Erwartungswert und Varianz von Zufallsgrößen. Zufällige Auswahl von Mann und Frau X = Y = Wir erwarten X < Y. der Frau des Mannes
|
|
- Achim Lang
- vor 6 Jahren
- Abrufe
Transkript
1 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.1 Erwartungswert und Varianz von Zufallsgrößen Zufällige Auswahl von Mann und Frau X = Y = Wir erwarten X < Y } Körpergröße { der Frau des Mannes In der Mehrzahl der Fälle wird das so sein. Aber: X > Y kann vorkommen! Modell: X, Y unabhängig und N (µ x, σ 2 x)- bzw. N (µ y, σ 2 y )-verteilt Beispiel: µ x = 165 cm, µ y = 175 cm, σ x = σ y = 10 cm Scatter-Plot von unabhängigen, wie (X, Y ) verteilten (X 1, Y 1 ),..., (X N, Y N )
2 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.2
3 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.3 X Zufallsgröße mit möglichen Werten x 1,..., x n Laplace-verteilt: Ws(X = x j ) = 1 n, j = 1,..., n Erwartungswert oder Mittelwert von X EX = 1 n n j=1 x j, beliebige diskrete Verteilung mit Wahrscheinlichkeitsgewichten Ws(X = x j ) = p j EX = = n j=1 n j=1 x j p j x j Ws(X = x j )
4 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.4 Beispiele: (Skript, S. 39) a) Würfelwurf: Ws(X = k) = 1 6, k = 1,..., 6 EX = 1 ( ) = 3, 5 6 b) Y 0-1-Zufallsgröße; Ws(Y = 1) = p EY = 0 Ws(Y = 0) + 1 Ws(Y = 1) = p c) X kann die Werte 1, 2, 3, 100 annehmen. Ws(X = k) = 333 1, k = 1, 2, 3, = für k = 100. gewöhnliches Mittel: EX = = 26, 5 ( ) = 2, 098
5 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.5 Erwartungswert EX einer beliebigen reellwertigen Zufallsgröße a) Verteilung von X diskret mit Werten x 1, x 2,... und Wsgewichten p j = Ws(X j = x j ) EX = j=1 x j p j = j=1 x j Ws(X = x j ) b) X hat Wsdichte p(x) EX = x p(x)dx. Es gibt (seltene) Fälle, wo EX nicht existiert!
6 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.6 Beispiele: a) X Poisson-verteilt: P(λ), Werte 0,1,2,... EX = j=0 j p j = j=0 j λj j! e λ = λ b) X exponentialverteilt: Exp(λ) EX = x p(x)dx = 0 xλe λx dx = 1 λ c) B(n, p): EX = np d) H(n, M, N): EX = n M N e) N (µ, σ 2 ): EX = µ
7 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.7 f) lognormal(µ, σ 2 ) : EX = e µ+σ2 2 g) Weibull(λ, β) : EX = 1 λ β Γ(1 + 1 β ) Gamma-Funktion: Γ(n + 1) = n! Allgemein: Hat X eine Wsdichte, die symmetrisch um µ ist, so ist EX = µ.
8 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.8 Erwartungswerte von Funktionen einer Zufallsgröße X Zufallsgröße mit Werten in X f reellwertige Funktion auf X, Ef(X) =? 1. Möglichkeit: Verteilung der Zufallsgröße Y = f(x) bestimmen, z.b.: X N (µ, σ 2 ) Y = exp(x) lognormal 2. Möglichkeit: a) X Werte x j, Wsgewichte p j, j = 1, 2,.... Ef(X) = j=1 f(x j )p j = b) X Wsdichte p(x) Ef(X) = j=1 f(x j )Ws(X = x j ) f(x) p(x)dx.
9 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.9 Gesetz der großen Zahlen: X 1,..., X N u.i.v. reellwertige Zufallsgrößen mit EX = µ. Dann: X N = 1 N N j=1 (der Zufall mittelt sich heraus) X j µ für N Genauer: Ws(X N µ) = 1 Interpretation des Erwartungswerts EX Wiederhole das Experiment, das X liefert, sehr oft auf unabhängige Weise unabhängige X 1,..., X N mit derselben Verteilung wie X. Dann gilt: X N = 1 N N j=1 X j EX
10 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.10
11 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.11 Anwendung: Schätzer für Verteilungsparameter X 1,..., X N u.i.v. Exp(λ)-verteilt X N EX = 1 λ ˆλ = 1 X N 1 EX = λ Erwartungswert oder Mittelwert EX in der Praxis Produktion: Zielwert µ 0 soll im Mittel eingehalten werden Messwerte X 1, X 2,..., X N sollen im Mittel µ 0 sein, d.h. es muss EX j = µ 0 gelten Investitionen oder Geschäftsstrategien: Gewinn X nicht exakt vorhersagbar erwarteter Gewinn EX möglichst groß
12 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.12 Zusätzliche Wünsche: Produktion: Abweichungen vom Zielwert µ 0 nicht zu groß Investitionen: zufällige Schwankungen des Gewinns (Risiko) nicht zu hoch Varianz var X einer reellwertigen Zufallsgröße var X = E ( X EX ) 2 Standardabweichung σ(x) = var X Produktion: var X j klein als Qualitätsforderung Investitionen: var X oder σ(x)=volatilität als Risikomaße
13 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.13 Nobelpreis für Wirtschaftswissenschaften (1990): H. Markowitz für seine Theorie der Portfolio-Auswahl (1952/1959) Bei der Auswahl eines Portfolios für zu investierendes Kapitel spielen erwartete Rendite (EX) und Risiko (gemessen durch var X) die wesentliche Rolle (mean-variance analysis). Beide wachsen tendenziell gemeinsam, aber durch geschickte Portfoliowahl kann man, z.b. durch Risikodiversifizierung, die erwartete Rendite unter der Nebenbedingung maximieren, dass das Risiko (= Varianz oder Volatilität) ein vorgegebenes Limit nicht übersteigt: Maximiere EX! unter der Bedingung var X Limit
14 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.14 Beispiele: (Skript, S. 43) a) P(λ) EX = λ var X = E ( X EX ) 2 = E(X λ) 2 = k=0 (k λ) 2 λk k! e λ = λ b) N (µ, σ 2 ) EX = µ var X = E ( X µ ) 2 = (x 1 µ)2 2πσ 2 e (x µ)2 2σ 2 dx = σ 2 c) B(n, p): var X = n p(1 p) = n pq d) H(n, M, N): var X = n M N (1 M N ) N n N 1
15 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.15 e) Exp(λ) : var X = 1 λ 2 f) lognormal (µ, σ 2 ) : var X = e 2µ+σ2 (e σ2 1) g) Weibull (λ, β) : var X = 1 λ 2/β ( Γ(1 + 2 β ) Γ 2 (1 + 1 β )) Schätzer für Varianz aus Gesetz der Großen Zahlen X 1,..., X N u.i.v. mit EX j = µ, var X j = σ 2 s 2 N = 1 N 1 N j=1 ( Xj X N ) 2 1 N N j=1 ( Xj µ ) 2 E ( X1 µ ) 2 = var X1 = σ 2 s 2 N ist brauchbarer Schätzer für σ2, falls N groß genug - nicht nur für normalverteilte Daten.
16 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.16 Rechenregeln für Erwartungswerte Erwartungswert linear: Für beliebige Konstanten c 1,..., c N ( ) E c 1 X c N X N = c 1 EX c 1 EX N Faktorisierung des Erwartungswerts für unabhängige X 1,..., X N E(X 1... X N ) = EX 1... EX N Speziell für u.i.v. X 1,..., X N : E(X 1... X N ) = ( EX 1 ) N
17 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.17 Rechenregeln für Varianzen var ( cx ) = c 2 var X, σ ( cx ) = cσ(x) Additivität des Erwartungswerts für unabhängige X 1,..., X N var Speziell für u.i.v. X 1,..., X N : var N X j = N j=1 j=1 N X j j=1 var X j = N var X 1 var X N = var ( 1 N Nj=1 X j ) = 1 N var X 1 0 X N const und const = EX 1, da EX N = 1 N Nj=1 EX j = EX 1
18 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.18 X 1,..., X N u.i.v., Schätzer für µ = EX j : X N Approximatives (1 α)-konfidenzintervall für µ = EX X N ± s N N q α, q α = (1 α 2 ) Quantil von t N 1 Anwendung: Approximatives Konfidenzintervall für λ, wenn X 1,..., X N unabhängig identisch Exp(λ)-verteilt, µ = EX j = 1 λ [T 1, T 2 ] Konfidenzintervall für µ Ws ( T 1 1 λ T 2) 1 α 1 T 2 λ 1 T 1 mit Wahrscheinlichkeit 1 α [ 1 ] T 2, 1 T 1 (1 α)-konfidenzintervall für λ
19 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.19 Abhängige Zufallsgrößen: Kovarianz und Korrelation X, Y reellwertige Zufallsgrößen mit Wsdichten p x, p y V = ( ) X Y Zufallsvektor mit Werten in R 2. zweidimensionale Dichte p v (x, y) Ws(a X b, c Y d) = c b a p v(x, y)dx dy X, Y unabhängig p v (x, y) = p x (x) p y (y) Statt Untersuchung der Funktion p v (x, y) nur Zahl als Maß für die Stärke der Abhängigkeit: Kovarianz bzw. Korrelation von X und Y.
20 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.20 Kovarianz cov (X, Y ) zweier reellwertiger Zufallsgrößen X, Y ( cov (X, Y ) = E (X EX) (Y EY = E(X Y ) EX EY ) Korrelation corr(x, Y ) = cov (X, Y ) σ(x) σ(y ) = cov (X, Y ) var (X) var (Y ) Die Korrelation ist skaleninvariant: corr(ax, by )=corr(x, Y ), a, b> 0. Es gilt immer: 1 corr(x, Y ) +1
21 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.21 Was bedeutet der Korrelationswert? 1) X, Y unabhängig cov (X, Y ) = 0 corr(x, Y ) = 0 X, Y heißen unkorreliert 2) Y proportional zu X, d.h. Y = c X für ein c 0 cov (X, Y ) = cov (X, cx) = c cov (X, X), var Y = c 2 var X corr(x, Y ) = c c = } {{ } =var X +1 c > 0 für 1 c < 0 Das gilt auch allgemein für Y = c X + d.
22 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler ) Aus X, Y unkorreliert,d.h. corr(x, Y ) = 0, folgt nicht (!), dass X, Y unabhängig Extremes Gegenbeispiel: X U( 1, +1)-verteilt, Y = X 2 corr(x, Y ) = 0 obwohl Y völlig von X abhängt (aber auf nichtlineare Weise) Fazit: Korrelation misst das Ausmaß der linearen Abhängigkeit von X und Y. Wichtiger Sonderfall: X, Y gemeinsam normalverteilt. Dann: X, Y unabhängig corr(x, Y ) = 0
23 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.23 Streudiagramme oder Scatterplots (vgl. Skript, 1.6) 2 Messungen je Objekt zweidimensionale Daten ( ) ( ) x 1 y,..., xn 1 yn R 2 modellieren als Zufallsvektoren ( X ) j, j = 1,..., N Y j Streudiagramm oder Scatterplot X j, Y j beeinflussen sich nicht Plot weitgehend parallel zu Koordinatenachsen unkorreliert typisch: Ellipse mit Hauptachsen parallel zu Koordinatenachsen (Normalverteilung!) X j, Y j zusätzlich gleiche Variabilität Kreis X j, Y j beeinflussen sich Plot steigt oder fällt corr(x j, Y j ) > 0 bzw. < 0
24 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.24
25 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.25
26 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.26
27 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.27
28 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.28
29 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.29
30 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.30
31 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.31 Kovarianz- und Korrelationsschätzer Modell: (x 1, y 1 ),..., (x n, y N ) sind Werte von unabhängig, identisch verteilten Zufallsvektoren (X 1, Y 1 ),..., (X N, Y N ) mit µ x = EX j, σ 2 x = var X j µ y = EY j, σ 2 y = var Y j c = cov (X j, Y j ) ρ = corr(x j, Y j ) cov (X 1, Y 1 ) = E{(X 1 µ x )(Y 1 µ y )} 1 N 1 1 N 1 N j=1 N j=1 (X j µ x )(Y j µ y ) (X j X N )(Y j Y N ) = ĉ N
32 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.32 Stichprobenkovarianz ĉ N und Stichprobenkorrelation ˆρ N schätzen c bzw. ρ ˆρ N = ĉ N s N,x s N,y, s 2 N,x = 1 N 1 N j=1 (X j X N ) 2, s 2 N,y =... Test auf Unabhängigkeit zweier Stichproben Modell: Paare von Messungen (X 1, Y 1 ),..., (X N, Y N ) unabhängig und identisch gemeinsam normalverteilt mit Korrelation ρ. gemeinsam normalverteilt: a X + b Y ist N (µ a,b, σa,b 2 )-verteilt für alle a, b. In diesem Fall gilt: X j, Y j unabhängig X i, Y i unkorreliert, ( d.h. ρ = 0)
33 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.33 Fisher-Transformation ˆρ N 1 2 ln 1 + ˆρ N 1 ˆρ N ρ 0 ln 1 + ρ 0 (= 0 für ρ 0 = 0) 1 ρ 0 Teststatistik N 3 { Z = ln 1 + ˆρ N ln 1 + ρ ˆρ N 1 ρ 0 ist unter der Hypothese H 0 : ρ = ρ 0 ungefähr N (0, 1)-verteilt für N 50, ρ 0 nicht zu nahe bei ±1. Korrelationstest (q β = β-quantil von N (0, 1)) Hypothese Alternative H 0 verwerfen, wenn H 0 : ρ = ρ 0 H 1 : ρ > ρ 0 Z > q 1 α oder ρ ρ 0 H 0 : ρ = ρ 0 H 1 : ρ ρ 0 Z > q 1 α 2 }
34 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.34 Abhängigkeit zwischen Ladenmiete/m 2 ( ˆ= Geschäftslage) und Umsatz in Ladenkette. Daten für N = 53 Filialgeschäfte: X j = Umsatz pro m 2 Ladenfläche Y j = Miete pro m 2 Ladenfläche Stichprobenkorrelation ˆρ 53 = 0, 37 Positive Korrelation zwischen Miete und Umsatz oder nicht? Teste H 0 : ρ = 0 (oder 0) gegen H 1 : ρ > 0 50 Z = 2 ln 1 + 0, , 37 ln }{{} =0 = 2, 744 Niveau α = 0, 01, q 1 α = 2, 326 Unabhängigkeit verwerfen
35 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.35
36 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.36 Allgemeine Regressionsmodelle Datenpaare (X 1,, Y 1 ),..., (X N, Y N ) unabhängig Modell: Y j = g(x j ) + e j, j = 1,..., N Residuen e 1,..., e N u.i.v. mit Ee j = 0, var e j = σ 2 e (oft: e 1,..., e N u.i.v. N (0, σ 2 e )-verteilt) Probleme: 1) Schätze die Regressionsfunktion g(x) 2) Sage Y N+1 vorher, gegeben den Wert von X N+1 Wenn X N+1 = x bekannt ist, so ist Vorhersage für das zugehörige Y N+1. ŶN+1 = g(x) die beste
37 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.37 Lineare Regressionsmodelle g(x) bekannt bis auf endlich viele Parameter, die linear in g eingehen. Beispiele: g(x) = b 0 + b 1 x Regressionsgerade g(x) = b 0 + b 1 x + b 2 x 2 parabolische Regression g(x) = b 0 + b 1 x b p x p polynomiale Regression g(x) = b 0 + b 1 cos(x) + b 2 cos(2x) + a 1 sin(x) + a 2 sin(2x) trigonometrische Regression nicht: g(x) = b 1 e b 2x + a 1 e a 2x (Beispiel für nichtlineare Regression)
38 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.38 Regressionsgerade g(x) = b 0 + b 1 x Daten: (X 1,, Y 1 ),..., (X N, Y N ) Kleinste-Quadrate-Ansatz: Schätze b 0, b 1 durch die Kleinste-Quadrate-Schätzer ˆb 0,ˆb 1 definiert durch ( ) N 2 ) N 2 Y j ˆb 0 ˆb 1 X j = min (Y j b 0 b 1 X j b 0,b 1 j=1 j=1 Lösung: ˆb 1 = Nj=1 (Y j Y N ) (X j X N ) Nj=1 (X j X N ) 2 = ĉn s 2 N,x ˆb 0 = Y N ˆb 1 X N
39 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.39
40 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.40
41 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.41
42 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.42
43 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.43 Daten: Korndurchmesser (x) und Druckfestigkeit (y) von Steinsalzkörnern
44 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.44 Daten und Regressionsgerade
45 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.45 Daten, Regressionsgerade und Regressionsparabel
46 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.46 Capital asset pricing model (CAPM) (W. Sharpe, Nobelpreis für Wirtschaftswissenschaften, 1990) Rendite = prozentuale Änderung von Anlagewert R 0 = Rendite von risikoloser Anleihe R(i) = Rendite von Aktie Nr. i, i = 1,..., p R M = Rendite von Markt ( ˆ= Rendite von marktbreitem Index, z.b. S&P500) Mittlere Exzessrendite der Aktie proportional zu der Exzessrendite des Marktes: E(R(i) R 0 ) = β i E(R M R 0 )
47 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.47 Regressionsmodell: R(i) R 0 = Y (i), R M R 0 = X, Y (i) = α i + β i X + e(i) Daten: R t (i), X t im Jahr t Y t (i) = α i + β i X t + e t (i), t = 1,..., N CAPM α i = 0, in Praxis aber nicht immer erfüllt β i (R M R 0 ) ˆ= Marktrisiko der Aktie i. β i > 1 riskanter als Markt β i = 1 genauso riskant wie Markt β i < 1 risikoloser als Markt β i groß erwartete Rendite groß für den Preis höheren Risikos
48 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.48 Industry Beta Industry Beta Air transport 1.80 Energy, raw material 1.22 Real property 1.70 Tires, rubber goods 1.21 Travel, outdoor recreat Railroads, shipping 1.19 Electronics 1.60 Forest products, paper 1.16 Misc. Finance 1.60 Drugs Medicine 1.14 Nondurables, entertainm Domestic oil 1.12 Consumer durables 1.44 Soaps, cosmetics 1.09 Business machines 1.43 Steel 1.02 Retail, general 1.43 Containers 1.01 Media 1.39 Nonferrous metals 0.99 Insurance 1.34 Agriculture 0.99 Trucking, freight 1.31 Liquor 0.89 Aerospace 1.30 International oil 0.85 Apparel 1.27 Banks 0.81 Construction 1.27 Tobacco 0.80 Motor vehicles 1.27 Telephone 0.75 Photographic, optical 1.24 Energy, utilities 0.60 Chemicals 1.22 Gold 0.36
49 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.49 Regression und Korrelation Korrelation = Maß für die lineare Abhängigkeit zwischen zwei Merkmalen Y j und X j Wenn X j, Y j über eine Regressionsgerade verknüpft sind: Y j = b 0 + b 1 X j + e j, mit e j unabhängig von X j, Ee j = 0, var e j = σe 2, var X j = σx, 2 dann gilt ρ = corr(x j, Y j ) = b 1 b σ2 e σ 2 x, b 1 = ρ 1 ρ 2 σ2 e σx 2 Insbesondere: ρ = 0 b 1 = 0
50 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.50 Test, ob Y j von X j abhängt: Modell: H 0 : b 1 = 0 gegen H 1 : b 1 0. Y j = b 0 +b 1 X j +e j, j = 1,..., N, e 1,..., e N sind u.i.v. N (0, σ 2 e ) X 1,..., X N haben ein beliebige Verteilung, sind aber unabhängig von e 1,..., e N. Die X j können auch deterministisch sein. Hilfsgrößen: ˆσ 2 e = 1 N 2 N j=1 ( Yj ˆb 1 ˆb 2 X j ) 2 ˆσ 2 x = 1 N N j=1 ( Xj X N ) 2 = N 1 N s2 x ˆσ 2 1 = ˆσ2 e ˆσ 2 x schätzt var ˆb 1
51 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.51 Teststatistik T 0 1 = N ˆb 1 ˆσ 1. ist t N 2 -verteilt, wenn die Hypothese H 0 : b 1 = 0 zutrifft. Hypothese Alternative H 0 verwerfen, wenn H 0 : b 1 = 0 oder H 0 : b 1 0 H 1 : b 1 > 0 T1 0 > t N 2,1 α H 0 : b 1 = 0 H 1 : b 1 < 0 T1 0 < t N 2,α = t N 2,1 α oder H 0 : b 1 0 H 0 : b 1 = 0 H 1 : b 1 0 T1 0 > t N 2,1 α/2 wobei t N 2,β = β-quantil von t N 2. Der Test kann auch benutzt werden, wenn e 1,..., e N nur ungefähr normalverteilt sind, hat dann aber auch näherungsweise das Niveau α.
52 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.52 Allgemeiner Regressionstest H 0 : b 1 = b o 1 gegen H 1 : b 1 b o 1. Teststatistik T 1 = N (ˆb 1 b o 1 ) ˆσ 1. Hypothese Alternative H 0 verwerfen, wenn H 0 : b 1 = b o 1 H 1 : b 1 > b o 1 T 1 > t N 2,1 α oder H 0 : b 1 b o 1 H 0 : b 1 = b o 1 H 1 : b 1 < b o 1 T 1 < t N 2,α = t N 2,1 α oder H 0 : b 1 b o 1 H 0 : b 1 = b o 1 H 1 : b 1 b o 1 T 1 > t N 2,1 α/2 Auf ähnliche Weise kann auch getestet werden, ob Parameter in komplizierteren linearen Regressionsmodellen bestimmte Werte annehmen, z.b. ob H 0 : b 2 = 0 im Modell Y j = b 0 + b 1 X j + b 2 Xj + e j
53 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.53
54 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.54 Fallstudie: (X j, Y j ) = Anzahl Passagiere und Flugunkosten in T US-$ (Boeing 737, Flugstrecke 500 Meilen unter ähnlichen Bedingungen) ( ), ( ), ( ), ( ), ( ), ( ), ( ), ( ), ( ), ( ), ( ), ( ) Geschätzte Regressionsgerade: y = ˆb 0 +ˆb 1 x = 1, 570+0, 0407x Vorhersage der Unkosten für Flug mit x = 80 Passagieren: ŷ = 1, , = 4, 83
55 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.55
56 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.56 Modell: Y j = b 0 + b 1 X j + e j, Ee j = 0, var e j = σ 2 e Stichprobenresiduen ê j = Y j (ˆb 0 + ˆb 1 X j ) Schätzer für σ 2 e, var ˆb 1 : ˆσ 2 e = 1 N 2 N j=1 ê 2 j, ˆσ2 1 = ˆσ2 e ˆσ 2 x N = 12, α = 0, 01, 99%-Quantil von t N 2 = 2, 76 Test H 0 : b 1 = 0: T 0 1 = N ˆb 1 ˆσ 1 = 9, 43 > 2, 76 H 0 verwerfen Residuenplot: Stichprobenresiduen ê j gegen Werte auf der Regressionsgerade ˆb 0 + ˆb 1 X j sollten wie u.i.v. normalverteilte Daten mit Mittelwert 0 aussehen, wenn das Modell die Daten gut genug approximiert
57 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.57
58 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.58 Simuliertes Fallbeispiel: Ausgaben für Luxuswaren gegen Haushaltsjahreseinkommen
59 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.59 Residuenplot spricht nicht gegen das Modell: Regressionsgerade + u.i.v. normalverteilte Residuen
60 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.60 Dieselben Daten + Haushalte mit hohem Einkommen
61 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.61 Residuenplot für ergänzten Datensatz spricht gegen das Modell
62 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 7.62 Daten, geschätzte Regressionsgerade und wahre abflachende Regressionsfunktion
3.1 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
MehrModelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte
Statistik II für Wirtschaftswissenschaftler Folie 6.1 Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte I) Werte in (, ), Parameter µ (, ), σ 2 > 0 Normalverteilung
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
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
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)
Mehr1 wenn Erfolg im j-ten Versuch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.1 Binomialverteilung - Alternative Darstellung n Versuche mit 2 möglichen Ausgängen. Setze Y j = 1 wenn Erfolg im j-ten Versuch 0 wenn
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
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
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
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
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
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
MehrFormelsammlung Statistik II (SS 2010) 1. 1 Numerische und graphische Zusammenfassung quantitativer
TU Kaiserslautern 40700 FB Mathematik Prof Dr Jörn Saß Formelsammlung Statistik II (SS 00) umerische und graphische Zusammenfassung quantitativer Daten Beobachtet werden Daten x,, x Die Ordungsstatistiken
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrFormelsammlung Statistik II 1. 1 Numerische und graphische Zusammenfassung quantitativer
TU Kaiserslautern Sommer 202 FB Mathematik Stand 97202 Prof Dr Jörn Saß Formelsammlung Statistik II umerische und graphische Zusammenfassung quantitativer Daten Beobachtet werden Daten x,,x Die Ordungsstatistiken
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
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/31 Kruschwitz/Husmann (2012) Finanzierung und Investition 2/31 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
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
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
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
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 ]
Mehr7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17
7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17 1. Aufgabe: a) Grundgesamtheit sind alle Reifen aus der Produktion von Langstone aus dem Monat März der entsprechenden Reifentypen.
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
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)
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
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
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
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
MehrSie wissen noch, dass 18.99% der Surfer, die kein Smartphone haben, pro Monat weniger als 20 Stunden das Internet nutzen, d.h. f(y 1 X 2 ) =
Aufgabe 1 In einer Umfrage wird der Besitz eines Smartphones (Merkmal X) und die Nutzungsdauer des Internets pro Monat (Merkmal Y ) untersucht. Merkmal X hat zwei Ausprägungen: X 1 : Besitz und X 2 : Nichtbesitz.
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) Literatur Kapitel 7 n heisst für uns n gross * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
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
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
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
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
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
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
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
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
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
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.
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
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
MehrDemokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
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
MehrPortfolio-Selektionstheorie grafisch und intuitiv mit GeoGebra
Portfolio-Selektionstheorie grafisch und intuitiv mit GeoGebra Lucia Del Chicca Markus Hohenwarter Seminar Mathematech, JKU 14 Mai 2015 Die Problemstellung Es ist allgemein bekannt, dass wenn wir ein bestimmtes
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
MehrUniversität Stuttgart Fachbereich Mathematik. Klausur Statistik für Wirtschaftswissenschaftler WS 2010/11. PD Dr. J. Dippon Dipl.-Math. A.
Universität Stuttgart Fachbereich Mathematik PD Dr. J. Dippon Dipl.-Math. A. Madlener Klausur Statistik für Wirtschaftswissenschaftler WS 2010/11 26. Februar 2011 VORNAME: MATRIKELNUMMER: NAME: STUDIENGANG:
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
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 +... +
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrVorlesung: Lineare Modelle
Vorlesung: Lineare Modelle Prof Dr Helmut Küchenhoff Institut für Statistik, LMU München SoSe 2014 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
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
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
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
Mehr