Kapitel 1: Elemente der Statistik
|
|
- Joachim Koch
- vor 7 Jahren
- Abrufe
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 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
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrStochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie
Stochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie Sommersemester 2018 Kapitel 8: Elemente der mathematischen Statistik Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
MehrZusammenfassung 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
MehrStatistik 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
MehrI 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........................
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
Mehr1. Eigenschaften einer Zufallsstichprobe
1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)
MehrWir 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
MehrEinführung 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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrKlausur 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:
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
Mehr1.4 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
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWahrscheinlichkeit 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
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
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:
MehrMathematische 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
MehrI 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........................
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)
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
MehrKapitel 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
MehrZufallsvariablen [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
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrI 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........................
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
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
MehrSchätzer 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
Mehr1.3 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
MehrGrundgesamtheit, 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,
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrReelle 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
MehrDefinition 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)
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
MehrKapitel 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
MehrKapitel 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
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrDWT 314/460 csusanne Albers
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schatzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schatzvariablen fur Parameter von Verteilungen. Sei ~X = (X 1 ; : : : ; X n ):
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
Mehr2 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
MehrWahrscheinlichkeitsrechnung 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
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
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
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrWahrscheinlichkeitsrechnung 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
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrEine 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)
MehrDWT 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
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
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrKonfidenzbereiche. 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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability and Statistics FS 2018 Prüfung 13.08.2018 Dauer: 180 Minuten Name: Legi-Nummer: Diese Prüfung enthält 12 Seiten (zusammen mit dem Deckblatt) und 10 Aufgaben. Das Formelblatt wird separat verteilt.
Mehr1 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)
MehrStatistische 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,...,
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrKapitel 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
MehrKlausur 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
MehrKlausur 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,
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
MehrKapitel 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
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Sommer 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrEinführung 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
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrBiostatistik, 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