Kapitel 1: Elemente der Statistik

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Kapitel 1: Elemente der Statistik"

Transkript

1 1 Kapitel 1: Elemente der Statistik 1.1 Beispiel Ein Elektromarkt erhält eine Lieferung von N = Glühbirnen. Darunter ist eine unbekannte Anzahl h defekt, wobei h 0 1 = {0, 1,..., N}. Um Kenntnisse über h zu gewinnen, wird der Lieferung eine zufällige Stichprobe vom Umfang n = 50 entnommen (Ziehen ohne Zurücklegen) und die (zufällige) Anzahl Z der defekten Glühbirnen in der Stichprobe festgestellt. Z ist eine ZV mit Werten in Q := {0, 1,..., n} und mit der Verteilung P Z = Hyp(n, h, N) mit unbekanntem h 0 1, also P Z 0 W Z = {w h : h 0 1}, wobei w h = Hyp(n, h, N), h 0 1. Wir betrachten drei statistische Methoden: a) Punkt- oder Parameterschätzung: Angabe eines Schätzwerts für h. Ist Z = z, so wird vermutlich z : n. h : N, also h. NAz/n sein. Man wählt daher (z.b.) als "Schätzfunktion" W: Q 6 1 gemäß W(z) = NAz/n (bzw. diejenige ganze Zahl, die dieser Zahl am nächsten liegt). Die ZV W(Z) heißt "Schätzer". Siehe Kapitel 2. b) Bereichsschätzung (mit Fehlerangabe): Für Z = z wird ein Bereich (meist ein Intervall) C(z) angegeben derart, daß C(Z) das "wahre" h mit möglichst großer Wahrscheinlichkeit enthält, also w h(c(z) h h) $ 1 - " für alle h 0 1, wobei " klein (z.b. = 0.01). Die Funktion z 6 C(z); z 0 Q heißt dann Konfidenzbereich (Konfidenzintervall) zum Irrtumsniveau ". Siehe Kapitel 3. c) Test: Angabe einer Entscheidungsregel zur Wahl zwischen zwei Alternativen Der Marktleiter will die Lieferung nur dann akzeptieren, wenn der Anteil defekter Glühbirnen höchstens 5 % beträgt, also wenn h # 500 ist. Nullhypothese H 0 : h := {0, 1,..., 500}, Gegenhypothese H 1 : h := {501,..., 10000}. Bestimme dazu ein geeignetes c 0 Q und entscheide für H 0, falls Z # c, bzw. für H 1, falls Z > c. Dabei soll w h (Z > c) klein (bzw. groß) sein für h (bzw. h ). Siehe Kapitel Grundmodell: der statistische Raum Ein statistischer Raum (oder statistisches Modell) ist ein Tripel (Q, G, W). Dabei ist (Q, G) ein Ereignisraum, der sogenannte Stichprobenraum, und W eine Menge von Verteilungen (W- Maßen) auf (Q, G). Als Vorstellung liegt dem die Beobachtung einer Q-wertigen Zufallsvariablen Z zugrunde mit unbekannter Verteilung P Z 0 W Z = W, der Menge aller möglichen Verteilungen von Z. Z heißt auch Beobachtung, oder Messung, oder Stichprobe. Eine Realisierung z 0 Q von Z heißt Beobachtungswert, oder Meßwert, oder Meßergebnis. W liegt häufig in parametrisierter Form vor: W = {w h : h 0 1} mit der Parametermenge (dem Parameterbereich) 1. (Dies ist zunächst keine Einschränkung; man kann ja 1 = W wählen.) Wir setzen dann stets voraus: h h' Y w h w h'. Bemerkung: Die mit dem statistischen Raum (Q, G, W Z ) verbundene ZV Z ist auf einem "Grundraum" (S, A) definiert: Z: S 6 Q. In der Statistik spielt die Struktur dieses Grundraums (sowie die Abbildungsvorschrift von Z) keine Rolle, weshalb man auf diese Angaben in der Regel verzichtet. Gegebenenfalls könnte man z.b.(s, A) = (Q, G) und Z = id setzen. 1.3 Spezielle statistische Räume Sei (Q, G, W Z ) ein statistischer Raum, wobei W Z = {w h : h 0 1}. Der statistische Raum (Q, G, W Z ) heißt parametrisch (ein parametrisches statistisches Modell), falls ein d 0 ù mit 1 d ú d

2 2 existiert (für d = 1 einparametrisch) diskret, falls Q höchstens abzählbar und G = -(Q) ist stetig, falls ein n 0 ù existiert derart, daß Q eine Borelsche Teilmenge des ú n und G die F-Algebra der Borelschen Teilmengen von Q ist, und falls für jedes h 0 1 w h stetig ist Standardraum, falls (Q, G, W Z ) diskret oder stetig ist. Bemerkung: Sei (Q, G, W Z ) ein Standardraum. Im diskreten Fall bezeichne < das Zählmaß auf Q und für jedes h01 f h die Zähldichte (= W- Funktion, Massefunktion) von w h ; im stetigen Fall bezeichne < das Lebesguemaß (auf einem geeigneten ú n ) und für jedes h01 f h eine Lebesguedichte von w h. In jedem der beiden Fälle gilt für alle B0G und alle h01: w h (B) = I B f h d<. Wir nennen (sowohl im diskreten wie im stetigen Fall) f h Likelihood(funktion). 1.4 Produkträume Sei (E, E, W X ) ein statistischer Raum und sei n0ù. Dabei sei W X = {p h : h 0 1}. Setze Q = E n, G = E, W Z = W X :={p h h 0 1}. (Q, G, W Z ) heißt dann der n-fache Produktraum von (E, E, W X ). Interpretation: W X ist die Menge der möglichen Verteilungen einer E-wertigen Zufallsvariablen X. Man betrachtet nun eine "einfache X-Stichprobe Z = (X 1,..., X n ) vom Umfang n", d.h. n unabhängige und identisch wie X verteilten Zufallsvariabeln X 1,..., X n. Der n-fache Produktraum ist dann "der zur X-Stichprobe vom Umfang n gehörige statistische Raum". Bemerkungen 1. Ist (E, E, W X ) parametrisch, so auch (E n, E, W X ). 2. Ist (E, E, W X ) ein Standardraum, so auch (E n, E, W X ). Genauer gilt für h01: hat p h 0 W X die Likelihood D h, so hat w h = p h 0 W X die Likelihood f h (x 1,..., x n ) = D h (x 1 ) A...A D h (x n ) für alle (x 1,..., x n ) 0 E n. Sprechweise: Sind X 1,..., X n unabhängige und identisch verteilte Zufallsvariablen, so heißt Z = (X 1,..., X n ) eine einfache Stichprobe vom Umfang n. Beispiele 1. E = {0,1}, E = -(E), 1 = [0,1], W X = {B(1,h) h01}. Die W-Funktion von B(1, h) ist D h (x) = h x A(1-h) 1-x ; x 0 E, h01. Für n 0 ù ist dann (Q, G, W Z ) = (E n, -(E n ), W X ) der zu einer Bernoullistichprobe Z = (X 1,..., X n ) mit unbekannter Erfolgswahrscheinlichkeit h gehörige statistische Raum. Für h 0 1 ist die W-Funktion von w h = B(1, h) : f h (x 1,..., x n ) = h s (1-h) n-s ; (x 1,..., x n ) 0 Q = {0, 1} n, wobei s = x x n. Da die Stichprobensumme hier binomialverteilt ist (mit den Parametern n und h) spricht man auch vom Binomialmodell. 2. E = ú, E = B, 1 = ú +0,4,, W X = {N(m,v) (m,v) 0 1}. Die Dichte von N(m,v) ist D m,v (x) = v -1/2 n((x-m)v -1/2 ); x0ú, (m,v) 0 1. Für n0ù ist dann (Q, G, W Z ) = (ú n, B n, W X ) der zu einer normalverteilten Stichprobe Z = (X 1,..., X n ) mit unbekanntem Erwartungswert m und unbekannter Varianz v gehörige statistische Raum. Für (m,v)01 ist die Dichte von N(m,v) : f m,v (x 1,...,x n ) = (2Bv) -n/2 exp{-(1/2v)[(x 1 -m)²+...+(x n -m)²]}; (x 1,..., x n )0ú n.

3 3 Man spricht hier auch von einer "Stichprobe aus einer normalverteilten Grundgesamtheit (mit den unbekannten Parametern m und v)". 1.5 Stichprobenfunktionen Seien X 1,..., X n unabhängige und identisch verteilte reelle Zufallsvariablen, also (X 1,...,X n ) eine einfache reellwertige Stichprobe vom Umfang n. Eine Zufallsvariable vom Typ f(x 1,...,X n ), wobei f eine meßbare Funktion von n Veränderlichen ist, heißt Stichprobenfunktion. Wichtige Spezialfälle sind: a) M(n) := (1/n)(X X n ) das Stichprobenmittel, b) S²(n) := (1/(n-1))((X 1 - M(n))² (X n - M(n))²) die Stichprobenvarianz, c) S(n) := (S²(n)) 1/2 die Stichprobenstandardabweichung (der Stichprobe X 1,...,X n ). Das Entscheidende bei Stichprobenfunktionen ist, daß ihr Wert berechenbar ist, sobald eine Realisierung der Stichprobe vorliegt, also nicht von unbekannten Parametern der zugrundeliegenden Wahrscheinlichkeitsverteilung abhängt. 1.6 Eigenschaften des Stichprobenmittels und der Stichprobenvarianz a) Sei (X 1,...,X n ) eine einfache reellwertige Stichprobe vom Umfang n. Seien X:= X 1, :: = E(X), F 2 := var(x) und m 4 := E[(X-:) 4 ] das vierte zentrierte Moment von X. (Die Existenz dieser Momente sei jeweils - soweit benötigt - vorausgesetzt.) Dann gilt: (i) E(M(n)) = :; (ii) var(m(n)) = F 2 /n; (iii) E(S²(n)) = F 2 ; (iv) var(s²(n)) = (m 4 /n) - F 4 (n-3)/(n(n-1)). b) Sei X:= X 1, X 2,... eine Folge von unabhängigen, identisch verteilten, quadratisch integrierbaren reellen Zufallsvariablen auf einem W-Raum (S, A, P), seien : und F² wie in a), und für jedes n0ù seien M(n) resp. S²(n) das Stichprobenmittel resp. die Stichprobenvarianz der einfachen Stichprobe (X 1,...,X n ). Dann gilt P-f.s. für n64:m(n) 6 : und S²(n) 6 F². 1.7 Die empirische Verteilungsfunktion Sei (X 1,...,X n ) eine einfache reellwertige Stichprobe vom Umfang n. Für alle x0ú sei F n (x) := (1/n)A(Anzahl der k0{1,...,n} mit X k #x). Man beachte, daß F n (x) für jedes x0ú eine ZV (genauer: eine Stichprobenfunktion) ist. F n heißt empirische Verteilungsfunktion zur Stichprobe (X 1,...,X n ). 1.8 Satz von Glivenko-Cantelli (auch "Zentralsatz der Statistik" genannt) Sei X:=X 1, X 2,... eine Folge von unabhängigen und identisch verteilten reellen Zufallsvariablen auf dem W-Raum (S, A, P), F sei die Verteilungsfunktion von X und für jedes n0ù sei F n die empirische Verteilungsfunktion der Stichprobe (X 1,..., X n ). Dann gilt: sup{ F n (x) - F(x) x0ú} 6 0 für n64 P-fast sicher, d.h. die empirische Verteilungsfunktion konvergiert außerhalb einer P-Nullmenge gleichmäßig gegen die "wahre" Verteilungsfunktion. 1.9 Ordnungspermutation und Ordnungsstatistik Sei Z = (X 1,..., X n ) eine einfache reellwertige Stichprobe vom Umfang n; S n sei die Menge aller Permutationen von {1,...,n}. Es existiert eine S n -wertige Zufallsgröße o (auf dem zugrundeliegenden W-Raum) derart, daß X o(1) #... # X o(n) stets. o heißt Ordnungspermutation. Setze für i=1,...,n X i:n := X o(i) (i-te Ordnungsgröße) und O (n) (Z) := (X 1:n,..., X n:n ). Der

4 Zufallsvektor O (n) (Z) heißt (aufsteigende) Ordnungsstatistik zur Stichprobe Z = (X 1,..., X n ) Eigenschaften der Ordnungsstatistik Sei Z = (X 1,..., X n ) eine einfache reellwertige und stetig verteilte Stichprobe vom Umfang n; sei f die Dichte von X 1 und sei j die Indikatorfunktion der Menge J:= {(x 1,...,x n )0ú n x 1 <x 2 <...<x n }. Dann gilt: 1. Die X i sind f.s. paarweise verschieden, die Ordnungspermutation o ist f.s. eindeutig bestimmt und es ist X 1:n <... < X n:n f.s.. 2. o ist gleichverteilt auf S n, d.h. P(o=B) = 1/n! für alle B0S n. 3. Die Ordnungsstatistik O (n) (Z) ist stetig verteilt mit der Dichte ú n h (x 1,...,x n ) 6 n!f(x 1 )A...Af(x n )Aj(x 1,...,x n ). Beispiel: Seien X 1,...,X n unabhängig und identisch +0,1,-gleichverteilt. Dann ist (X 1:n,..., X n:n ) stetig gleichverteilt auf F n := {(x 1,...,x n )0ú n 0<x 1 <...<x n <1} Die Verteilung der i-ten Ordnungsgröße Sei Z = (X 1,..., X n ) eine einfache reellwertige Stichprobe vom Umfang n, (X 1:n,..., X n:n ) sei die zugehörige Ordnungsstatistik, F sei die Verteilungsfunktion von X 1 und für i=1,...,n sei G i die Verteilungsfunktion von X i:n. Dann gilt für alle i=1,...,n n n j n j Gi = F ( 1 F). j j= i Beweis: Seien i0{1,...,n} und x0ú fest. Sei N(x) die Anzahl der k0{1,...,n} mit X k #x. Dann ist N(x) ~ B(n,F(x)) und es gilt X i:n # x ] N(x) $ i. Hieraus folgt die Behauptung. Beispiel: Sei in 1.11 X 1 gleichverteilt auf [0,1]. Dann ist für i=1,...,n X i:n ~ Beta(i,n+1-i) und für 0#p#1: B(n,p){i,...,n} = P(X i:n #p) = Beta(i,n+1-i)([0,p]) Ordnungspermutation und Rangpermutation Sei Z = (X 1,..., X n ) eine einfache reellwertige und stetig verteilte Stichprobe vom Umfang n; sei o die (f.s.) eindeutig bestimmte Ordnungspermutation. Für i=1,...,n sei R(i) := {<=1,...,n X < # X i } : (aufsteigender) Rang von X i. R := (R(1),...,R(n)) ist (f.s.) eine S n -wertige Zufallsgröße und heißt Rangpermutation. Es gilt: R = o -1 (f.s.); R ist gleichverteilt auf S n, d.h. für alle B0S n ist P(R=B) = 1/n!. Wegen und nennt man R und o (rein) zufällige Permutationen Stichprobenquantile Sei (X 1,..., X n) eine einfache reellwertige Stichprobe vom Umfang n, sei F n die zugehörige empirische Verteilungsfunktion und sei " 0 +0,1,. Eine Stichprobenfunktion : ",n heißt ein "- Quantil der Stichprobe (X 1,..., X n ), falls F n (: ",n -) # " # F n (: ",n ) P-fast sicher. Im folgenden sei " 0 +0,1, fest vorgegeben X [n"]+1:n ist ein "-Quantil der Stichprobe (X 1,..., X n ). (Für x0ú ist [x] = max{k0z: k # x}, also die größte ganze Zahl kleiner oder gleich x.) Für jedes "-Stichprobenquantil : ",n gilt: X [n"]:n # : ",n # X [n"]+1:n f.s.

5 Ist n"óz, so ist X [n"]+1:n das f.s. eindeutig bestimmte "-Stichprobenquantil Ist n"0z, so ist jede Stichprobenfunktion : ",n mit X [n"]:n # : ",n # X [n"]+1:n f.s. ein "- Stichprobenquantil. Speziell für "=0.5 gilt: Ist n ungerade, so ist : 0.5,n = X (n+1)/2:n der f.s. eindeutig bestimmte Stichprobenmedian, nämlich das mittlere Element der geordneten Stichprobe X 1:n,..., X n:n. Ist n gerade, so ist jede zwischen X n/2:n und X n/2+1:n gelegene Stichprobenfunktion ein Stichprobenmedian. Häufig wird dann das arithmetische Mittel dieser Größen, also : 0.5,n ' = (X n/2:n + X n/2+1:n )/2 als Stichprobenmedian verwendet Grenzwertsatz für "-Quantile Sei X 1, X 2,... eine Folge von unabhängigen und identisch verteilten Zufallsvariablen auf dem W-Raum (S, A, P), F sei die Verteilungsfunktion von X:=X 1 und " 0 +0,1, derart, daß genau ein x " 0ú existiert mit F(x " ) = " (insbesondere ist dann x " das eindeutig bestimmte "-Quantil von F). Für jedes n0ù sei : ",n ein "-Quantil der Stichprobe (X 1,..., X n ). Dann konvergiert für n64 die Folge (: ",n : n0ù) P-fast sicher gegen x " Satz von Student (W.S. [William Sealey] Gosset, , Chemiker und Statistiker an der Guinness Brauerei, Dublin) Sei (X 1,..., X n ) eine einfache Stichprobe vom Umfang n, wobei X 1 ~ N(:,F 2 ). Dann gilt: 1) M(n) ist ebenfalls normalverteilt mit Erwartungswert : und Varianz F 2 /n; 2) (n-1)s²(n)/f² ist P 2 -verteilt mit n-1 Freiheitsgraden; 3) M(n) und S²(n) sind unabhängig; 4) T := (M(n) - :)n 1/2 /S(n) ist t-verteilt mit n-1 Freiheitsgraden.

Chi-Quadrat-Verteilung

Chi-Quadrat-Verteilung Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist

Mehr

Parameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),

Parameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu

Mehr

Wichtige Definitionen und Aussagen

Wichtige Definitionen und Aussagen Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge

Mehr

5. Stichproben und Statistiken

5. Stichproben und Statistiken 5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)

Mehr

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

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

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen... Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................

Mehr

Statistik I für Betriebswirte Vorlesung 14

Statistik I für Betriebswirte Vorlesung 14 Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli

Mehr

Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (

Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, ( Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter

Mehr

Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen

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

Mehr

1.4 Stichproben aus einer Normalverteilung

1.4 Stichproben aus einer Normalverteilung 1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte

Mehr

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

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

Mehr

7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012

7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen

Mehr

6. Schätzverfahren für Parameter

6. Schätzverfahren für Parameter 6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [random variable] Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management

Statistik. 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)

Mehr

Fit for Abi & Study Stochastik

Fit 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

Mehr

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit und Statistik: Zusammenfassung HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1

Mehr

Mathematische Statistik Aufgaben zum Üben. Schätzer

Mathematische Statistik Aufgaben zum Üben. Schätzer Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch

Mehr

Modelle diskreter Zufallsvariablen

Modelle 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

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel VII - Funktion und Transformation von Zufallsvariablen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl

Mehr

Statistik II. Weitere Statistische Tests. Statistik II

Statistik II. Weitere Statistische Tests. Statistik II Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei

Mehr

Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung

Verteilungen 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:

Mehr

1.3 Wiederholung der Konvergenzkonzepte

1.3 Wiederholung der Konvergenzkonzepte 1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen... Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................

Mehr

Kapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen

Kapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion

Mehr

Schätzer und Konfidenzintervalle

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

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen

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

Mehr

Grundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz

Grundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz - 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen

Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung

Mehr

Statistik II für Wirtschaftswissenschaftler

Statistik II für Wirtschaftswissenschaftler Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen

Mehr

Die Familie der χ 2 (n)-verteilungen

Die 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 +... +

Mehr

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

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

Mehr

Reelle Zufallsvariablen

Reelle Zufallsvariablen Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsraume

Kapitel II Kontinuierliche Wahrscheinlichkeitsraume Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten

Mehr

3 Grundlagen statistischer Tests (Kap. 8 IS)

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

Mehr

Eine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann

Eine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann 4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)

Mehr

Mathematik 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 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

Mehr

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

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

Mehr

5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,

Mehr

1 Multivariate Zufallsvariablen

1 Multivariate Zufallsvariablen 1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)

Mehr

Theorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"

Theorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar Statistische Methoden in der Physik Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig

Mehr

Mathematik für Biologen

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

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

Kapitel 3 Schließende Statistik

Kapitel 3 Schließende Statistik Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel

Mehr

DWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr

DWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,

Mehr

Konfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,

Konfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden

Mehr

4.1. Nullhypothese, Gegenhypothese und Entscheidung

4.1. 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

Mehr

8. Konfidenzintervalle und Hypothesentests

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

Mehr

Biostatistik, Sommer 2017

Biostatistik, Sommer 2017 1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017

Mehr

1.0 Einleitung. 1 Schätzen von Parametern

1.0 Einleitung. 1 Schätzen von Parametern Schätzen von Parametern 1 1 Schätzen von Parametern 1.0 Einleitung Das vorliegende Kapitel stellt eine Einführung in das Schätzen von Parametern dar, was besagen will, dass es hier nicht um das Schätzen

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 Lageparameter: Erwartungswert d) Erwartungswert

Mehr

Kapitel 4. Testtheorie

Kapitel 4. Testtheorie 15 Kapitel 4 Testtheorie 41 Modell Es gelten die Modellvoraussetzungen 12, gegeben ist also ein statistischer Raum (Q,G, W Z ) mit W Z = {w h : h01}und einer Parametermenge 1, wobei wir die Familie W Z

Mehr

Stichproben Parameterschätzung Konfidenzintervalle:

Stichproben Parameterschätzung Konfidenzintervalle: Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,

Mehr

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung 2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von

Mehr

Einführung in die (induktive) Statistik

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

Mehr

2.3 Intervallschätzung

2.3 Intervallschätzung 2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau

Mehr

Grundgesamtheit und Stichprobe

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

Mehr

1.5 Erwartungswert und Varianz

1.5 Erwartungswert und Varianz Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.

Mehr

Kapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren

Kapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander

Mehr

Aufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:

Aufgabe 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

Mehr

Modellanpassung und Parameterschätzung. A: Übungsaufgaben

Modellanpassung und Parameterschätzung. A: Übungsaufgaben 7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit

Mehr

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit 3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate

Mehr

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

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

Mehr

Grundlagen der Statistik

Grundlagen der Statistik www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 2: Wahrscheinlichkeitsrechnung und induktive Statistik Von Professor Dr. Jochen Schwarze 9., vollständig überarbeitete Auflage STUDIUM

Mehr

Klausur zur Vorlesung

Klausur zur Vorlesung Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen

Mehr

70 Wichtige kontinuierliche Verteilungen

70 Wichtige kontinuierliche Verteilungen 70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche

Mehr

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen

Mehr

von x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.

von x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch. Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert nämlich

Mehr

Exponentialverteilung

Exponentialverteilung Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit

Mehr

Institut für Biometrie und klinische Forschung. WiSe 2012/2013

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

Mehr

Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec

Binomialverteilung. 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

Mehr

Klausur zu Statistik II

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

Mehr

Philipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler

Philipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung

Mehr

Klassifikation von Signifikanztests

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

Mehr

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5 Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung

Mehr

11. Nichtparametrische Tests

11. Nichtparametrische Tests 11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann

Mehr

Übungen zur Vorlesung Statistische Methoden Kapitel 1-2

Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable

Mehr

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von

Mehr

1.5 Erwartungswert und Varianz

1.5 Erwartungswert und Varianz Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:

Mehr

2 Zufallsvariable und Verteilungsfunktionen

2 Zufallsvariable und Verteilungsfunktionen 8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer

Mehr

Dynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38

Dynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38 Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

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

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

Mehr

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus

Mehr

Übungsscheinklausur,

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

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

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

Mehr

Schließende Statistik

Schließende Statistik Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

Kapitel XI - Die n-fache unabhängige Wiederholung eines Experiments

Kapitel XI - Die n-fache unabhängige Wiederholung eines Experiments Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Die n-fache unabhängige Wiederholung eines Experiments Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig

Mehr

von x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.

von x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch. Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die

Mehr

Charakteristische Funktionen

Charakteristische Funktionen Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die

Mehr

Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2

Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2 Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller

Mehr

Kapitel III - Grundannahmen der schließenden Statistik

Kapitel III - Grundannahmen der schließenden Statistik Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel III - Grundannahmen der schließenden Statistik Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo

Mehr

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.

Mehr

Willkommen zur Vorlesung Statistik (Master)

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

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten

Mehr

Statistische Tests (Signifikanztests)

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

Mehr