1 wenn Erfolg im j-ten Versuch
|
|
- Insa Armbruster
- vor 6 Jahren
- Abrufe
Transkript
1 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.1 Binomialverteilung - Alternative Darstellung n Versuche mit 2 möglichen Ausgängen. Setze Y j = 1 wenn Erfolg im j-ten Versuch 0 wenn kein Erfolg im j-ten Versuch Y 1,..., Y n sind 0-1-Zufallsgrößen (oder Bernoulli-verteilte Zufallsgrößen) X = n j=1 Y j = Anzahl der Erfolge in n Versuchen Versuche unabhängig und identisch Y 1,..., Y n u.i.v. mit X ist B(n, p)-verteilt Ws(Y j = 1) = p, Ws(Y j = 0) = 1 p
2 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.2 Beispiele: i) n Personen mit Kopfschmerzen erhalten neues Medikament Y j = 1 wirkt beim j-ten Patienten 0 wirkt nicht beim j-ten Patienten p = Ws(Y j = 1) Wirkungswahrscheinlichkeit p = 0, 9 wirkt in 9 von 10 Fällen X = n j=1 Y j ist B(n, p)-verteilt. n = 20, X = 15. Ist dann p = 0.9 noch glaubhaft?
3 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.3 Für n = 20, p = 0.9 : Ws(X 15) = 15 k=0 ( 20) 0.9 k (1 0.9) 20 k Tabelle 1 = 0, 0432 = 4, 32% k ii) n junge Kraftfahrer im 1. Jahr nach Führerscheinerwerb Y j = 1 j-ter Fahrer unfallfrei (Erfolg) 0 j-ter Fahrer nicht unfallfrei (kein Erfolg) p = Ws(Y j = 1) = Ws( unfallfrei )
4 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.4 iii) Umfrage unter Unternehmern: Rechnen Sie 2012 mit einer besseren, gleichbleibenden oder schlechteren Geschäftslage als 2011? Ende 2012 Rückfrage: Y j = 1 j-ter Unternehmer schätzte Entwicklung richtig ein 0 j-ter Unternehmer schätzte Entwicklung falsch ein p = Ws ( korrekte Vorhersage der Geschäftsentwicklung ) = Ws(Y j = 1) X = n j=1 Y j = Anzahl korrekter Einschätzungen ist B(n, p)-verteilt.
5 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.5 Spezialfall: Stichprobenziehen mit Zurücklegen Population von N Objekten oder Personen M davon haben bestimmtes Merkmal. Wie groß ist der Anteil p = M N der Objekte mit dem Merkmal? Wähle nacheinander n Objekte, wobei bereits gewählte wieder gewählt werden können Stichprobe X = Anzahl der Objekte in der Stichprobe, die das Merkmal besitzen ist B(n, p)-verteilt: n Versuche = n Auswahlen von Objekten Erfolg = Auswahl eines Objekts mit Merkmal.
6 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.6 Wahrscheinlichkeitsgewichte der Binomialverteilung mit n = 10, p = 0.5: Ws(X = k) = ( ) n k p k (1 p) n k, k = 0,..., n
7 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.7 n = 10, p = 0.1
8 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.8 n = 100, p = 0.5
9 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.9 n = 100, p = 0.1
10 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.10 Modell: X ist B(n, p)-verteilt. p =? Schätzer für p : ˆp = X n Beispiel: Wahlumfrage n = 2000 Personen werden nach Wahlabsicht befragt, X = 118 wollen ihre Stimme der ABC- Partei geben. Stimmanteil p in der Gesamtwählerschaft? Einzelversuch: Wähle Person rein zufällig aus Wählerschaft aus: Erfolg: ABC-Wähler Misserfolg: kein ABC-Wähler p = Ws(Erfolg) = Wahrscheinlichkeit, dass es ABC-Wähler ist. ˆp = = 5, 8%
11 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.11 Konfidenzintervalle für Wahrscheinlichkeiten Beispiel: Wahlumfrage ABC-Partei erhält ˆp = 5, 8% Stimmen. Aussagekräftiger: Stimmanteil liegt ziemlich sicher im Intervall [5,2%, 6,3%]. Konfidenzintervalle für allgemeine Verteilungsparameter Modell: Die Daten X 1,..., X N sind unabhängig voneinander und besitzen dieselbe Verteilungsfunktion Ws(X j t) = F ϑ (t) F ϑ bekannt bis auf den reellwertigen Parameter ϑ Θ R. ϑ =? Beispiele: a) B(n, p), ϑ = p Θ = [0, 1] b) N (µ, σ 2 ), ϑ = µ Θ = (, )
12 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.12 X 1,..., X N u.i.v. mit Ws(X j t) = F ϑ (t) Definition: Vorgegeben: 0 < α 1 (typisch: 0, 05, 0, 01,...) Ein Konfidenzintervall zum (Sicherheits-) Niveau 1 α (kurz: (1 α)-konfidenzintervall) für ϑ ist ein zufälliges Intervall [T 1, T 2 ] mit Grenzen T i = g i (X 1,..., X N ), i = 1, 2, für das gilt: Ws ϑ ([T 1, T 2 ] ϑ) 1 α für alle ϑ Θ Gleich, was der wahre Wert ϑ des Parameters ist: der Intervallschätzer [T 1, T 2 ] überdeckt ihn mit hoher Wahrscheinlichkeit ( 1 α).
13 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.13 n = 10, p = 0.5 Bessere Approximation: Ws(X k) Φ ( k np) npq
14 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.14 n = 10, p = 0.5
15 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.15 n = 30, p = 0.5
16 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.16 n = 30, p = 0.5
17 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.17 n = 100, p = 0.5
18 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.18 n = 100, p = 0.5
19 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.19 n = 100, p = 0.1
20 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.20 n = 100, p = 0.1
21 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.21 n = 10, p = 0.1
22 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.22 n = 10, p = 0.1
23 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.23 Für α = 0, 05, (1 α 2 )-Quantil von N (0, 1) = ˆp 2 ˆp(1 ˆp) n, ˆp + 2 ˆp(1 ˆp) ist ein approximatives 0,95-Konfidenzintervall für den Parameter p der Binomialverteilung. n Anwendung: Wahlprognose, Stimmanteil bei 6% d.h. ˆp = 0, 06. Sicher über die 5%-Hürde? n = ,95 - Konfidenzintervall: 0, 06 ± 2 0, 06 0, = [0, 494, 0, 706]
24 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler Binomial- und Vorzeichentest Modell: X binomialverteilt mit Parameter (n, p) n groß, 0 p 1, so dass B(n, p) N (np, npq), q = 1 p Approximativer Binomialtest mit Teststatistik (q 0 = 1 p 0 ) X 0 = X n p 0 n p0 q 0 N (0, 1) wenn p = p 0 Hypothese Alternative H 0 verwerfen, wenn H 0 : p = p 0 H 1 : p > p 0 X 0 > c 1 α = (1 α)-quantil von N (0, 1) p p 0 H 0 : p = p 0 H 1 : p < p 0 X 0 < c 1 α p p 0 H 0 : p = p 0 H 1 : p p 0 X 0 > c 1 α 2
25 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.25 Für kleine n exakter Binomialtest: b n,p,α = α-quantil von B(n, p) (Tabelle 1 von innen nach außen ) Tabelle 1 Verteilungsfunktion F n,p (k) = Ws n,p (X k). Suche zu α ein k mit F n,p (k) α k b n,p,α Hypothese Alternative H 0 verwerfen, wenn H 0 : p = p 0 H 1 : p > p 0 X > b n,p0,1 α p p 0 H 0 : p = p 0 H 1 : p < p 0 X < b n,p0,α p p 0 H 0 : p = p 0 H 1 : p p 0 X > b n,p0,1 α 2 oder X < b n,p 0, α 2
26 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.26 Tabelle 1: Verteilungsfunktion der Binomialverteilungen für ausgewählte Werte von (n, p) X sei B(n, p)-verteilt. Die Tabelle enthält dann die Werte F n,p (k) = Ws(X k) für k = 0,..., n. n=9 p k
27 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.27 n=9 p k α = 0, 05, n = 9, p = 0, 5: F n,p (1) = 0, , 05 b n,p,α 1 oder: Ersetze α durch α = 0, 0195 b n,p, α = 1
28 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.28 n=9 p k α = 0, 95, n = 9, p = 0, 7: F n,p (8) = 0, , 95 b n,p,α 8 oder: Ersetze α durch α = 0, 9596 b n,p, α = 8
29 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.29 Anwendung des Binomialtests: Vorzeichentest Neues Rezept für Tomatensuppe aus der Dose 8 Geschmackstester bewerten blind altes und neues Rezept (mit 0-10 Punkten) Tester Bewertung Differenz Vorzeichen alt neu alt neu A B C D E F G H Vereinfachung: Entferne Teilexperimente mit Vorzeichen 0 (Bindungen) aus der Stichprobe.
30 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.30 Alternative H 1 : neu besser als alt Hypothese H 0 : neu nicht besser als alt, d.h. Ws(+) 0.5 Modell + = Erfolg, n unabhängige, identische Versuche n = Stichprobenumfang (nach Entfernen von Vorzeichen 0) X = Anzahl der positiven Vorzeichen + ist B(n, p)-verteilt. Hypothese: H 0 : p = Ws(+) p 0 = 2 1 Alternative: H 1 : p = Ws(+) < p 0 = 2 1 Beobachtet X = 2, n = 7 Tabelle: b 7,0.5, = 1 X 1 akzeptiere H 0 auf Niveau 6,25%
31 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.31 Vergleich zweier Wahrscheinlichkeiten/Anteile (Skript S. 92) Zwei Populationen, deren Mitglieder ein bestimmtes Merkmal haben können. Sind die beiden Anteile an Merkmalsinhabern gleich? Beispiel: ABC-Wähler unter den männlichen bzw. unter den weiblichen Wahlberechtigten Modell: X, Z unabhängig und jeweils binomialverteilt mit Parameter (n, p 1 ) bzw. (m, p 2 ) Schätzer für p 1, p 2 : ˆp 1 = X n, Hilfsgröße: ˆp 2 = Z m ˆp = X + Z n + m
32 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.32 ˆp 1 = X n, ˆp 2 = Z m, ˆp = X + Z n + m Unter der Hypothese H 0 : p 1 = p 2 = p schätzen ˆp 1, ˆp 2, ˆp alle den gemeinsamen Anteil p der Merkmalsinhaber in beiden Populationen. n, m groß, 0 p 1, p 2 1, so dass B(n, p 1 ), B(m, p 2 ) mit der Normalverteilung approximiert werden können. Dann: Zweistichproben-Binomialtest mit Teststatistik (ˆq = 1 ˆp) = ˆp 1 ˆp 2 n+m n m ˆpˆq N (0, 1) wenn p 1 = p 2 Intuition: ˆp 1 ˆp 2 0 H 0 annehmen
33 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.33 Hypothese Alternative H 0 verwerfen, wenn H 0 : p 1 = p 2 H 1 : p 1 > p 2 > c 1 α = (1 α)-quantil von N (0, 1) p 1 p 2 H 0 : p 1 = p 2 H 1 : p 1 < p 2 < c 1 α p 1 p 2 H 0 : p 1 = p 2 H 1 : p 1 p 2 > c 1 α 2 Beispiel: Haben Angestellte und Angehörige der Geschäftsleitung unterschiedliche Einstellungen zu ethischem Verhalten im Geschäftsleben? Frage in einer Studie: Die Angst, erwischt zu werden und den Arbeitsplatz zu verlieren, hat einen großen Einfluss auf ethisches Verhalten im Beruf - Ja oder Nein?
34 Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.34 Die Angst, erwischt zu werden und den Arbeitsplatz zu verlieren, hat einen großen Einfluss auf ethisches Verhalten im Beruf - Ja oder Nein? Angestellte (n=755): 57 % Ja Geschäftsleitung (m=616): 50 % Ja Schätzer ˆp 1 = 0, 57 > ˆp 2 = 0, 50 signifikant oder zufällig? Beobachtungen X = nˆp (gerundet), Z = mˆp 2 = 308 ˆp = = 0, 538 Teststatistik: = H 0 : p 1 p 2 ver- > 2, 326 = 99%-Quantil von N (0, 1) werfen auf Niveau 1% 0, 57 0, , 538 0, 462 = 2, 586 > 2, 326
1 wenn Erfolg im j-ten Versuch
Statistik II für Wirtschaftswissenschaftler Folie 5.1 Binomialverteilung - Alternative Darstellung n Versuche mit 2 möglichen Ausgängen. Setze Y j = 1 wenn Erfolg im j-ten Versuch 0 wenn kein Erfolg im
MehrWs(X = j) = 1 Ws(X > k)
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 5.35 Hypergeometrische Verteilung Für n, M N heißt Zufallsgröße mit Werten in X = {0, 1,...,min(n, M)} hypergeometrisch verteilt mit Parameter
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 : Binomial, Gauß Prof. Dr. Achim Klenke http://www.aklenke.de 10. Vorlesung: 20.01.2012 1/31 Inhalt 1 Einführung Binomialtest 2/31 Beispiel Einführung Bohnenlieferant liefert
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrStatistik II für Betriebswirte Vorlesung 2
Statistik II für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 26. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
MehrBiostatistik, WS 2013/2014 Konfidenzintervalle
1/41 Biostatistik, WS 2013/2014 Konfidenzintervalle Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 17.1.2014 Beispiel: Carapaxlänge des Springkrebses 4/41 Beispiel: Springkrebs
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 / Übungsaufgaben Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 10.02.2012 1/51 Aufgabe 1 Aufgabenstellung Übungsaufgaben Ein Pharmakonzern möchte ein neues Schlankheitsmedikament
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrLösungen zum Aufgabenblatt 14
Lösungen zum Aufgabenblatt 14 61. Das Gewicht von Brötchen (gemessen in g) sei zufallsabhängig und werde durch eine normalverteilte Zufallsgröße X N(µ, 2 ) beschrieben, deren Varianz 2 = 49 g 2 bekannt
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrHypothesenbewertungen: Übersicht
Hypothesenbewertungen: Übersicht Wie kann man Fehler einer Hypothese abschätzen? Wie kann man einschätzen, ob ein Algorithmus besser ist als ein anderer? Trainingsfehler, wirklicher Fehler Kreuzvalidierung
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 7. Konfidenzintervalle
Wahrscheinlichkeitsrechnung und Statistik für Biologen 7. Konfidenzintervalle Matthias Birkner & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 9. Juni 2009 1 Wiederholung: Bedingte
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrStatistik-Notfallkit für Schüler und Lehrer
Statistik-Notfallkit für Schüler und Lehrer Jan Kallsen Christian-Albrechts-Universität zu Kiel 3. Dezember 2018 Zusammenfassung Schließende Statistik ist konzeptionell nicht einfach. Hier sind einige
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrStatistik 2 RE Statistik f. Soziologen Klausur MÄRZ 2009 LÖSUNGSVORSCHLAG
1. Familie Feuerstein kauft sich ein neues Auto, vorher aber lassen sie ihr altes verschrotten. Auf dem Weg dorthin werden sie in einer Wohnstrasse, wo nur 30 km/h erlaubt sind, geblitzt. Als sie ihre
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrZusammenfassung: Kapitel 5, Zusammenhangsmaße
Zusammenfassung: Kapitel 5, Zusammenhangsmaße Kovarianz s xy = 1 n n (x i x)(y i ȳ) i=1 Korrelationskoeffizient nach Bravais-Pearson r xy = s xy s x s y = n (x i x)(y i ȳ) i=1 n (x i x) 2 i=1 n (y i ȳ)
MehrGrundidee. χ 2 Tests. Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen. Grundidee. Annahme: Einfache Zufallsstichprobe (X 1,..., X n ).
Grundidee χ 2 -Anpassungstest χ 2 -Unabhängigkeitstest χ 2 -Homogenitätstest χ 2 Tests Grundidee Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen Annahme: Einfache Zufallsstichprobe (X 1,,
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrHandelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?
1. Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen? a.) Anzahl der Kunden, die an der Kasse in der Schlange stehen. b.) Die Menge an Energie, die pro Tag von einem Energieversorgungsunternehmen
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr
Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
MehrStatistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik
Statistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik 1. I Ein Personalchef führt so lange Vorstellungsgespräche durch bis der erste geeignete Bewerber darunter ist und stellt diesen an.
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrWirtschaftsstatistik-Klausur am
Wirtschaftsstatistik-Klausur am 03.07.208 Aufgabe Statistik-Dozent K.R. lehrt an einer privaten FH in Köln, wohnt aber in Frankfurt am Main. Er hat - wegen möglicher saisonaler Schwankungen - zwei Semester
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrAnhang: Statistische Tafeln und Funktionen
A1 Anhang: Statistische Tafeln und Funktionen Verteilungsfunktion Φ(z) der Standardnormalverteilung Die Tabelle gibt die Werte Φ(z) der Verteilungsfunktion zu vorgegebenem Wert z 0 an; ferner gilt Φ( z)
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer Wahrscheinlichkeit und Statistik BSc D-INFK. a) (iii) b) (ii) c) (i) d) (ii) e) (ii) f) (iii) g) (ii) h) (i) i) (ii) j) (i). Für ein heruntergeladenes Dokument
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 08. Oktober 2010 Till Breuer, Sebastian Mentemeier und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Ein-Stichproben-Fall
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrKapitel 17. Unabhängigkeit und Homogenität Unabhängigkeit
Kapitel 17 Unabhängigkeit und Homogenität 17.1 Unabhängigkeit Im Rahmen der Wahrscheinlichkeitsrechnung ist das Konzept der Unabhängigkeit von zentraler Bedeutung. Die Ereignisse A und B sind genau dann
MehrAusgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
MehrHow To Find Out If A Ball Is In An Urn
Prof. Dr. P. Embrechts ETH Zürich Sommer 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Juni 2014 Waldherr / Christodoulides Einführung in Quantitative Methoden 1/46 Anpassungstests allgemein Gegeben: Häufigkeitsverteilung
MehrBinomialverteilung und Anwendungen
Binomialverteilung und Anwendungen Dr. Elke Warmuth Sommersemester 2018 1 / 25 Modell Bernoulli-Ketten Kenngrößen und Gestalt der Binomialverteilung kσ-intervalle n-gesetz 1/ n-gesetz 2 / 25 Bernoulli-Experiment
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrStochastik Praktikum Testtheorie
Stochastik Praktikum Testtheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 11.10.2010 Definition X: Zufallsgröße mit Werten in Ω, (Ω, F, (P ϑ ) ϑ Θ ) statistisches Modell Problem: Teste H 0 : ϑ
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrBreite eines Konfidenzintervalls*
Breite eines Konfidenzintervalls* Aufgabennummer: 1_446 Aufgabentyp: Typ 1 T Typ 2 Aufgabenformat: Multiple Choice (2 aus 5) Grundkompetenz: WS 4.1 Bei einer Meinungsbefragung wurden 500 zufällig ausgewählte
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrSie wissen noch, dass 18.99% der Surfer, die kein Smartphone haben, pro Monat weniger als 20 Stunden das Internet nutzen, d.h. f(y 1 X 2 ) =
Aufgabe 1 In einer Umfrage wird der Besitz eines Smartphones (Merkmal X) und die Nutzungsdauer des Internets pro Monat (Merkmal Y ) untersucht. Merkmal X hat zwei Ausprägungen: X 1 : Besitz und X 2 : Nichtbesitz.
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Winter 2016 Schriftliche Prüfung (90 Minuten) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner ohne Kommunikationsmöglichkeit.
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 5. Juni 2013 Christodoulides / Waldherr Einführung in Quantitative Methoden- 11. VO 1/48 Anpassungstests allgemein Gegeben:
Mehr