Beziehungen zwischen Verteilungen

Größe: px
Ab Seite anzeigen:

Download "Beziehungen zwischen Verteilungen"

Transkript

1 Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie schon, dass die Exponentialverteilung und die ¾ -Verteilung spezielle Gammaverteilungen sind oder dass die Summe geometrisch verteilter Zufallsvariablen negativ binomialverteilt ist. All diese Zusammenhänge sollen hier noch einmal zusammenfassend betrachtet werden. Dabei werden wir auch einige neue Verteilungen kennenlernen. 5.1 Diskrete Verteilungen Bernoulli-Verteilung, Binomialverteilung Der Zusammenhang zwischen der Bernoulli- und der Binomialverteilung wurde schon in Satz 4.3 behandelt. Satz 5.1 Seien ½ ¾ Ò unabhängig und identisch Ö µ-verteilt. Dann gilt: Ò ½ Ò µ Beweis: È Üµ È ½ ¾ Ò Üµ È Ü Erfolge und Ò Üµ Misserfolge µ Die Erfolge und Misserfolge können in verschiedenen Reihenfolgen angeordnet werden. Die Anzahl der Möglichkeiten, Ü Erfolge und Ò Üµ Misserfolge in Ò Positionen anzuordnen, ist Ò Ü Jede einzelne dieser Möglichkeiten hat die Wahrscheinlichkeit Ü ½ µ Ò Ü 74

2 5.1. DISKRETE VERTEILUNGEN 75 Demnach gilt: È Üµ Ò Ü Ü ½ µ Ò Ü Ü ¼ ½ ¾ Ò ¼ sonst Als Folgerung aus diesem Satz ergibt sich: Ð Satz 5.2 Die Zufallsvariablen ½ und ¾ seien unabhängig und binomialverteilt mit den Parametern Ò ½ bzw. Ò ¾ und identischem Parameter. Dann gilt: ½ ¾ Ò ½ Ò ¾ µ Beweis: Die Summe lässt sich auffassen als die Anzahl der Erfolge in Ò ½ Ò ¾ unabhängigen Bernoulli- Experimenten mit Erfolgswahrscheinlichkeit. Ð Bernoulli-Verteilung, Geometrische Verteilung Eine Folge von Bernoulli-Experimenten mit Erfolgswahrscheinlichkeit werde solange durchgeführt, bis der erste Erfolg eintritt. Die Zufallsvariable sei die Anzahl der Misserfolge bis zum ersten Erfolg. Dann gilt (siehe Beispiel 4.2): µ Bernoulli-Verteilung, Negative Binomialverteilung Wir betrachten weiterhin eine Folge von Bernoulli-Experimenten mit Erfolgswahrscheinlichkeit. Die Zufallsvariable sei die Anzahl der Misserfolge vor dem Ö-ten Erfolg (Ö ¼). Dann gilt: Æ Ö µ Geometrische Verteilung, Negative Binomialverteilung Die geometrische Verteilung ist ein Spezialfall der negativen Binomialverteilung, denn es gilt offensichtlich µ Æ ½ µ Darüberhinaus kann man für Ö ¾ ÁÆ jede negativ binomialverteilte Zufallsvariable als Summe von geometrisch verteilten Zufallsvariablen auffassen (vergleiche Satz 4.7).

3 76 KAPITEL 5. BEZIEHUNGEN ZWISCHEN VERTEILUNGEN Satz 5.3 Seien ½ ¾ Ö unabhängig und identisch µ verteilt. Dann gilt: Ö ½ Æ Ö µ Es folgt aus Satz 5.3, dass der Erwartungswert und die Varianz einer negativ binomialverteilten Zufallsvariablen Ö mal so groß sind wie die entsprechenden Werte der geometrischen Verteilung. Zur Warnung sei aber gesagt, dass die Unabhängigkeit der Zufallsvariablen eine wesentliche Voraussetzung ist. Bei nicht unabhängigen Zufallsvariablen darf man die Varianzen nicht einfach addieren. Ein ähnlicher Zusammenhang bestand zwischen den Erwartungswerten und Varianzen der Bernoulli- und Binomialverteilung. Als weitere Folgerung aus Satz 5.3 ergibt sich: Satz 5.4 Die Zufallsvariablen ½ und ¾ seien unabhängig und negativ binomialverteilt mit den Parametern Ö ½ bzw. Ö ¾ und identischem Parameter. Dann gilt: ½ ¾ Æ Ö ½ Ö ¾ µ Beweis: Man fasse beide Zufallsvariablen als Summe von Ö ½ bzw. Ö ¾ unabhängig und identisch geometrisch verteilten Zufallsvariablen auf. Die Summe dieser Ö ½ Ö ¾ unabhängig geometrisch verteilten Zufallsvariablen ist dann negativ binomialverteilt mit den Parametern Ö ½ Ö ¾ und. Ð Binomialverteilung, Poissonverteilung Die Binomialverteilung hatten wir als Anzahl der Erfolge in Ò unabhängigen Bernoulli- Experimenten mit Erfolgswahrscheinlichkeit kennengelernt (siehe Beispiel 4.1). Ist die Anzahl der Experimente sehr groß und die Erfolgswahrscheinlichkeit klein, so kann man die Binomialverteilung durch eine Poissonverteilung approximieren (siehe Satz 4.9).

4 5.1. DISKRETE VERTEILUNGEN 77 Satz 5.5 Sei Ò µ Wenn,,klein ist und Ò,,groß ist, so gilt asymptotisch È Ó µ mit Ò Aufgrund dieses Satzes spricht man bei der Poissonverteilung auch als der Verteilung seltener Ereignisse Binomialverteilung, Normalverteilung Aufgrund des zentralen Grenzwertsatzes (siehe Satz 3.8) kann man eine binomialverteilte Zufallsvariable für große Ò durch eine Normalverteilung approximieren. Satz 5.6 Sei Ò µ Wenn Ò,,groß ist, so gilt asymptotisch: Æ ¾ µ mit Ò und ¾ Ò ½ µ In diesem Satz wird nur verlangt, dass Ò groß sein muss. Über wird nichts gesagt. In der Tat gilt dieser Satz schließlich für jedes. Nur für sehr kleine oder sehr große (d.h. nahe bei ½), dauert es sehr lange, bis die Wahrscheinlichkeitsfunktion der Binomialverteilung mit wachsendem Ò allmählich eine symmetrische glockenförmige Gestalt annimmt. Für solche muss dann Ò eben noch größer sein, bis die Approximation durch die Normalverteilung hinreichend genau ist Negative Binomialverteilung, Normalverteilung Aufgrund des zentralen Grenzwertsatzes (siehe Satz 3.8) kann man auch eine negativ binomialverteilte Zufallsvariable für große Ö durch eine Normalverteilung approximieren. Auch hier werden nur Voraussetzungen über Ö gemacht. Der Parameter bestimmt aber, wie groß Ö sein muss, damit man von einer guten Approximation sprechen kann.

5 78 KAPITEL 5. BEZIEHUNGEN ZWISCHEN VERTEILUNGEN Satz 5.7 Sei Æ Ö µ Wenn Ö,,groß ist, so gilt asymptotisch: Æ ¾ µ mit Ö ½ µ und ¾ Ö ½ µ ¾ Summen poissonverteilter Zufallsvariablen Satz 5.8 Die Zufallsvariablen ½ und ¾ seien unabhängig und poissonverteilt mit den Parametern ½ bzw. ¾. Dann gilt: ½ ¾ È Ó ½ ¾ µ Die Summe von zwei und damit von beliebig vielen unabhängigen poissonverteilten Zufallsvariablen ist also wieder poissonverteilt. Die Parameter sind zu addieren. Damit kann man sich die Poissonverteilung für großes auch als Verteilung der Summe von vielen unabhängig und identisch verteilten Zufallsvariablen vorstellen und den zentralen Grenzwertsatz (siehe Satz 3.8) anwenden Poissonverteilung, Normalverteilung Die Poissonverteilung kann für große bekanntlich (siehe S. 70) durch eine Normalverteilung approximiert werden. Satz 5.9 Sei È Ó µ Wenn,,groß ist, so gilt asymptotisch: Æ ¾ µ mit und ¾

6 5.2. STETIGE VERTEILUNGEN Stetige Verteilungen Exponentialverteilung, Gammaverteilung, Normalverteilung Die Exponentialverteilung ist ein Spezialfall der Gammaverteilung, denn es gilt nach Gleichung (3.6): ÜÔ µ ½ µ Wir erhalten also eine Exponentialverteilung, wenn der Parameter der Gammaverteilung ½ ist. Darüberhinaus erhalten wir eine Gammaverteilung als Summe unabhängiger exponentialverteilter Zufallsvariablen (siehe Satz 3.11). Satz 5.10 Wenn ½ ¾ unabhängig und identisch exponentialverteilt sind, d.h. ÜÔ µ, so gilt: ½ µ Nun kann man wieder den zentralen Grenzwertsatz (Satz 3.8) anwenden, um zu folgern: Satz 5.11 Sei µ Wenn,,groß ist, so gilt asymptotisch: Æ ¾ µ mit und ¾ ¾ Summe von gammaverteilten Zufallsvariablen Satz 5.12 Die Zufallsvariablen ½ und ¾ seien unabhängig und gammaverteilt mit den Parametern ½ bzw. ¾ und identischem Parameter. Dann gilt: ½ ¾ ½ ¾ µ Die Summe von zwei und damit beliebig vielen gammaverteilten Zufallsvariablen mit identischem Parameter ist wieder gammaverteilt. Der Parameter ist die Summe der beiden Parameter ½ und ¾.

7 80 KAPITEL 5. BEZIEHUNGEN ZWISCHEN VERTEILUNGEN Gammaverteilung, ¾ -Verteilung, Normalverteilung Die ¾ -Verteilung ist ein Spezialfall der Gammaverteilung. Nach Satz 3.12 gilt: ¾ Ò Ò¾ ½¾µ Es folgt aus Satz 5.12, dass die Summe unabhängiger ¾ -verteilter Zufallsvariablen wieder ¾ -verteilt ist, wobei die Freiheitsgrade zu addieren sind. Satz 5.13 Die Zufallsvariablen ½ und ¾ seien unabhängig und ¾ -verteilt mit den Parametern Ò ½ bzw. Ò ¾. Dann gilt: ½ ¾ ¾ Ò ½ Ò ¾ Mit dem zentralen Grenzwertsatz (Satz 3.8) oder aus Satz 5.11 folgt wieder: Satz 5.14 Sei ¾ Ò Wenn Ò,,groß ist, so gilt asymptotisch: Æ ¾ µ mit Ò und ¾ ¾Ò Summen normalverteilter Zufallsvariablen Satz 5.15 Seien ½ ¾ Ò unabhängig und identisch Æ ¾ µ-verteilt. Dann gilt: Ò ½ Æ Ò Ò ¾ µ Für nicht identisch normalverteilte Zufallsvariablen gilt:

8 5.2. STETIGE VERTEILUNGEN 81 Satz 5.16 Seien ½ ¾ Ò unabhängig Æ ¾ µ-verteilt. Dann gilt: Ò ½ Æ Ò ½ Ò ½ ¾ µ Normalverteilung, ¾ -Verteilung Satz 5.17 Es gelte Dann gilt: Æ ¼ ½µ ¾ ¾ ½ Das Quadrat einer standarnormalverteilten Zufallsvariablen ist also ¾ -verteilt mit einem Freiheitsgrad. Mit Satz 5.13 folgt, dass auch die Summe der Quadrate unabhängiger Æ ¼ ½µverteilter Zufallsvariablen ¾ -verteilt ist. Satz 5.18 Seien ½ ¾ Ò unabhängig und identisch Æ ¼ ½µ-verteilt. Dann gilt: Ò ½ ¾ ¾ Ò Für praktische Anwendungen wichtig ist der folgende Satz: Satz 5.19 Seien ½ ¾ Ò unabhängig und identisch Æ ¾ µ-verteilt. Sei Ò ½ und Ë ¾ ½ Ò Ò ½ Ò ½ µ ¾ Dann gilt: ÒË ¾ ¾ ¾ Ò ½µ

9 82 KAPITEL 5. BEZIEHUNGEN ZWISCHEN VERTEILUNGEN Man benutzt dieses Resultat, um Hypothesen über die Varianz in einer normalverteilten Grundgesamtheit zu testen. Um die Nullhypothese À ¼ ¾ ¾ ¼ gegen die Alternative À ½ ¾ ¾ ¼ zu testen, verwendet man die Prüfgröße ÒË ¾ ¾ ¼ die nach Satz 5.19 unter der Hypothese eine ¾ -Verteilung mit Ò ½ Freiheitsgraden besitzt. Die ¾ -Verteilung ist eine wichtige Verteilung in der Varianzanalyse. Die dort berechneten Summen der Quadrate von normalverteilten Zufallsvariablen sind verteilt wie ¾ ¾, wobei ¾ die Varianz ist (siehe Beispiel 5.1) Normalverteilung, t-verteilung Definition 5.1 Die Dichtefunktion der t-verteilung ist gegeben durch ܵ ½ ¾ µ ½ ܾ µ ½µ¾ Ô ¾µ ½ Ü ½ Die Ø-Verteilung besitzt einen Parameter, für den gilt ¾ ÁÆ. Wir schreiben Ø wenn eine Zufallsvariable eine Ø-Verteilung besitzt. Wir sagen dann auch, dass eine Ø- Verteilung mit Freiheitsgraden besitzt. Abbildung 5.1 zeigt einige Dichtefunktionen der Ø-Verteilung. Sie ist wie die Normalverteilung symmetrisch um eine senkrechte Achse bei ¼ und nähert sich mit wachsender Zahl der Freiheitsgrade der Dichtefunktion der Standardnormalverteilung. Aufgrund der Symmetrie der Dichtefunktion folgt: Satz 5.20 Es gelte Dann gilt für den Erwartungswert: Ø ¼

10 5.2. STETIGE VERTEILUNGEN f(x) x Abbildung 5.1: Dichtefunktionen der Ø-Verteilung mit ½ ½ ¼¼¼ Um von der Normalverteilung zur Ø-Verteilung zu kommen, benötigen wir das folgende Resultat, das wir hier der Vollständigkeit halber formulieren, obwohl wir den Begriff der Unabhängigkeit (siehe Definition 6.16) noch nicht definiert haben. Satz 5.21 Seien ½ Ò unabhängig und identisch Æ ¾ µ-verteilt. Sei ½ Ò Ò ½ und Ë ¾ ½ Ò ½ Ò ½ µ ¾ Dann gilt: und Ë ¾ sind unabhängig. Satz 5.22 Die Zufallsvariablen ½ und ¾ seien unabhängig und ½ Æ ¼ ½µ ¾ ¾ µ Dann gilt d.h. Ø-verteilt mit Freiheitsgraden. Õ ½ ¾ Ø µ Satz 5.23 Die Zufallsvariablen ½ ¾ Ò seien unabhängig und identisch Æ ¾ µ-verteilt. Dann gilt: Ë Ô Ò Ø Ò ½

11 84 KAPITEL 5. BEZIEHUNGEN ZWISCHEN VERTEILUNGEN Beweis: Es gilt (ohne kompletten Beweis, den Erwartungswert und die Varianz von werden wir später berechnen) Ô Æ ¼ ½µ Ò Nach Satz 5.19 gilt: Ferner sind und Ë ¾ Ò ½µË ¾ ¾ ¾ Ò ½µ nach Satz 5.21 unabhängig. Damit gilt nach Satz 5.22: Ö Ô Ò Ò ½µË ¾ ¾ Ò ½µ Ë Ô Ò Ø Ò ½µ Man verwendet Ì Ë Ô Ò Ø Ò ½ Ð als Prüfgröße im Ø-Test zur Prüfung von Hypothesen über den Erwartungswert in einer normalverteilten Grundgesamtheit, z.b. À ¼ ¼ gegen die Alternative À ½ ¼ Unter der Nullhypothese À ¼ besitzt die Prüfgröße Ì dann die in Satz 5.23 angegebene Verteilung. Dieses Resultat wird ferner bei der Konstruktion von Konfidenzintervallen für den Parameter der Normalverteilung benutzt. R-Befehle zur t-verteilung: dt(x, df) berechnet die Dichtefunktion der t-verteilung mit dem Parameter df an der Stelle Ü. Dabei kann Ü ein Vektor sein. pt(q, df, ncp=0) berechnet die Verteilungsfunktion der t-verteilung mit dem Parameter df an der Stelle Õ. Dabei kann Õ ein Vektor sein. Mit dem optionalen Argument ncp wird der Nichtzentralitätsparameter festgelegt. Wir behandeln hier die zentrale t-verteilung, für die ncp=0 ist. qt(p, df) berechnet die Umkehrfunktion der Verteilungsfunktion der t-verteilung mit dem Parameter df an der Stelle Ô. Dabei muss Ô ein Vektor von Wahrscheinlichkeiten, d.h. von Zahlen zwischen ¼ und ½ sein. rt(n, df) erzeugt Ò t-verteilte Zufallszahlen mit dem Parameter df.

12 5.2. STETIGE VERTEILUNGEN Normalverteilung, F-Verteilung Definition 5.2 Die Dichtefunktion der F-Verteilung ist gegeben durch: ܵ ½ ¾ µ ½ ¾ ½ µ ¾ µ ¾ ¾ ¾ ½¾ Ü ½ ¾ ½ ½ ½Ü ¾ ½ ¾µ¾ Ü ¼ Die F-Verteilung hat zwei Parameter ½ und ¾, für die gelten muss ¾ ÁÆ ½ ¾. Beachten Sie, dass für den Koeffizienten in der Dichteverteilung der F-Verteilung gilt: Wir schreiben ½ ¾ µ ¾ ½ ¾ µ ¾ ¾ µ ½ ½ ¾ µ ¾ ¾ ½ ¾ µ wenn die Zufallsvariable eine -Verteilung besitzt. Die Parameter werden auch Freiheitsgrade genannt, dabei heißen ½ die Freiheitsgrade im Zähler und ¾ die Freiheitsgrade im Nenner. f(x) x Abbildung 5.2: Dichtefunktionen der -Verteilung mit ½ ½ ¾ ½¼ ¾¼ ¾ ¾¼ Satz 5.24 Die Zufallsvariablen ½ und ¾ seien unabhängig ¾ -verteilt mit ½ bzw. ¾ Freiheitsgraden, dann gilt: ½ ½ ½ ¾ µ ¾ ¾

13 86 KAPITEL 5. BEZIEHUNGEN ZWISCHEN VERTEILUNGEN Beispiel 5.1 (Varianzanalyse) In der Grundvorlesung haben Sie bereits einen -Test kennengelernt. Die Situation kann wie folgt beschrieben werden. Es liegen Beobachtungen in Á Gruppen vor. ½ ¾ Á ½ ¾ Â Dabei seien Konstante, die seien normalverteilte unabhängige Zufallsvariablen mit µ ¼ und Î Ö µ ¾. Es soll die Hypothese geprüft werden. Die Prüfgröße ist dann È À ¼ ½ ¾ Á ½ Á ½ ÁÈ ½ ÁÈ Â ¾ ÂÈ ½ Á Â ½µ ½ ½ Diese Prüfgröße ist typisch für viele -Prüfgrößen, die Ihnen in Regressionsanalysen (z.b. in der Vorlesung Ökonometrie) oder in Varianzanalysen (in der Vorlesung Lineare Modelle) oder bei der Analyse von Daten mit Statistikprogrammpaketen begegnen werden. Die Summen der Quadrate in Zähler und Nenner der Prüfgröße ¾ ÁÈ ½ ÁÈ ½ ½ Â ¾ Summe der Quadrate Gruppen ÂÈ ¾ Summe der Quadrate Rest sind jeweils verteilt wie ¾ ¾ mit Á ½ bzw. Á Â ½µ Freiheitsgraden. Außerdem sind die beiden Summen der Quadrate unabhängig. Es folgt dann aus Satz 5.24, dass der Quotient eine -Verteilung mit Á ½ und Á Â ½µ Freiheitsgraden besitzt. Beispiel 5.2 Auch den fogenden -Test haben Sie in der Grundvorlesung im Zusammenhang mit der Regressionsanalyse kennengelernt. Das Modell Å ¾ bezeichne eine Vereinfachung des Modells Å ½, d.h. einige der Parameter aus Å ½ fehlen in Å ¾. Zur Prüfung der Hypothese, dass die Modellvereinfachung gilt, d.h. die in Å ¾ fehlenden Parameter aus Å ½ null sind, wird die Prüfgröße È ËÉ Ê Å ¾µ ËÉ Ê Å ½ µµ Å ¾ µ Å ½ µµ ËÉ Ê Å ½ µ Å ½ µ verwendet, die unter der Nullhypothese eine -Verteilung mit Å ¾ µ Å ½ µ und Å ½ µ Freiheitsgraden hat. Dabei sind ËÉ Ê Å ½ µ und ËÉ Ê Å ¾ µ die Summe der Quadrate der Residuale unter den Modellen Å ½ und Å ¾ und bezeichnen die jeweiligen Freiheitsgrade. R-Befehle zur F-Verteilung: df(x, df1, df2) berechnet die Dichtefunktion der F-Verteilung mit den Parametern ½ df1 und ¾ df2 an der Stelle Ü. Dabei kann Ü ein Vektor sein. pf(q, df1, df2, ncp=0) berechnet die Verteilungsfunktion der F-Verteilung mit den Parametern ½ df1 und ¾ df2 an der Stelle Õ. Dabei kann Õ ein Vektor sein. Mit dem optionalen Argument ncp wird der Nichtzentralitätsparameter festgelegt. Wir behandeln hier die zentrale F-Verteilung, für die ncp=0 ist.

14 5.2. STETIGE VERTEILUNGEN 87 qf(p, df1, df2) berechnet die Umkehrfunktion der Verteilungsfunktion der F- Verteilung mit den Parametern ½ df1 und ¾ df2 an der Stelle Ô. Dabei muss Ô ein Vektor von Wahrscheinlichkeiten, d.h. von Zahlen zwischen ¼ und ½ sein. rf(n, df1, df2) erzeugt Ò F-verteilte Zufallszahlen mit den Parametern ½ df1 und ¾ df Normalverteilung, Lognormalverteilung Definition 5.3 Die Dichtefunktion der Lognormalverteilung ist gegeben durch ܵ ½ Ü Ô ¾ ÐÓ Ü µ ¾ ¾ ¾ ¾ ¼ Ü ¼ sonst Die Lognormalverteilung hat zwei Parameter und ¾, für die gelten muss ½ ½ und ¾ ¼ Wir schreiben ¾ µ wenn die Zufallsvariable eine Lognormalverteilung besitzt. Der folgende Satz erklärt den Namen Lognormalverteilung. Die Zufallsvariable ÐÓ besitzt nämlich eine Normalverteilung, wenn eine Lognormalverteilung besitzt. Satz 5.25 a) Es gelte ¾ µ, dann gilt: b) Es gelte Æ ¾ µ, dann gilt: ÐÓ Æ ¾ µ ¾ µ Die Verteilungsfunktion der Lognormalnormalverteilung kann man auf die der Standardnormalverteilung zurückführen.

15 88 KAPITEL 5. BEZIEHUNGEN ZWISCHEN VERTEILUNGEN Satz 5.26 Für die Verteilungsfunktion einer lognormalverteilten Zufallsvariablen gilt ÐÓ Ü Üµ wobei die Verteilungsfunktion der Standardnormalverteilung bezeichne. Beweis: Für Ü ¼ gilt: Wir substituieren ܵ È Üµ Dann ist Ø ½ Ø Dabei ändern sich die Grenzen wie folgt: Wenn Ø ¼, gilt ½ Wenn Ø Ü, ist ÐÓ Ü Ü ¼ ½ Ø Ô ¾ ÐÓ Ø µ ¾ ¾ ¾ Ø ¾ ÐÓ Ø ½ Ø Ø Damit folgt, wenn man beachtet, dass der folgende Integrand die Dichtefunktion einer Normalverteilung mit den Parametern und ¾ ist, unter Anwendung von Satz 3.6 ܵ ÐÓ Ü ½ ½ Ô¾ µ ¾ ¾ ¾ ¾ ÐÓ Ü Ð Satz 5.27 Es gelte ¾ µ Dann gilt für den Erwartungswert und die Varianz von : ¾ ¾ und Î Ö ¾ ¾ ¾ ½µ

16 5.2. STETIGE VERTEILUNGEN f(x) x Abbildung 5.3: Dichtefunktion der Lognormalverteilung mit ¼ ¾ ½ In Anwendungen findet man die Lognormalverteilung als Modell für viele Zufallsvariablen, die nur positive Werte annehmen können. Wie Abbildung 5.3 zeigt, ist die Lognormalverteilung insbesondere geeignet für Daten mit einer schiefen Verteilung. Durch geeignete Wahl der Parameter (insbesondere von ¾ ) kann man jedoch erreichen, dass die Gestalt der Lognormalverteilung wieder sehr ähnlich der Gestalt einer Normalverteilung wird. In manchen Fällen erhält man damit ein realistischeres Modell als mit der Normalverteilung. Die Lognormalverteilung findet Anwendung als Modell für das Einkommen, für Lebensdauern (von produzierten Gütern) oder Verweildauern (z.b. von Beschäftigten in einem Betrieb) und auch ganz aktuell als Modell für Aktienkurse. R-Befehle zur Lognormalverteilung dlnorm(x, meanlog=0, sdlog=1) berechnet die Dichtefunktion der Lognormalverteilung mit den Parametern meanlog und ¾ sdlog ¾ an der Stelle Ü, wobei Ü ein Vektor ist. Dabei ist zu beachten, dass sdlog die Standardabweichung, also die Quadratwurzel aus der Varianz ¾ der logarithmierten Zufallsvariablen ist. plnorm(q, meanlog=0, sdlog=1) berechnet die Verteilungsfunktion der Lognormalverteilung mit den Parametern meanlog und ¾ sdlog ¾ an der Stelle q, wobei q ein Vektor ist. qlnorm(p, meanlog=0, sdlog=1) berechnet die Umkehrfunktion der Verteilungsfunktion der Lognormalverteilung mit den Parametern meanlog und ¾ sdlog ¾ an der Stelle p, wobei p ein Vektor von Wahrscheinlichkeiten, also Zahlen zwischen ¼ und ½, ist. rlnorm(n, meanlog=0, sdlog=1) erzeugt Ò lognormalverteilte Zufallszahlen mit den Parametern meanlog und ¾ sdlog ¾.

$ % + 0 sonst. " p für X =1 $

$ % + 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

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung 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

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 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.

Mehr

Teil I Beschreibende Statistik 29

Teil 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..............................

Mehr

Die Binomialverteilung

Die 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

Mehr

R ist freie Software und kann von der Website. www.r-project.org

R 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

Mehr

Universität 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. 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

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen 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)

Mehr

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006

Übungsrunde 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

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 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

Mehr

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007

DIPLOMVORPRÜFUNG 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

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-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

Mehr

Ein möglicher Unterrichtsgang

Ein 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

Mehr

Stetige Verteilungsmodelle

Stetige Verteilungsmodelle Stetige Verteilungsmodelle Worum geht es in diesem Modul? Stetige Verteilungsfunktionen Quantile Dichtefunktion Maßzahlen stetiger Verteilungen Stetige Gleichverteilung Exponentialverteilung Überprüfung

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik 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,

Mehr

Monte-Carlo Simulation

Monte-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

Mehr

Aufgabe 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 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

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische 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)

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

5. Schließende Statistik. 5.1. Einführung

5. 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.

Mehr

, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =

, 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

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte 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

Mehr

Einführung in die Statistik

Einführung 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

Mehr

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

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

Mehr

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei

Mehr

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe

Mehr

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff

Zufallsgrößen. 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

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische 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

Nachholklausur STATISTIK II

Nachholklausur STATISTIK II Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine

Mehr

q = 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

q = 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 [

Mehr

Multivariate Statistik

Multivariate 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)

Mehr

i 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

i 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

Mehr

Klausur Statistik Lösungshinweise

Klausur 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

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

Einfache Varianzanalyse für abhängige

Einfache Varianzanalyse für abhängige Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-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

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Ferienakademie 2001: Kryptographie und Sicherheit offener Systeme. Faktorisierung. Stefan Büttcher stefan@buettcher.org

Ferienakademie 2001: Kryptographie und Sicherheit offener Systeme. Faktorisierung. Stefan Büttcher stefan@buettcher.org Ferienakademie 2001: Kryptographie und Sicherheit offener Systeme Faktorisierung Stefan Büttcher stefan@buettcher.org 1 Definition. (RSA-Problem) Gegeben: Ò ÔÕ, ein RSA-Modul mit unbekannten Primfaktoren

Mehr

Nichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011. Aufgabe 1

Klausur 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

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. 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,

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen

Monty 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

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (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

Überblick über die Verfahren für Ordinaldaten

Überblick über die Verfahren für Ordinaldaten Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. 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

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

3 Monte-Carlo-Simulationen

3 Monte-Carlo-Simulationen 3 Monte-Carlo-Simulationen In diesem Kapitel soll mit der so genannten Monte-Carlo-Methode ein wichtiges Anwendungsgebiet des in Kapitel 2 erarbeiteten Begriffs- und Methodenapparats detaillierter beleuchtet

Mehr

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist

Die 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

Mehr

Nachfolgend alle Unterlagen

Nachfolgend alle Unterlagen NÜRNBERGER TOP Empfehlung Für Ärzte / Tierärzte / Ingenieure / Hausfrauen Top Zusatz Infektionsklausel für Ärzte! Besonders geeignet weil! Nicht sinnvoll wenn /für! --Sehr günstiger Beitrag -- Bauberufe

Mehr

½ Ï ÐÐ ÓÑÑ Ò ÞÙÑ ËØÙ Ý Ù ÁÒ Ø ÐÐ Ø ÓÒ Ò ÓÒ ÙÖ Ø ÓÒ Á² ½µ ÖØ Þ ÖÙÒ º Ø Ö Ö Ø ÚÓÒ Ú Ö ÃÙÖ Ò ÞÙÑ Ë Ö Ä ÒÙÜ Ò ÆÍ ÖØ Ñ Ò ØÖ ØÓÖ Ä µº Ò Ö Ò Ö ÃÙÖ Ò ËÝ Ø Ñ Ñ Ò ØÖ Ø ÓÒ Ë ½µ Æ ØÛÓÖ Ò Æ Ì½µ ÙÒ Ë ÙÖ ¹ ØÝ Ë È½µº

Mehr

Statistik I für Betriebswirte Vorlesung 5

Statistik I für Betriebswirte Vorlesung 5 Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition

Mehr

Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel

Beispiele 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

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur 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:

Mehr

Statistik - Fehlerrechnung - Auswertung von Messungen

Statistik - 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:

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 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

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests

Beispiel: 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?

Mehr

Klassische Risikomodelle

Klassische Risikomodelle Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes

Mehr

4. Versicherungsangebot

4. Versicherungsangebot 4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil

Mehr

4. Übungsblatt zu Mathematik für Informatiker I, WS 2003/04

4. Übungsblatt zu Mathematik für Informatiker I, WS 2003/04 4. Übungsblatt zu Mathematik für Informatiker I, WS 2003/04 JOACHIM VON ZUR GATHEN, OLAF MÜLLER, MICHAEL NÜSKEN Abgabe bis Freitag, 14. November 2003, 11 11 in den jeweils richtigen grünen oder roten Kasten

Mehr

MA Projekt: Langfristige Kapitalmarktsimulation

MA Projekt: Langfristige Kapitalmarktsimulation MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring

Mehr

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 SFB 833 Bedeutungskonstitution Kompaktkurs Datenanalyse Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 Messen und Skalen Relativ (Relationensystem): Menge A von Objekten und eine oder mehrere Relationen

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Genexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression

Genexpression. 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

Mehr

Beurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln

Beurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich

Mehr

Statistische Auswertung der Daten von Blatt 13

Statistische 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

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben 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,...,

Mehr

Einführung in die Statistik mit EXCEL und SPSS

Einführung 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

Mehr

1 Stochastische Prozesse in stetiger Zeit

1 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.

Mehr

Kursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse

Kursthemen 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

Mehr

Zusatzaufgaben zur Vorlesung Stochastik für Informatikstudenten

Zusatzaufgaben zur Vorlesung Stochastik für Informatikstudenten Zusatzaufgaben zur Vorlesung Stochastik für Informatikstudenten I.1 Erweitertes Urnenmodell mit Zurücklegen In einer Urne befinden sich ( N Kugeln, davon M 1 der Farbe F 1, M 2 der Farbe l ) F 2,..., M

Mehr

Einführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung 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

Mehr

Wiederholung: Statistik I

Wiederholung: Statistik I Wiederholung: Statistik I Lehrstuhl für BWL, insb. Mathematik und Statistik Gegeben sei eine diskrete Zufallsvariable X. Für die möglichen Realisationen x i von X seien folgende Wahrscheinlichkeiten bekannt:

Mehr

1.3 Die Beurteilung von Testleistungen

1.3 Die Beurteilung von Testleistungen 1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen

Mehr

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 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

Mehr

Mathematik I für Wirtschaftswissenschaftler

Mathematik I für Wirtschaftswissenschaftler 1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.

Mehr

13. Abzählen von Null- und Polstellen

13. Abzählen von Null- und Polstellen 13. Abzählen von Null- und Polstellen 77 13. Abzählen von Null- und Polstellen Als weitere Anwendung des Residuensatzes wollen wir nun sehen, wie man ot au einache Art berechnen kann, wie viele Null- bzw.

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

TEST Basiswissen Mathematik für Ingenieurstudiengänge

TEST Basiswissen Mathematik für Ingenieurstudiengänge TEST Basiswissen Mathematik für Ingenieurstudiengänge Erste Fassung März 2013 Dieser Test beinhaltet Aufgaben zu den wesentlichen Themen im Bereich Mathematik, die Basiswissen für ein Ingenieurstudium

Mehr

Analytische 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 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

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Computational Finance

Computational Finance Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik 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

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Die Optimalität von Randomisationstests

Die Optimalität von Randomisationstests Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,

Mehr

(Lineare) stochastische Optimierung

(Lineare) stochastische Optimierung (Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Verteilte Systeme/Sicherheit im Internet

Verteilte Systeme/Sicherheit im Internet ruhr-universität bochum Lehrstuhl für Datenverarbeitung Prof. Dr.-Ing. Dr.E.h. Wolfgang Weber Verteilte Systeme/Sicherheit im Internet Intrusion Detection und Intrusion Response Systeme (IDS & IRS) Seminar

Mehr

Kapitel 4: Binäre Regression

Kapitel 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,...,

Mehr