Von Kernkraftwerken zu Space Shuttles
|
|
- Ralf Heintze
- vor 6 Jahren
- Abrufe
Transkript
1 Statistische Methoden in Forschung und Alltag Johannes Hain Lehrstuhl für Mathematik VIII Statistik Universität Würzburg
2 Das erwartet einen Mathematik-Studenten auf der Uni...
3 ... oder das hier: Definition: (Ω, A, P) sei ein Wahrscheinlichkeitsraum und (Ω, A ) ein messbarer Raum. f : Ω Ω heißt A, A -messbar, falls f 1 (A ) A, d.h. falls für alle A A gilt: f 1 (A ) A. Satz: Seien (Ω, A), (Ω, A ), (Ω, A ) messbare Räume und f : (Ω, A) (Ω, A ), g : (Ω, A ) (Ω, A ). Dann gilt: g f : Ω Ω ist A, A -messbar. Beweis: Sei A A, dann: (g f ) 1 (A ) = f 1 (g 1 (A ) }{{} A ) A.
4 Erste Zweifel tun sich auf... Völlig zurecht stellt man sich während des Studiums dann unter anderem die folgenden Fragen: Wozu soll ich denn das alles brauchen? Kann man damit überhaupt irgend etwas anfangen? Die Antwort lautet: JA!
5 Mathematik und Statistik im Alltag Viele Alltagsphänomene folgen wahrscheinlichkeitstheoretischen Gesetzmäßigkeiten und können somit mathematisch untersucht werden. Das Grundprinzip besteht darin, mathematische Wahrscheinlichkeitsmodelle zu erstellen, die den Alltag möglichst genau erklären. Hier einige Beispiele: Gewinnwahrscheinlichkeiten beim Lotto oder anderen Glücksspielen Börsenkurse Flutkatastrophen Krankheitsverläufe...
6 Zwei weitere Beispiele im Detail Was haben die beiden folgenden Bilder gemeinsam?
7 Das Challenger-Unglück 1986 Wie konnte es zu diesem Unglück kommen?
8 Nach dem Unglück: Ursachenforschung Nach der Katastrophe soll eine Untersuchungskommission die Ursache für die Explosion ermitteln. Schnell wird klar: Ein Dichungsring (O-Ring) in einem der beiden Festtreibstoff-Tanks hatte versagt.
9 Nach dem Unglück: Ursachenforschung Der NASA und den Herstellern der O-Ringe lagen bereits Berichte über Komplikationen mit den O-Ringen bei anderen Flügen vor. Temperaturen bei Flügen mit Komplikationen 12 C 14 C 16 C 18 C 20 C 22 C 24 C Temperatur Bei Betrachtung dieser Daten liegt der Schluss nahe, dass es keinen Zusammenhang zwischen der Temperatur und dem O-Ring-Versagen gibt.
10 Der fatale Fehler Es lagen zusätzlich noch weitere Daten von Flügen vor, bei denen keine Komplikationen mit den O-Ringen auftraten. Um ein Gesamtbild zu erhalten müssen diese Daten ebenfalls berücksichtigt werden. Temperaturen bei Flügen mit und ohne Komplikationen Komplikationen keine Komplikationen 10 C 15 C 20 C 25 C 30 C Temperatur
11 Mathematische Modellbildung Ziel: Beschreibung des Zusammenhangs der Wahrscheinlichkeit einer Komplikation des O-Rings und der Temperatur. Definiere hierzu: Zufallsgröße Z = { 0 keine Komplikationen Außentemperatur X in Celsius. 1 mind. ein O-Ring defekt Von Interesse ist nun die Komplikationswahrscheinlichkeit bei einer gegebenen Außentemperatur x, also P(Z = 1 X = x).
12 Das Logit-Modell Man entscheidet sich hier für ein sogenanntes Logit-Modell, d.h. P(Z = 1 X = x) = exp(β 0 + β 1 x) 1 + exp(β 0 + β 1 x), wobei β 0, β 1 R die beiden unbekannten Parameter dieser Wahrscheinlichkeitsverteilung sind. Hat man keinerlei Informationen über das Modell, gilt β 0 = β 1 = 0 und somit P(Z = 1 X = x) = P(Z = 1) = exp(0) 1 + exp(0) = 1 = P(Z = 0). 2
13 Verschiedene Verläufe der logistischen Verteilung Angenommen, β 0 = 7. Dann erhält man für verschiedene Werte von β 1 unterschiedliche Verläufe der Wahrscheinlichkeitsverteilung: 1.0 Verläufe der Logistischen Wahrscheinlichkeitsverteilung für β 0 = β 1 = 1 β 1 = 0.7 β 1 = 0.4 β 1 = 0.2 β 1 = C 10 C 20 C 30 C 40 C Temperatur
14 Das Maximum-Likelihood-Verfahren (ML-Verfahren) Aus den Daten liegen nun 23 Beobachtungen über das Verhalten der O-Ringe zu bestimmten Außentemperaturen vor. Die Wahrscheinlichkeit für das Eintreffen genau dieser Ereignisse ist das Produkt der 23 Einzelwahrscheinlichkeiten: 23 L(β 0, β 1 ) = P(Z = z i X = x i ), z i {0, 1}. Die Funktion L(β 0, β 1 ) ist die Likelihood-Funktion. i=1 Die beiden unbekannten Parameter β 0 und β 1 sollen jetzt so bestimmt werden, dass der Wert von L(β 0, β 1 ) maximal wird. Dieses Vorgehen bezeichnet man in der Statistik auch als das Maximum-Likelihood-Prinzip.
15 Das Maximum-Likelihood-Verfahren (ML-Verfahren) Es soll also folgendes Problem gelöst werden: max β 0,β 1 L(β 0, β 1 ) = max β 0,β 1 max β 0,β 1 23 i=1 23 i=1 P(Z = z i X = x i ) log (P(Z = z i X = x i )) Dies ist eine nichtlineare Gleichung (und somit nicht mit elementaren Methoden zu lösen). Lösung mit Hilfe eines numerischen Algorithmus (macht der Computer für uns!).
16 Das Maximum-Likelihood-Verfahren (ML-Verfahren) Als Lösung erhält man den Vektor ( ˆβ 0, ˆβ 1 ) = (7.6137, ). Zurück zum Space-Shuttle: Am Tag des Starts betrug die Außentemperatur 1 C. Die Wahrscheinlichkeit für ein O-Ring-Versagen beim Start der Challenger können wir nun mit dem Logit-Modell bestimmen: P(Z = 1 X = 1) = exp( ˆβ 0 + ˆβ 1 ( 1)) 1 + exp( ˆβ 0 + ˆβ 1 ( 1)) exp( ) = 1 + exp( ) = Die Challenger hätte also auf keinen Fall starten dürfen!
17 Die Kinderkrebsstudie von 2007 Gedankensprung in ein völlig anderes Themengebiet: Verursachen Kernkraftwerke erhöhtes Krebsrisiko? Die verwendeten mathematischen Verfahren sind aber dieselben!
18 Ein anderes Anwendungsbeispiel Die Ergebnisse der Kinderkrebsstudie wurden im Jahr 2007 veröffentlicht und sorgten bundesweit für jede Menge Gespächsstoff sogar das Bundesumweltministerium nahm dazu Stellung. Ziel der Studie war, die folgende Hypothese zu untersuchen: Es besteht ein Zusammenhang zwischen der Nähe des Wohnorts zu einem Kernkraftwerk und dem Risiko bis zum 5. Lebensjahr an Krebs zu erkranken. Fälle wohnen tendenziell häufiger in der Nähe eines Kernkraftwerks. Wie geht man hier vor?
19 Das Studiendesign Alle Kinder, die vor dem 5. Lebensjahr an Krebs erkrankt sind und zum Zeitpunkt der Diagnose in der Nähe eines Kernkraftwerkes wohnten, wurden in die Studie aufgenommen. Zusätzlich wurden zu jedem erkrankten Kind 3 Kinder gleicher Altersstruktur aus dem Landkreis des erkrankten Kindes gezogen ( Kontrollfälle ). Matched Case-Control Study Es ergaben sich auf diese Weise 1592 erkrankte Kinder und 4735 Kontrollfälle. Um den Einfluss der Lage des Wohnorts zu untersuchen, wurde von jedem der 6327 Kinder die Entfernung x vom Kernkraftwerk zum Wohnhaus gemessen.
20 Übersichtskarte
21 Mathematische Modellbildung Die Modellbildung verläuft aufgrund des unterschiedlichen Studiendesigns anders als im Beispiel mit dem Space Shuttle. Ziel: Modellierung des Odds Ratio für erkrankte und gesunde Studienteilnehmer in Abhängigkeit von der Entfernung des Wohnorts zum Kernkraftwerk.
22 Odds und Odds Ratio Was sind Odds? Übersetzt ins Deutsche: Chancen Zahl der Ereignisse Odds = Zahl der Nicht-Ereignisse Beispiele: Würfelwurf: Die Odds für eine Sechs sind 1:5 Sportwetten/Pferdewetten: Siegquote von 1:10 Was ist der Odds Ratio? Übersetzt ins Deutsche: Chancenverhältnis Odds von Gruppe1 Odds Ratio = Odds von Gruppe 2 Typischerweise: Gruppe1 = Behandlungsgruppe, Gruppe2 = Kontrollgruppe Beispiel Raucher vs. Nichtraucher: Das Odds Ratio für das Eintreten einer Lungenkrebserkrankung beträgt 3.5 Die Chance an Lungenkrebs zu erkanken ist für Raucher 3.5 mal so hoch wie für Nichtraucher.
23 Zurück zur Studie Für die Kinderkrebsstudie wird zur Modellierung des Odds Ratio folgendes Modell zugrunde gelegt: ( Odds Ratio(x) = exp β 1 ), x wobei β R wieder der zu schätzende Parameter ist. Hat man β optimal bestimmt, kann man für jede Entfernung zum Kraftwerk das Odds Ratio bestimmen. Beträgt das Odds Ratio bei einer Entfernung x 0 beispielsweise den Wert 2, bedeutet dies, dass die Chance an Krebs zu erkranken bei dieser Entfernung zum Kraftwerk doppelt so hoch wie normal ist.
24 Verläufe des Odds Ratio Ja nach Wert von β, verläuft die Kurve des Odds Ratio ein wenig anders: Verläufe des Odds Ratio β = 1 β = 1.5 β = 2 β = Entfernung zum Kraftwerk (km)
25 Bestimmung des ML-Schätzers Der optimale Wert von β soll wieder wie im Space-Shuttle-Beispiel mit einem Maximum-Likelihood-Ansatz bestimmt werden. Hierzu wird die Likelihood-Funktion L(β) des Odds-Ratio aufgestellt und in dem Parameter β maximiert: max β L(β) max β max β log(l(β)) 1592 log i=1 ( exp ( β 1 x i ) exp ( β 1 x i ) + 3 ) Der Beweis der obigen Äquivalenz ist sehr technisch, weshalb wir an dieser Stelle darauf verzichten wollen.
26 Interpretation der Lösung Als Lösung für das Maximierungsproblem ergibt sich ein optimaler Wert von ˆβ = Nun kann man mit der Formel Odds Ratio(x) = exp ( 1.18 ) x die Odds Ratios für Krebserkrankungen für verschiedene x berechnen: x (in km) Odds Ratio Wohnt man also 1.5 km von einem Kraftwerk entfernt ist das Risiko für Kinder an Krebs zu erkranken mehr als doppelt so hoch. Wohnt man nur einen Kilometer von einen Kraftwerk entfernt, ist das Risiko sogar mehr als dreimal so hoch wie gewöhnlich!
27 Zusammenfassung Dies waren zwei Anwendungsbeispiele für die logistische Regression. Die logistische Regression als statistisches Analyseverfahren wird aber auch noch in vielen anderen Bereichen verwendet: Komplikationswahrscheinlichkeit bei einer Operation Auftreten von weiteren Metastasen bei einer Krebserkrankung Modellierung des Kaufverhaltens bei einem Produkt Vorhersage des Verhaltens eines Wählers bei einer Bundestagsoder Landtagswahl...
28 Vielen Dank für Eure Aufmerksamkeit und (vielleicht) bis bald!
Tumoren im Kindesalter in der Umgebung deutscher Kernkraftwerke Die KiKK-Studie. T. Jung Bundesamt für Strahlenschutz
Tumoren im Kindesalter in der Umgebung deutscher Kernkraftwerke Die KiKK-Studie T. Jung Bundesamt für Strahlenschutz Der Abschlussbericht online verfügbar auf der BfS-Homepage, einschließlich Zusatzinformationen
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrLogistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios PD Dr.Gabriele Doblhammer, Fortgescrittene Methoden, SS2004 Logistische Regression Tabelle 2 Alter und Symptome von Herz-/Kreislauferkrankung(CD)
MehrFall-Kontroll Studien und Selection Bias. 1.4 Fall-Kontroll Studien: Vorbemerkungen
1.4 Fall-Kontroll Studien: Vorbemerkungen Fall-Kontroll Studien und Selection Bias Fall-Kontroll Studien versuchen in gewisser Weise, eine Kohortenstudie zu imitieren, aber auf das oft zeit- und kostenaufwendige
MehrDiagnose und Prognose: Kurzfassung 4
Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
MehrKlausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik. 7. Februar 2008
L. Fahrmeir, G. Walter Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 7. Februar 8 Hinweise:. Überprüfen
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrWie lang dauert ein Tennisspiel? (Angewandte Stochastik)
Wie lang dauert ein Tennisspiel? (Angewandte Stochastik) F. Rendl, Universität Klagenfurt, Institut für Mathematik 28. Mai 2003 1 Elementare Wahrscheinlichkeiten Bei einfachen Zufallsprozessen geht man
MehrDas Ziegenproblem. Nils Schwinning und Christian Schöler Juni 2010
Das Ziegenproblem Nils Schwinning und Christian Schöler http://www.esaga.uni-due.de/ Juni 2010 Die Formulierung Obwohl das sogenannte Ziegenproblem in der Mathematik allgegenwärtig erscheint, wurde es
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrInstitut für Stochastik, SoSe K L A U S U R , 13:
Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter
MehrÜbungsscheinklausur,
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:...
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrWahrscheinlichkeiten
Wahrscheinlichkeiten Bestimmung der Wahrscheinlichkeit Bei einem Zufallsexperiment kann man nicht voraussagen, welches Ereignis eintritt, aber manche Ereignisse treten naturgemäß mit einer größeren Wahrscheinlichkeit
MehrStatistik II. Aufgabe 1
Statistik II, SS 2004, Seite 1 von 7 Statistik II Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung für Statistik II
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrWieviele Frösche sind im Teich?
Wieviele Frösche sind im Teich? zählen, raten, schätzen? PD Dr. Sonja Kuhnt, Dipl. Stat. Viktoria Sander TU Dortmund 7. Februar 2012 TU Dortmund DOTS 2012 1 / 20 Ausgangssituation Teich mit einer unbekannten
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
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
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,
MehrQuantitative Auswertung II. Korpuslinguistik Heike Zinsmeister
Quantitative Auswertung II Korpuslinguistik Heike Zinsmeister 16.12.2011 Unterschiedstest Fall 1: unabhängige Stichproben Daten eine unabhängige Variable auf Nominal- oder Kategorialniveau eine abhängige
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrKategorielle Daten. Seminar für Statistik Markus Kalisch
Kategorielle Daten Markus Kalisch 1 Phase 3 Studie: Wirksamer als Placebo? Medikament Placebo Total Geheilt 15 9 24 Nicht geheilt 10 11 21 Total 25 20 45 Grundfrage: Sind Heilung und Medikamentengabe unabhängig?
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrNachholklausur zur Vorlesung Schätzen und Testen I. 04. April Bitte ausfüllen und unterschreiben!!!
Nachholklausur zur Vorlesung Schätzen und Testen I 04. April 2013 Volker Schmid, Ludwig Bothmann, Julia Sommer Aufgabe 1 2 3 4 5 6 Punkte Note Bitte ausfüllen und unterschreiben!!! Name, Vorname: Matrikelnummer:
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrStudiendesign/ Evaluierungsdesign
Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
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
MehrTesten von Hypothesen
Elke Warmuth Humboldt-Universität zu Berlin Sommersemster 2010 1 / 46 2 / 46 1 Testen von Hypothesen 3 / 46 Signifikant, signifikant, signifikant,... 4 / 46 Signifikant, signifikant, signifikant,... 5
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrAuf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an.
Aufgabe 4 Glückspasch" (16 Punkte) Auf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an. Spielregeln: Einsatz 1. Der Mitspieler würfelt mit 2 Oktaederwürfeln. Fällt ein Pasch,
MehrDas Bayes'sche Prinzip
Das Bayes'sche Prinzip Olivia Gradenwitz Patrik Kneubühler Seminar über Bayes Statistik FS8 26. Februar 28 1 Bayes'sches statistisches Modell 1.1 Statistische Probleme und statistische Modelle In diesem
MehrAufgabe 1 Probabilistische Inferenz
Seite 1 von 9 Aufgabe 1 Probabilistische Inferenz (30 Punkte) In einer medizinischen Studie wurden die Auswirkungen von Metastasen bildenden Karzinomen untersucht. Dabei wurde folgendes festgestellt: Bei
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
MehrBedingte Wahrscheinlichkeit
Bedingte Wahrscheinlichkeit Aufgaben Aufgabe 1 Beim Drucken im Computer Pool kommt es immer wieder zu einem Papierstau.Einer der Poolmgr hat rausgefunden das die Wahrscheinlichkeit einen Papierstau zu
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrVergleichsklausur 12.1 Mathematik vom Am Rande eines Naturschutzgebietes befindet sich ein kleineres Regenrückhaltebecken.
Ohne CAS S./4 Aufgabe : Das Regenrückhaltebecken Am Rande eines Naturschutzgebietes befindet sich ein kleineres Regenrückhaltebecken. Dieses ist mit 3 2000 m Wasser bis zur Unterkante eines seitlich gelegenen
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrMathematische Ansätze im Enterprise Risk Management
Mathematische Ansätze im Enterprise Risk Management Mathematisches Seminar FB MN 02.12.2008 Seite 1 Risk Management Aufteilung des RM in zwei Teilgebiete: - Quantitatives RM (QnRM) - Statistische und stochastische
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrFF Düsseldorf WS 2007/08 Prof. Dr. Horst Peters. Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6
Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6 (Konfidenzintervalle, Gauß scher Mittelwerttest) 1. Bei einem bestimmten Großraumflugzeug sei die Auslastung
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrWas sagen uns Odds Ratio oder Risk Ratio in medizinischen Studien?
Was sagen uns Odds Ratio oder Risk Ratio in medizinischen Studien? Peggy Seehafer Anthropologin & Hebamme Hamburg 2012 Statistik in der Medizin ist nicht dazu geeignet ursächliche Zusammenhänge herauszufinden
MehrQuerschnittsbereich Nr. 1: Epidemiologie, Med. Biometrie und Med. Informatik
Epidemiologische Maßzahlen Die Vierfeldertafel erlaubt Einblick in die Verteilung von Exposition (E) und Erkrankung (D). Bei der Kohorten-Studie sind die Zahl der exponierten und die Zahl der nichtexponierten
MehrBerechnung des LOG-RANK-Tests bei Überlebenskurven
Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrÜbungen zur Wahrscheinlichkeitstheorie und Statistik
Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils
MehrAdolf Riede. Mathematik für Biologen. Eine Grundvorlesung. Mit 120 Abbildungen und zahlreichen durchgerechneten Beispielen.
9vieweg Adolf Riede Mathematik für Biologen Eine Grundvorlesung Mit 120 Abbildungen und zahlreichen durchgerechneten Beispielen IX I Zahlen 1 1.1 Anzahlen 1 1.2 Reelle Zahlen 8 1.3 Dokumentation von Meßwerten
MehrAbitur 2008 Mathematik GK Stochastik Aufgabe C1
Seite Abiturloesung.de - Abituraufgaben Abitur 00 Mathematik GK Stochastik Aufgabe C Teilaufgabe. BE Ein Laplace-Würfel ist mit den Augenzahlen,,,, 5, 5 beschriftet. Der Würfel wird achtmal geworfen. Geben
MehrVorwort Abbildungsverzeichnis Teil I Mathematik 1
Inhaltsverzeichnis Vorwort Abbildungsverzeichnis V XIII Teil I Mathematik 1 1 Elementare Grundlagen 3 1.1 Grundzüge der Mengenlehre... 3 1.1.1 Darstellungsmöglichkeiten von Mengen... 4 1.1.2 Mengenverknüpfungen...
MehrFunktionen in der Mathematik
R. Brinkmann http://brinkmann-du.de Seite 05.0.008 Funktionen in der Mathematik Bei der mathematischen Betrachtung natürlicher, technischer oder auch alltäglicher Vorgänge hängt der Wert einer Größe oft
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
R. Brinkmann http://brinkmann-du.de Seite 08..2009 Von der relativen Häufigkeit zur Wahrscheinlichkeit Es werden 20 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 20 Schülern
MehrKinga Szűcs
Kinga Szűcs 25.10.2011 Die Schülerinnen und Schüler werten graphische Darstellungen und Tabellen von statistischen Erhebungen aus, planen statistische Erhebungen, sammeln systematisch Daten, erfassen sie
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrDemokurs. Modul Grundlagen der Wirtschaftsmathematik Grundlagen der Statistik
Demokurs Modul 31101 Grundlagen der Wirtschaftsmathematik und Statistik Kurs 40601 Grundlagen der Statistik 13. Juli 2010 KE 1 2.4 Schiefe und Wölbung einer Verteilung Seite: 53 2.4 Schiefe und Wölbung
MehrComputerübung 5. Empirische Wirtschaftsforschung. Willi Mutschler. Ökonometrie und Wirtschaftsstatistik Uni Münster. 26.
Computerübung 5 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 26. November 2010 Willi Mutschler (Uni Münster) Computerübung 5 26. November 2010 1 / 11
MehrEinführung. Wahrscheinlichkeit. 1 Wahrscheinlichkeit: Definition und Interpretation. 2 Elementare Wahrscheinlichkeitsrechnung, bedingte
Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare Wahrscheinlichkeitsrechnung, bedingte Wahrscheinlichkeit Axiome nach Kolmogorov Gegeben sei ein Zufallsexperiment mit Ergebnisraum
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrΘ Mathematik Stochastik
Θ Mathematik Stochastik Aufgabe 1: Als Spam-Nachricht wird eine unerwünschte E-Mail bezeichnet, die dem Empfänger unverlangt zugestellt wird. a) Statistische Untersuchungen an der Mailbox eines Benutzers
MehrInhalt. 1 Rechenoperationen Gleichungen und Ungleichungen... 86
Inhalt 1 Rechenoperationen.................................. 13 1.1 Grundbegriffe der Mengenlehre und Logik............................. 13 1.1.0 Vorbemerkung.................................................
Mehr2.2 Kollineare und koplanare Vektoren
. Kollineare und koplanare Vektoren Wie wir schon gelernt haben, können wir einen Vektor durch Multiplikation mit einem Skalar verlängern oder verkürzen. In Abbildung 9 haben u und v die gleiche Richtung,
MehrBasiswissen Mathematik, Statistik. und Operations Research für. Wirtschaftswissenschaftler. von. Prof. Dr. Gert Heinrich DHBW Villingen-Schwenningen
Basiswissen Mathematik, Statistik und Operations Research für Wirtschaftswissenschaftler von Prof. Dr. Gert Heinrich DHBW Villingen-Schwenningen 5., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
Mehr1. Grundlagen der Wahrscheinlichkeitsrechnung
1. Grundlagen der Wahrscheinlichkeitsrechnung Ereignisse und Wahrscheinlichkeiten Zufälliger Versuch: Vorgang, der (zumindest gedanklich) beliebig oft wiederholbar ist und dessen Ausgang innerhalb einer
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
MehrDie Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation
MehrVorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe. Mathematik
Vorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe Mathematik 2.1.1 ÜBERSICHTSRASTER UNTERRICHTSVORHABEN EINFÜHRUNGSPHASE Unterrichtsvorhaben I: Unterrichtsvorhaben II: Beschreibung
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrKinga Szűcs
Kinga Szűcs 28.10.2014 Warum wird Stochastik in der Schule unterrichtet? Welche Vorteile kann der Stochastikunterricht in den MU bringen? Welche Nachteile kann der Stochastikunterricht haben? Welche Ziele
MehrKinderkrebs und Atomkraft
16.07.10 Dr. med. A. Rosen Epidemiologische Grundlagen Krebserkrankungen bei Kindern < 5 J: Absolute Erkrankungszahlen: 581 pro Jahr Jährliche Inzidenz: 39-46 pro 100.000 Leukämieerkrankungen bei Kindern
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Dezember 2012 1 Kombinatorik Fakultät Binomialkoeffizienten Urnenmodelle 2 Definition Fakultät Die Zahl n! =
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrGrundkompetenzen (Mathematik Oberstufe)
Grundkompetenzen (Mathematik Oberstufe) AG: Algebra und Geometrie (14 Deskriptoren) FA: Funktionale Abhängigkeiten (35 Deskriptoren) AN: Analysis (11 Deskriptoren) WS: Wahrscheinlichkeit und Statistik
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrPrüfungsteil 2, Aufgabe 8 Stochastik
Prüfung Mathematik Nordrhein-Westfalen 2013 (LK) Aufgabe 7: (WTR) Abitur Mathematik: Prüfungsteil 2, Aufgabe 8 Nordrhein-Westfalen 2012 GK Aufgabe a (1) und (2) 1. SCHRITT: VERTEILUNG ANGEBEN Da die Anzahl
Mehr2. Statistische Methoden in der Diagnostik. Elemente des Studiendesigns
2. Statistische Methoden in der Diagnostik Elemente des Studiendesigns Diagnosestudien in der Medizin Klassifikation in krank - nicht krank basierend auf diagnostischem Test Beispiel: Diagnose von Brustkrebs
MehrBoole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen
Rückblick Boole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen Vektorraummodell stellt Anfrage und Dokumente als Vektoren in gemeinsamen Vektorraum dar
Mehr