Wahrscheinlichkeitsrechnung und Statistik HS2009 1
|
|
- Edith Klein
- vor 6 Jahren
- Abrufe
Transkript
1 Wahrscheilichkeitsrechug ud Statistik HS009 Stefa Heule Cotributors: Severi Heiiger, Adrea Helfestei, Pascal Spörri 30. Jauar 00 Licece: Creative Commos Attributio-Share Alike 3.0 Uported (
2 Ihaltsverzeichis I Wahrscheilichkeitstheorie Grudlage. Axiome vo Kolmogorow Grudbegriffe Diskrete Zuvallsvariable. Kezahle Diskrete uiforme Verteilug (Laplace-Modell) Beroulli-Verteilug Biomial-Verteilug Poisso-Verteilug Geometrische Verteilug Uabhägigkeit vo Ereigisse Stetige Zuvallsvariable 3 3. Kezahle Stetige uiforme Verteilug U(a, b) Expoetialverteilug Exp(λ) Normalverteilug N (µ, σ ) Poissoprozess Simulatio vo Zufallsvariable Uabhägigkeit vo Zufallsvariable Mehrere Zufallsvariable 5 4. Die iid Aahme Fuktioe vo Zufallsvariable Das Gesetz der grosse Zahle (GGZ) Der zetrale Grezwertsatz Chebyshev Ugleichug Gemeisame ud bedigte Wahrscheilichkeite 6 5. Bedigte Wahrscheilichkeit Gemeisame ud bedigte diskrete Verteiluge Gemeisame ud bedigte stetige Verteiluge Kovariaz ud Korrelatio Zweidimesioale Normalverteilug II Statistik 9 6 Deskriptive Statistik 9 6. Kezahle Graphische Darstellug Statistischer Test 0 7. Allgemeies Vorgehe Vertrauesitervall z-test t-test Puktschätzuge 9. Biomial- ud Poissoverteilug Normalverteilug Allgemeie Methode Vergleich zweier Stichprobe 3 0. Gepaarte Vergleiche Ugepaarte Vergleiche - Zwei Stichprobe-Tests
3 III Appedix 5 A Tabelle ud Tafel 5 A. Itegral- ud Differetialrechug A. Verschiedees A.3 Regel für Itegrale
4 Teil I Wahrscheilichkeitstheorie Grudlage. Axiome vo Kolmogorow. P (A) 0: Wahrscheilichkeite sid stets icht-egativ.. P (Ω) = : Das sichere Ereigis Ω hat Wahrscheilichkeit. 3. P (A B) = P (A) + P (B) für alle sich gegeseitig ausschliessede Ereigisse A ud B (d.h. A B = )... Implikatioe aus de Axiome vo Kolmogorow. P ( ) = 0. P (A c ) = P (A) 3. P (A B) = P (A) + P (B) P (A B) 4. P ( i= A i) = i= P (A i) falls A i A j = i, j. Grudbegriffe Zufallsvariable X : X : Ω R mit Ereigisraum Ω Verteilugsfuktio vo X : F X : R [0, ], t F X (t) := P (X t) = P ({ω Ω X(ω) t}) Diskrete Zuvallsvariable Diskrete Zufallsvariable: Wertebereich W(X) ist abzählbar Gewichtsfuktio: p X (x k ) := P [X = x k ] = P [{ω Ω X(ω) = x k }] für k =,,... Verteilugsfuktio (Treppefuktio): F X (t) = P [X t] = p X (x k ) k mit x k t. Kezahle Erwartugswert: µ = E(X) = x i P (X = x i ) = x i p(x i ) E(g(X)) = x i W(X) x i W(X) E(aX + b) = a E(X) + b g(x i ) P (X = x i ) x i W(X) Variaz: Var(X) = (x i µ) P (X = x i ) x i W(X) Var(X) = E((X µ) ) = E(X ) E(X) Var(aX + b) = a Var(X) Stadardabweichug: σ = Var(X) σ ax+b = a σ X
5 . Diskrete uiforme Verteilug (Laplace-Modell) gleich wahrscheiliche Ereigisse, wie z.b. Wurf eier Zahl auf eiem Würfel. Wahrscheilichkeitsfuktio Kumulative Fuktio { für a x b 0 sost x a+ für a x b Parameter a, b Z, = b a + Support x {a, a +,..., b, b} Erwartugswert Variaz a+b a+b Media Modus jeder Wert i {a, a +,..., b, b}.3 Beroulli-Verteilug Ei eizeles Ereigis tritt ei, oder icht, mit fester Wahrscheilichkeit p. { p für x = 0 Erwartugswert p Wahrscheilichkeitsfuktio p für x = Variaz p ( p) Kumulative Fuktio p für 0 x < Parameter p [0, ] Support x {0, }.4 Biomial-Verteilug Media N/A Modus 0 (p 0.5), (p 0.5) Azahl Erfolge bei uabhägige Experimete mit zwei Ausgäge ud festem Erfolgsparameter p. ( ) Wahrscheilichkeitsfuktio p x ( p) x Erwartugswert p x Variaz p( p) x ( ) Kumulative Fuktio p i ( p) i Media p i Modus ( + )p oder ( + )p.5 Poisso-Verteilug i=0 Parameter N 0, p [0, ] Support x {0,..., } Verteilugsmodell für (diskrete) Zähldate (icht ach obe beschräkt). Damit köe zum Beispiel die Azahl der Ausfälle eier Kompoete i eiem Iterval t modelliert werde. Wahrscheilichkeitsfuktio e λ λx x! x Kumulative Fuktio e λ λ i i! i=0 Parameter λ [0, ) Erwartugswert Variaz λ λ Media λ λ Modus λ oder λ we λ Z Support x N 0.5. Poissoapproximatio eier Biomialverteilug Sei X Poisso(λ) ud Y Biom(, p). Für ud p 0 so dass p = λ gilt P (Y = k) P (X = k) ( ) k =,,... Eie Faustregel besagt, dass diese Näherug brauchbar ist, we 50 ud p 0.05.
6 .6 Geometrische Verteilug Diskrete Wartezeite (icht ach obe beschräkt), Azahl Wiederholuge bis ei Ereigis eitrifft. Wahrscheilichkeitsfuktio Kumulative Fuktio p ( p) x ( p) x Parameter p [0, ] Support x N = {,,...} Erwartugswert p Variaz p p Media log log( p) Modus.7 Uabhägigkeit vo Ereigisse Zwei Ereigisse heisse stochastisch uabhägig, we P (A B) = P (A) P (B) gilt. Zwische solche Ereigisse besteht kei kausaler Zusammehag. 3 Stetige Zuvallsvariable Eie Zufallsvariable X mit Verteilugsfuktio F X (t) = P (X t) heisst stetig mit Dichtefuktio f X : R [0, ) falls gilt F X (t) = t f X (s)ds für alle t R Aschaulicher lässt sich die Dichtefuktio beschreibe durch folgede Grezwert, woach f X (t) = F X (t) gilt. Sie erfüllt die Eigeschaft f X (t)dt =. f X (t) = lim ε 0 P (t < X t + ε) ε 3. Kezahle Erwartugswert: µ = E(X) = E(g(X)) = x f X (x) dx g(x) f X (x) dx Variaz: Var(X) = E (X ) E (X) = Var(aX + b) = a Var(X) (x E(X)) f X (x) dx Stadardabweichug: σ = Var(X) σ ax+b = a σ X α-quatile: Sei 0 < α < Media: -Quatil P (X q(a)) = α = F X (q(a)) = α = q(a) = F X (a) Lieare Trasformatio: Y = ax + b = f Y (x) = a f X ( ) x b a 3
7 3. Stetige uiforme Verteilug U(a, b) Rudugsfehler, Simulatio (Zufallsvariable), Formalisierug der völlige Igoraz (alle Ereigisse sid gleich wahrscheilich). Dichtefuktio Verteilugsfuktio Parameter { b a für x [a, b] 0 sost x a Support x [a, b] b a für x [a, b] < a < b < Erwartugswert (a + b) Variaz (b a) Media (a + b) Modus jeder Wert i [a, b] 3.3 Expoetialverteilug Exp(λ) Stetige Wartezeite. Stetige Versio der geometrische Verteilug. Dichtefuktio { λ e λx für x 0 0 sost Verteilugsfuktio e λx für x > 0 Parameter λ > 0 Support x [0, ) Erwartugswert λ Variaz λ Media l λ Modus 0 Die Expoetialverteilug ist gedächislos, im Sie vo P (T > t + s T > t) = P (T > s). Beweis: P (T > t + s T > t) = P (T > t + s, X > t) P (X > t) = P (T > t + s) P (X > t) = e λ(t+s) e λt = e λs = P ((X > s) 3.4 Normalverteilug N (µ, σ ) Streuug vo Messwerte um ihre Mittelwert. ( exp πσ Dichtefuktio Verteilugsfuktio Φ ( ) x µ σ Parameter µ R, σ 0 ) (x µ) σ Support x R (σ > 0), x = µ (σ = 0) Erwartugswert µ Variaz σ Media µ Modus µ Spezialfall Stadardormalverteilug, mit µ = 0, σ =. Dichtefuktio: ϕ(x). Kumulative Verteilugsfuktio Φ(x) mit Φ( x) = Φ(x) ud Φ (x) = Φ ( x). 3.5 Poissoprozess Der Poisso-Prozess ist ei Ereuerugsprozess, desse Zuwächse uabhägig ud poissoverteilt mit Parameter λ sid. λ wird auch Itesität oder Rate geat, da pro Zeiteiheit geau λ Sprüge erwartet werde. Die Höhe jedes Spruges ist eis, die Zeite zwische de Sprüge sid expoetialverteilt mit Parameter λ. Der Poissoprozess ist also ei diskreter Prozess i stetiger Zeit. Die Azahl Ereigisse auf dem Itervall (s, s + t] ist Poisso-verteilt mit Parameter λ t. 3.6 Simulatio vo Zufallsvariable Sei U Uiform([0, ]) ud F : R [0, ] bijektiv. Da hat die Zufallsvariable X = F (U) die kumulative Verteilugsfuktio F. Beweis: F X (x) = P (X x) = P (F (U) x) = P (U F (x)) = F (x) 3.7 Uabhägigkeit vo Zufallsvariable Zwei Zufallsvariable X ud X heisse uabhägig, falls für alle A, A R gilt P (X A, X A ) = P (X A ) P (X A ) 4
8 4 Mehrere Zufallsvariable Für beliebige Zufallsvariable gilt Für ukorrelierte Zufallsvariable X i gilt Sid X i, X ud Y uabhägig, so gilt ( ) E X i = i= E(X i ) i= Var(X) = E(X ) E(X) Var(X) = E((X µ) ) Var(aX + by + c) = a Var(X) + b Var(Y ) + ab Cov(X, Y ) ( ) Var X i = i= Var(X i ) i= Var(X ) = σ E(XY ) = E(X) E(Y ) ( ) E Xi = E(X i ) 4. Die iid Aahme Zufallsvariable X, X,..., X sid iid (uabhägig ud gleichverteilt) falls X, X,..., X sid uabhägig X i F i =,..., 4. Fuktioe vo Zufallsvariable Seie X,..., X iid F. Da ist Y = g(x,..., X ) mit g : R R eie eue Zufallsvariable. Wichtige Vertreter sid die Summe vo Zufallsvariable ud die relative Häufigkeit. S = X X X = S Die Verteiluge vo S ud X sid im allgemeie aber schwierig zu bestimme. 4.. Bekate Verteiluge 4.. Erwartugswerte ud Variaze 4..3 Miimum mehrerer Zufallsvariable X i iid Poisso(λ i ) S Poisso( λ i ) X i iid Beroulli(p) S Biomial(, p) X i iid N (µ, σ ) S N ( µ, σ ) E(S ) = E(X ) E(X ) = E(X ) Var(S ) = Var(X ) Var(X ) = Var(X ) σ S = σ X σ X = σ X Seie X,..., X uabhägig verteilt mit Verteilugsfuktio F Xi, so gilt für das Miimum Y = mi{x,..., X } F Y (t) = P (Y t) = P (Y > t) = P (mi{x,..., X } > t) = P (X > t,... X > t) = P (X i > t) = ( F Xi (t)) Gilt weiter F Xi = e λt, so folgt F Y (t) = e λt. i= i= 5
9 4.3 Das Gesetz der grosse Zahle (GGZ) Seie X,..., X iid mit Erwartugswert µ = E(X ). Da gilt: X µ ( ) 4.3. Mote-Carlo-Itegratio Seie x,..., x (simulierte) Realisieruge vo X,..., X f(x)dx für eie Dichtefuktio f. Da gilt I = g(x)f(x) dx = E(g(X)) g(x i ) 4.4 Der zetrale Grezwertsatz Seie X,..., X iid mit Erwartugswert µ = E(X i ) ud Variaz Var(X i ) = σ. Da gilt für X N (µ, σ ) ud S N (µ, σ ) i= bzw. P (S x) = P ( S µ σ x µ ) ( ) x µ σ Φ σ 4.5 Chebyshev Ugleichug Die Chebyshev-Ugleichug liefert eie Abschätzug vo Wahrscheilichkeite, auch we die geaue Verteilugsfuktio icht bekat ist. Seie X,..., X iid mit Erwartugswert µ = E(X ) ud Variaz Var(X ) = σ. Da gilt P ( X µ > c) σ c 5 Gemeisame ud bedigte Wahrscheilichkeite Hier werde zweistufige Zufallsexperimete betrachtet. Die erste Stufe ist das Eitrete bzw. icht Eitrete eies Ereigis B ud die zweite Stufe das Eitrete bzw. icht Eitrete eies Ereigis A. 5. Bedigte Wahrscheilichkeit Die bedigte Wahrscheilichkeit vo Ereigis A gegebe B ist P (A B) = P (A B) P (B) falls P (B) 0 P (A B) = P (A B) P (B) 5.. Satz der totale Wahrscheilichkeit ud Satz vo Bayes Seie B,..., B k die Ereigisse der. Stufe mit B... B k = Ω B i B j = (i j) da gilt für beliebige Ereigisse A der. Stufe k P (A) = P (A B j ) P (B j ) j= k= = P (A) = P (A B) P (B) + P (A B ) P (B ) ud P (B i A) = P (A B i) P (B i ) k P (A B j ) P (B j ) j= = P (A B i) P (B i ) P (A) 6
10 5.. Recheregel Komplemet P (A ) = P (A) P (A S) = P (A S) Additio P (A B) = P (A) + P (B) P (A B) Multiplikatio P (A B) = P (A B) P (B) A, B uabhägig P (A B) = P (A) P (B) P (A B S) = P (A S) P (B S) 5. Gemeisame ud bedigte diskrete Verteiluge Die Gemeisame Verteilug vo X ud Y ist vollstädig beschriebe durch P (X = x, Y = y) für alle (x, y). Radverteilug vo X: P (X = x) = P (X = x, Y = y) alle y Bedigte Wahrscheilichkeit: P (X = x Y = y) = 5.3 Gemeisame ud bedigte stetige Verteiluge P (X = x, Y = y) P (Y = y) falls P (Y = y) 0 Gemeisame stetige Verteiluge köe wie im diskrete Fall durch die kumulative Verteilugsfuktio beschriebe werde: F XY (x, y) = P (X x, Y y) Uabhägige Zufallsvariable Gemeisame Dichte: f XY (x, y) = x y F XY (x, y) Raddichte vo X: f X (x) = f XY (x, y) dy Bedigte Dichte: f Y X (y X = x) = f XY (x, y) f X (x) P (Y A X = x) = f Y X (y X = x) dy A Die Zufallsvariable X ud Y heisse uabhägig, falls für alle x, y gilt: f XY (x, y) = f X (x) f Y (y) 5.3. Erwartugswert bei mehrere Zufallsvariable Seie X ud Y zwei stetige Zufallsvariable ud g(x, y) : R R eie Fuktio. Da E(g(X, Y )) = g(x, y) f XY (x, y) dx dy 5.4 Kovariaz ud Korrelatio Kovariaz: Cov(X, Y ) = E ((X E(X)) (Y E(Y ))) Cov(X, X) = V ar(x) Korrelatio: Corr(X, Y ) = ρ XY = ρ XY [, ] Cov(X, Y ) = Cov(X, Y ) Var(X) Var(Y ) σ X σ Y als dimesiosloses Mass des lieare Zusammehages ρ XY = ± Y = a ± bx mit b > 0, a R Recheregel: Cov(X, Y ) = E(X Y ) E(X) E(Y ) Cov(, ) ist biliear: Cov(a + bx, c + dy ) = b d Cov(X, Y ) Cov(X + Y, Z) = Cov(X, Z) + Cov(Y, Z) Var(X + Y ) = Var(X) + Var(Y ) + Cov(X, Y ) Cov ist symmetrisch Sid die Zufallsvariable X ud Y uabhägig, so gilt Cov(X, Y ) = Corr(X, Y ) = 0. Die Umkehrug gilt jedoch im Allgemeie icht. 7
11 5.4. Lieare Progose Die beste lieare Progose Ŷ vo Y durch X im Si der Miimierug des Progoosefehlers E(Y Ŷ ) ) ist gegebe als Ŷ = µ Y + Cov(X, Y ) Var(X) 5.5 Zweidimesioale Normalverteilug (X µ X ) E((Y Ŷ ) ) = ( ρ XY ) Var(Y ) = Var(Y ) Die wichtigste zweidimesioale Verteilug ist die Normalverteilug mit Erwartugswert µ = Σ R, mit Σ = Var(X), Σ = Var(Y ) ud Σ = Σ = Cov(X, Y ). Sie hat die Dichte ( ( )) f XY (x, y) = π det Σ exp ( ) x µx x µx y µ Y Σ y µ Y ( ) X Für X = N X (µ, Σ) gilt: X, X uabhägig ρ XX = 0 ( µ µ Cov(X, Y ) Var(X) ) ud Kovariazmatrix 8
12 Teil II Statistik 6 Deskriptive Statistik 6. Kezahle bezeichet die Stichprobegrösse, ud x, x,... x sid die gemessee Werte. Sid diese aufsteiged sortiert, so werde sie folgedermasse bezeichet: x () x () x (3)... x () Arithmetisches Mittel x = i= empirische Variaz s = empirische Stadardabweichug s = s x i (x i x) empirisches α-quatil x (k) mit miimalem k N, sodass k > α uteres Quartil empirischer Media oberes Quartil Quartilsdifferez Rechtsschiefe (positive Schiefe) Liksschiefe (egative Schiefe) i= ist α eie Gazzahl, so immt ma (x (α) + x (α+) ) α 00% sid approximativ dem α-quatil ( α) 00% sid approximativ > dem α-quatil 0.5-Quatil 0.5-Quatil 0.75-Quatil oberes Quartil uteres Quartil Werte, die kleier sid als der Mittelwert, sid häufiger zu beobachte, so dass sich der Gipfel liks vom Mittelwert befidet. Der rechte Teil des Graphs ist somit flacher als der like. Defiitio symmetrisch. 6. Graphische Darstellug 6.. Histogramm Für das Histogramm werde Klasse (c k, c k ] gebildet ud berechet die absolute Häufigkeite h k i diesem Itervall. Nu werde Balke mit eier Höhe proportioal zu h k /(c k c k ) gezeichet. 6.. Boxplot Beim Boxplot gibt es eie Rechteck, welches die mittlere 50% der Date ethält. Zusätzlich wird mit eier Treliie der Media eigezeichet. Nach obe ud ute gibt es zusätzlich Liie bis zum kleiste bzw. grösste ormale Wert. Dazu defiiert ma willkürlich, dass ei Wert ormal ist, falls er höchstes.5 mal die Quartilsdifferez vo eiem der Quartile etfert ist. Zuletzt werde Ausreisser och durch Stere markiert. Im Boxplot erket ma viel besser die Lage ud Streuug der Date, icht aber die Form der Verteilug. Ausserdem lasse sich sehr gut mehrere Datesätze vergleiche Empirische, kumulative Verteilugsfuktio Die empirische Verteilugsfuktio ist eie Treppefuktio, die a der Stelle x (i) vo (i )/ ach i/ sprigt. F (x) = {i x i x} 9
13 6..4 QQ-Plot QQ-Plots ( Quatil-Quatil-Plot ) diee dazu die Abweichug der Date vo eier gewählte Modell-Verteilug F grafisch zu überprüfe. Dazu betrachtet ma die theoretische ud empirische α k -Quatile mit α k = (k 0.5)/. Die empirische α k -Quatile etspreche Dabei gerade de geordete Date x (k). Ma trägt also die Pukte F (α k ) (die theoretische Quatile der kumulative Verteilugsfuktio F ) gege x (k) (die empirische Quatile) ab. Falls u die wahre Verteilug F mit der gewählte Verteilug F übereistimmt, so liefert der QQ-Plot approximativ eie Gerade durch de Nullpukt mit Steigug. x-achse: theoretische Quatile vo F, also F (α k ) y-achse: empirische Quatile, also x (k) 6..5 Normal-Plot Normal-Plots sid ei Spezialfall des QQ-Plots, wobei als Modell-Verteilugsfuktio eie Stadardormalverteilug verwedet wird, also F N (0, ). Zusätzlich zu de ormale Eigeschafte eies QQ-Plots gilt hier weiter folgede ützliche Eigeschaft: Sid die Date Normalverteilt (icht ubedigt stadardormal), so zeigt der Normal-Plot stets eie Gerade. Diese hat jedoch im Allgemeie Steigug σ ud de y-achseabschitt µ. 7 Statistischer Test 7. Allgemeies Vorgehe Beobachtet wird X = x, Modell: X F θ mit ubekatem Parameter θ.. Modell: statistisches Modell für die Date (Verteilug). Nullhypothese: H 0 : θ = θ 0 3. Alterativhypothese: θ θ 0 H A := θ > θ 0 θ < θ 0 -seitig -seitig vo obe -seitig vo ute 4. Bestimme die Teststatistik T (z.b. T = S oder so, dass T eie ormierte Variate vo X darstellt) 5. Verteilug der Teststatistik uter der Nullhypothese 6. Wahl des Sigifikaziveaus α a) 7. Kostruiere Verwerfugsbereich K so, dass P H0 (X K) α 8. beobachteter Wert bezüglich der Teststatistik 9. Etscheidug: verwerfe H 0 falls x K, sost belasse H 0 b) 7. Bereche de P-Wert. Der P-Wert ist die Wahrscheilichkeit, dass uter der Nullhypothese H 0 ei zufälliger Versuch midestes so extrem ausfällt, wie der beobachtete Wert t: p liks = P H0 (T t) p rechts = P H0 (T t) p beidseitig = mi{p liks, p rechts } Aders ausgedrückt ist der P-Wert das kleiste Sigifikaziveau, bei dem bei gegebeer Beobachtug t H 0 gerade och verworfe werde ka. 8. Etscheidug: verwerfe H 0 falls P-Wert α, sost belasse H Fehler. Art Wahrscheilichkeit, dass der Test H 0 verwirft, obscho H 0 stimmt. P (Fehler. Art) = P H0 (X K) α 0
14 7.. Fehler. Art Wahrscheilichkeit, dass der Test H 0 belässt, obscho H A stimmt Macht/Power Die Macht eies Tests ist defiiert als 7. Vertrauesitervall β(p) = P (Fehler. Art) = P HA (X / K) β(p) = P (H 0 wird verworfe, ud H A korrekterweise ageomme) Das Vertraues- oder Kofidezitervall I ist die Mege jeer Parameterwerte, welche mit der Beobachtug X = x verträglich sid. Es gilt: I = {θ 0 Test mit Alterativhypothese H A : θ θ 0 ud Sigifikaziveau α belässt H 0 }, wobei {<, >, } Normalapproximatio (für -seitiges Problem): 7.3 z-test P θ (θ I) α X i Poisso(λ) : I = λ ± Φ ( α X Biom(, p) : I = p ± Φ ( α ) λ mit λ = X ) p ( p) mit p = x Aahme: σ X bekat Teststatistik: Z = X µ 0 Z N(0, ) ( σ X Verwerfugsbereich: Z > Φ α ) für H A : µ µ 0 Z < Φ ( α) für H A : µ < µ 0 Z > Φ ( α) für H A : µ > µ 0 [ Vertrauesitervall: I = x σ ( Φ α ), x + σ ( Φ α ) ] für -seitiges Problem Fehler. Art: P µ (Z / K) für H A : µ < µ 0 ( ) X µ + µ 0 µ 0 (we µ der wahre Parameter ist) = P µ > Φ ( α) σ X ( ) X µ 0 = P µ > Φ ( α) + (µ µ 0 ) σ X σ X ( ) = Φ Φ ( α) + (µ µ 0 ) σ X
15 7.4 t-test Schätzug für σ : σ = (X i X ) i= Teststatistik: T = X µ 0 σ Verwerfugsbereich: T > (t ) ( α ) Studet-t verteilt mit Freiheitsgrade für H A : µ µ 0 T < (t ) ( α) für H A : µ < µ 0 T > (t ) ( α) für H A : µ > µ 0 [ Vertrauesitervall: I = x σ t, α, x + σ ] t, α für -seitiges Problem [ I = x σ ] t, α, für H A : µ < µ 0 P-Wert: ( F t ( z )) für -seitiges Problem 9 Puktschätzuge 9. Biomial- ud Poissoverteilug F t (z) für -seitiges Problem X Biomial(, p) X Poisso(λ) p = X λ = X 9. Normalverteilug Schätzer µ = x i = x i= σ = i= 9.3 Allgemeie Methode (x i µ) σ = Schätzwert µ = X i = X mit E( µ)= µ i= (X i µ) mit E( σ )= σ Beobachtuge x, x,..., x werde aufgefasst als Realisieruge vo X, X,..., X iid F θ, wobei F eie bekate Verteilugsfuktio mit ubekatem Parameter θ der Dimesio r ist Mometemethode Der ubekate Parameter θ ka ausgedrückt durch Momete µ k = E[X k ], Schätze Momete µ k mit i= θ j = g j (µ, µ,..., µ p ), j r (= dim(θ)) µ k = ud bereche de geschätzte Parameter mit θ j = g j ( µ, µ,..., µ p ). Beispiele. X i Poisso(λ), θ = λ, r = E(X i ) = λ = µ = λ θ = g(µ ) = µ = θ = g( µ ) = µ = i= X i. X i N (µ, σ ), θ = (µ, σ ), r = µ = E(X i ) = µ σ = Var(X i ) = E(X i ) (E(X i)) = µ µ i= X k i k p werde mit
16 9.3. Maximum-likelihood Schätzer Die Likelihood-Fuktio L(θ) bestimmt die Wahrscheilichkeit der Date uter θ. θ wird da so geschätzt, dass die Date maximale Wahrscheilichkeit habe. { pθ (X L(θ) = L(θ, X, X,..., X ) = ) p θ (X )... p θ (X ) falls X i diskret f θ (X ) f θ (X )... f θ (X ) falls X i stetig Der Maximum-likelihood Schätzer ist u θ MLE = argmax θ L(θ) = argmi l(θ) wobei l(θ) = θ log p θ (X i ) log f θ (X i ) i= i= falls X i diskret falls X i stetig 0 Vergleich zweier Stichprobe Seie zwei Stichprobe x, x,..., x uter Versuchsbedigug y, y,..., y m uter Versuchsbedigug aufgefasst als Realisieruge vo Zufallsvariabel X,..., X, Y,..., Y m. 0. Gepaarte Vergleiche Beide Versuche werde a derselbe Veruchseiheit durchgeführt (Blockbildug). Es gilt = m. Betrachte die Differeze u i = x i y i als Realisieruge vo U i mit =,,...,. 0.. Vorzeiche-Test H 0 : Media der Verteilug vo U i = 0 H A : Media der Verteilug vo U i 0 oder 0 Teststatistik: V = #{U i > 0} (Azahl positiver Vorzeiche) Verteilug vo V : V Biomial(, P (U i > 0)) 0.. Wilcoxo-Test (Ragummer-Test) uter H0 = Biomial(, ) Seie U, U,..., U iid F µ für eie symmetrische Verteilug F µ mit µ = E(U i ) = F µ ( ) (Media). H 0 : µ = 0 H A : µ 0 Teststatistik: Rag( U i ) = R i R i = k heisst, dass U i der k-te Wert uter U, U,..., U ist. Gibt es mehrere U i mit demselbe Betrag, so erhalte alle de durchschittliche Rag Verteilug vo W uter H 0 : V i = [Ui>0] W = R i V i i= Wilcoxo-Verteilug 0. Ugepaarte Vergleiche - Zwei Stichprobe-Tests Die Versuchseiheite werde zufällig eier der beide Versuchsbediguge zugeordet (Radomisierug). Im Allgemeie gilt m. 3
17 0.. -Stichprobe t-test Seie X, X,..., X N(µ x, σ x) ud Y, Y,..., Y N(µ y, σ y) uabhägig. Aahme: Nullhypothese: σ = σ x = σ y H 0 : µ x = µ y Alterativhypothese: H A : µ x µ y oder µ x µ y Teststatistik: T = X Y m S pool = S pool + m + m m (X i X ) + (Y j Y m ) Spool = ( σ x + σ y ), falls = m Verteilug vo T uter H 0 : T t +m (Studet-t-Verteilug mit + m Freiheitsgrade) i= j= 4
18 Teil III Appedix A Tabelle ud Tafel A. Itegral- ud Differetialrechug f(x) F (x) x + x+ (ax + b) x x 3 x 3 ax+b ax+b cx+d x a a + x a x x a a (+) + x + a ax c l ax + b (ax + b)+ ad bc c l cx + d a l x a x+a x a f(x) + l(x + f(x)) x a x a arcsi x a x a f(x) l (x + f(x)) x l(x + x + a ) +a x a l(x + x a ) a x x x x +a arcsi( x a ) arcsi(x) arccos(x) a arcta( x a ) +x arccot(x) x + x x arsih(x) arcosh(x) artah(x) si(ax + b) a cos(ax + b) cos(ax + b) a si(ax + b) ta(x) l cos(x) cot(x) f(x) x f (x) x x x x x f(x) f (x) (f(x)) l si(x) ta(x) ta (x) + = cos (x) cot(x) ( + cot (x)) = si (x) f(x) si(x) cos(x) F (x) l ta( x ) l ta( x + π 4 ) si (x) (x si(x) cos(x)) cos (x) (x + si(x) cos(x)) ta (x) ta(x) x cot (x) cot(x) x arcsi(x) x arcsi(x) + x arccos(x) x arccos(x) x arcta(x) x arcta(x) l( + x ) si (x) cos (x) s = si x cos x+ s s 0=x s = cos(x) c = si x cos x+ c c 0=x c =si(x) sih(x) cosh(x) ud umgekehrt tah(x) f (x) f(x) l(cosh(x)) l f(x) l x x (l x ) x x l x (l x) + (l x)+ (l x ) 0 x l x l l x x>0,x a bx+k b l a abx+k x e cx e cx cx c x l x x + + e cx si(ax+b) e cx cos(ax+b) f(x) f (x) ( l x + ) e cx (c si(ax+b) a cos(ax+b)) a +c e cx (c cos(ax+b)+a si(ax+b)) a +c l x x log a x x l a = log a(e) x a cx a cx c l a x x x x ( + l x) x>0 (x x ) x (x x ) x (x + x l(x)) x>0 x (xx ) x (xx) (x x + l x x x ( + l x))) 5
19 A. Verschiedees A.. Biomialkoeffiziet ( ) + k (a + b) = ( ) = k k=0 ( ) + ( ) = k k ) ( k=0 ) ( ) a k b k = k k ( k A.. Kombiatorik Ziehe vo k Elemete aus eier Mege mit Elemete geordet ugeordet ) mit zurücklege k ( +k k ohe zurücklege! ( k)! ( k ) =! k!( k)! A..3 A..4 Mitterachtsformel Ausklammer ax + bx + c = 0 = x, = b ± b 4ac a x y = (x y)(x + x y + x 3 y xy + y ) x = (x )(x + x + x x + ) A.3 Regel für Itegrale A.3. Partielle Itegratio Seie f, g C 0 (]a, b[) mit Stammfuktioe F, G C (]a, b[), da gilt f (x) g(x) dx = f(x) g(x) f(x) g (x) dx A.3. Substitutiosregel Seie f, g C (]a, b[). Da gilt x f (g(x)) g (x) dx = (f g) x = f(g(x x=x )) f(g(x 0 )) = 0 x 0 g(x ) g(x 0) f (z) dz 6
20 f(x, a x )dx x = a si t dx = a cos tdt π t π A.3.3 Stadardsubstitutioe Itegral Substitutio Differetial Bemerkuge f(g(x), g (x))dx t = g(x) dx = dt Lsg: g (x) [f(x) ] + C f((ax + b))dx t = ax + b dx = dt Lsg: a a f(u)du) f(x, ax + b)dx x = t b dx = tdt t 0 a a f(x, ax + bx + c)dx x = αt + β dx = αdt wähle α ud β so, dass gilt ax + bx + c = γ (±t ± ) f(x, a + x )dx x = a sih t dx = a cosh tdt t R f(x, x a )dx x = a cosh t dx = a sih tdt t 0 f(e x, sih x, cosh x)dx e x = t dx = dt t f(si x, cos x)dx t > 0, ud dabei gilt: sih x = t t cosh x = t + t ta x dt = t dx = Π < t < Π t, ud dabei gilt: si x =, cos x = t +t +t +t 7
Zufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
MehrFormelsammlung Statistik 29. Januar 2019
Formelsammlug Statistik Seite 1 Formelsammlug Statistik 9. Jauar 019 Witersemester 018/19 Adreas Löpker, HTW Dresde 1. Deskriptive Statistik (F1) Stichprobe x vom Umfag, Stichprobe y vom Umfag m x = (x
MehrFormelsammlung Stochastik
Formelsammlug Stochasti Adrea Katharia Fuchs 31. Jauar 008 1 Wahrscheilicheit Ω... Ereigisraum, Grudraum ω... Elemetarereigis A, B, C... Ereigis, Teilmege vo Ω Schittmege: A B heisst A ud B Vereiigug:
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrFormelsammlung zur Statistik
Darstellug uivariater Date Formelsammlug zur Statistik Urliste x i : x 1,... x, aufsteiged geordete Urliste x (i) Die k (verschiedee) Auspräguge: a 1
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
Mehrf X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrWahrscheinlichkeit und Statistik Zusammenfassung
Wahrscheilichkeit ud Statistik Zusammefassug Fabia Hah, Dio Werli 9. September 008 Wahrscheilichkeitstheorie Grudlegede Kombiatorik Die folgede Tabelle bezieht sich auf das Uremodell: ziehe aus k geordet
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
MehrInduktive Statistik. Formelsammlung. Prof. Dr. W. Assenmacher. Stichprobenraum: Ω = {ω 1, ω 2,...,ω m }
Prof. Dr. W. Assemacher Statistik ud Ökoometrie Uiversität Duisburg-Esse Campus Esse Iduktive Statistik Formelsammlug Stichproberaum: Ω = {ω 1, ω,...,ω m } Vollstädiges System vo Ereigisse {A 1,..., A
MehrFakultät für Wirtschafts- und Rechtswissenschaften
F A C H H O C H S C H U L E K Ö L N Fakultät für Wirtschafts- ud Rechtswisseschafte F O R M E L S A M M L U N G Deskriptive Statistik Iduktive Statistik Herausgeber: c 2004 Fachgruppe Quatitative Methode
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrEreignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)
Kapitel 10 Statistik 10.1 Wahrscheilichkeit Das Ergebis eier Messug oder Beobachtug wird Ereigis geat. Ereigisse werde mit de Buchstabe A, B,...bezeichet. Die Messug eier kotiuierliche Variable x gibt
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Ihaltsverzeichis 1 Vorbemerkuge 1 Zufallsexperimete - grudlegede Begriffe ud Eigeschafte 3 Wahrscheilichkeitsaxiome 4 4 Laplace-Experimete 6 5 Hilfsmittel aus der Kombiatorik 7 6 Bedigte Wahrscheilichkeite
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrKleine Formelsammlung Beschreibende Statistik
Kleie Formelsammlug Beschreibede Statistik Prof. Dr. Philipp Sibbertse Wirtschaftswisseschaftliche Fakultät Leibiz Uiversität Haover Ihaltsverzeichis 1 Lage- ud Streuugsmaße 2 1.1 Der Media...................................
MehrStochastik für Informatiker. In L A TEX von: Manuel Albert
Stochastik für Iformatiker I L A TEX vo: Mauel Albert Stad: 11.07.2011 Ihaltsverzeichis 1 Wahrscheilichkeitstheorie 2 1.1 Wahrscheilichkeit.................................... 2 1.2 Laplace sche Wahrscheilichkeitsräume........................
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrZusammenfassung: Statistik
Zusammefassug: Statistik Attribute ud ihre Werte qualitativ: Familiestad, Geschlecht, Kofessio, Ragmerkmal: Schulote, Diestgrad, quatitativ-diskret: Azahl der Fachsemester, quatitativ-stetig: Größe, Etferug,
MehrStatistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.
Statistik, Abschitt.. Schätzmethode.. Mometemethode Für Parameter, die sich i bekater Weise aus de Momete zusammesetze, erhält ma Schätzuge, idem ma die theoretische Momete durch die sogeate empirische
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability ad Statistics FS 208 Prüfug 3.08.208 Dauer: 80 Miute Name: Legi-Nummer: Diese Prüfug ethält 4 Seite (zusamme mit dem Deckblatt) ud 0 Aufgabe. Das Formelblatt wird separat verteilt. Begrüde
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
Mehra x = e xlna log a x = lnx lna a x+y = a x a y log a (x y) = log a x+log a y (a x ) y = a x y log a (x y ) = y log a x arcoshx = ln x+ )
Recheregel für Poteze ud Logarithme a x = e xla log a x = lx la a x+y = a x a y log a (x y) = log a x+log a y (a x ) y = a x y log a (x y ) = y log a x Hyperbel- ud Areafuktioe coshx = ex +e x sihx = ex
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
MehrVorbereitung auf 6. Übungsblatt (Präsenzübungen) - Lösungen
Prof. Dr. Raier Dahlhaus Statisti Witersemester 06/07 Vorbereitug auf 6. Übugsblatt Präsezübuge - Lösuge Aufgabe P0 Bereche vo UMVU-Schätzer. Gegebe sei jeweils ei statistisches Modell R, B R, P θ, θ Θ
MehrParameterschätzung. Numero, pondere et mensura Deus omnia condidit
Parameterschätzug Numero, podere et mesura Deus omia codidit Populatio, Zufallsvariable, Stichprobe Populatio Zufallsvariable X Stichprobe x eie"realisierug vo X (Beobachtug) alle mäliche Rekrute der US
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 13
ETH Zürich FS 2013 D-MATH Has Rudolf Küsch Koordiator Blaka Horvath Wahrscheilichkeit & Statistik Musterlösug Serie 13 1. a) Die Nullhypothese lautet dass das echte Medikamet höchstes gleich gut ist wie
MehrReader Teil 1: Beschreibende Statistik
Dr. Katharia Best Sommersemester 2011 14. April 2011 Reader Teil 1: Beschreibede Statistik WiMa-Praktikum Um Date darzustelle ud eie Übersicht über die Struktur der Date zu erstelle, stellt die beschreibede
Mehrn=1 b n, deren Summe n=1 (a n + b n ) eine konvergente Reihe ist. Die Aussage ist WAHR, ein mögliches Beispiel sind die divergenten Reihen 1
ANALYSIS WS 08/09 Vorlesug: Prof. Dr. P. Ullrich Übuge: Dr. I. Kharif/ Dr. M. Steihauer 9. ÜBUNGSBLATT- LÖSUNGSHINWEISE/Ergebisse Die folgede Bearbeituge sid - zum Teil - keie ausführliche Musterlösuge,
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
MehrHerleitung der Parameter-Gleichungen für die einfache lineare Regression
Herleitug der Parameter-Gleichuge für die eifache lieare Regressio Uwe Ziegehage. März 03 Historie v.0 6.03.009, erste Versio hochgelade v.0 0.03.03, eie Vorzeichefehler beseitigt, diverse Gleichuge ud
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrWichtige Verteilungen
Wichtige Verteiluge Gaußsche Glockekurve ormalverteilug Logarithmische ormalverteilug Histogramm mit Glockekurve 3 Biomial- oder Beroulli-Verteilug Poisso-Verteilug Hypergeometrische Verteilug Epoetialverteilug
MehrFormelsammlung. Deskriptive Statistik und Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Formelsammlug Deskriptive Statistik ud Elemetare Wahrscheilichkeitsrechug Prof. Dr. Ralf Rude Statistik ud Ökoometrie, Uiversität Siege Prof. Dr. Ralf Rude - Uiversität Siege I Statistische Grudbegriffe
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug 9. Vorlesug Joche Köhler 1 Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrMethoden zur Konstruktion von Schätzern
KAPITEL 5 Methode zur Kostruktio vo Schätzer 5.1. Parametrisches Modell Sei (x 1,..., x ) eie Stichprobe. I der parametrische Statistik immt ma a, dass die Stichprobe (x 1,..., x ) eie Realisierug vo uabhägige
MehrAnalysis II für M, LaG und Ph, WS07/08 Übung 2, Lösungsskizze
Gruppeübug Aalysis II für M, LaG ud Ph, WS7/8 Übug, Lösugsskizze G 4 (Zum warm werde). Begrüde die vo Physiker beliebte Näheruge si(x) x, cos(x) ud ta(x) x für kleie x R. Dies folgt direkt aus der Tayloretwicklug
MehrZusammenfassung WrStat Wahrscheinlichkeit und Statistik
Zusammefassug WrStat Wahrscheilichkeit ud Statistik Emauel Duss emauel.duss@gmail.com 31. Jauar 2014 Zusammefassug WrStat Wahrscheilichkeit ud Statistik Dieses Dokumet basiert auf der Vorlesug Wahrscheilichkeit
MehrProf. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5
Prof. Dr. Holger Dette Musterlösug Statistik I Sommersemester 009 Dr. Melaie Birke Blatt 5 Aufgabe : 4 Pukte Sei X eie Poissoλ verteilte Zufallsvariable mit λ > 0, ud die Verlustfuktio L sei defiiert durch
Mehr