3 Stetige Zufallsvariablen
|
|
- Jasper Raske
- vor 6 Jahren
- Abrufe
Transkript
1 3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur, X = Intelligenzquotient In der Praxis kommen häufig Variablen vor, die als quasistetig aufzufassen sind. Quasistetig bedeutet, dass eine Zufallsvariable extrem viele Ausprägungen besitzt und die Wahrscheinlichkeit eines einzelnen möglichen Wertes vernachlässigbar klein ist. Solche Merkmale werden in der Statistik wie stetige Zufallsvariablen behandelt. Beispiele: X = Einkommen, X = Vermögen, X = Umsatz einer Firma, Statistik_II@finasto 3 1
2 3.1 Wahrscheinlichkeitsverteilungen Modellierung von stetigen Zufallsvariablen: P [X = x] = 0 für einen einzelnen möglichen Wert x Ansatz: Man betrachtet Intervalle und zugehörige Wahrscheinlichkeiten P [X [a, b]] Wahrscheinlichkeiten stetiger Zufallsvariablen Für stetige Zufallsvariablen X gilt P [a X b] = P [a < X b] = P [a X < b] = P [a < X < b] und P [X = x] = 0 für jedes x R Statistik_II@finasto 3 2
3 Die Verteilung einer stetigen Zufallsvariablen lässt sich durch die zugehörige Dichtefunktion charakterisieren. Wahrscheinlichkeiten ergeben sich als Flächen unter der Dichtefunktion. Analogie (Statistik I): Histogramm eines stetigen Merkmals Gruppierung anhand von Klassen benachbarter Intervalle [c 0, c 1 ), [c 1, c 2 ),..., [c k 1, c k ) der gleichen Klassenbreite δ Berechnung der relativen Häufigkeit f j Klasse [c j 1, c j ) für jede Histogrammwerte innerhalb jeder Klasse: f j /δ Fläche des Histogramms über [c j 1, c j ) = f j Verhalten für großes n: f j nahe an P [c j 1 X < c j ] Falls n und gleichzeitig δ 0, so konvergiert das Histogramm gegen eine Funktion f(x) 0 (=Dichtefunktion) P [a X b] = Fläche von f(x) über [a, b] = b a f(x)dx Statistik_II@finasto 3 3
4 ËØ Ø Ù ÐÐ Ú Ö Ð n=50 Histogramm n=500 Histogramm n=5000 Histogramm Model Dichte Statistik_II@finasto 3 4
5 Flächen und Integrale: Für eine positive Funktion f(x) 0 gilt b a f(x)dx = Fläche von f(x) über [a, b] Man betrachte eine allgemeine Funktion g(x) mit positiven und negativen Werten. positiver Teil von g(x): g + (x) = max{0, g(x)} negativer Teil von g(x): g (x) = min{0, g(x)} b a g(x)dx = Fläche von g + (x) über [a, b] Fläche von g (x) über [a, b] Statistik_II@finasto 3 5
6 Stetige Zufallsvariablen und Dichten X stetige Zufallsvariable: Es existiert eine Funktion f(x), so dass für jedes Intervall [a, b] P [a X b] = Eigenschaften von Dichten: b a f(x)dx f heißt (Wahrscheinlichkeits-) Dichte von X Positivität: f(x) 0 Normierung: Die Gesamtfläche zwischen x-achse und f(x) ist gleich 1, P [ < X < ] = f(x)dx = 1 Verteilungsfunktion einer stetigen Zufallsvariablen F (x) = P [X x] = x f(t)dt Statistik_II@finasto 3 6
7 Ï Ö ÒÐ Ø Ø Üµ ¼ Î ÖØ ÐÙÒ ÙÒ Ø ÓÒ ½ ½ ܵ Ü ½ ܵ ÑÓÒÓØÓÒ Û Ò ½µ ¼ ½µ ½ Dichtefunktion Verteilungsfunktion f(x) F(b) f(x) b F(x) F(b) b F(x) x x Statistik_II@finasto 3 7
8 Die Verteilungsfunktion ist ein zentrales Werkzeug zur Berechnung von Wahrscheinlichkeiten. Die Verteilungsfunktion einer stetigen Zufallsvariable besitzt folgende Eigenschaften: F (x) ist eine stetige, monoton wachsende Funktion, 0 F (x) 1. F (a) = P [X < a] P [X a] = P [X > a] = 1 F (a) P [a X b] = P [a < X < b] = F (b) F (a) Interpretation von Dichten: f(x) groß für alle Werte in einem Intervall [a, b]: Es besteht eine relativ hohe Wahrscheinlichkeit, dass X einen Wert in [a, b] annimmt f(x) sehr klein für alle Werte in einem Intervall [c, d]: Es besteht eine sehr geringe Wahrscheinlichkeit, dass X einen Wert in [c, d] annimmt Statistik_II@finasto 3 8
9 Klassifikation von Verteilungen symmetrisch, unimodal linkssteil rechtssteil bimodal multimodal Statistik_II@finasto 3 9
10 Spezialfall: Stetige Gleichverteilung Stetige Gleichverteilung Eine stetige Zufallsvariable mit Ausprägungen in einem Intervall [a, b] heißt gleichverteilt, falls für jedes Teilintervall [c, d] [a, b] gilt P [c X d] = d c b a Man schreibt: X U(a, b) Wahrscheinlichkeitsdichte 1 b a für a x b f U (x) = 0 sonst Verteilungsfunktion F U (x) = 0 für x < a x a b a für a x b 1 für x > b Statistik_II@finasto 3 10
11 Stetige Gleichverteilung auf [1, 6] Dichtefunktion (stetige Gleichverteilung) f(x) x Verteilungsfunktion (stetige Gleichverteilung) f(x) x Statistik_II@finasto 3 11
12 Beispiel: Wartezeit auf eine Straßenbahn Ideale Welt: An einer bestimmten Haltestelle hält jeweils genau alle 20 Minuten eine Straßenbahn Eine Person kommt ohne Kenntnis des Fahrplans zu einer zufälligen Zeit an die Haltestelle X = Wartezeit (in Minuten) auf die nächste Straßenbahn X U(0, 20) P [0 X 20] = 1 P [X 10] = = 0, 5 P [X 10] = = 0, 5 P [5 X 10] = = 0, 25 Statistik_II@finasto 3 12
13 3.2 Verteilungsparameter Erwartungswert Diskrete Zufallsvariable: µ = E(X) = i 1 x i f(x i ) Stetige Zufallsvariable: µ = E(X) = x f(x)dx Rechenregeln: Y = ax + b, a, b beliebig E(Y ) = E(aX + b) = ae(x) + b Für zwei Zufallsvariablen X und Y E(X + Y ) = E(X) + E(Y ) Beispiel: X U(a, b) E(X) = a+b 2 Statistik_II@finasto 3 13
14 Beispiele: Zwei Verteilungen mit E(X) = x x f(x)dx = 0 Wahrscheinlichkeitsdichte f(x) y x x f(x) y Wahrscheinlichkeitsdichte f(x) y x x f(x) y E(X) = x E(X) = x Statistik_II@finasto 3 14
15 Beispiele mit E(X) = 0 und E(X) > 0 Wahrscheinlichkeitsdichte f(x) y x x f(x) y E(X) = x Wahrscheinlichkeitsdichte f(x) y x x f(x) y E(X) = x Wahrscheinlichkeitsdichte f(x) y x x f(x) y E(X) = x Statistik_II@finasto 3 15
16 Varianz Diskrete Zufallsvariable: σ 2 = Var(X) = i 1(x i µ) 2 f(x i ) Stetige Zufallsvariable: σ 2 = Var(X) = (x µ) 2 f(x)dx σ = Var(X) heißt Standardabweichung Rechenregeln: Var(X) = E(X µ) 2 = E(X 2 ) µ 2 Y = ax + b, a, b beliebig Var(Y ) = Var(aX + b) = a 2 Var(X) Für unabhängige Zufallsvariablen X und Y Var(X + Y ) = Var(X) + Var(Y ) Beispiel: X U(a, b) Var(X) = (b a)2 12 Statistik_II@finasto 3 16
17 Der Erwartungswert µ = E(X) ist ein Lageparameter, der Aufschluss über das Zentrum der Verteilung gibt. Die Standardabweichung ist ein Maß für die Dispersion Ungleichung von Tschebyscheff: P [ X µ > kσ] 1 k 2 für alle k > 0 P [µ kσ X µ + kσ] 1 1 k 2 [µ kσ, µ + kσ] heißt zentrales Schwankungsin- tervall k P [µ kσ X µ + kσ] = 0, , = 0, 9375 Achtung: Die Ungleichung gibt nur eine untere Schranke für die Wahrscheinlichkeit. Genauere Berechnungen auf der Basis spezieller Verteilungsmodelle. Statistik_II@finasto 3 17
18 Ô Ð Ù ÐÐ Ú Ö Ð Ñ Ø µ ¼ Î Ö µ ½ Ø ÐÓ Ò ÙÖÚ µ k=1: P(-1<X<1) = Y X k=2: P(-2<X<2) = Y X k=3: P(-3<X<3) = Y X k=4: P(-4<X<4) = Y X Statistik_II@finasto 3 18
19 Ô Ð Ù ÐÐ Ú Ö Ð Ñ Ø µ ¼ Î Ö µ ½ Ø Ø µ k=1: P(-1<X<1) = Y X k=2: P(-2<X<2) = Y X k=3: P(-3<X<3) = Y X k=4: P(-4<X<4) = Y X Statistik_II@finasto 3 19
20 Weitere Verteilungsparameter einer stetigen Zufallsvariable X Modus: x mod ist ein Wert, für den die Dichtefunktion f(x) maximal wird. Median: x med ist der Wert, für den gilt: F (x med ) = P [X x med ] = P [X x med ] = 1 F (x med ) = 1 2 Quantile: Für 0 < p < 1 ist das p-quantil x p der Wert, für den F (x p ) = P [X x p ] = p und 1 F (x p ) = P [X x p ] = 1 p gilt. Median und Quantile sind eindeutig bestimmt, wenn die Verteilungsfunktion F streng monoton ist. Statistik_II@finasto 3 20
21 Illustration: Quantil x p Verteilungsfunktion: P [X x p ] = F (x p ) = p 1.0 F(x) p x p Dichte: Das Quantil x p teilt die Gesamtfläche von f über der x-achse in zwei Teile der Größen p = P [X x p ] und 1 p = P [X x p ] auf p 1-p x p Statistik_II@finasto 3 21
22 Lageregeln Symmetrische Verteilung: x mod = x med = µ x mod = x med = µ Linkssteile Verteilung: x mod x med µ x mod x med µ Rechtssteile Verteilung: µ x med x mod µ x med x mod Statistik_II@finasto 3 22
23 3.3 Die Exponentialverteilung Exponentialverteilung Eine stetige Zufallsvariable X mit nichtnegativen Werten heißt exponentialverteilt mit Parameter λ > 0, kurz X Ex(λ), wenn sie die Dichte λe λx für x 0 f Ex (x) = 0 sonst besitzt. Es gilt: E(X) = 1 λ, Var(X) = 1 λ 2 Dichten der Exponentialverteilung λ= λ=0, Statistik_II@finasto 3 23
24 Verteilungsfunktion 1 e λx für x 0 F Ex (x) = 0 für x < 0 Zusammenhang mit der Poisson-Verteilung: Y = Anzahl des Auftretens eines Ereignisses A in einem festen Zeitintervall [0, 1] Y t = Anzahl des Auftretens des Ereignisses A in dem Zeitintervall [0, t] Y P o(λ) Y t P o(λt) Für X = gilt dann Wartezeit bis zum ersten Auftreten des Ereignisses A X Ex(λ), denn P [X t] = 1 P [Y t = 0] = 1 e λt Statistik_II@finasto 3 24
25 3.4 Die Normalverteilung (Gauß-Verteilung) Normalverteilung Eine Zufallsvariable X heißt normalverteilt mit Parametern µ R und σ 2 > 0, kurz X N(µ, σ 2 ), wenn sie die Dichte f(x) = 1 2πσ exp ) (x µ)2 ( 2σ 2 für x R besitzt. Es gilt: E(X) = µ, Var(X) = σ 2 Die Normalverteilung wird auch als Gauß-Verteilung und die Dichte als Gauß-Kurve bezeichnet Die Normalverteilung spielt eine zentrale Rolle in der induktiven Statistik. Bei sehr vielen Zufallsphänomenen wird angenommen, dass sie zumindest approximativ normalverteilt sind. Normalverteilungen sind unimodal und symmetrisch un ihren Mittelwert µ Statistik_II@finasto 3 25
26 Gauß-Kurven mit µ = 0 und σ 2 = 0.25, 1, N(0,0.25) N(0,1) 0.2 N(0,2) Gauß-Kurven mit µ = 1, 0, 2 und σ 2 = N(0,1) 0.3 N(-1,1) N(2,1) Gauß-Kurven mit verschiedenen µ und σ N(2,0.16) N(-1,2.25) N(0,1) Statistik_II@finasto 3 26
27 Spezialfall mit µ = 0, σ 2 = 1: Standardnormalverteilung N(0, 1) Dichte der Standardnormalverteilung N(0, 1): ϕ(x) = 1 ) exp ( x2 für x R 2π 2 Verteilungsfunktion: Φ(x) = x ϕ(t)dt = x ( 1 exp t2 2π 2 ) dt Die Standardnormalverteilung ist symmetrisch zum Nullpunkt, Φ( x) = 1 Φ(x) Die Werte von Φ(z) sind tabelliert. Statistik_II@finasto 3 27
28 Die Quantile der Standardnormalverteilung Die Quantile der Standardnormalverteilung sind durch Φ(z p ) = p bestimmt. Wegen der Symmetrie gilt z p = z 1 p p 50% 75% 90% 95% 97,5% 99% z p 0 = x med 0,675 1,282 1,645 1,960 2, φ(x) p z p -z p 1-p Statistik_II@finasto 3 28
29 Rückführung einer allgemeinen N(µ, σ 2 )-Verteilung auf die Standardnormalverteilung: Standardisierung: Ist X N(µ, σ 2 ), so ist die standardisierte Zufallsvariable Z = X µ σ standardnormalverteilt, d.h. Z N(0, 1) Für die Verteilungsfunktion F von X gilt: ( ) x µ F (x) = Φ = Φ(z) mit z = x µ σ σ Quantile: Für 0 < p < 1 berechnet sich das p- Quantil x p der N(µ, σ)-verteilung durch z p = x p µ σ bzw x p = µ + σz p P [a X b] = F (b) F (a) ( ) ( ) b µ a µ = Φ Φ σ σ Statistik_II@finasto 3 29
30 Beispiel: Füllmenge von Bier In einer Abfüllanlage werden Flaschen mit nominal 50 cl Bier gefüllt. Die Anlage arbeitet jedoch nicht vollständig exakt. Im Mittel werden tatsächlich 50 cl eingefüllt, die Standardabweichung beträgt jedoch 1,2 cl. Modell: X = Füllmenge N(50, 1.44) P [X 52] = F (52) = P ( Z ) , 2 = P [Z 1, 67] = Φ(1, 67) = 0, 953 P [X 49] = 1 F (49) ( ) = 1 Φ = 1 Φ( 0, 833) 1, 2 = 1 (1 Φ(0, 833)) = 0, 797 Statistik_II@finasto 3 30
31 Zentrale Schwankungsintervalle Ist X N(µ, σ 2 ), so gilt für α > 0 P [µ z 1 α/2 σ X µ + z 1 α/2 σ] = 1 α Für z 1 α/2 = k erhält man die Bereiche k = 1 : P [µ σ X µ + σ] = 0, 6827 k = 2 : P [µ 2σ X µ + 2σ] = 0, 9545 k = 3 : P [µ 3σ X µ + 3σ] = 0, α α/2 α/2 µ z 1-α/2 σ µ µ+z 1-α/2 σ Statistik_II@finasto 3 31
32 Beispiel: Füllmenge von Bier X = Füllmenge N(50, 1.44) Frage: Zwischen welchen Werten liegt die tatsächliche Füllmenge mit einer Wahrscheinlichkeit von 95%? 0, 95 = 1 α α = 0, 05, z 1 α/2 = z 0,975 = 1, 96 P [µ 1, 96σ X µ + 1, 96σ] = 1 α = 0, 95 Anwendung auf Füllmenge: P [47, 65 X 52, 35] = 0, 95 95% 2,5% µ 1.96σ µ µ+1.96σ 2,5% Statistik_II@finasto 3 32
33 Eigenschaften der Normalverteilung: Lineare Transformation Für X N(µ, σ 2 ) ist die linear transformierte Variable Y = ax + b wieder normalverteilt mit Y N(aµ + b, a 2 σ 2 ) Addition Sind X N(µ X, σx 2 ) und Y N(µ Y, σy 2 ) normalverteilt und unabhängig, so gilt X + Y N(µ X + µ Y, σ 2 X + σ 2 Y ) Verallgemeinerung: Sind X i N(µ i, σi 2) unabhängig, so ist jede Linearkombination Y = a 1 X a n X n normalverteilt mit Y N(a 1 µ a n µ n, a 2 1σ a 2 nσ 2 n) Statistik_II@finasto 3 33
34 Der zentrale Grenzwertsatz Zufallsvariable X (diskret oder stetig) Beispiele: X = Geschlecht einer zufällig ausgewählten Person (0/1 falls weiblich/männlich); X = Einkommen einer zufällig ausgewählten Person, Einfache Zufallsstichprobe des Umfangs n (bzw. n- malige unabhängige Wiederholung des Zufallsexperiments): Folge X 1,..., X n von Zufallsvariablen, die jeweils eine einzelne Ziehung (Wiederholung) beschreiben Alle X i haben die gleiche Verteilung wie X und X 1,..., X n sind voneinander unabhängig, µ = E(X) = E(X i ), σ 2 = Var(X) = Var(X i ) X 1,..., X n - unabhängig und identisch verteilte Zufallsvariablen (mit Mittelwert µ und Varianz σ 2 ) Statistik_II@finasto 3 34
35 Man betrachte nun den Mittelwert: X n = 1 n X i (Zufallsvariable!!) x = 1 n i=1 n i=1 x i tatsächlich beobachteter (realisierter) numerischer Wert (z.b. x = 0, 0456) Zentraler Grenwertsatz Seien X 1,..., X n unabhängig und identisch verteilte Zufallsvariablen mit Mittelwert µ und Varianz σ 2. Dann gilt ( ) X µ P σ/ n z Φ(z) für n Mit anderen Worten: Für großes n gilt approximativ ) X N (µ, σ2 n Folgerung für Summen von Zufallsvariablen: n groß, so gilt approximativ n X i N(nµ, nσ 2 ) i=1 Anmerkung: Die asymptotische Normalität von X gilt unabhängig von der Struktur der Verteilung der X i (diese Verteilung ist natürlich für alle Stichprobenumfänge n die gleiche (z:b. Exponentialverteilung, Bernoulli, etc.) Statistik_II@finasto 3 35
36 Beispiel: N = 7 Kugeln: 10, 11, 11, 12, 12, 12, 16 X: Zahl auf einer zufällig gezogenen Kugel x f(x) 1/7 2/7 3/7 1/7 µ = E(X) = 12, σ 2 = Var(X) = 22/7 = Einfache Zufallsstichprobe (n = 2): Unabhängig und identisch verteilte Zufallsvariablen X 1 und X 2 X 1 : Zahl auf der 1. gezogenen Kugel X 2 : Zahl auf der 2. gezogenen Kugel Mögliche Realisationen: 2.Kugel 1.Kugel (10;10) 10;11 10;11 10;12 10;12 10;12 10; ;10 (11;11) 11;11 11;12 11;12 11;12 11; ;10 11;11 (11;11) 11;12 11;12 11;12 11; ;10 12;11 12;11 (12;12) 12;12 12;12 12; ;10 12;11 12;11 12;12 (12;12) 12;12 12; ;10 12;11 12;11 12;12 12;12 (12;12) 12; ;10 16;11 16;11 16;12 16;12 16;12 (16;16) Statistik_II@finasto 3 36
37 Mögliche Stichprobenmittelwerte x 2. Kugel 1. Kugel (10) 10,5 10, ,5 (11) 11 11,5 11,5 11,5 13, ,5 11 (11) 11,5 11,5 11,5 13, ,5 11,5 (12) ,5 11,5 12 (12) ,5 11, (12) ,5 13, (16) Wahrscheinlichkeitsverteilung von X x , f(x) E(X) = 12 = µ, Var(X) = 22/14 = σ 2 /2 Für wachsendes n gibt es immer mehr mögliche Werte von X Übergang zu einer quasistetigen Verteilung, die sich für genügend großes n durch eine Normalverteilung approximieren lässt ( X N 12, 22/7 ) n Statistik_II@finasto 3 37
38 Verteilungen der Zufallsvariablen X i E(X) E(X) E(X) E(X) Zugehörige Verteilungen des Mittelwertes X = 1 n n i=1 X i n = 2 E(X) E(X) E(X) E(X) n = 4 E(X) E(X) E(X) E(X) n = 30 E(X) E(X) E(X) E(X) Statistik_II@finasto 3 38
39 Verhalten von X für n : P [µ z 1 α/2 σ n X µ + z 1 α/2 σ n ] 1 α Die Länge 2z 1 α/2 σ n dieser zentralen Schwankungsintervalle wird für steigendes n immer kleiner. n=100 n=1600 α/2 1 α α/2 α/2 1 α α/2 µ µ Beispiel: σ = 1, α = 0, 05 z 1 α/2 σ n = 1,96 n n = 100 P [µ 0, 196 X µ + 0, 196] 0, 95 n = 1600 P [µ 0, 049 X µ + 0, 049] 0, 95 Für großes n ist zu erwarten, dass der beobachtete Mittelwert x sehr nahe am Erwartungswert µ der Zufallsvariablen liegt (Gesetz der großen Zahlen) Statistik_II@finasto 3 39
40 Anwendung des zentralen Grenzwertsatzes: Approximation der Binomialverteilung Zentraler Grenzwertsatz Sei X B(n, p). Für großes n gilt approximativ Z = X np np(1 p) N(0, 1) bzw. X N(np, np(1 p)) Faustregeln: np 5, n(1 p) 5 Anwendung (mit Stetigkeitskorrektur): ( ) x 0, 5 np P [X < x] Φ np(1 p) P [X x] Φ ( ) x + 0, 5 np np(1 p) P [x 1 X x 2 ] Φ ( x 2 + 0, 5 np np(1 p) ) Φ ( ) x 1 0, 5 np np(1 p) Statistik_II@finasto 3 40
41 3.5 Spezielle Verteilungsmodelle χ 2 -Verteilung Seien X 1,..., X n unabhängige und identisch N(0, 1)-verteilte Zufallsvariablen. Dann heißt die Verteilung von χ 2 = X X 2 n Chi-Quadrat-Verteilung mit n Freiheitsgraden, kurz χ 2 χ 2 (n). Es gilt: E(χ 2 ) = n, Var(χ 2 ) = 2n Dichten der χ 2 -Verteilung n= n=5 0.1 n= Statistik_II@finasto 3 41
42 Die Dichten der χ 2 -Verteilung sind linkssteil, nähern sich jedoch für große n der Gauß-Kurve an (zentraler Grenzwertsatz) n > 30: χ 2 (n) N(n, 2n) Wichtige Quantile der χ 2 (n)-verteilung sind tabelliert. Für n > 30 benutzt man eine Normalverteilungsapproximation χ 2 p;n = 1 2 (z p + 2n 1) 2 Anwendungsbereich: Verfahren der inferentiellen Statistik (Anpassungstests, Tests im Zusammenhang mit Varianzen); spezielle Lebensdauermodelle Statistik_II@finasto 3 42
43 t-verteilung, Student-Verteilung Seien X N(0, 1) und Y χ 2 n unabhängig. Dann heißt die Verteilung von T = X Y/n t-verteilung mit n Freiheitsgraden, kurz T t(n). Es gilt: E(T ) = 0, (n > 1), Var(T ) = n n 2, (n > 2) Dichten der Student-Verteilung 0.4 n= n= Statistik_II@finasto 3 43
44 Die Dichten der t-verteilung sind symmetrisch um 0. Im Vergleich zu ϕ besitzen sie für kleine n größere Enden, d.h. die Flächen unter den Dichtekurven für kleine und große Werte x sind größer. n groß (n > 30): t(n) N(0, 1) Wichtige Quantile der t(n)-verteilung sind tabelliert. Für n > 30 benutzt man eine Normalverteilungsapproximation t p;n z p Anwendungsbereich: Verfahren der inferentiellen Statistik (Tests im Zusammenhang mit Mittelwerten); robuste Statistik (Modellierung von Daten mit einem hohen Anteil extremer Werte) Statistik_II@finasto 3 44
45 Fisher-Verteilung Seien X χ 2 (m) und Y χ 2 (n) unabhängig. Dann heißt die Verteilung von F = X/m Y/n Fisher- oder F -Verteilung mit den Freiheitsgraden m und n, kurz F F (m, n). Es gilt: E(F ) = n n 2 (für n > 2) Anwendungsbereich: Quantile der F -verteilung (tabelliert) werden bei Testverfahren in der Regressions- und Varianzanalyse benötigt Dichten der F-Verteilung F(50,50) 1.2 F(2,10) 0.8 F(10,3) Statistik_II@finasto 3 45
Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
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
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrMonty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen
Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring
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 : Gliederung 1 Einführung 2 Deskriptive Statistik
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr1 Verteilungen und ihre Darstellung
GKC Statistische Grundlagen für die Korpuslinguistik Kapitel 2: Univariate Deskription von Daten 8.11.2004 Univariate (= eindimensionale) Daten bestehen aus Beobachtungen eines einzelnen Merkmals. 1 Verteilungen
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrGenexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression
Genexpressionsmessung Genexpression Transkription (Vorgang) Genexpression (quantitativ) Wieviele m-rna Moleküle eines bestimmten Gens sind in den Zellen? Genomische Datenanalyse 8. Kapitel Wie mißt man
MehrEinführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik () Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de Gliederung Allgemeine Statistik. Deskriptive Statistik. Wahrscheinlichkeitstheorie.3
MehrStetige Verteilungsmodelle
Stetige Verteilungsmodelle Worum geht es in diesem Modul? Stetige Verteilungsfunktionen Quantile Dichtefunktion Maßzahlen stetiger Verteilungen Stetige Gleichverteilung Exponentialverteilung Überprüfung
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrFormelsammlung und Glossar zum Kurs Statistik (Kurs 33209) mit Konzeptpapier Stand: 18. März 2011
Formelsammlung und Glossar zum Kurs Statistik (Kurs 33209) mit Konzeptpapier Stand: 18. März 2011 S. 34 35: Anmerkungen und Ergänzungen für Studierende im BSc Psychologie c 2011 FernUniversität in Hagen,
MehrGrundlagen Wahrscheinlichkeitsrechnung, Statistik
Grundlagen Wahrscheinlichkeitsrechnung, Statistik Was ist Statistik? Wahrscheinlichkeit Grundgesamtheit und Verteilung Verteilung von Stichprobenparametern und Intervallschätzung Werkzeug Varianzanalyse
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
2013-11-13 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL I Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Literatur Eindimensionaler Fall: Grundbegriffe Wahrscheinlichkeitsverteilungen:
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
MehrBeispiele zur UE Wirtschaftsstatistik 1 bei Nagel
Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum
MehrMini-Skript Wahrscheinlichkeitstheorie und Statistik
Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrBeispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests
Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
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
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrRegressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )
Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels
MehrDatenanalyse und Statistik
Datenanalyse und Statistik p. 1/44 Datenanalyse und Statistik Vorlesung 2 (Graphik I) K.Gerald van den Boogaart http://www.stat.boogaart.de Datenanalyse und Statistik p. 2/44 Daten Schätzung Test Mathe
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
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
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrEinführung in die Statistik
Meteorologisches Institut der Universität Bonn Skript zur Vorlesung Einführung in die Statistik Wintersemester 2004/2005 Andreas Hense Thomas Burkhardt Petra Friederichs Version: 31. Oktober 2005 1 Inhaltsverzeichnis
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrVon den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren
Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Michael Unrau HS WS 08/09 14 November 2008 HS 08/09 Monte-Carlo Methoden 14 November 2008 1 / 24
MehrVeranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME):
Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): MATRIKELNUMMER: Alte Prüfungsordnung/Neue Prüfungsordnung
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrVersuch: Zufälliges Ziehen aus der Population
Wahrscheinlichkeit Ein Test diagnostiziert Kranke zu 99% richtig Gesunde zu 90% richtig 5% der Bevölkerung ist krank? Wie wahrscheinlich ist es, dass jemand krank ist, wenn der Test dies diagnostiziert?
MehrModellierung von Zufallsgrößen bei Simulationsuntersuchungen
Vorlesungsreihe Simulation betrieblicher Prozesse Modellierung von Zufallsgrößen bei Simulationsuntersuchungen Prof. Dr.-Ing. Thomas Wiedemann email: wiedem@informatik.htw-dresden.de HOCHSCHULE FÜR TECHNIK
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrVorlesung 1: Grundlagen, Evidenzbasierte Medizin und Gute Klinische Praxis (GCP)
Vorlesung 1: Grundlagen, Evidenzbasierte Medizin und Gute Klinische Praxis (GCP) 1.1. Begriffsbildung im Rahmen der Evidenzbasierten Medizin (EBM) Einsicht in die Notwendigkeit und praktische Relevanz
MehrAnalytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10
Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten
Mehr8. Methoden der klassischen multivariaten Statistik
8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
MehrStochastische Modelle
Klausur (Teilprüfung) zur Vorlesung Stochastische Modelle (WS04/05 Februar 2005, Dauer 90 Minuten) 1. Es sollen für eine Zufallsgröße X mit der Dichte Zufallszahlen generiert werden. (a) Zeigen Sie, dass
MehrAnalog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als:
9-9 Die befasst sich mit der Untersuchung, wie wahrscheinlich das Eintreten eines Falles aufgrund bestimmter Voraussetzungen stattfindet. Bis anhin haben wir immer logisch gefolgert: 'Wenn diese Voraussetzung
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrEinige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
MehrGrundbegriffe der Biostatistik
Grundbegriffe der Biostatistik Theo Gasser & Burkhardt Seifert Abteilung Biostatistik Universität Zürich 3. Auflage 2006 INHALTSVERZEICHNIS i Inhaltsverzeichnis 1 Einführung 1 1.1 Was bietet die Statistik?.............................
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik
Materialien zu Stochastik 1 Einführung in die Wahrscheinlichkeitsrechnung und Statistik Dr. Christian Kredler WS 2003/04 Inhaltsverzeichnis Teil 1: Wahrscheinlichkeitsrechnung 1 1 Grundlagen der Wahrscheinlichkeitsrechnung
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
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
Mehr11 Diskrete Zufallsvariablen
11 Diskrete Zufallsvariablen 11.1 Wahrscheinlichkeitsfunktion und Verteilungsfunktion In Kapitel 2 wurde zwischen diskreten und stetigen Zufallsvariablen unterschieden. Eine Zufallsvariable X wurde als
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
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
MehrDie Binomialverteilung
Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrEinfache statistische Testverfahren
Einfache statistische Testverfahren Johannes Hain Lehrstuhl für Mathematik VIII (Statistik) 1/29 Hypothesentesten: Allgemeine Situation Im Folgenden wird die statistische Vorgehensweise zur Durchführung
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
MehrLebensdauer eines x-jährigen
Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................
MehrCredit Metrics. Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc.
Wurde bei J.P.Morgan entwickelt. Credit Metrics Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc. (1997)) Basiert auf ein Bonität-Einstufungssystem
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrPrüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)
2 3 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik BeStat-1 (7 ) n = 400 Personen wurden gefragt, wie viele Stück eines
MehrDeskriptive Statistik
Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche
MehrAbhängigkeit zweier Merkmale
Abhängigkeit zweier Merkmale Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/33 Allgemeine Situation Neben der Untersuchung auf Unterschiede zwischen zwei oder mehreren Untersuchungsgruppen hinsichtlich
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. 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
Mehr