3 Statistische Schätzungen
|
|
- Heike Müller
- vor 6 Jahren
- Abrufe
Transkript
1 3 Statistische Schätzungen In der Wahrscheinlichkeitstheorie geht es darum, über Modelle Ereignisse zu bewerten bzw. Voraussagen über ihr Eintreten zu treffen. Sind nun umgekehrt Daten bekannt, und wollen wir aus diesen entweder Parameter für die statistischen Verteilungen berechnen oder Voraussagen über Ereignisse treffen, so müssen wir diese aus den Daten schätzen. Wir unterscheiden dabei Punktschätzer, das sind Schätzungen von (unbekannten) Parametern einer bekannten Verteilung, und Intervallschätzer, das sind Schätzer, die ein Intervall angeben, in dem der unbekannte Parameter mit einer bestimmten Wahrscheinlichkeit liegt. 3.1 Punktschätzungen Wir wollen aus Beobachtungen einen uns unbekannten Parameter einer bekannten Verteilung schätzen. Beispiel 3.1 Daten X i : Wir nehmen an, dass X i N(µ, σ ) Welcher Schätzwert µ ist nun sinnvoll für das unbekannte µ? Welcher Schätzwert σ ist sinnvoll für das unbekannte σ? Für den unbekannten Erwartungswert µ wird meist der Mittelwert µ = X = 1 n X i = 9.66 genommen. Eine andere Wahl wäre aber auch µ = med(x) = Welcher dieser beiden Schätzer ist sinnvoll? Als Schätzer für die Varianz nehmen wir die Stichprobenvarianz Ist dies gerechtfertigt? σ = s = 1 n 1 (X i X) = Was muss für einen Schätzer gelten? Sinnvoll ist doch, dass der Erwartungswert des Schätzers dem tatsächlichen Wert entsprechen soll, und nicht von diesem abweichen soll. Noch dazu soll der geschätzte Wert den tatsächlichen möglichst genau treffen. Eine Grundvoraussetzung ist die Konsistenz des Schätzers, d. h., je mehr Daten zur Verfügung stehen, desto genauer soll er den geschätzten Wert bestimmen. Dazu dienen folgende Definitionen. 1
2 Definition 3.1 (erwartungstreu, unverzerrt) Ein Schätzwert ϑ heißt erwartungstreu (unverzerrt, unbiased), falls E ϑ ( ϑ) = ϑ für alle ϑ. Definition 3. (effizient) Seien ϑ 1 und ϑ zwei erwartungstreue Schätzwerte. Falls Var ϑ ( ϑ 1 ) Var ϑ ( ϑ ) für alle möglichen Parameter ϑ, so heißt ϑ 1 besser als ϑ. Der Schätzer mit der kleinsten Varianz heißt effizient (efficient). Beispiel 3. µ = 1 n n X i ist erwartungstreu für den Mittelwert µ der Normalverteilung. s = 1 n 1 n (X i X) ist erwartungstreu für die Varianz, da E(s ) = 1 E( n n 1 = 1 E( n n 1 = 1 E( n n 1 (X i X) ) [(X i µ) (X µ)] ) [(X i µ) (X i µ)(x µ) + (X µ) ]) (X i µ) + n(x µ) ) (X i µ) (X µ)n 1 n n (X i µ) + n(x µ) ) (X i µ) n(x µ) + n(x µ) ) (X i µ) n(x µ) ) E((X i µ) ) ne((x µ) )] = 1 n 1 E( n (X i µ) (X µ) n = 1 n 1 E( n = 1 n 1 E( n = 1 n 1 E( n = 1 n 1 [ n = 1 n 1 [nσ n σ = σ n ] Das Maximum-Likelihood Prinzip Es ist das wichtigste Konstruktionsprinzip von Schätzern, es funktioniert aber nur dann, wenn die den Daten zu Grunde liegende Verteilung bekannt ist. Sei f(x, ϑ) eine Familie von Dichten, wobei ϑ ein Parameter (oder Parametervektor) ist, der die Dichten näher bestimmt. Wir schreiben P ϑ für die Wahrscheinlichkeit, E ϑ für den Erwartungswert und Var ϑ für die Varianz. Da die Zufallsvariablen X i unabhängig sind, ist die gemeinsame Dichte f(x 1,..., X n ; ϑ) gleich dem Produkt der einzelnen Dichten f(x i, ϑ) Vorgangsweise: Setze die Daten in die Dichte ein: l(ϑ) n f(x i, ϑ) = f(x 1, ϑ) f(x n, ϑ)
3 Finde jenes ϑ, welches die Likelihood-Funktion l(ϑ) = n f(x i, ϑ) oder die Log-Likelihood log(l(ϑ)) = log f(x i, ϑ) maximiert (Logarithmieren von Dichten verändert die Lage des Maximums nicht, da der Logarithmus eine streng monoton wachsende Funktion ist und die Dichten positive Funktionen sind). ϑ ist der Maximum Likelihood Schätzer. Beispiel 3.3 (Parameter der Poissonverteilung) X 1,..., X n Poisson(λ) λ λx Wahrscheinlichkeitsfunktion: f(x, λ) = e, x = 0, 1,, 3,... x! Maximum nun direkt ausrechnen, d.h., die Wahrscheinlichkeitsfunktion f(x 1 = X 1, x = X,..., x n = X n ; λ) = Π n f(x i, λ) = e λ λx 1 λxn e λ X 1! X n! maximieren (Likelihood), oder einfach über die log-likelihood = e nλ λx1+ +Xn X 1! X n! log n f(x i, λ) = log e nλ λx 1 + +Xn X 1! X n! = nλ + (X X n ) log λ log(x 1! X n!) Wir erhalten den Schätzer durch Maximieren in λ, d. h., durch Differenzieren nach λ: n + (X X n ) 1 λ = 0 λ = X X n n = X λ = 1 n n X i ist erwartungstreu für den Parameter λ der Poissonverteilung: E( λ) = E( 1 n (X X n ) = 1 n n E(X i) = E(X i ) = λ. Beispiel 3.4 (Parameter der Normalverteilung) X 1,..., X n N(µ, σ ) 3
4 Wahrscheinlichkeitsdichte f(x, µ, σ) = 1 σ ( π exp 1 ) σ (x µ) n log f(x i, µ, σ) = 1 (X σ i µ) n log( π) n log σ. Maximieren in µ und σ : µ : 1 σ (X i µ) = 0 X i = n µ µ = n 1 X i = X σ : 1 σ 4 (X i µ) n σ = 0 σ = n 1 (X i µ) Der obige ML-Schätzer σ ist nicht erwartungstreu (vgl. Beispiel 3.)! Beispiel 3.5 (Anteilswert einer Binomialverteilung) Sei X eine binomial verteilte Zufallsvariable, X B(n, p). Welche Wahrscheinlichkeit p ist am wahrscheinlichsten, wenn eine Anzahl x von Ausfällen des Experiments beobachtet wurde? ) p x (1 p) n x Likelihood l(p) = f(x, p) = ( n x [ log p ( n x ) ] + x log p + (n x) log(1 p) = 0 x p n x 1 p = 0 x(1 p) = (n x) p p = x n Beispiel 3.6 Seien X 1, X unabhängig exponential-verteilt mit E(X i ) = γ. Für das unbekannte γ stehen folgende Schätzer zur Auswahl: γ 1 = X 1 + X oder γ = min(x 1, X ). Wir wissen: Var(X i ) = γ, E(X i ) = γ E( γ 1 ) = γ, Var( γ 1 ) = γ. min(x 1, X ) exponential-verteilt mit E( γ ) = γ, Var( γ ) = γ. Wir sehen, dass γ 1 besser (effizienter, genauer) als γ ist (γ 1 ), da weniger Schwankungsbreite (Varianz) gegeben ist. 4
5 3. Intervallschätzungen, Konfidenzintervalle Ein Punktschätzer ϑ eines Parameters alleine enthält noch keine Information über dessen Genauigkeit. Durch einen Intervallschätzer wird ein Unsicherheitsbereich angegeben, der als Maß für die Genauigkeit gelten kann, d. h., der geschätzte Parameter ϑ liegt mit einer gewissen Wahrscheinlichkeit in dem geschätzte Intervall. Definition 3.3 Ein ermitteltes Intervall Î heißt Konfidenzbereich (confidence region) zum Niveau 1, falls für alle Parameter ϑ gilt: P ϑ {ϑ Î} 1. Der Konfidenzbereich (das Konfidenzintervall, der Intervallschätzer) überdeckt den wahren Parameter ϑ mit einer Wahrscheinlichkeit von mindestens 1. Dies ist das sogenannte Signifikanzniveau, ist die Irrtumswahrscheinlichkeit. Je nach Verwendung sprechen wir auch von Toleranz- oder von Prognose-Intervallen. Die gesuchten Parameter liegen mit Wahrscheinlichkeit 1 in diesen Intervallen. Da eine Vollerhebung oft teuer bis unmöglich ist, sollen Voraussagen, etwa Wahlprognosen, auch mit Teilerhebungen getroffen werden. Dabei ist es wichtig zu wissen, wie viele Daten N L erhoben werden müssen (Stichprobenumfang, sample size), um ein Prognoseintervall der Länge L zu erhalten, d. h., eine maximale Abweichung um L/. Achtung! Je sicherer wir ein Intervall angeben wollen, d. h., klein, desto größer wird das Intervall, desto ungenauer also die Schätzung für den Parameter. Üblich: = 0.05 Ökonomie, Soziologie = 0.01 Biologie, Psychologie, Naturwissenschaften = Medizin Im Abschnitt über das statistische Testen werden wir uns noch genauer mit dieser Thematik beschäftigen. Mittelwert einer Normalverteilung (Varianz bekannt) Voraussetzung: X 1,..., X n N(µ, σ ) oder n > 30 σ bekannt X µ σ = X σ µ = n X X σ µ N(0, 1) n Stichprobenumfang: N L ( σ L Φ 1 (1 )) Wurde die Stichprobe mit Zurücklegen gezogen und ist n > 0.05, wobei N die Größe N der Grundgesamtheit ist, so wird σ X mit einer Endlichkeitskorrektur versehen, d. h., σ X = σ n N n N 1 statt σ X = σ n 5
6 wird in den Berechnungen verwendet. P µ { n X µ σ Umrechnen in ein Konfidenzintervall: ( Φ 1 1 ) ( σ Φ 1 1 ) n Konfidenzintervall: X + σ ( Φ 1 1 ) n Î = (1 Φ 1 ) } = 1 n X µ σ Φ 1 (1 µ X σ n Φ 1 ( 1 µ X σ ( Φ 1 1 ) n [X n σ ( Φ 1 1 ), X + σ ( Φ 1 1 ) ] n ) ) Der Intervallschätzer kann auch kurz durch X ± σ ( Φ 1 1 ) n angegeben werden. Bemerkung 3.1 (Stichprobenumfang) Ein Intervall der Länge L erhalten wir, falls wir das Intervall X ± L betrachten. Daraus ergibt sich L = σ NL Φ 1 (1 ) also N L ( σ L Φ 1 (1 )). Bemerkung 3. Wir wollen zeigen, dass X σ µ = n X σ µ N(0, 1). n X i N(µ, σ ) heißt, dass i X i N( µ, σ ), also i X i N(nµ, nσ ). Da X = 1 n Xi ist, folgt und E(X) = 1 n E( X i ) = µ Var(X) = Var( 1 n Xi ) = Var( 1 n X i) = [E(( 1 n X i) ) E( 1 n X i) ] = [E( 1 n X i ) E( 1 n X i) ] = 1 n [E(X i ) E(X i ) ] = 1 n σ = 1 n σ. Es wird auch oft die Bezeichnung σ X = σ n verwendet. D. h., X N(µ, σ n ), also folgt die Behauptung nach Standardisierung. 6
7 Mittelwert einer Normalverteilung (Varianz unbekannt) Voraussetzung: X 1,..., X n N(µ, σ ) oder n > 30 σ unbekannt s = 1 (X n 1 i X), s = s X n. X µ s = n X µ X s t(n 1) Stichprobenumfang: N L ( σ L t n 0 1,1 /) Das n 0 in obiger Formel für den Stichprobenumfang ist nicht leicht zu ermitteln, der kritische t-wert kann aber bei großen Stichproben durch den entsprechenden Wert der Normalverteilung ersetzt werden. Wurde die Stichprobe mit Zurücklegen gezogen und ist n > 0.05, wobei N die Größe N der Grundgesamtheit ist, so wird σ X mit einer Endlichkeitskorrektur versehen, d. h., σ X = σ n N n N wird in den Berechnungen verwendet. P µ { n X µ s Wir rechnen dies in ein Konfidenzintervall um } t n 1;1 / = 1 X + t n 1,1 s n t n 1,1 s n t n 1,1 n X s µ t n 1,1 X µ s n t n 1,1 µ X s n t n 1,1 Konfidenzintervall: [ Î = X s t n 1,1, X + s ] t n n 1,1 n Beispiel 3.7 Verteilungsmodell : X i N(µ, σ ) Daten X i : X = 9.66 = 0.05, t 4,0.975 =.77. Das 95% Konfidenzintervall für µ ist [ , ] = [7.47, 31.85] 7
8 Varianz einer Normalverteilung Voraussetzung: X 1,..., X n N(µ, σ ) s = 1 (X n 1 i X) (n 1)s σ χ (n 1) P {χ n 1, (n 1)s χ σ n 1,1 } = 1 Das zugehörige Konfidenzintervall für σ ergibt sich zu [ ] (n 1)s (n 1)s Î =, χ n 1,1 χ n 1, Anteilswert p einer Binomialverteilung Voraussetzung: X B(n, p), np(1 p) 9 beobachten m Erfolge bei n Versuchen p = m n, p(1 p) σ p = n 1 m n p σ p N(0, 1) Stichprobenumfang N L ( L 1 Φ 1 (1 )) P p m n p σ p Φ 1 ( 1 ) 1 Wir rechnen in ein Konfidenzintervall für p um ( Φ 1 1 ) ( m np Φ 1 1 ) np(1 p) m ( np(1 p)φ 1 1 ) np m + ( np(1 p)φ 1 1 ) p(1 p) p n Φ (1 1 ) p(1 p) p p + Φ (1 1 ) n Da das unbekannte p in den Intervallgrenzen vorkommt, muss es dort durch den Schätzwert p ersetzt werden. Also ergibt sich das Konfidenzintervall: [ p(1 p) ( Î = p Φ 1 1 ) p(1 p) (, p + Φ 1 1 ) ] n n Da dieses Konfidenzintervall auf einer Approximation beruht, hält es nur für große n das Niveau. 8
9 Da für 0 p 1 stets p(1 p) 1, wird auch oft das größere, aber schneller zu berechnende Konfidenzintervall [ Î = p 1 (1 n Φ 1 ), p + 1 (1 n Φ 1 ) ] verwendet. Bemerkung 3.3 Eigentlich betrachten wir ein Binomial-Experiment, d. h., Ziehen mit Zurücklegen. Falls n p > 5 und n(1 p) > 5 ist, kann obige Approximation durch die Normalverteilung verwendet werden. Bei großen Grundgesamtheiten kann dieses Konfidenzintervall auch im Fall der hypergeometrischen Verteilung verwendet werden, d. h., bei einem Experiment ohne Zurücklegen. Beispiel 3.8 Vor einer Volksabstimmung erklären 316 von 1000 befragten Leuten mit Nein stimmen zu wollen. Wir suchen das 99% Konfidenzintervall für den erwarteten Anteil p der Nein- Stimmen. Antwort: Î = [ , ] = [0.78, 0.353] Bemerkung 3.4 Die Wilson-Score-Methode gibt ein auch schon bei kleinen p besseres Intervall [p 1, p ], das durch p 1/ = m + (Φ 1 (1 )) ± Φ 1 (1 ) (Φ 1 (1 )) + 4m(1 m n ) [n + (Φ 1 (1 )) ] berechnet werden kann. Ebenso können die Pearson-Clopper Werte p 1 = p = mf m,(n m+1);/ (n m + 1) + mf m,(n m+1);/ (m + 1)F (m+1),(n m);1 / (n m) + mf (m+1),(n m);1 / verwendet werden. 9
10 Differenz zweier Erwartungswerte (Vor-Nach Vergleiche) Wir gehen von verbundenen Stichproben aus und betrachten gepaarte Differenzen. Etwa Ergebnisse von Sehtests am rechten und am linken Auge. Mit den Differenzen d i = X i Y i wird dann so wie im Falle eines Mittelwertes bei bekannter bzw. unbekannter Varianz verfahren. Voraussetzung: X 1,..., X n N(µ X, σ X ) Y 1,..., Y n N(µ Y, σ Y ) σ X, σ Y bekannt, σ d = σ X + σ Y Cov(X, Y ) d i = X i Y i N(µ x µ y, σ d ) n (X Y ) (µ X µ Y ) σ d N(0, 1) Î = [(X Y ) σ d n Φ 1 (1 ), (X Y ) + σ d n Φ 1 (1 )] Sind die Varianzen σ X und σ Y unbekannt, so gilt: Voraussetzung: X 1,..., X n N(µ x, σx ) Y 1,..., Y n N(µ y, σy ) σx, σ Y unbekannt d i = X i Y i, s d = 1 (di d) n 1 (X Y ) (µ n X µ Y ) s d t(n 1) Î = [(X Y ) s d n t n 1,1, (X Y ) + s d n t n 1,1 ] Differenz zweier Erwartungswerte (Varianzen bekannt) Voraussetzung: X 1,..., X n N(µ X, σx ) oder n > 30 Y 1,..., Y m N(µ Y, σy ) oder m > 30 X i, Y i unabhängig σx und σ Y bekannt, σ D = σ X n + σ Y m (X Y ) (µ X µ Y ) σ D N(0, 1) Î = [(X Y ) σ D Φ 1 (1 ), (X Y ) + σ DΦ 1 (1 )] Differenz zweier Erwartungswerte (Varianzen unbekannt) Hier unterscheiden wir wiederum zwei Fälle: unbekannte aber gleiche Varianzen, und unbekannte und verschiedene Varianzen der unabhängigen Stichproben. 10
11 Voraussetzung: X 1,..., X n N(µ X, σx ) Y 1,..., Y n N(µ Y, σy ) X i, Y i unabhängig σx und σ Y unbekannt und σ X = σ Y s D = ( n 1 + m 1 ) (n 1)s X + (m 1)s Y n + m (X Y ) (µ X µ Y ) s D t(n + m ) Î = [(X Y ) s D t n+m,1, (X Y ) + s Dt n+m,1 ] Sind die unbekannten Varianzen σ X und σ Y Voraussetzung: X 1,..., X n N(µ X, σx ) Y 1,..., Y n N(µ Y, σy ) X i, Y i unabhängig σx und σ Y unbekannt und σ X σ Y verschieden, so gilt: s 4 D s D = (s X n + s Y m ), n D = ( s X s n ) Y ( n 1 + m ) m 1 (X Y ) (µ X µ Y ) s D t(n D ) Falls n, m > 30 können wir statt der t-verteilung die Standardnormalverteilung verwenden. Î = [(X Y ) s D t nd,1, (X Y ) + s Dt nd,1 ] Differenz zweier Anteilswerte Voraussetzung: X 1,..., X n N(µ X, σx ) Y 1,..., Y m N(µ Y, σy ) X i, Y i unabhängig beobachtete Anteile p X und p Y s p = p X(1 p X ) n + p Y (1 p Y ) m ( p X p Y ) (p X p Y ) s p N(0, 1) Î = [( p X p Y ) s p Φ 1 (1 ), ( p X p Y ) + s p Φ 1 (1 )] 11
12 Aufgaben zum Schätzen Projekt Schätzen: Generiere 1000 Standard-normalverteilte Samples (N(0, 1)) und transformiere diese so, dass bei Angabe zweier beliebiger Parameter µ und σ aus diesen N(µ, σ )-verteilte Samples werden. Generiere damit N(17, 5)-verteilte Samples und wähle (extrahiere) aus diesen zufällig n Daten (n zufällige Indizes aus den Indizes ). Berechne sodann den Mittelwert und die Sample-Varianz dieser n Daten. Berechne weiters ein Konfidenzintervall für den Erwartungswert (einmal mit Kenntnis der Varianz der Grundgesamtheit, einmal ohne), und ebenfalls ein Konfidenzintervall für die Varianz der Grundgesamtheit (natürlich unter der Annahme, dass diese unbekannt ist). Setze n = 10, 5, 70, 10 und vergleiche die Ergebnisse. 3.1 Die Stichprobenvariablen X 1, X, X 3, X 4 seien stochastisch unabhängig und identisch verteilt mit E(X j ) = µ. Zur Schätzung des arithmetischen Mittels µ wird eine Stichprobenfunktion der allgemeinen Form verwendet. X = f(x 1, X, X 3, X 4 ) = g 1 X 1 + g X + g 3 X 3 + g 4 X 4 Es sei: a) g 1 = 1 g = 0 g 3 = 1 g 4 = 1 b) g 1 = 1 g 3 = 1 g 3 = 1 g 4 = c) g 1 = g 8 = 3 g 8 3 = 3 g 8 4 = d) g 1 = g 4 = 1 g 4 3 = 1 g 4 4 = 1 4 Welches der Gewichtssysteme a) bis d) liefert unverzerrte Schätzer? Ordne die erwartungstreuen Schätzer nach ihrer relativen Effizienz! 3. Gegeben sei eine Stichprobe (x 1,, x n ) von unabhängigen Realisierungen einer Zufallsvariablen X. Wir betrachten folgende Schätzfunktion für µ: G = 1 n a i x i a) Unter welchen Bedingungen ist G erwartungstreu? b) Für welche a i ist G der effizienteste Schätzer? 1
13 3.3 Ein Werkstück zerbricht bei der Verarbeitung mit einer konstanten Wahrscheinlichkeit von p. Die Zufallsvariable X sei die Anzahl der verarbeiteten Werkstücke vor dem ersten Bruch. a) Begründe, dass die Wahrscheinlichkeitsfunktion von X folgende Formel hat: f(x) = q x p mit q = 1 p b) Bei einer Stichprobe wurde beobachtet, dass n Stücke vor dem ersten Bruch verarbeitet wurden. Leite die Formel für den Maximum-Likelihood-Schätzer von p her! c) Wie groß ist die P (x > 3) bei p = 0.10? 3.4 In einer Telefonzentrale wird zu zehn zufällig gewählten Zeitpunkten jeweils festgestellt, wie viele Verbindungen innerhalb einer Minute hergestellt werden. Dabei ergeben sich folgende Werte: X sei die Zufallsgröße Anzahl Anrufe innerhalb einer Minute. Es wird angenommen, dass X Poisson-verteilt ist (Begründung?) mit unbekanntem Erwartungswert µ. a) Bestimme eine Maximum-Likelihood-Schätzung für µ! b) Ist diese Schätzung erwartungstreu? c) Beweise, dass die Varianz der Stichprobe eine erwartungstreue Schätzung von µ ist, und berechne ihren Wert für das angegebene Beispiel! 3.5 Eine Taxifirma hat ihre Taxis mit Nummern von 1 bis n versehen, n ist unbekannt. Alle Taxis gelangen mit gleicher Wahrscheinlichkeit zum Einsatz. Zur Schätzung von n wird an einem bestimmten Ort der Verkehr solange beobachtet, bis zum ersten Mal ein Taxi der betreffenden Firma auftaucht. Die beobachtete Nummer dieses Taxis sei x. Es liegt also eine Stichprobe mit einem einzigen Element, nämlich x vor. a) Bestimme eine Maximum-Likelihood-Schätzung für n für diese Stichprobe! b) Ist diese Schätzung erwartungstreu? c) Wenn nein, bestimme eine erwartungstreue Schätzung für n! 13
14 3.6 Gegeben ist folgende Stichprobe aus einer normalverteilten Grundgesamtheit mit unbekanntem Erwartungswert µ: Gesucht sind: a) ein 90 % Konfidenzintervall für µ bei bekannter Varianz σ = 4. b) ein 90 % Konfidenzintervall für µ bei unbekannter Varianz σ. c) Wie groß muss der Stichprobenumfang n in Aufgabe a) gewählt werden, damit das Konfidenzintervall bei gleichem = 90% nur noch ein Viertel so lang ist? 3.7 Bei einer Wahlumfrage (Stichprobenerhebung) wird eine Konfidenzschätzung für den Anteil eines Kandidaten angestrebt, deren maximaler Fehler 4 % betragen soll. Wie groß ist der Stichprobenumfang zu wählen, wenn ein Konfidenzniveau von 95 % voraussetzt wird? Wie ändert sich das Ergebnis, wenn aus einer Vorerhebung bekannt ist, dass der Anteil des Kandidaten etwa um die 0 % beträgt? 3.8 Bei der Produktion von Lebensmittelkonserven werden in gewissen Zeitabständen Kontrollen des Dosengewichts vorgenommen: Umfang mittl. Dosengewicht 1. Stichprobe g. Stichprobe g Aus langjährigen Beobachtungen ist bekannt, dass die gemeinsame Varianz der Dosengewichte 64g beträgt. Berechne ein symmetrisches Konfidenzintervall für den Unterschied der Mittelwerte in den beiden Grundgesamtheiten, denen die Stichproben entnommen wurden! 3.9 Vor Beginn einer Werbekampagne kennen von 1000 Befragten 10 eine bestimmte Marke. Nach der Werbekampagne kennen 160 von 1000 Befragten eine bestimmte Marke. Berechne ein 99 % Konfidenzintervall für die Differenz der Anteile! 14
15 3.10 Von der Zufallsvariable X mit Var(X) = 36 wird eine Stichprobe vom Umfang n = 36 gezogen. Daraus ergibt sich ein Mittelwert von X = 108. a) Gib ein 95 % (99 %) Konfidenzintervall für den Mittelwert an! b) Wie groß muss der Stichprobenumfang gewählt werden, damit das Konfidenzintervall eine Länge von höchstens hat (95 % und 99 %)? 3.11 In einer Zementfabrik wird der laufende Abfüllvorgang von Zementsäcken durch die fallweise Entnahme von Stichproben überwacht. Bei einer Stichprobe wurden folgende Abfüllgewichte festgestellt: a) Berechne ein symmetrisches Konfidenzintervall für das mittlere Abfüllgewicht unter der Voraussetzung, dass die Abfüllgewichte normalverteilt sind (=99 %)! b) Berechne ein symmetrisches Konfidenzintervall für σ! 3.1 Aus einer laufenden Produktion von Transistoren wird eine Stichprobe vom Umfang 400 Stück entnommen und einer Funktionsprüfung unterzogen. 40 der geprüften Transistoren erwiesen sich als defekt. Bestimme ein 95 % Konfidenzintervall für den Anteil der funktionstüchtigen Transistoren! 3.13 In seinem Buch The Advanced Theory of Language as Choice and Chances bringt G. Herdan zwei Statistiken über die Länge von Wörtern, gemessen durch die Silbenanzahl, bei Goethe und Lichtenberg: Anzahl der Silben Goethe Lichtenberg n a) Berechne ein Konfidenzintervall für die mittlere Wortlänge (95 %)! b) Berechne ein Konfidenzintervall für die Differenz der mittleren Wortlänge, wenn gleiche Varianz der Datenreihen vorausgesetzt wird (95 %)! 15
16 c) Berechne die 95 % Konfidenzintervalle für die Anteile der einsilbigen Wörter bei Lichtenberg und Goethe! d) Berechne das 95 % Konfidenzintervall für die Differenz der Anteilswerte der einsilbigen Wörter bei Goethe und Lichtenberg! 16
1 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
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.
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
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
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
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
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
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
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
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
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:
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
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
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............
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
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,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
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
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
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrStatistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
Übersicht über die Vorlesung Teil : Deskriptive fru@hephy.oeaw.ac.at VO 42.090 http://tinyurl.com/tu42090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 200 Teil 4:
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
MehrVertiefung der. Wirtschaftsmathematik. und Statistik (Teil Statistik)
Selbstkontrollarbeit 1 Vertiefung der Wirtschaftsmathematik und Statistik (Teil Statistik) 18. Januar 2011 Aufgaben Aufgabe 1 Gegeben sei eine binomialverteilte Zufallsvariablen X mit den Parametern N
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
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
Mehr10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31.
Bei einer Flaschenabfüllanlage ist die tatsächliche Füllmenge einer Flasche eine normalverteilte Zufallsvariable mit einer Standardabweichung = 3 [ml]. Eine Stichprobe vom Umfang N = 50 ergab den Stichprobenmittelwert
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
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
MehrKapitel V - Erwartungstreue Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA
Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten 12. und 14. Prof. Dr. Stefan Etschberger HSA Outline 1 : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe
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
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
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:...
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
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
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
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)
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
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.
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
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,...,
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
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
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
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
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
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
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
Mehr4 Testen von Hypothesen
4 Testen von Hypothesen Oft müssen zweiwertige Entscheidungen ( Ja oder Nein ) gefällt werden. Denken wir an die elektronisch gesicherten Waren, wo am Ausgang eines Geschäftes durch eine Maschine geprüft
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
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
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
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
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
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
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
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:
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
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
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
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.
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
MehrStatistik-Übungsaufgaben
Statistik-Übungsaufgaben 1) Bei der Produktion eine Massenartikels sind erfahrungsgemäß 20 % aller gefertigten Erzeugnisse unbrauchbar. Es wird eine Stichprobe vom Umfang n =1000 entnommen. Wie groß ist
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrGrundgesamtheit 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
MehrVU mathematische methoden in der ökologie: räumliche verteilungsmuster 1/5 h.lettner /
VU mathematische methoden in der ökologie: räumliche verteilungsmuster / h.lettner / Analyse räumlicher Muster und Verteilungen Die Analyse räumlicher Verteilungen ist ein zentrales Gebiet der ökologischen
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
MehrGrundgesamtheit 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
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Wahrscheinlichkeitstheorie (Klausuraufgaben) Marcel Bliem Marco Boßle Jörg Hörner Mathematik Online Herbst 2010 Bliem/Boßle/Hörner (MO) PV-Kurs HM 3 1 / 7
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
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
Mehr