Woche 5: Sammlung der Dozenten-Anleitungen
|
|
- Jürgen Hofmeister
- vor 6 Jahren
- Abrufe
Transkript
1 Woche 5: Sammlung der Dozenten-Anleitungen Anleitungen zum Umgang mit dem FreVast-System Kurseinheit 25-27, Woche 5 FreVast Team 5. April 2017
2 Woche 5: Sammlung der Dozenten-Anleitungen 2/23 Inhalt 1 Inhalt Einführung in die Ensemble-Auswertung 1 Inhalt der Kurseinheit Lernziele Motivation - Unsicherheiten in der Vorhersage Abschätzung der Vorhersageunsicherheit Generierung von Ensembles Interpretation von Ensembles Ensemble-Mean und arithmetisches Mittel Varianz und Standardabweichung Signifikanztest Bei Aufgaben unterstützen 1 Anweisungen Richtlinien für die Präsentation und Belegarbeit 1 Inhalt der Kurseinheit Inhaltliche Hinweise zur Belegarbeit Technische Hinweise zur Belegarbeit Hinweise zu Abbildungen Hinweise zu Präsentationen
3 Woche 5: Sammlung der Dozenten-Anleitungen 3/23 Inhalt 6 Weitere Literaturhinweise zum Thema
4 Einführung in die Ensemble-Auswertung Vorlesung zum Umgang mit dem FreVast-System Phase 3 Auswertung Kurseinheit 25 FreVast Team 5. April 2017
5 Einführung in die Ensemble-Auswertung 5/23 Inhalt der Kurseinheit 1 Inhalt der Kurseinheit Lernziele Motivation - Unsicherheiten in der Vorhersage Abschätzung der Vorhersageunsicherheit Generierung von Ensembles Interpretation von Ensembles Ensemble-Mean und arithmetisches Mittel Varianz und Standardabweichung Signifikanztest
6 Einführung in die Ensemble-Auswertung 6/23 Lernziele In dieser Kurseinheit bekommen Sie eine Überblick, wie die Unsicherheiten in der Vorhersage mit Hilfe eines Ensembles geschätzt werden. wie Ensembles generiert werden können. welche Möglichkeiten es gibt, Ensembles auszuwerten.
7 Einführung in die Ensemble-Auswertung 7/23 Motivation - Unsicherheiten in der Vorhersage Um eine perfekte Wetter- oder Klimavorhersage zu erstellen, müsste jeder beteiligte Prozess im Modell perfekt modelliert sein. Das ist aus unterschiedlichen Gründen jedoch nicht möglich, z.b. Ungenauigkeiten in den Ausgangsdaten auch in deren raumzeitlicher Auflösung, Parametrisierungen (Vereinfachungen) von Prozessen, Grenzen der Modellauflösung, etc. Daher ist in der Realität jede Vorhersage mit gewissen Unsicherheiten verknüpft. Quelle: S. Theis, C. Gebhardt. (2009). Grundlagen der Ensembletechnik und Wahrscheinlichkeitsaussagen. promet, 35(1-3),
8 Einführung in die Ensemble-Auswertung 8/23 Abschätzung der Vorhersageunsicherheit Wie anfällig ist eine Modellvorhersage für Ungenauigkeiten in den Ausgangsdaten und in der Berechnung? Die Unsicherheiten können nur abgeschätzt werden. Diese Abschätzung beruht darauf, dass mehrere Vorhersagen berechnet werden, die auf unterschiedlichen Konfigurationen des Modells beruhen. So können z.b. entweder die Ausgangsdaten und/oder die Parametrisierungen des/der Modelle gestört werden. Die Gesamtheit dieser Vorhersagen werden Ensemblevorhersagen genannt. Das gesamte Ensemble stellt dabei eine Stichprobe der möglichen Vorhersagen dar. Eine einzelne Vorhersage heißt Ensemble Member. Die Vorhersageunsicherheit kann anhand der Streuung der Ensemble Member, dem sog. Ensemble Spread, abgeschätzt werden. Quelle: S. Theis, C. Gebhardt. (2009). Grundlagen der Ensembletechnik und Wahrscheinlichkeitsaussagen. promet, 35(1-3),
9 Einführung in die Ensemble-Auswertung 9/23 Generierung von Ensembles Es gibt unterschiedliche Möglichkeiten ein Ensemble zu erzeugen: Single-Model-Ensemble: Berechnung von Vorhersagevariationen eines einzigen Modells. z.b. durch Variation der Anfangsbedingungen oder der Modellparametrisierungen. Multi-Model-Ensemble: Vorhersagen verschiedener Modelle für das selbe Gebiet und den selben Zeitraum werden zu einem Ensemble zusammengesetzt. Mischformen: Mischung aus Single- und Multi-Model-Ensemble Quelle: S. Theis, C. Gebhardt. (2009). Grundlagen der Ensembletechnik und Wahrscheinlichkeitsaussagen. promet, 35(1-3),
10 Einführung in die Ensemble-Auswertung 10/23 Interpretation von Ensembles Es gibt verschiedene Möglichkeiten Ensembles auszuwerten und zu interpretieren. Die folgende Liste ist nicht vollständig, soll aber einen ersten Überblick verschaffen: Ensemble-Mittel (ensemble mean): V.a. im Vergleich zum Klimamittel oder einem Referenzmittel betrachten. Standardabweichung: Spiegelt die Streuung der Vorhersage wider Schwellwertabschätzung/Quantile: z.b. oberes/unteres 10%-Band Cluster-Analyse: V.a. bestimmte Strömungsmuster und ihr Anteil am Gesamtensemble (in %) Extreme Forecast Index des ECMWF (European Centre for Medium-Range Weather Forecasts): Vergleich zwischen Ensemble-Spread mit klimatologischem Spread berechnet aus 50 Jahren EZ-Modellprognosen, Extremwertabschätzung für Parameter wie Böen, Niederschlag, Temperatur, etc.
11 Einführung in die Ensemble-Auswertung 11/23 Ensemble-Mean und arithmetisches Mittel Für eine Zufallsvariable x ist das Ensemble-Mean X definiert als: X := lim N 1 N N n=1 x n wobei x n der n-te Ensemble-Member ist. Beachten Sie, dass man unendlich viele Realisierungen bräuchte um das Ensemble-Mean zu berechnen. Daher wird das arithmetische Mittel µ als Schätzer des echten Ensemble-Means benutzt. N µ := 1 N wobei N die Größe das Datensatzes ist. n=1 x n
12 Einführung in die Ensemble-Auswertung 12/23 Varianz und Standardabweichung Das Quadrat der Fluktuationen um das Ensemble-Mean wird Varianz genannt. Die Varianz Var [x] ist definiert als Var [x] := lim N 1 N N (x n X ) 2 n=1 Die Standardabweichung σ x ist definiert as die Wurzel der Varianz: σ x := Var [x] Beachten Sie, dass die Varianz und die Standardabweichung ebenso wie das Ensemble-Mean unendlich viele Realisierungen bräuchten. Analog können die beiden Größen ebenfalls über eine endliche Anzahl N geschätzt werden: s = 1 N (x n X ) 2 N n=1 Wobei s geschätzte Standardabweichung genannt wird wird.
13 Einführung in die Ensemble-Auswertung 13/23 Signifikanztest Wie kann die Signifikanz getestet werden? Ein t-test kann genutzt werden um abzuschätzen ob zwei Datensätze signifikant verschieden sind oder nicht. Dazu geht man folgendermaßen vor: 1. Formulieren Sie eine Nullhypothese H 0 und eine alternative Hypothese H a. Beispiel: H 0 : Die Mitteltemperaturen T m,ref des Referenzlaufs und T m,high des HIGH-Experiments sind im Mittel gleich. H a (einseitig): T m,high ist im HIGH-Experiment höher. H a (zweiseitig): T m,ref ist verschieden von T m,high. 2. Legen Sie ein Signifikanzlevel fest: z.b. α = 0.05, d.h. dass die Wahrscheinlichkeit, die Nullhypothese fälschlicherweise zu verwerfen falls sie doch richtig ist, liegt bei 5%. 3. Bestimmen Sie Mean (arithmethisches Mittel) µ 1, µ 2 und (geschätzte) Standardabweichung s 1, s 2 beider Datensätze.
14 Einführung in die Ensemble-Auswertung 14/23 Signifikanztest 4. Berechnen Sie die gewichtete Varianz Var d beider Datensätze als: (N 1 1)s 1 + (N 2 1)s 2 Var d = N 1 + N 2 2 wobei N 1, N 2 die Anzahl der Daten aus Datensatz 1 bzw. 2 ist; und s 1, s 2 die geschätzten Standardabweichungen der beiden Datensätze. 5. Man nimmt an, dass die Daten unter der Nullhypothese t-verteilt sind mit f = N 1 + N 2 2 Freiheitsgraden. Der t-score (oder Prüfwert) berechnet sich als ( ) N1 N 2 µ1 µ 2 t = N 1 + N 2 Var d 6. Zum Signifikanzniveau α wird H 0 zugunsten von H a abgelehnt, falls der berechnete t-score größer ist als der t-wert t α,f. Dieser t-wert t α,f kann unter Angabe von α und der Anzahl der Freiheitsgrade (f = N 1 + N 2 2) aus einer t-tabelle abgelesen werden.
15 Bei Aufgaben unterstützen Dozenten-Anleitung zum Umgang mit dem FreVast-System Phase 3 Auswertung Kurseinheit 26 FreVast Team 5. April 2017
16 Bei Aufgaben unterstützen 16/23 Anweisungen Anweisungen Besprechen Sie die Aufgaben zur Ensemble-Auswertung mit Ihren Studenten. Unterstützen Sie die Studenten bei Fragen.
17 Richtlinien für die Präsentation und Belegarbeit Vorlesung zum Umgang mit dem FreVast-System Phase 4 Präsentation Kurseinheit 27 FreVast Team 5. April 2017
18 Richtlinien für die Präsentation und Belegarbeit 18/23 Inhalt der Kurseinheit 1 Inhalt der Kurseinheit Inhaltliche Hinweise zur Belegarbeit Technische Hinweise zur Belegarbeit Hinweise zu Abbildungen Hinweise zu Präsentationen Weitere Literaturhinweise zum Thema
19 Richtlinien für die Präsentation und Belegarbeit 19/23 Inhaltliche Hinweise zur Belegarbeit Inhaltliche Hinweise: Arbeitsgrundlage ist stets eine zentrale Fragestellung! Formulierung von Hypothesen: Wie kann diese Fragestellung in verschiedene Experimente umgesetzt werden? Welche Ergebnisse werden bei den Experimenten erwartet? Quantifizierung: Welche physikalischen Größen werden wie analysiert? Wie wird das Ergebnis der Untersuchung gemessen? Analyse: Auswertung der Experimente dokumentieren, stichhaltige Belege präsentieren Synthese: Zusammenfassung der Ergebnisse und Vergleich mit der(n) eingangs gesetzten Hypothese(n)
20 Richtlinien für die Präsentation und Belegarbeit 20/23 Technische Hinweise zur Belegarbeit Technische Hinweise: Was muss die Arbeit zwingend enthalten? Tabelle mit den Beteiligten und der Zuordnung des Beitrages Tabelle mit den Experimenten (Kurzbeschreibung) oberste Gliederung muss zum Abschnittstitel auch den Author enthalten richtig zitieren und Referenzen angeben Gesamtumfang maximal 20 Seiten
21 Richtlinien für die Präsentation und Belegarbeit 21/23 Hinweise zu Abbildungen Hinweise zu Abbildungen: Jede Abbildung braucht eine Abbildungsunterschrift (caption), die beschreibt, was auf der Abbildung zu sehen ist. Achten Sie auf eine Beschriftung der Koordinatenachsen, colorbars, auch unter Angabe der Einheiten. Jede Abbildung muss im Text erwähnt werden. Achten Sie bei Abbildungen, die miteinander verglichen werden sollen auf eine einheitliche Skalierung. Achten Sie auf eine geeignete farbliche Darstellung, evtl. zusätzlich optimiert für einen Graustufendruck.
22 Richtlinien für die Präsentation und Belegarbeit 22/23 Hinweise zu Präsentationen Hinweise zu Präsentationen: Die gleichen Richtlinien, die für eine Belegarbeit gelten, können auch für Präsentationen angewendet werden. Insbesondere, was die Struktur und den Aufbau betrifft. Achten Sie insbesondere darauf, dass Abbildungen, captions und Texte nicht zu klein sind. Bei Abbildungen sollte die Linienstärke großzügig gewählt werden. Achten Sie darauf, dass die Farben in Abbildungen gut zu unterscheiden sind. Mit lichtschwachen Beamern rechnen.
23 Richtlinien für die Präsentation und Belegarbeit 23/23 Weitere Literaturhinweise zum Thema Es gibt viele gute Webseiten zu dem Thema, was eine gute Präsentation oder Belegarbeit ausmacht. Dieses Thema ist für viele Kurse wichtig. Daher lohnt es sich, sich mit dem Thema zusätzlich außerhalb der Kurszeiten auseinanderzusetzen und auf eigene Faust Material dazu zu recherchieren. Für schriftliche Arbeiten lohnt sich ein Blick auf Tex (z.b. Latex). Im Gegensatz zu YSWYG (You see what you get) Programmen wie word, openoffice, etc. muss etwas mehr Programmierarbeit hineingesteckt werden. Dafür wartet Latex mit einem sauberen Layout auf. Zusätzlich können den wissenschaftlichen Ansprüchen entsprechende Formeln erstellt werden. Eine weitere Publikation, die sehr empfohlem werden kann, ist folgendes Paper von George Whiteside, einem amerikanischen Chemiker, der nicht nur selbst sehr viele Paper veröffentlicht hat, sondern auch in der Liste der meistzitierten Chemiker einen der Spitzenplätze belegt. Das Paper umfasst nur drei Seiten und bringt dabei die wichtigsten Schritte, wie man ein gutes Paper schreibt, auf den Punkt. Quelle: Whitesides, G. M. (2004). Whitesides group: writing a paper. Advanced Materials, 16(15),
Richtlinien für die Präsentation und Belegarbeit
Richtlinien für die Präsentation und Belegarbeit Vorlesung zum Umgang mit dem FreVast-System Phase 4 Präsentation Kurseinheit 27 FreVast Team https://vast.klimod.de/portal/ 5. April 2017 Richtlinien für
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Rückblick: Besonders wichtige Themen Wissenschaftstheoretischer
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
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
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
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
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrDeutscher Wetterdienst
Deutscher Wetterdienst Ensemble Vorhersagen im Deutschen Wetterdienst: aktuelle Entwicklungen und Zukunftspläne S. Theis, C. Gebhardt, M. Buchhold, Z. Ben Bouallègue, R. Ohl, Marcus Paulat, C. Peralta,
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
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
MehrKonfidenzintervalle. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Konfidenzintervalle Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Münzspiel Experiment 100 Münzwürfe: Stefan gewinnt bei "Kopf" Hypothesen H 0 : Stefan wird so oft gewinnen
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
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
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
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Schätzung und Modellentwicklung Überblick Statistische Signifikanztests
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
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
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine Universität Düsseldorf 13. Januar 2010 Termine Letzte Vorlesung am 28.01.2010 Letzte Übung am 27.01.2010, und zwar für alle Anfangsbuchstaben
MehrStatistiktutorium (Kurs Frau Jacobsen)
Statistiktutorium (Kurs Frau Jacobsen) von Timo Beddig 1 Grundbegriffe p = Punktschätzer, d.h. der Mittelwert aus der Stichprobe, auf Basis dessen ein angenäherter Wert für den unbekannten Parameter der
MehrFF Düsseldorf WS 2007/08 Prof. Dr. Horst Peters. Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6
Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6 (Konfidenzintervalle, Gauß scher Mittelwerttest) 1. Bei einem bestimmten Großraumflugzeug sei die Auslastung
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
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 +... +
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
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:
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
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 )
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrMathematische und statistische Methoden II
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 Persike persike@uni-mainz.de
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrSitzung 4: Übungsaufgaben für Statistik 1
1 Sitzung 4: Übungsaufgaben für Statistik 1 Aufgabe 1: In einem Leistungstest werden von den Teilnehmern folgende Werte erzielt: 42.3; 28.2; 30.5, 32.0, 33.0, 38.8. Geben Sie den Median, die Spannweite
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Dezember 2012 Bernd Klaus, Verena Zuber,
MehrEs sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 1 x.
Aufgabe 1. (5 Punkte) Es sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 k=0 1 x. Aufgabe 2. (7 Punkte) Bestimmen Sie das folgende Integral
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:
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 25. Januar 2013 1 Der χ 2 -Anpassungstest 2 Exakter Test nach Fisher Mendelsche Erbregeln als Beispiel für mehr
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrStichprobe vs. Vollerhebung
Stichprobe vs. Vollerhebung Seminar Inferenzstatistik Referent: Hannes Holtermann Dresden, 02.12.2008 Stichprobe vs. Vollerhebung Gliederung 1.Einleitung 2.Grundgesamtheit und Stichprobe 3.Beispiel Lotto
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
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
MehrÜberblick Hypothesentests bei Binomialverteilungen (Ac)
Überblick Hypothesentests bei Binomialverteilungen (Ac) Beim Testen will man mit einer Stichprobe vom Umfang n eine Hypothese H o (z.b.p o =70%) widerlegen! Man geht dabei aus von einer Binomialverteilung
MehrStatistik Einführung // Stichprobenverteilung 6 p.2/26
Statistik Einführung Kapitel 6 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // 6 p.0/26 Lernziele 1. Beschreiben
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
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
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
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 17.3.21 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrDatenanalyse Klausur SS 2014 (nicht wortwörtlich) Lösung (aus einer Nachbesprechung mit Elsenbeer)
1. Ist das folgende Argument gültig? Datenanalyse Klausur SS 2014 (nicht wortwörtlich) Lösung (aus einer Nachbesprechung mit Elsenbeer) Wenn minderjährige Mörder für ihr Vergehen genauso verantwortlich
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrCOSMO-DE Ensemblevorhersagen
COSMO-DE Ensemblevorhersagen Dr. Annegret Gratzki S. Theis, C. Gebhardt, M. Buchhold, Z. Ben Bouallègue, R. Ohl, M. Paulat, C. Peralta Frankfurter Straße 135, 63067 Offenbach Email: Annegret.Gratzki@dwd.de
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
Mehr