Einführung in einige Teilbereiche der Wirtschaftsmathematik für Studierende des Wirtschaftsingenieurwesens
|
|
- Klara Scholz
- vor 6 Jahren
- Abrufe
Transkript
1 in einige Teilbereiche der für Studierende des Wirtschaftsingenieurwesens Sommersemester 2014 Hochschule Augsburg
2 : Gliederung 1 Finanzmathematik 2 Lineare Programme 3 Differentialgleichungen 4 Statistik: 5 Deskriptive Statistik 6 Wahrscheinlichkeitstheorie 7 Induktive Statistik 7 Induktive Statistik
3 der induktiven Statistik Beispiel Vollerhebung of unmöglich, Deshalb: Beobachte Teilgesamtheit und schließe auf Grundgesamtheit Warensendung von 1000 Stück; darunter M Stück Ausschuss. M ist unbekannt. Zufällige Entnahme von n = 30 Stück ( Stichprobe ). Darunter 2 Stück Ausschuss. Denkbare Zielsetzungen: 2 Schätze M durch eine Zahl (z.b = 66,67) Schätze ein Intervall für M (z.b. M [58; 84]) Teste die Hypothese, dass M > 50 ist. 208
4 Grundbegriffe Grundgesamtheit (G): Menge aller relevanten Merkmalsträger. Verteilung von G: F(x) = P(X x) = Wahrscheinlichkeit, dass ein Merkmalsträger ausgewählt wird, der beim untersuchten Merkmal maximal die Ausprägung x aufweist. Uneingeschränkte (reine) Zufallsauswahl: Jedes Element von G hat die selbe Chance, ausgewählt zu werden. Stichprobenumfang (n): Anzahl der Merkmalsträger in der Stichprobe. Einfache Stichprobe: Uneingeschränkte Zufallsauswahl und unabhängige Ziehung. Alle Stichprobenvariablen X 1,..., X n sind iid. Stichprobenergebnis: n-tupel der Realisationen der Stichprobenvariablen, (x 1,..., x n ). 209
5 Wichtige Stichprobenfunktionen Gegeben: Einfache Stichprobe X 1,..., X n, Beliebige Verteilung mit E(X i ) = µ, Var(X i ) = σ 2 Stichprobenfunktion V Bezeichnung E(V) Var(V) n X i Merkmalssumme nµ nσ 2 i=1 X = 1 n σ 2 X i Stichprobenmittel µ n n i=1 X µ n Gauß-Statistik 0 1 σ 1 n (X i µ) 2 mittlere quadr. Abw. bezüglich µ σ 2 n i=1 1 n (X i X) 2 n 1 mittlere quadr. Abw. n n σ2 i=1 S 2 = 1 n (X i X) 2 Stichprobenvarianz σ 2 n 1 i=1 S = S 2 Stichproben-Standardabw. X µ n S t-statistik 210
6 Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte Zufallsvariablen, so wird die Verteilung von n Z = i=1 als Chi-Quadrat-Verteilung mit n Freiheitsgraden bezeichnet. X 2 i 0,1 0,05 f(x) x Kurzschreibweise: Z χ 2 (n) Beispiel: χ 2 (30): x 0,975 = 46,98 211
7 Quantilstabelle der χ 2 -Verteilung mit n Freiheitsgraden α\n α\n
8 Testverteilungen: t-verteilung Ist X N(0; 1), Z χ 2 (n), X, Z unabhängig, so wird die Verteilung von T = X 1 n Z als t-verteilung mit n Freiheitsgraden bezeichnet. 0,2 f(x) William Sealy Gosset ,1 x Kurzschreibweise: T t(n) Beispiel: t(10) x 0,6 = 0,260, x 0,5 = 0, x 0,1 = x 0,9 = 1,
9 Quantilstabelle der t-verteilung mit n Freiheitsgraden α\n
10 t-verteilung vs. Normalverteilung Dichtefunktion t-verteilung mit 1 (blau), 3 (grün) und 10 (lila) Freiheitsgraden Standardnormalverteilung (rot) dnorm(x) x 215
11 Ein unbekannter Parameter ϑ der Verteilung von G soll auf Basis einer Stichprobe geschätzt werden. Zum Beispiel: σ von N(10; σ) Schätzwert: ˆϑ Vorgehen: Verwendung einer Schätzfunktion ˆΘ = g(x 1,..., X n ) Beachte: Der Schätzwert ˆϑ ist die Realisierung der ZV (!) ˆΘ. Frage: Welche Stichprobenfunktion ist zur Schätzung geeignet? Kriterien für die Beurteilung/Konstruktion von Schätzfunktionen! Im Folgenden: Vorliegen einer einfachen Stichprobe, d.h. X 1,..., X n iid. 216
12 Erwartungstreue und Wirksamkeit Eine Schätzfunktion ˆΘ = g(x 1,..., X n ) heißt erwartungstreu oder unverzerrt für ϑ, wenn unabhängig vom numerischen Wert von ϑ gilt: E( ˆΘ) = ϑ Beispiel Sind ˆΘ = X, ˆΘ = X 1+X n 2, ˆΘ = 1 n 1 a) ˆΘ: E( X) = µ ˆΘ ist erwartungstreu. b) ˆΘ : E ( X 1 +X n 2 ˆΘ ist erwartungstreu. ( c) ˆΘ : E n ) X i n 1 n 1 i=1 n X i erwartungstreu für µ? i=1 ) = 1 2 [E(X 1) + E(X n)] = 1 2 = 1 n 1 i=1 ˆΘ ist nicht erwartungstreu E(X i ) = 1 n 1 (µ + µ) = µ n i=1 µ = n n 1 µ µ 217
13 Erwartungstreue und Wirksamkeit Welche der erwartungstreuen Schätzfunktionen ˆΘ, ˆΘ ist besser? Von zwei erwartungstreuen Schätzfunktionen ˆΘ, ˆΘ für ϑ heißt ˆΘ wirksamer als ˆΘ, wenn unabhängig vom numerischen Wert von ϑ gilt: Beispiel: ( ˆΘ = X, Wegen Var( ˆΘ) = Var( X) Var( ˆΘ ) = Var ( X 1 +X n 2 ˆΘ = X 1+X n 2 ) ) = 1 Var( ˆΘ) < Var( ˆΘ ) = σ2 n 4 (σ2 + σ 2 ) = σ2 2 Var( ˆΘ) < Var( ˆΘ ) (falls n > 2) ist ˆΘ wirksamer als ˆΘ. 218
14 Für einen unbekannten Verteilungsparameter ϑ soll auf Basis einer Stichprobe ein Intervall geschätzt werden. Verwendung der Stichprobenfunktionen V u, V o, so dass V u V o und P(V u ϑ V o) = 1 α stets gelten. [V u; V o] heißt Konfidenzintervall (KI) für ϑ zum Konfidenzniveau 1 α. Beachte: Das Schätzintervall [v u; v o] ist Realisierung der Zufallsvariablen (!) V u, V o. Irrtumswahrscheinlichkeit α (klein, i.d.r. α 0,1) Frage: Welche Konfidenzintervalle sind zur Schätzung geeignet? Hängt von Verteilung von G sowie vom unbekannten Parameter (µ, σ 2 ) ab! Im Folgenden: Einfache Stichprobe X 1,..., X n mit E(X i ) = µ, Var(X i ) = σ 2 219
15 Wichtiger Spezialfall: Symmetrische Konfidenzintervalle Symmetrisch heißt nicht, dass die Dichte symmetrisch ist, sondern übereinstimmende Wahrscheinlichkeiten für Über-/Unterschreiten des Konfidenzintervalls, d.h. P(V u > ϑ) = P(V o < ϑ) = α 2 f(x) 0,1 0,05 x Wichtig: Eine Verkleinerung von α bewirkt eine Vergrößerung des Konfidenzintervalls. 220
16 Konfidenzintervall für µ bei Normalverteilung mit bekanntem σ 2 Vorgehensweise: 1 Festlegen des Konfidenzniveaus 1 α ( 2 Bestimmung des 1 α ) -Fraktils c der N(0, 1)-Verteilung 2 3 Berechnen des Stichprobenmittels x 4 Berechnen des Wertes σc n 5 Ergebnis der : [ x σc n ; x + σc ] n 221
17 Intervallschätzung: Beispiel Beispiel Normalverteilung mit σ = 2,4 (x 1,..., x 9 ) = (184.2, 182.6, 185.3, 184.5, 186.2, 183.9, 185.0, 187.1, 184.4) Gesucht: Konfidenzintervall für µ zum Konfidenzniveau 1 α = 0, α = 0,99 2. N(0; 1): c = x 1 α = x 2 1 = x 0,01 0,995 = 2,576 (Tab. 3; 2 Interpolation) 3. x = 1 9 (184, ,4) = 184,8 σc 4. n = 2,4 2,576 9 = 2,06 5. KI = [184,8 2,06; 184,8 + 2,06] = [182,74; 186,86] Interpretation: Mit 99 % Wahrscheinlichkeit ist µ [182,74; 186,86]. 222
18 Wichtige Fraktilswerte Wichtige N(0; 1)-Fraktilswerte: α x α 0,9 1, ,95 1, ,975 1, ,99 2, ,995 2, (I.d.R. genügen drei Nachkommastellen.) 223
19 Intervalllänge Im Fall gilt offenkundig L = V o V u = 2σc n Welcher Stichprobenumfang n sichert eine vorgegebene (Maximal-)Länge L? Nach n auflösen! ( 2σc n L Eine Halbierung von L erfordert eine Vervierfachung von n! Angewendet auf letztes Beispiel: ) 2 L = 4 n ( ) 2 2,4 2, = 9,556 n 10 L = 2 n ( ) 2 2,4 2, = 38,222 n
20 Konfidenzintervall Konfidenzintervall für µ bei Normalverteilung mit unbekanntem σ 2 Vorgehensweise: 1 Festlegen des Konfidenzniveaus ( 1 α 2 Bestimmung des 1 α 2 ) -Fraktils c der t(n 1)-Verteilung 3 Berechnen des Stichprobenmittels x und der Stichproben-Standardabweichung s 4 Berechnen des Wertes sc n 5 Ergebnis der : [ x sc n ; x + sc ] n Zu Schritt 2: Falls n 1 > 30 wird die N(0; 1)-Verteilung verwendet. 225
21 Konfidenzintervalllänge Beispiel: Wie das letzte Beispiel, jedoch σ unbekannt. 1 1 α = 0,99 2 t(8): c = x 1 α = x 2 1 = x 0,01 0,995 = 3,355 (Tab. 4) 2 3 x = 1 9 (184, ,4) = 184,8 1 s = 8 [(184, ,4 2 ) 9 184,8 2 ] = 1,31 4 sc n = 1,31 3,355 9 = 1,47 5 KI = [184,8 1,47; 184,8 + 1,47] = [183,33; 186,27] Interpretation: Mit 99 % Wahrscheinlichkeit ist µ [183,33; 186,27]. 226
22 R Beispiel R-Code > # require(mass) > # require(rcolorbrewer) > # palette(brewer.pal(11,"rdylgn")) > # par(oma=c(0,0,0,0)) > # par(cex=3, cex.axis=3, cex.names=3) > x <- c(184.2, 182.6, 185.3, 184.5, 186.2, 183.9, 185.0, 187.1, 184.4) > t.test(x,conf.level=.99) One Sample t-test data: x t = , df = 8, p-value < 2.2e-16 alternative hypothesis: true mean is not equal to 0 99 percent confidence interval: sample estimates: mean of x
23 Konfidenzintervall für µ bei beliebiger Verteilung Voraussetzung: n > 30, bzw. falls G dichotom: 5 n x i n 5 Vorgehensweise: 1 Festlegen des Konfidenzniveaus 1 α 2 Bestimmung des ( ) 1 α 2 -Fraktils c der Standardnormalverteilung N(0; 1) 3 Berechnung des Stichprobenmittels x sowe eines Schätzwertes ˆσ für die Standardabweichung σ der GG mittels σ, falls σ bekannt ˆσ = x(1 x), falls GG dichotom s, sonst 4 Berechnung von ˆσc n 5 Ergebnis der Intervallschätzung: [ x ˆσc ; x + ˆσc ] n n i=1 Zu Schritt 3: Manchmal kann anderer Schätzwert ˆσ sinnvoller sein. 228
24 Konfidenzintervall für µ bei beliebiger Verteilung Beispiel: Poisson-Verteilung mit λ (= µ = σ 2 ) unbekannt. (x 1,..., x 40 ) = (3; 8;... ; 6) Gesucht: KI für λ zum Konfidenzniveau 1 α = 0,9 1 1 α = 0,9 2 N(0; 1) : c = x 1 α = x 2 1 = x 0,1 0,95 = 1, x = 1 ( ) = 6,5 40 ˆσ = x = 6,5 = 2,55 (da σ 2 = λ) ˆσc 2,55 1,645 4 = = 0,66 n 40 5 KI = [6,5 0,66; 6,5 + 0,66] = [5,84; 7,16] 229
25 Konfidenzintervall für σ 2 bei Normalverteilung Vorgehensweise 1 Festlegen eines Konfidenzniveaus 1 a 2 Bestimmung der α 2 - bzw. (1 α 2 )-Fraktile (c 1 bzw. c 2 ) der χ 2 (n 1)-Verteilung 3 Aus der Stichprobe: Berechnung der Größe (n 1)s 2 = n (x i x) 2 = i=1 4 Berechnung des Konfidenzintervalls [ (n 1)s 2 c 2 ; n x 2 i n x 2 v i=1 ] (n 1)s2 c 1 230
26 KI für σ 2 bei Normalverteilung Beispiel: G N(µ; σ); (x 1,..., x 5 ) = (1, 1.5, 2.5, 3, 2) Gesucht: KI für σ 2 zum Konfidenzniveau 1 α = 0, α = 0,99 2 χ 2 (5 1) : c 1 = x α 2 = x 0,005 = 0,21 c 2 = x 1 α 2 = x 0,995 = 14,86 3 x = 1 5 (1 + 1,5 + 2, ) = 2 5 x 2 i 5 x2 = , , = 2,5 i=1 [ ] 2,5 4 KI = 14,86 ; 2,5 = [ 0,17; 11,9 ] 0,21 (Extrem groß, da n klein.) 231
27 Vorliegen einer Hypothese über die Verteilung(en) der Grundgesamtheit(en). Beispiele: Der Würfel ist fair. Die Brenndauern zweier unterschiedlicher Glühbirnensorten sind gleich. Hypothese soll anhand einer Stichprobe überprüft werden. Prinzip: Hypothese verwerfen, wenn signifikanter Widerspruch zur Stichprobe. Ansonsten: Hypothese nicht verwerfen. Eine verworfene Hypothese gilt als statistisch widerlegt. Nicht-Verwerfung ist dagegen ein Freispruch aus Mangel an Beweisen. Zu Beachten: Nicht-Verwerfung ist kein statistischer Beweis, dass Hypothese wahr ist! ( Trick : Hypothese falsch Gegenhypothese wahr!) 232
28 Einstichproben-Gaußtest Zunächst: G N(µ; σ) mit σ bekannt Einfache Stichprobe X 1,..., X n (Null-)Hypothese H 0 : µ = µ 0 Beispiel: X 1,..., X 25 mit X i = Füllmenge der i-ten Flasche N(µ; 1,5) Nullhypothese H 0 : µ = 500, d.h. µ 0 = 500 Je nach Interessenlage sind unterschiedliche Gegenhypothesen möglich: a) H 1 : µ µ 0 b) H 1 : µ < µ 0 c) H 1 : µ > µ 0 Entscheidung: H 0 : µ = µ 0 wird abgelehnt gegenüber a) H 1 : µ µ 0, wenn x µ 0 sehr groß ist b) H 1 : µ < µ 0, wenn x weit kleiner als µ 0 ist c) H 1 : µ > µ 0, wenn x weit größer als µ 0 ist 233
29 Einstichproben-Gaußtest Alternatives Kriterium: v = x µ 0 n σ Vorteil: Verteilung bekannt: N(0; 1) Dann: H 0 : µ = µ 0 wird abgelehnt gegenüber a) H 1 : µ µ 0, wenn v sehr groß ist b) H 1 : µ < µ 0, wenn v sehr negativ ist c) H 1 : µ > µ 0, wenn v sehr positiv ist H 0 richtig H 0 falsch Mögliche Fehlentscheidungen Ablehnung von H 0, obwohl H 0 richtig ist: Fehler 1. Art Nicht-Ablehnung von H 0, obwohl H 0 falsch ist: Fehler 2. Art H 0 beibehalten H 0 ablehnen H 0 beibehalten H 0 ablehnen Signifikanzniveau α: Maximal erlaubte Wahrscheinlichkeit für einen Fehler 1. Art. 234
30 Einstichproben-Gaußtest Mithilfe von α und V kann geklärt werden, was sehr groß usw. heißt: Wahrscheinlichkeit für Fehler 1. Art im Fall a): v > x, obwohl H 0 richtig: P( V > x) = P(V > x) + P(V < x) = 2 P(V > x) (Symmetrie der Normalverteilung) = 2 [1 P(V x)] = 2 [1 Φ(x)]! = α Φ(x) = 1 α 2 x = x 1 α 2 H 0 wird demnach verworfen, wenn v > x 1 α bzw. v B ist. 2 B = ( ; x 1 α ) (x 2 1 α ; ) heißt Verwerfungsbereich. 2 Analoge Vorgehensweise für die Fälle b) und c) 235
31 Einstichproben-Gaußtest Rezept 1 Ein Signifikanzniveau α wird festgelegt. 2 Der Testfunktionswert v = x µ 0 n wird berechnet. σ 3 Der Verwerfungsbereich B = ( ; x 1 α/2 ) ( x1 α/2 ; ) im Fall a) B = ( ; x 1 α ) im Fall b) B = (x 1 α ; ) im Fall c) wird festgelegt, wobei x 1 α/2 bzw. x 1 α das (1 α/2)- bzw. das (1 α)-fraktil der N(0,1)-Verteilung ist. 4 H 0 wird genau dann verworfen, wenn v B gilt. 236
32 Einstichproben-Gaußtest Beispiel: X 1,..., X 25 mit X i N(µ; 1,5) und x = 499,28 Prüfe H 0 : µ = 500, H 1 : µ 500 zum Signifikanzniveau α = 0,01 Lösung: Einstichproben-Gaußtest, Fall a) 1 α = 0,01 2 v = 499, ,5 25 = 2,4 3 N(0; 1) : x 1 α 2 = x 1 0,005 = x 0,995 = 2,576 B = ( ; 2,576) (2,576; ) 4 v / B H 0 nicht verwerfen Interpretation: Zum Signifikanzniveau 1 % kann der Brauerei keine Abweichung vom Sollwert µ 0 = 500 nachgewiesen werden. 237
33 Aufbau und Klassifikation von Der jeweils geeignete Test hängt ab von... dem zu testenden Hypothesenpaar H 0, H 1 ; unterscheide: Parametrische Hypothesen: Beziehen sich auf unbekannte(n) Verteilungsparameter (µ, σ 2,... ) Nichtparametrische Hypothesen: Beinhalten sonstige Aussagen, z.b. Alter und Einkommen sind unabh. den Voraussetzungen an die Verteilung/parameter (z.b. G N(µ; σ)) den Voraussetzungen an den Stichprobenumfang (z.b. n > 30) Art und Anzahl der Stichproben; unterscheide: bei einer einfachen Stichprobe bei mehreren unabhängigen Stichproben bei zwei verbundenen Stichproben In dieser Vorlesung: Nur einfache Stichproben 238
34 Klassifizierung von bei einer einfachen Stichprobe G ist N(µ, σ)-verteilt G ist dichotom und 5 x i n 5 σ bekannt σ unbekannt Einstichproben Gaußtest Einstichproben t-test H 0 : µ = µ 0 Approximativer Gaußtest eine einfache Stichprobe parametrisch nicht parametrisch H 0 : σ 2 = σ 2 0 G ist beliebig verteilt und n > 30 G ist N(µ, σ)-verteilt Approximativer Gaußtest χ 2 -Test für die Varianz H 0 : F genügt einem Verteilungstyp (z.b. einer Normalverteilung) χ 2 -Anpassungstest (Umfangreichere Übersicht über alle möglichen Fälle siehe Bamberg u. a. (2011), Seite 171ff.) 239
35 Einstichproben-t-Test und approximativer Gaußtest Gegeben: Einfache Stichprobe X 1,..., X n E(X i ) = µ, Var(X i ) = σ 2 Hypothesenpaare: mit a) H 0 : µ = µ 0 H 1 : µ µ 0 b) H 0 : µ = µ 0 (oder µ µ 0 ), H 1 : µ < µ 0 c) H 0 : µ = µ 0 (oder µ µ 0 ), H 1 : µ > µ 0 Voraussetzungen: 1 Normalverteilung mit σ unbekannt (Einstichproben-t-Test) oder 2 Beliebige Verteilung mit n > 30 bzw. 5 x i n 5 (bei B(1; p)) (approximativer Gaußtest) 240
36 Einstichproben-t-Test, approximativer Gaußtest Ablauf: 1 Festlegen des Signifikanzniveaus α 2 Berechnen des Testfunktionswertes: v = x µ 0 n s x µ 0 n σ x µ 0 n falls GG gemäß B(1; µ)-verteilt, n > 30 µ0 (1 µ 0 ) 3 Festlegen des Verwerfungsbereichs B: falls Grundgesamtheit N(µ; σ)-verteilt, σ unbekannt oder falls Verteilung der GG beliebig, n > 30, σ unbekannt falls Verteilung der GG beliebig, n > 30, σ bekannt Falls H 1 : µ µ 0 : B = ( ; x 1 α/2 ) (x 1 α/2 ; ) Falls H 1 : µ < µ 0 : B = ( ; x 1 α ) Falls H 1 : µ > µ 0 : B = (x 1 α ; ) Dabei steht x 1 α/2 bzw. x 1 α für das jeweilige Fraktil der t(n 1)-Verteilung bei n 29 bzw. der N(0; 1)-Verteilung bei n
37 Einstichproben-t-Test: Beispiel Beispiel t-test: Energieaufnahme von Frauen Empfohlene täglich Energieaufnahme für Frauen: 7724 kj (1845 kcal) Nehme einfache Stichprobe von 11 Frauen und teste zum Signifkanzniveau α = 0,05 für H 0 : Der Erwartungswert der täglichen Energieaufnahme für Frauen ist 7724 kj (µ 0 ) gegen H 1 : µ µ 0 [1] One Sample t-test data: daily.intake t = , df = 10, p-value = alternative hypothesis: true mean is not equal to percent confidence interval: sample estimates: mean of x
38 Einstichproben-t-Test, approx. Gaußtest Beispiel: X 1,..., X 2000 B(1; p) mit { 1, falls i-te Person Wähler einer bestimmten Partei X i = 0, sonst Ergebnis der Stichprobe: 2000 x i = 108 i=1 Prüfe H 0 : p 0,05 gegen H 1 : p > 0,05 zum Signifikanzniveau 2 % Lösung: approximativer Gaußtest bei dichotomer (zweiwertiger) Verteilung; Voraussetzung 2 erfüllt: α = 0,02 2 v = ,05 0,05 (1 0,05) 2000 = 0,82 3 N(0; 1) : x 1 α = x 0,98 = 2,05 (Tabelle) B = (2,05; ) 4 v / B H 0 nicht verwerfen Zusatzfrage: Entscheidung, falls α = 0,01? Keine Änderung! 243
39 Chi-Quadrat-Test für die Varianz Gegeben: Einfache Stichprobe X 1,..., X n N(µ; σ) Hypothesenpaare: a) H 0 : σ 2 = σ 2 0 H 1 : σ 2 σ 2 0 b) H 0 : σ 2 = σ 2 0 (oder σ 2 σ 2 0), H 1 : σ 2 < σ 2 0 c) H 0 : σ 2 = σ 2 0 (oder σ 2 σ 2 0), H 1 : σ 2 > σ 2 0 Vorgehensweise: 1 Festlegen des Signifikanzniveaus α. 2 Berechnung des Testfunktionswertes: (n 1)s2 v = σ 2 0 = 1 σ 2 0 n (x i x 2 ) i=1 3 Festlegen des Verwerfungsbereichs: B = [ 0; x α/2 ) ( x1 α/2 ; ) im Fall a) B = [0; x α) im Fall b) B = (x 1 α ; ) im Fall c) 244
40 Chi-Quadrat-Test für die Varianz Beispiel: G N(µ; σ) (x 1,..., x 10 ) = (2100; 2130; 2150; 2170; 2210; 2070; 2230; 2150; 2230; 2200) Prüfe H 0 : σ = 40, H 1 : σ 40 zum Signifikanzniveau α = 0,1 Lösung: χ 2 -Test für die Varianz, Hypothese Fall a); Voraussetzungen sind erfüllt 1 α = 0,1 2 x = 1 10 ( ) = 2164 v = [( ) ( ) 2 ] = 16,65 3 χ 2 (9) : x α 2 = x 0,05 = 3,33; x 1 α 2 = x 0,95 = 16,92 (Tabelle der χ 2 -Verteilung) 4 v / B H 0 nicht verwerfen B = [0; 3,33) (16,92; ) 245
41 Zwei verbundene einfache Stichproben: Kontingenztest Situation: In Grundgesamtheit G: Zwei verbundene einfache Stichproben, also Beobachtung zweier Merkmale X, Y Hypothese: H 0 : Die beiden Merkmale X und Y sind in G unabhängig. H 1 : X und Y sind in G abhängig. Vorgehensweise Kontingenztest: 1 Festlegen des Signifikanzniveaus α. 2 Unterteilung der x-achse in k 2 und die y-achse in l 2 disjunkte, aneinander angrenzende Intervalle A 1,..., A k bzw. B 1,..., B l 3 Erstellen einer Kontingenztabelle mit Randhäufigkeiten: x y B 1 B 2 B l A 1 h 11 h 12 h 1l h 1 A 2 h 21 h 22 h 2l h A k h k1 h k2 h kl h k h 1 h 2 h l n 246
42 Zwei verbundene einfache Stichproben: Kontingenztest Vorgehensweise Kontingenztest (Fortsetzung): 4 Zu jeder Kombination aus i = 1,..., k und j = 1,..., l: Berechnung der Größe h ij = h i h j n 5 Berechnung des Testfunktionswerts v: v = k i=1 j=1 ( ) l 2 h ij h ij = h ij k l i=1 j=1 h 2 ij h ij n 6 Mit dem Fraktilswert x 1 α der χ 2 -Verteilung mit (k 1) (l 1) Freiheitsgraden: Berechnung des Verwerfungsbereichs B = (x 1 α ; ) 7 Ablehnung von H 0 genau dann, wenn v B. 247
43 Zwei verbundene einfache Stichproben: Kontingenztest Kontingenztest: Beispiel 400 Erstkandidaten einer praktischen Führerscheinprüfung schneiden abhängig von der besuchten Fahrschule folgendermaßen ab: Fahrschule A B C bestanden durchgefallen Zum Signifikanzniveau von 5 % soll getestet werden, ob das Bestehen der Prüfung unabhängig von der besuchten Fahrschule ist. Testdurchführung 1 Signifikanzniveau α = 5 % 2 entfällt, da Skalenniveau nominal 3 Kontingenztabelle: A B C best durchg Berechnung der h ij : A B C best ,2 51,8 durchg ,8 22,2 ( )2 5 v = (12 22,2)2 + 22,2 9,077 6 χ 2 -Verteilung mit (3 1) (2 1) = 2 Freiheitsgraden: x 1 0,05 = x 0,95 = 5,99: B = (5,99; ) 7 v B: Also wird H 0 abgelehnt, die Prüfungsergebnisse sind abhängig von der Fahrschule. 248
44 Binomialverteilung X B(n; p), Verteilungsfunktion F(x) = P(X x) n = 2 x p n = 3 x p n = 4 x p n = 5 x p Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 249
45 Binomialverteilung X B(n; p), Verteilungsfunktion F(x) = P(X x) n = 6 x p n = 7 x p n = 8 x p Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 250
46 Binomialverteilung X B(n; p), Verteilungsfunktion F(x) = P(X x) n = 10 x p n = 15 x p Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 251
47 Binomialverteilung X B(n; p), Verteilungsfunktion F(x) = P(X x) n = 20 x p Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 252
48 Binomialverteilung X B(n; p), Verteilungsfunktion F(x) = P(X x) n = 25 x p Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 253
49 Binomialverteilung X B(n; p), Verteilungsfunktion F(x) = P(X x) n = 30 x p Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 254
50 Poissonverteilung X λ P(λ), Verteilungsfunktionen F λ (x) = P(X λ x) x λ x λ Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 255
51 Poissonverteilung X λ P(λ), Verteilungsfunktionen F λ (x) = P(X λ x) x λ Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 256
52 Verteilungsfunktion Φ der Standardnormalverteilung Dabei bedeutet Φ(x) zum Beispiel: Φ(2,13) = Φ(2,1 + 0,03) = 0,9834. Diesen Wert findet man in der Zeile mit x 1 = 2,1 und der Spalte mit x 2 = 0,03. x 1 \x Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 257
53 α-fraktile der χ 2 -Verteilung mit n Freiheitsgraden α \ n α \ n Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 258
54 α-fraktile der t-verteilung mit n Freiheitsgraden n \ α Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 259
55 α-fraktile der F-Verteilung mit den Freiheitsgraden ν 1 und ν 2 α =0,95 ν 1 \ν α =0,99 ν 1 \ν Binomialverteilung Poissonverteilung Standardnormalverteilung χ 2 -Verteilung t-verteilung F-Verteilung 260
56 übersicht Bücher Bamberg, Günter, Franz Baur und Michael Krapp (2011). Statistik. 16. Aufl. München: Oldenbourg Verlag. ISBN: Fahrmeir, Ludwig, Rita Künstler, Iris Pigeot und Gerhard Tutz (2009). Statistik: Der Weg zur Datenanalyse. 7. Aufl. Berlin, Heidelberg: Springer. ISBN: Luderer, Bernd (2003). Starthilfe Finanzmathematik. Zinsen, Kurse, Renditen. 2. Aufl. Stuttgart, Leipzig, Wiesbaden: Teubner. Opitz, Otto (2004). Mathematik für Wirtschaftswissenschaftler. 9. Aufl. München: Oldenbourg. 261
57 übersicht zu Bildern und Daten Anscombe, Francis (1973). Graphs in Statistical Analysis. In: The American Statistician, S Bach, Axel, Reinhard Brüning, Katrin Krieft, Hilmar Liebsch und Martin Rosenberg (2006). Mit Zahlen lügen. URL: quarks/sendungsbeitraege/2006/1017/000_zahlen.jsp. Fahrmeir, Ludwig, Rita Künstler, Iris Pigeot und Gerhard Tutz (2009). Statistik: Der Weg zur Datenanalyse. 7. Aufl. Berlin, Heidelberg: Springer. ISBN: Kramer, Walter (2011). So lügt man mit Statistik Piper Verlag. ISBN: 262
Einführung 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 : Gliederung 1 Einführung 2 Deskriptive Statistik
MehrStatistik II. Sommersemester PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie. Universität Augsburg
Statistik II Sommersemester 2005 PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie Klausur und Unterlagen Klausur: Spielregeln : Wie Statistik I Nachholklausur im WS 2005
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
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
Mehre) Beim klassischen Signifikanztest muß die Verteilung der Prüfgröße unter der Nullhypothese
9 Hypothesentests 1 Kapitel 9: Hypothesentests A: Übungsaufgaben: [ 1 ] Bei Entscheidungen über das Ablehnen oder Nichtablehnen von Hypothesen kann es zu Irrtümern kommen. Mit α bezeichnet man dabei die
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
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
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............
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
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.
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
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
MehrSignifikanztests. 14.1 Einführung / Einstichproben-Gaußtest
Signifikanztests Vorliegen einer Hypothese über die Verteilung(en) der Grundgesamtheit(en). Z.B. Der Würfel ist fair. Die Brenndauern zweier unterschiedlicher Glühbirnensorten sind gleich. Die Hypothese
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
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,
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
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
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
Mehr2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
MehrTest auf Varianzgleichheit (F-Test) (einseitiger Test!!)
T-Tests in Excel T-Tests in Excel Test auf Varianzgleichheit (F-Test) (einseitiger Test!!)! Annahmen:! Unabhängige Stichproben! Normalverteilte Grundgesamtheiten H0 : σx = σ y; H0 : σx > σ y Sx σ x F =
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
Mehr1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests
1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests Statistische Tests dienen dem Testen von Vermutungen, so genannten Hypothesen, über Eigenschaften der Gesamtheit aller Daten ( Grundgesamtheit
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.
Mehr9. StatistischeTests. 9.1 Konzeption
9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
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
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
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrStatistik Workshop. 12. und 14. Januar 2015. Prof. Dr. Stefan Etschberger. Outline
Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten. und 4. Prof. Dr. Stefan Etschberger Outline : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe der
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
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
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
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
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
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
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,
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrMathematik für Biologen
Mathemati für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 22. Dezember 2010 1 Binomialtests Einseitiger unterer Binomialtest Zweiseitiger Binomialtest Beispiel BSE Normalapproximation
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
Mehr11 Tests zur Überprüfung von Mittelwertsunterschieden
11 Tests zur Überprüfung von Mittelwertsunterschieden 11.1 Der z Test (t Test) für verbundene Stichproben 11.2 Der z Test (t Test) für unabhängige Stichproben 11.3 Fehler 1. Art und 2. Art 11.4 Typische
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
MehrDIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007
Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Das Testen von Hypothesen Während die deskriptive Statistik die Stichproben nur mit Hilfe quantitativer Angaben charakterisiert,
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Bivariate Datenanalyse, Überblick bis Freitag heute heute Donnerstag Donnerstag Freitag
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: 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
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrBeispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es
Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es beim radioaktiven Zerfall, zwischen 100 und 110 Zerfälle
MehrLösungen zu den Aufgaben im Skript. Vertiefung der Statistik. (Kapitel 16)
Lösungen zu den Aufgaben im Skript Vertiefung der Statistik (Kapitel 16) 17. September 2014 16.1. Aufgaben KE 1 16.1.1. Punkt und Intervallschätzung Aufgabe 1 Zur Modellierung der Daten dient eine Multinomialverteilung
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrForschungsmethodik II Mag.rer.nat. M. Kickmeier-Rust Karl-Franzens-Universität Graz. Lisza Gaiswinkler, Daniela Gusel, Tanja Schlosser
Kolmogorov-Smirnov-Test Forschungsmethodik II Mag.rer.nat. M. Kickmeier-Rust Karl-Franzens-Universität Graz 1 Kolmogorov- Smirnov Test Andrei Nikolajewitsch Kolmogorov * 25.4.1903-20.10.1987 2 Kolmogorov-
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrKonfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005
Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit
MehrBivariater Zusammenhang in der Mehrfeldertafel PEΣO
Bivariater Zusammenhang in der Mehrfeldertafel PEΣO 9. November 2001 Bivariate Häufigkeitsverteilungen in Mehrfeldertabellen In der Mehrfeldertabelle werden im Gegensatz zur Vierfeldertabelle keine dichotomen
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
Mehr7.3 Chi-Quadrat-Streuungstest und F-Test
7.3 Chi-Quadrat-Streuungstest und F-Test Alle bisher besprochenen Statistischen Tests sind sog. Tests über die Mittelwerte; denn ihre Nullhypothesen handeln vom Vergleich entweder zweier Mittelwerte oder
MehrComputergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08
Computergestützte Methoden Master of Science Prof. Dr. G. H. Franke WS 07/08 1 Seminarübersicht 1. Einführung 2. Recherchen mit Datenbanken 3. Erstellung eines Datenfeldes 4. Skalenniveau und Skalierung
MehrBiostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrVorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrAufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500
Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
Mehr5. Statistische Schätztheorie
5. Statistische Schätztheorie Problem: Sei X eine Zufallsvariable (oder X ein Zufallsvektor), die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X (oder
MehrBivariate Kreuztabellen
Bivariate Kreuztabellen Kühnel, Krebs 2001 S. 307-342 Gabriele Doblhammer: Empirische Sozialforschung Teil II, SS 2004 1/33 Häufigkeit in Zelle y 1 x 1 Kreuztabellen Randverteilung x 1... x j... x J Σ
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrKeine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MehrProbeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende
Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten
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
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011 Aufgabe 1 Nach einer
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
Mehr