Wahrscheinlichkeit
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrW-Statistik-Klausur
W-Statistik-Klausur 06.07.06 Aufgabe Auf einem Flughafen kann die Wartezeit zwischen zwei Anschlussflügen als normalverteilt mit dem Erwartungswert 0 Minuten und der Standardabweichung 60 Minuten angesehen
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 21. Januar 2016 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Punkte: 15, 15, 12, 14, 16, 18 ; Summe der Punkte: 90 Aufgabe 1 15 Punkte Bei
Mehr