Grundgesamtheit und Stichprobe
|
|
- Christel Färber
- vor 7 Jahren
- Abrufe
Transkript
1 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 i wird ein eindeutiger (unbekannter) Merkmalswert Y i zugeordnet, i = 1,...,N. Definition 2 Eine n-elementige Teilmenge {y 1,...,y n } aus der Grundgesamtheit Y 1...,Y N heißt Stichprobe vom Umfang n. Eine Stichprobe wird auch als S bezeichnet. 3. Einfache Zufallsstichprobenverfahren 1
2 Auswahlwahrscheinlichkeit Definition 3 Die Auswahlwahrscheinlichkeit erster Ordnung für die Einheit Y i, i = 1,...,N, bezeichnen wir mit π i := P(Y i Stichprobe) = P(S), i = 1,...,N. Stichprobe S enthält Y i Die Auswahlwahrscheinlichkeit zweiter Ordnung für Y i und Y j, i j und i,j = 1,...,N ist definiert als π ij := P(Y i S und Y j S) = P(S) i,j = 1,...,N. S enthält Y i und Y j 3. Einfache Zufallsstichprobenverfahren 2
3 Repräsentative Stichprobe Definition 4 Eine Stichprobe heißt repräsentativ, wenn aus ihr der Schluss auf die zugrunde gelegte Grundgesamtheit erlaubt ist. Eine Stichprobe heißt repräsentativ in Bezug auf einen interessierenden Parameter, wenn dieser (annähernd) unverzerrt geschätzt werden kann (und eine vorgegebene Genauigkeitsanforderung erfüllt ist). 3. Einfache Zufallsstichprobenverfahren 3
4
5 Einfache Zufallsauswahl Definition 5 Eine Stichprobe vom Umfang n aus einer Grundgesamtheit vom Umfang N heißt einfache Zufallsstichprobe ohne Zurücklegen (ezoz) vom Umfang n, wenn sie die gleiche Auswahlwahrscheinlichkeit wie alle möglichen Stichproben gleichen Umfangs besitzen. 3. Einfache Zufallsstichprobenverfahren 4
6 Beispiel N = 4, Merkmalswerte {1,3,5,7}, Stichprobe vom Umfang n = 2. Mögliche Stichproben {1,3} {1,5} {1,7} {3,5} {3,7} {5,7} Auswahlwahrscheinlichkeiten 1/6 1/6 1/6 1/6 1/6 1/6 einfache Zufallsstichprobe Auswahlwahrscheinlichkeiten 1/ /2 einfache Zufallsstichprobe 3. Einfache Zufallsstichprobenverfahren 5
7
8 Mit und ohne Zurücklegen (i) Man unterscheidet Modelle ohne Zurücklegen (ezoz) und mit Zurücklegen (ezmz). (ii) Modell ohne Zurücklegen: y 1,...,y n identisch verteilt, aber stochastisch abhängig. (iii) Modell mit Zurücklegen: y 1,...,y n unabhängig und identisch verteilt. (iv) Problem: viele statistische Analysen (z. B. Lineares Modell, statistische Tests) setzen stochastische Unabhängigkeit voraus; in der Praxis werden aber meist Modelle ohne Zurücklegen angewendet. 3. Einfache Zufallsstichprobenverfahren 6
9 Ohne Zurücklegen Urnenmodell für das Ziehen ohne Zurücklegen mit Beachtung der Reihenfolge N N 1 N 2. Möglichkeiten für 1. Kugel, Möglichkeiten für 2. Kugel, Möglichkeiten für 3. Kugel,. N n+1 Möglichkeiten für n-te Kugel. Insgesamt N(N 1)(N 2)... (N n+1) = N! (N n)!. 3. Einfache Zufallsstichprobenverfahren 7
10 Ohne Zurücklegen Anzahl der möglichen Ziehungen beim Modell ohne Zurücklegen und ohne Beachtung der Reihenfolge: ( ) N! 1 N (N n)! n! =. n Eine konkrete Stichprobe vom Umfang n besitzt also die Auswahlwahrscheinlichkeit 1 ( N n). 3. Einfache Zufallsstichprobenverfahren 8
11 Mit Zurücklegen 3. Einfache Zufallsstichprobenverfahren 9
12 Auswahlwahrscheinlichkeiten ohne Zurücklegen Satz 1 Für das Modell ohne Zurücklegen: a) Für alle k {1,...,N} fest folgt, dass P(y i = Y k ) = P(y j = Y k ) = 1 N, für alle i,j {1,...,n}, d.h. y 1,...,y n besitzen alle die gleiche Verteilung. b) π i = n N, i = 1,...,N. c) π ij = n(n 1) N(N 1), i j,i,j = 1,...,N 3. Einfache Zufallsstichprobenverfahren 10
13 Beweis: 3. Einfache Zufallsstichprobenverfahren 11
14 Beweis: 3. Einfache Zufallsstichprobenverfahren 12
15
16 Auswahlwahrscheinlichkeiten mit Zurücklegen Satz 2 Für das Modell mit Zurücklegen: a) Für alle k {1,...,N} fest folgt, dass P(y i = Y k ) = P(y j = Y k ) = 1 N, für alle i,j {1,...,n}, d.h. y 1,...,y n besitzen alle die gleiche Verteilung. b) Für k,l {1,...,N} fest folgt, dass P(y i = Y k,y j = Y l ) = P(y i = Y k )P(y j = Y l ) für alle i j {1,...,n}, d.h. y 1,...,y n sind stochastisch unabhängig. c) π i = 1 ( N 1 N ) n, i = 1,...,N. d) π ij = 1 2 ( 1 1 N) n ( 1 2 N) n, i,j = 1,...,N 3. Einfache Zufallsstichprobenverfahren 13
17 Beweis: 3. Einfache Zufallsstichprobenverfahren 14
18 Auswahlsatz Definition 6 Der Quotient f = n N bezeichnet. wird als Auswahlsatz Ist der Auswahlsatz klein so ist der Unterschied zwischen ezoz und ezmz gering häufig einfachere Formeln anwendbar. 3. Einfache Zufallsstichprobenverfahren 15
19 Umsetzung in R >set.seed(42) >sample(x,size,replace=false,prob=null) > x<-c(9,17,23,28,30) > sample(x,3) [1] > sample(x,3) [1] Einfache Zufallsstichprobenverfahren 16
20 Grundgesamtheit Y i, i = 1,...,N Merkmal des i-ten Merkmalträgers der Grundgesamtheit N Umfang der Grundgesamtheit Ȳ := 1 N N i=1 Y i Mittelwert des Merkmals in der Grundgesamtheit Y. := N i=1 Y i Merkmalssumme in der Grundgesamtheit S 2 := 1 N 1 N i=1 (Y i Ȳ)2 Varianz des Merkmals in der Grundgesamtheit 3. Einfache Zufallsstichprobenverfahren 17
21 Stichprobe y i, i = 1,...,n Merkmal des i-ten Merkmalträgers der Stichprobe n Umfang der Stichprobe ȳ := 1 n n i=1 y i Mittelwert des Merkmals in der Stichprobe s 2 := 1 n 1 n i=1 (y i ȳ) 2 Varianz des Merkmals in der Stichprobe 3. Einfache Zufallsstichprobenverfahren 18
22 Bias, Varianz, MSE Definition 7 Gegeben sei ein Schätzer Ŷ für den Mittelwert Ȳ. Der Bias ist der systematische Fehler des Schätzers Bias(Ŷ) := E(Ŷ) Ȳ. Ein Schätzer heißt unverzerrt oder erwartungstreu, falls Bias(Ŷ) = 0. Der zufällige Fehler des Schätzers ist die Varianz die Standardabweichung Var(Ŷ) := E(Ŷ E(Ŷ))2, STD(Ŷ) := Var(Ŷ), die mittlere quadratische Abweichung MSE := E(Ŷ Ȳ) Einfache Zufallsstichprobenverfahren 19
23 Lemma 1 Für eine einfach Zufallsstichprobe (mz oder oz) gilt: a) E(y i ) = E(y 1 ) = Ȳ für alle i = 1,...,N b) Var(y i ) = Var(y 1 ) = N 1 N S2 für alle i = 1,...,N 3. Einfache Zufallsstichprobenverfahren 20
24 Beweis: 3. Einfache Zufallsstichprobenverfahren 21
25 Satz 3 Für eine einfach Zufallsstichprobe ohne Zurücklegen gilt: a) ȳ ist ein erwartungstreuer Schätzer für Ȳ b) Var(ȳ) = 1 n c) Var(ȳ) = 1 n Var(ȳ). ( ) 1 n N S 2 ( 1 n N) s 2 ist ein erwartungstreuer Schätzer für 3. Einfache Zufallsstichprobenverfahren 22
26 Beweis: 3. Einfache Zufallsstichprobenverfahren 23
27 Beweis: 3. Einfache Zufallsstichprobenverfahren 24
28
29
30
31
32 Satz 4 Für eine einfach Zufallsstichprobe mit Zurücklegen gilt: a) ȳ ist ein erwartungstreuer Schätzer für Ȳ ( ) b) Var(ȳ) = 1 n 1 1 N S 2 c) Var(ȳ) = 1 n s2 ist ein erwartungstreuer Schätzer für Var(ȳ). 3. Einfache Zufallsstichprobenverfahren 25
33 Vergleich der Varianz mit und ohne Zurücklegen: 3. Einfache Zufallsstichprobenverfahren 26
34
35 Beispiel: Population mit N = 5. Y hat folgende Ausprägungen: Y 1 = 9, Y 2 = 10, Y 3 = 11, Y 4 = 18, Y 5 = 22 Wir ziehen Stichproben vom Umfang n = 3 mit und ohne Zurücklegen und berechnen Varianz und Mittelwert. Wie viele mögliche Stichproben gibt es in beiden Fällen? Was ist Ȳ? 3. Einfache Zufallsstichprobenverfahren 27
36 Beispiel: Mögliche Stichproben ohne Zurücklegen 3. Einfache Zufallsstichprobenverfahren 28
37 Beispiel: Mögliche Stichproben mit Zurücklegen 3. Einfache Zufallsstichprobenverfahren 29
38 Beispiel: Erwartungswerte und Varianz 3. Einfache Zufallsstichprobenverfahren 30
39 Beispiel: Verteilung der Mittelwertschätzer 3. Einfache Zufallsstichprobenverfahren 31
40 Schätzung von Anteilen Wir betrachten nun den homograden Fall, sprich Y i kann nur die Werte 1 und 0 annehmen. M der N Untersuchungseinheiten haben die interessierende Eigenschaft: In der Stichprobe: Ȳ = 1 N ȳ = 1 n N Y i = M N := P i=1 n Y i = m n := p i=1 3. Einfache Zufallsstichprobenverfahren 32
41 Verteilung der Stichprobensummen Im Falle ohne Zurücklegen gilt: n y i H(N,n,P). i=1 Im Falle mit Zurücklegen gilt: n y i B(n,P). i=1 3. Einfache Zufallsstichprobenverfahren 33
42 Schätzung von Anteilen Satz 5 Es gilt bei Auswahl ohne Zurücklegen: 1. p ist ein erwartungsstreuer Schätzer für P ( ) 2. Var(p) = 1 N n n N 1 P(1 P) 3. Var(p) = (1 n N ) 1 n 1p(1 p) ist ein erwartungstreuer Schätzer für 2. Bei Auswahl mit Zurücklegen: 1. p ist ein Erwartungsstreuer Schätzer für P 2. Var(p) = 1 n P(1 P) 3. Var(p) = 1 n 1p(1 p) ist ein erwartungstreuer Schätzer für Einfache Zufallsstichprobenverfahren 34
43 Bemerkung Für Var(p) gilt: Var(p) = Faktor P(1 P) Also ist Var(p) am größten für P = 0.5 und fällt gegen 0 für P 0 oder P 1. Für den Varianzkoeffizienten gilt jedoch: CV(p) = Var(p) E(p) = Faktor P(1 P) p = Faktor 1 P P monoton fallend in P. Die relative Streuung ist also größer für kleinere Anteile e.g. Wahlprognosen. 3. Einfache Zufallsstichprobenverfahren 35
44 Varianz und Varianzkoeffizient 3. Einfache Zufallsstichprobenverfahren 36
45 Zentraler Grenzwertsatz für die einfache Zufallsauswahl Das Auswahlmodell der ezoz führt zu dem statistischen Modell y 1,...,y n sind identisch verteilt. E(y 1 ) = Ȳ Var(y 1 ) = N 1 N S2 y 1,...,y n sind stochastisch abhängig. Cov(y 1,y 2 ) = 1 N S2 keine Anwendung des (normalen) Zentralen Grenzwertsatzes, da y i stochastisch abhängig. 3. Einfache Zufallsstichprobenverfahren 37
46 Zentraler Grenzwertsatz für die einfache Zufallsauswahl Dennoch kann ein Grenzwertsatz angegeben werden: Hájek, J. (1960). Limiting distributions in simple random sampling from a finite population. Publications of the Mathematical Institute of the Hungarian Academy of Sciences 5, Sind n und N ausreichend groß, so gilt ȳ appr. N(Ȳ, 1 n ( 1 n N ) S 2. Faustregel: n > 50 und f = 1 n N Approximation. < 0.05 für die Anwendbarkeit der 3. Einfache Zufallsstichprobenverfahren 38
47 Konfidenzintervalle Daraus folgt: ] [ȳ u 1 α/2 Var(ȳ) ; ȳ +u 1 α/2 Var(ȳ) ist approximativ ein (1 α)-konfidenzintervall für ( Var(ȳ) = 1 n 1 n N) s 2. Ȳ Hierbei ist 3. Einfache Zufallsstichprobenverfahren 39
48 Konfidenzintervalle: Beispiel Wir betrachten eine Population von N = 100 Elementen mit folgenden Werten: Y 1 = 1, Y 2 = 2,..., Y 99 = 99, Y 100 = 100 Wir wählen Stichproben vom Umfang n = 5,10,20. Basierend auf 20,000 Stichproben betrachten wir die empirische Verteilung des Stichprobenmittels Wir wiederholen die Übung für N = 25 und Y 1 = 1, Y 2 = 2,..., Y 24 = 24, Y 25 = 25. In diesem Fall ist der Auswahlsatz wesentlich geringer! 3. Einfache Zufallsstichprobenverfahren 40
49 Konfidenzintervalle 3. Einfache Zufallsstichprobenverfahren 41
50 Konfidenzintervalle 3. Einfache Zufallsstichprobenverfahren 42
51 Konfidenzintervalle für Anteilswerte: Approximativ Ein approximatives Konfidenzintervall für den Anteil P in der Stichprobe ist: [ p u 1 α/2 p(1 p) n 1 ( 1 n N ) ; p+u 1 α/2 p(1 p) n 1 ( 1 n N ) ] 3. Einfache Zufallsstichprobenverfahren 43
52 Konfidenzintervalle für Anteilswerte: Exakt Man kann jedoch basierend auf der Hypergeometrischen Verteilung in diesem Fall exakte Konfidenzintervalle berechnen: [ ] U N ; O, N für mit m r=0 m r=0 ( O N O ) r)( n r ( N = α 1, n) ( U N U ) r)( n r ( N = α 2, n) α 1 +α 2 α. 3. Einfache Zufallsstichprobenverfahren 44
53 Konfidenzintervalle für Anteilswerte: Beispiel In einem Betrieb mit N = 300 Mitarbeitern werden n = 100 gefragt, ob sie sich flexiblere Arbeitszeiten und einen Betriebskindergarten wünschen. Die Fragen werden von 45, bzw. 2 Personen mit Ja beantwortet. Die approximativen Konfidenzintervalle sind: und [0,370 ; 0,530] [ 0,003 ; 0,043]. Die exakten Konfidenzintervalle sind: [0,366 ; 0,537] und [0,006 ; 0,064]. 3. Einfache Zufallsstichprobenverfahren 45
54 Wahl des Stichprobenumfangs Wir möchten den notwendigen Stichprobenumfang wählen, so dass das (1 α) Konfidenzintervall für Ȳ. höchstens ein Länge von 2d hat: 3. Einfache Zufallsstichprobenverfahren 46
55 Wahl des Stichprobenumfangs n Praktisches Problem? n 0 1+n 0 /N, wobei n 0 = ( u1 α/2 s ) y Einfache Zufallsstichprobenverfahren 47 d
56 Wahl des Stichprobenumfangs für Anteilswerte n bwz. im Fall mz oder für große N P(1 P) d 2 /u 2 1 α/2 +P(1 P)/N, n u 2 1 α/2 P(1 P) d 2, 3. Einfache Zufallsstichprobenverfahren 48
57 Numerische Illustration für Anteilswerte 3. Einfache Zufallsstichprobenverfahren 49
58 Wahl des Stichprobenumfangs Eine weitere Methode zur Bestimmung des Stichprobenumfangs betrachtet eine Kostenfunktion C(n) C(n) ist streng monoton wachsend Man minimiere C(n) unter der Nebenbedingung, dass die Varianz des Schätzers einen gewissen Wert nicht unterschreite Weitere Möglichkeit: Man setzt jede Einheit der Varianz einem Geldwert d gleich Man minimiert C(n)+dVar(n) 3. Einfache Zufallsstichprobenverfahren 50
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Grundbegriffe der Wahrscheinlichkeitsrechnung Notation: Y y Zufallsvariable Merkmalswert Definition 1 Eine Zufallsvariable Y heißt a) diskret, falls sie nur endlich oder abzählbar unendlich viele Werte
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)
Mehr8 Stichprobenkennwerteverteilung
8 Stichprobenkennwerteverteilung 8.1 Vorbemerkungen 8.2 Die Normalverteilung: Teil 2 8.3 Die t Verteilung 8.4 Normalverteilungs Approximation: Der zentrale Grenzwertsatz 8.1 Vorbemerkungen Daten x 1,...,
MehrSchließende 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.
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
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
MehrTeil II. Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten. StatSoz 127
Teil II Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten StatSoz 127 6 Zufallsstichprobe und Parameter 6.1 Parameter einer Grundgesamtheit 6.2 Zufallsstichprobe und Bias 6.3 Stichprobenfehler
MehrDr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar Klausur zur Veranstaltung Erhebungstechniken
Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar 2009 Klausur zur Veranstaltung Erhebungstechniken im Wintersemester 2008 / 2009 Name, Vorname: Studiengang (Bachelor/Diplom):
MehrStichprobenverfahren. Sommersemester Einführung 1
Sommersemester 2015 1. Einführung 1 Personen Jun.-Prof. Dr. Hans Manner Lehrstuhlvertretung Statistische Methoden mit Schwerpunkt Psychometrie Raum: M 737 E-mail: manner@statistik.tu-dortmund.de Tel.:
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
MehrThema der Stunde. I. Die Form der Stichprobenkennwerteverteilung. II. Schlüsse von der Stichprobe auf die Population
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung II. Schlüsse von der Stichprobe auf die Population III. t-test für unabhängige und abhängige Stichproben Stichprobenkennwerte Population
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
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
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrStichproben und statistische Fehler
Kapitel 0 Stichproben und statistische Fehler 0. Verfahren zur Auswahl von Stichproben Stichprobenauswahl als Bestandteil von Teilerhebungen: Aus dem Ergebnis der Untersuchung der Stichprobe soll dann
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
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:
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
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
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
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
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
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
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrModellanpassung 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
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
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
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
MehrDynamische 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
MehrEinführung 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
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
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrDie Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare
17.1.3 Die Momentenmethode Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare Lösungen. Sei ϑ = (ϑ 1,...,ϑ s ) der unbekannte, s-dimensionale
MehrLösungen 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
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrGrundlagen 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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
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
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
MehrEinführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen
Einführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Inhalt Stichproben
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
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)
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrWeitere Eigenschaften von Punktschätzern
Weitere Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Ein zweiter Schätzer für p bei Binomialverteilung Vergleich der Schätzer anhand einer Simulation Erwartungstreue Bias Asymptotische
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-31 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
MehrGrundproblem der Inferenzstatistik
Grundproblem der Inferenzstatistik Grundgesamtheit Stichprobenziehung Zufalls- Stichprobe... "wahre", unbekannte Anteil nicht zufällig p... beobachtete Anteil zufällig? Statistik für SoziologInnen 1 Inferenzschluss
MehrWahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom
Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
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 +... +
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
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
MehrZentraler Grenzwertsatz/Konfidenzintervalle
/ Statistik I Sommersemester 2009 Statistik I ZGWS/ (1/37) Kann Ahmadinejad die Wahl gewonnen haben? Im wesentlichen Dreiteilung der polit. Elite 2005: 17.3 Millionen Stimmen (Stichwahl), Wahlbeteiligung
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,
MehrInhaltsverzeichnis. 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
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrStatistik II SoSe 2006 immer von 8:00-9:30 Uhr
Statistik II SoSe 2006 immer von 8:00-9:30 Uhr Was machen wir in der Vorlesung? Testen und Lineares Modell Was machen wir zu Beginn: Wir wiederholen und vertiefen einige Teile aus der Statistik I: Konvergenzarten
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrKlausur 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
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
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
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr
Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne
MehrProf. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
MehrStatistik für. von. Prof. Dr. Josef Bleymüller. und. Prof. Dr. Rafael Weißbach. sowie. Dr. Günther Gehlert. und. Prof. Dr.
Statistik für Wirtschaftswissenschaftler von Prof. Dr. Josef Bleymüller und Prof. Dr. Rafael Weißbach sowie Dr. Günther Gehlert und Prof. Dr. Herbert Gülicher bei früheren Auflagen 17., überarbeitete Auflage
MehrNachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14
Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.
MehrTeilklausur des Moduls Kurs 42221: Vertiefung der Statistik
Name, Vorname Matrikelnummer Teilklausur des Moduls 32741 Kurs 42221: Vertiefung der Statistik Datum Termin: 21. März 2014, 14.00-16.00 Uhr Prüfer: Univ.-Prof. Dr. H. Singer Vertiefung der Statistik 21.3.2014
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
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
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrChi-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
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrStatistik Einführung // Stichprobenverteilung 6 p.2/26
Statistik Einführung Kapitel 6 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // 6 p.0/26 Lernziele 1. Beschreiben
Mehr1.5 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.
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 3. Momentenschätzung auf Stichprobenbasis
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
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
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
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
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
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Mehr4. Seminar Statistik
Sandra Schlick Seite 1 4.Seminar2014.doc 4. Seminar Statistik 30 Kurztest 3 3x30 Stichproben, Punktschätzungen, Parameterschätzungen 60 Übungen Schätzungen Hausaufgaben: Sachs Kap. 4.1 4.3 Aufgaben S.
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
Mehr