Wahrscheinlichkeit und Statistik Zusammenfassung
|
|
- Justus Kappel
- vor 6 Jahren
- Abrufe
Transkript
1 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 ugeordet ( mit Zurücklege k +k ) ( k! ohe Zurücklege ( k)! k) Ereigisraum Ω Mege aller mögliche Elemetarereigisse ω des betrachtete Zufallsexperimets. Würfel: Ω =,, 3, 4, 5, 6} Ereigis A Teilmege des Ereigisraums Ω (A Ω), also eie Kollektio aus Elemetarereigisse. Ka also auch mehrere Ergebisse des Zufallsexperimets umfasse. Gerader Würfelwurf: A =, 4, 6} Ω Beobachtbare Ereigisse F Ereigisse, die ma wirklich beobachte, also messe ka. Es gilt F Ω. Normalerweise, also we Ω edlich oder überabzählbar ist, wählt ma F = Ω, also alle mögliche Ereigisse des Ereigisraums. Megeoperatioe auf Ereigisse Megeoperatioe auf Ereigisse fuktioiere geau so, wie ma es sich auch ituitiv vorstelle würde: Schittmege A B: Ereigis, dass A ud B gleichzeitig eitrete. Vereiigug A B: Ereigis, dass A oder B (oder auch beide) eitrete. Komplemet A: Ereigis, dass A icht eitritt. Wahrscheilichkeitmass P Fuktio, welche eiem Ereigis eie Wert zwische 0 ud zuordet, also eie Abbildug P : F [0, ]. Recheregel P [Ω] =, P [ ] = P [Ω] = 0 P [A B] = P [A] + P [B] falls A B = (A ud B heisse da disjukt), asoste verwede Iklusio- Exklusios-Prizip: P [A B] = P [A] + P [B] P [A B] Falls alle A i paarweise disjukt sid, gilt: [ ] P A i = P [A i ] () i i P [A] = P [A] A B P [A] P [B] Wahrscheilichkeitsraum (Ω, F, P ) Ei Wahrscheilichkeitsraum charakterisiert ei Zufallsexperimet ud umfasst eie Grudraum Ω, die beobachtbare Ereigisse F ud eie Wahrscheilichkeitsabbildug P. Laplace-Raum Ei Laplace-Raum ist ei edlicher Wahrscheilichkeitsraum, i welchem alle Elemetarereigisse gleich wahrscheilich sid. Das Wahrscheilichkeitsmass P i diesem Raum heisst diskrete Gleichverteilug. Für alle Ereigisse A Ω gilt: P [A] = A Ω Bedigte Wahrscheilichkeit Die bedigte Wahrscheilichkeit vo B gegebe A etspricht der Wahrscheilichkeit, dass B eitritt, we ma scho weiss, dass A eigetrete ist. Es gilt: P [B A] = P [A B] P [A] () (3) P [A B] = P [A] P [B A] = P [B] P [A B] (4) Die Pfadregel, ach der Wahrscheilichkeite i eiem Wahrscheilichkeitsbaum multipliziert werde, um die Wahrscheilichkeit eies Blattes zu erhalte, etspricht eier Verkettug bedigter Wahrscheilichkeite. Satz der totale Wahrscheilichkeit Sei A i eie disjukte Zerlegug vo Ω, also A i = Ω disjukt. Für beliebige Ereigisse B gilt da: P [B] = P [A i B] = P [A i ] P [B A i ] (5)
2 Der Satz bedeutet gerade, dass ma die Wahrscheilichkeit eies Ereigisses ute i eiem Wahrscheilichkeitsbaum bekomme ka, we ma die eizele Pfade addiert, die zu ihm führe. Satz vo Bayes Mit dem Satz vo Bayes lasse sich bedigte Wahrscheilichkeite umkehre. Sei A i eie disjukte Zerlegug vo Ω, also A i = Ω disjukt ud B ei weiteres Ereigis. Da gilt für jedes k: P [A k B] = P [A k B] P [B] Uabhägigkeit = P [A k] P [B A k ] P [A i] P [B A i ] Zwei Ereigisse A ud B heisse uabhägig, falls gilt: (6) P [A B] = P [A] P [B] (7) Vergleich mit (4) liefert: (P [A] 0, P [B] 0) A, B uabhägig P [B A] = P [B] P [A B] = P [A] (8) Aschaulich bedeutet Uabhägigkeit, dass das Eitrete des eie Ereigisses keie Eifluss auf die Wahrscheilichkeit des adere hat. Deshalb ist auch die Kovariaz Cov(X, Y ) zweier Zufallsvariable X ud Y gleich Null, falls sie uabhägig sid (Achtug: Umkehrug gilt icht!). Die Ereigisse A i mit i,,..., } heisse uabhägig, we für jede Teilfamilie T vo A i gilt: j <... < j k, T = A j... A jk (9) k P [T ] = P [A jm ] m= Achtug: Paarweise Uabhägigkeit bedeutet icht, dass alle Elemete uabhägig sid. Gegebeispiel Würfelwurf: A = erste Zahl gerade, B = zweite Zahl gerade, C = beide gerade oder beide ugerade. Zufallsvariable Zufallsvariable X Eie Zufallsvariable ist eie Fuktio X : Ω R, welche jedem Elemetarereigis eie Zahl zuordet, welche repräsetiert, wofür wir us bei userem Zufallsexperimet überhaupt iteressiere. Beispiele: Augezahl bei eiem Würfelwurf, Azahl Köpfe bei k-maligem Müzwurf, Gewicht eier aus eiem Sack gezogee Kartoffel. Eie Zufallsvariable mit abzählbarem Wertebereich heisst diskret, asoste ist sie (bei us meist) stetig. Idikatorfuktio Die Idikatorfuktio ist eie spezielle Zufallsvariable, welche agibt, ob ei Ereigis A eigetrete ist. ω A A (ω) = (0) 0 ω / A Gewichtsfuktio p Die Gewichtsfuktio p X (t) : W(X) [0, ] ordet jedem Wert t, de eie Zufallsvariable X aehme ka, seie Wahrscheilichkeit zu. Viel ituitiver aber auch erlaubt ist die Schreibweise P [X = t], wobei t W(X). Aschaulich gibt P [X = t] auf die Frage Auskuft: Mit welcher Wahrscheilichkeit immt X de Wert t a? Achtug: Die Gewichtsfuktio ist ur für diskrete Zufallsvariable sivoll (de bei eier stetige Verteilug hat ei Eizelereigis immer die Wahrscheilichkeit 0)! Dichtefuktio Die Dichtefuktio f X ist das Aalago zur Gewichtsfuktio für stetige Zufallsvariable. Sie gibt die Äderug ihrer Verteilugsfuktioe a ud charakterisiert sie so vollstädig. Trasformatio t W(X) : f X (t) 0 () t / W(X) : f X (t) = 0 () f X (t) dt = (3) Sei X eie Zufallsvariable mit Dichtefuktio f X ud Y = g(x) bijektiv. Da hat Y die Dichtefuktio: f Y (t) = d dt g (t) f ( X g (t) ) (4) Sei zum Beispiel Y = ax + b. Da gilt: f Y (t) = a f X Verteilug µ ( t b ) a Die Verteilug µ X : B [0, ] mit B W(X) ist das Aalogo zu Gewichts- bzw. Dichtefuktio für Bereiche (Teilmege) der Wertemege eier Zufallsvariable X. Aschaulich beatwortet µ X (B), wie gross die Wahrscheilichkeit ist, dass X eie Wert aus B aimmt. Bei stetige Zufallsvariable ist B oft Teilitervall vo W(X). Verteilugsfuktio F Die Verteilugsfuktio F X : W(X) [0, ] gibt über die Wahrscheilichkeit Auskuft, mit welcher eie Zufallsvariable X höchstes eie bestimmte Wert erreicht. Ituitiver ud erlaubt ist die Schreibweise P [X t], wobei t W(X). F X ist mooto wachsed ud rechtsstetig. Es gilt: We X diskret: F X (t) = lim F X(t) = 0 (5) t i W(X) i t lim F X(t) = (6) t p X (i) = i W(X) i t P [X = i] (7)
3 We X stetig: F X (t) = t f X (x) dx (8) Für diskrete ud stetige X gilt gleichermasse: P [a < X b] = F X (b) F X (a) (9) Bei stetige X darf ma ierhalb vo P [...]-Blöcke die Zeiche <, sowie >, frei vertausche Quatil ud Media Für α (0, ) heisst q α = F X (α) das α-quatil der Verteilugsfuktio F. Es bedeutet, dass die Zufallsvariable X mit Wahrscheilichkeit α Werte zwische ud dem α-quatil q α aimmt. Das -Quatil eier Verteilug heisst Media. Erwartugswert E Der Erwartugswert zeigt, welche Wert eie Zufallsvariable bei viele Wiederholuge des Zufallsexperimets durchschittlich aehme wird. Oft schreibt ma astatt E[X] auch µ (Achtug: icht mit Verteilug verwechsel!). diskret: E[X] = t P [X = t] (0) stetig: E[X] = Erlaubte Trasformatioe Für Y = g(x), diskret gilt: E[Y ] = t W(X) Für Y = g(x), stetig gilt: E[Y ] = t W(X) x f X (x) dx () g(t) P [X = t] () g(x) f X (x) dx (3) Für Z = g(x) h(y ) mit X, Y uabhägig gilt: Achtug: E[Z] = E[g(X)] E[h(Y )] (4) Umkehrug gilt icht! Für Y = a + b ix i gilt: E[Y ] = a + b i E[X i ] (5) Erwartugswert eier Fuktio mehrerer ZV Seie X,..., X Zufallsvariable mit gemeisamer Gewichtsfuktio p bzw. gemeisamer Dichtefuktio f ud Y = g(x,..., X ). Da gilt je ach Fall: E[Y ] = = x,...,x g(x,..., x ) p(x,..., x ) (6) g(x,..., x ) f(x,..., x ) dx dx (7) Variaz V ar Die Variaz ist ei Mass für die Streuug eier Zufallsvariable. Sie stellt de Übergag zwische der Zufallsvariable selbst ud ihrer Stadardabweichug dar. Oft schreibt ma deshalb astatt V ar[x] auch σ. Daraus folgt: V ar[x] = E[Y ], wobei Y = X E[X] (8) Falls E[X ] < : X diskret: X stetig: V ar[x] = V ar[x] = E[X ] E[X] (9) V ar[x] = Für Z = a + bx gilt: t W(X) (t µ) P [X = t] (30) (x µ) f X (x) dx (3) V ar[z] = b V ar[x] (3) Für X, X,... X uabhägig gilt: [ ] V ar X i = V ar[x i ] (33) Stadardabweichug σ Die Stadardabweichug ist das Mass für die Abweichug eier Zufallsvariable vo ihrem Erwartugswert. Kovariaz Cov σ = σ = V ar[x] (34) Die Kovariaz ist ei Mass für de Zusammehag zwische zwei Zufallsvariable X ud Y bzw. ihrer Streuug: Cov(X, Y ) = E [(X E[X]) (Y E[Y ])] = Korrelatio ϱ = E[X Y ] E[X] E[Y ] (35) V ar[x + Y ] V ar[x] V ar[y ] Cov(X, X) = V ar[x] (36) Cov(X, Y + Z) = Cov(X, Y ) + Cov(X, Z) (37) a R : Cov(X, a) = 0 (38) b R : Cov(X, by ) = b Cov(X, Y ) (39) Wie die Kovariaz ist auch die Korrelatio ei Mass für de Zusammehag zwische zwei Zufallsvariable X ud Y. Im Gegesatz zu dieser ist die Korrelatio jedoch dimesios- ud eiheitelos ud eiget sich deshalb für Vergleiche verschiedeer Zusammehäge. ϱ = Cov(X, Y ) V ar[x] V ar[y ] (40) 3
4 ϱ(x, Y ) ϱ(x, Y ) = gilt geau da, we es Kostate a, b R, b 0 gibt sodass P [Y = a+bx] =. X ud Y heisse da perfekt korreliert. ( ) p t ( p) t (50) t p (5) σ = V ar[x] = p ( p) (5) Diskrete Verteiluge Azahl Köpfe beim 0-malige Müzwurf Diskrete Gleichverteilug Eifachste Verteilug, bei welcher alle Werte Z zwische zwei Schrake a Z ud b Z gleich wahrscheilich sid. F X (t) = P [X t] = µ X (B) = σ = V ar[x] = a t b 0 sost 0 t < a t a+ a t b t > b B a + b Ergebis eies Müz- oder Würfelwurfs. Beroulli-Verteilug (4) (4) (43) (44) (45) Eie Beroulli-verteilte Zufallsvariable mit Parameter p immt geau die beide Werte 0 ud mit de Wahrscheilichkeite p ud p a. Also ist sie auch die Idikatorfuktio A für ei Ereigis A mit P [A] = p. X Be(p) p t = 0 p t = (46) p (47) σ = V ar[x] = p ( p) (48) Biomialverteilug Die Biomialverteilug beschreibt die Azahl der Erfolge bei uabhägige 0--Experimete mit Erfolgswahrscheilichkeit p. Daraus folgt: X = Y i mit Y i Be(p) (49) X Bi(, p) Geometrische Verteilug Die geometrische Verteilug mit Parameter p beschreibt die Wartezeit auf de erste Erfolg bei eier Folge uabhägiger 0--Experimete mit Erfolgswahrscheilichkeit p. X = if i N Y i = } mit Y i Be(p) (53) X Geom(p) p ( p) t (54) F X (t) = P [X t] = ( p) t (55) p (56) σ = V ar[x] = p p (57) Gedächtislosigkeit / forgetfuless property: P [X t + s X s] = P [X t] (58) Die Wahrscheilichkeit, dass ma och eie weitere Zeitabschitt t warte muss, hägt icht davo ab, wie lage ma scho gewartet hat. Wartezeit auf Kopf bei wiederholtem Müzwurf Negativbiomialverteilug Die Negativbiomialverteilug mit Parameter r ud p beschreibt die Wartezeit auf de r-te Erfolg bei eier Folge uabhägiger 0--Experimete mit Erfolgswahrscheilichkeit p. Daraus folgt NB(, p) Geom(p). X NB(r, p) σ = V ar[x] = Für X,..., X r Geom(p) i.i.d. gilt: Müzwurf ( ) t p r ( p) t r r (59) r p (60) r ( p) p (6) X + X X r NB(r, p) (6) Wartezeit auf dritte Kopf beim wiederholtem 4
5 Hypergeometrische Verteilug Eie hypergeometrisch verteilte Zufallsvariable beschreibt die Azahl guter Kugel, we ma aus eier Ure mit Kugel, davo r gute, m Mal ohe Zurücklege zieht. σ = V ar[x] = Poisso-Verteilug ( r ( t) r ) m t ( (63) m) r m r m ( m ) r (64) (65) Die Poisso-Verteilug mit Parameter λ R + ist eie Approximatio der Biomialverteilug für kleie p ud grosse, wobei λ = p. Die Approximatio ist gut für p 0.05 ud damit ei Modell für seltee Ereigisse. X P(λ) e λ λt t! (66) λ (67) σ = V ar[x] = λ (68) Azahl eigeheder Druckaufträge i = 3600 Sekude mit eier Jobwahrscheilichkeit vo p = % pro Sekude, we pro Sekude maximal ei Job eitreffe ka. Stetige Verteiluge Stetige Gleichverteilug Bei der stetige Gleichverteilug oder auch uiforme Verteilug sid alle Werte zwische zwei Schrake a ud b gleich Wahrscheilich. X U(a, b) f X (t) = F X (t) = σ = V ar[x] = Expoetialverteilug b a a t b 0 sost 0 t < a t a b a a t b t > b a + b (b a) (69) (70) (7) (7) Die Expoetialverteilug mit Parameter λ R + ( Ausfallrate ) ist das stetige Aalogo zur geometrische Verteilug ud beschreibt eie Lebesdauer oder eie Wartezeit. X Exp(λ) f X (t) = F X (t) = σ = V ar[x] = 0 t < 0 λ e λt t 0 0 t < 0 e λt t 0 Gedächtislosigkeit / forgetfuless property: Normalverteilug (73) (74) λ (75) λ (76) P [X > t + s X > s] = P [X t] (77) Die Normalverteilug mit Erwartugswert µ R ud Variaz σ R + modelliert Summe oder Mittelwerte vieler i.i.d. Zufallsvariable (dies folgt aus dem zetrale Grezwertsatz). Meistes beschreibt sie die Ergebisse vo Messuge aus der Natur. X N (µ, σ ) f X (t) = σ π (t µ) e σ (78) F X (t) = tabelliert durch Φ(t) (79) µ (80) σ = V ar[x] = σ (8) Gewicht vo Kürbisse Stadardormalverteilug N (0, ) heisst Stadardormalverteilug. Ihre Dichte F X (t) Φ(t) ist tabelliert. Eigeschaft: Sei X N (µ, σ ), Y = X µ σ. Da gilt Y N (0, ) ud: [ P [X x] = P Y x µ ] ( ) x µ = Φ (8) σ σ Chiquadratverteilug Die Chiquadratverteilug mit m Freiheitsgrade taucht bei bestimmte Tests auf ud etsteht durch Quadriere ud Summiere vo m stadardormalverteilte Zufallsvariable. Eigeschaft: χ m X χ m m Xi mit X i N (0, ) (83) 5
6 t-verteilug Die t-verteilug mit m Freiheitsgrade ist symmetrisch ud tritt bei Tests auf. X t m f X (t) = Γ ( ) m+ ) m+ ( mπ Γ m ) ( + x m (84) 0 für > (85) σ = V ar[x] = für > (86) Simulatio Sei F eie stetige, streg mooto wachsede ud bijektive Verteilugsfuktio mit Umkehrfuktio F. Sei X U(0, ) gleichverteilt ud Y = F (X). Da hat Y gerade die Verteilugsfuktio F. Awedug: PC liefert immer uiforme Zufallszahle zwische 0 ud. Wir wolle aber eie adere Verteilug habe. Beispiel Expoetialverteilug s = F (t) = e λt (87) Umkehrfuktio: t = F log( s) (s) = λ Sei u x ei zufällig geerierter Wert der Zufallsvariable X mit X U(0, ). Aufgrud obige Formel gilt: y = F log( x) (x) = Exp(λ) (88) λ Gemeisame Verteiluge Fuktioe Aalog zum Fall für eie Zufallsvariable existiere für gemeisame Verteiluge: Gemeisame Gewichtsfuktio, falls alle X i diskret: p(x,..., x ) = P [X = x,..., X = x ] (89) Gemeisame Dichtefuktio, falls alle X i stetig: Gemeisame Verteilugsfuktio f(x, x,..., x ) (90) F (x,..., x ) = P [X x,..., X x ] (9) Im diskrete Fall gilt: = t W(X ) t x Im stetige Fall gilt: = x F (x, x,..., x ) (9) P [X = t,..., X = x ] (93) t W(X) t x F (x, x,..., x ) (94) x f(t,..., t ) dt dt Darstellug für = Im diskrete Fall: Darstellug als Tabelle Im stetige Fall: Darstellug als Flächegraph Radverteiluge Möchte ma ausgehed vo eier gemeisame Verteilug bestimmte Zufallsvariable ubetrachtet lasse ud quasi Eizelverteiluge herausfide, da: Gewichtsfuktio: ubetrachtete ZV wegsummiere: P [X = x] = (95) Dichtefuktio: f X (x) = t W(Y ) t W(Y ) P [X = x, Y = y,..., Y = y ] ubetrachtete ZV wegitegriere: Verteilugsfuktio: f(x, y,..., y ) dy dy (96) Limes bilde: F X (x) = lim lim F (x, y,..., y ) (97) y y Uabhägigkeit vo Zufallsvariable Die Zufallsvariable X, X,..., X heisse uabhägig, falls: F (x,..., x ) = F X (x ) F X (x ) (98) Dies ist je ach Fall (diskret oder stetig) äquivalet zu: P [X = x,..., X = x ] (99) = P [X = x ] P [X = x ] f(x,..., x ) = f X (x ) f X (x ) (00) Sid Zufallsvariable gleich verteilt ud uabhägig, so schreibt ma i.i.d. für idepedet idetically distributed. Bedigte Verteiluge Bedigte Gewichtsfuktio Die bedigte Gewichtsfuktio eier Zufallsvariable X, gegebe dass Y = y, ist defiiert als: P [X = x Y = y] = P [X = x, Y = y] P [Y = y] (0) X ud Y sid uabhägig geau da, we x W(X) gilt: Bedigte Dichtefuktio P [X = x Y = y] = P [X = x] (0) Die bedigte Dichtefuktio eier Zufallsvariable X, gegebe Y = y, ist defiiert als: f(x y) = f(x, y) f(y) X ud Y sid uabhägig geau da, we x gilt: (03) f(x y) = f(x) (04) 6
7 Grezwertsätze Schwaches Gesetz der grosse Zahle Seie X, X,... uabhägige oder zumidest paarweise ukorrelierte Zufallsvariable mit gleichem Erwartugswert µ ud gleicher Variaz σ. Sei X = X i. Da gilt: ε > 0 : lim P [ X µ > ε ] = 0 (05) Starkes Gesetz der grosse Zahle Seie X, X,... i.i.d. Zufallsvariable mit edlichem Erwartugswert µ. Sei X = X i. Da gilt: [ ] P lim X = µ = (06) Markow-Ugleichug Sei X eie Zufallsvariable, a R + ud h : R R + eie Fuktio. Da gilt: P [h(x) a] E[h(X)] a Chebyshev-Ugleichug (07) Sei Y Zufallsvariable mit Erwartugswert µ ud Variaz σ : ε > 0 : P [ Y µ > ε] σ ε (08) Awedug: Sehr leicht berechebare Schrake für jede beliebige Verteilug. Cheroff-Schrake Seie X, X,..., X i.i.d. mit X i Be(p). Sei S = X i Bi(, p) ud damit E[S ] = p. ( e ε ε > 0 : P [S ( + ε)e[s ]] ( + ε) +ε ) E[S] (09) Awedug: Viel eifacher zu reche als die Verteilugsfuktio der Biomialverteilug, liefert im Gegesatz zur Poisso-Approximatio eie exakte Schrake. Zetraler Grezwertsatz Seie X, X,... i.i.d. Zufallsvariable mit E[X i ] = µ ud V ar[x i ] = σ. Sei S = X i. Da gilt: [ ] S µ lim σ t = Φ(t) (0) Oft wird folgede Abkürzug beutzt: S = S E[S ] V ar[s ] = S µ σ () Die etstadee Zufallsvariable S heisst Stadardisierug vo S. Der zetrale Grezwertsatz lässt sich so schreibe als: Für X = gross S approx N (0, ) P [S t] Φ(t) () approx S N (µ, σ ) X approx i gilt: X N ( µ, σ) Statistik Stichprobe I der Statistik möchte ma aus beobachtete Date Rückschlüsse auf die Verteiluge ziehe, welche diese Date geeriert habe. Eie vo eiem Elemetarereigis ω erzeugte Datemege heisst Stichprobe. Ihre Date x, x,..., x heisse Realisieruge ud werde als Werte X (ω),..., X (ω) vo Zufallsvariable X,..., X betrachtet. Schätzer Betrachtet ma jede der zu charakterisierede Zufallsvariable X,..., X als abhägig vo Parameter ϑ i, so reduziert sich das Ziel darauf, diese Parameter ϑ,..., ϑ m zu schätze. Ei Schätzer T i ist eie Zufallsvariable, die i Abhägigkeit der Date geau eie der gesuchte Parameter ϑ i schätzt. Erwartugstreue Ei Schätzer T i heisst erwartugstreu für ϑ i, falls E[T i ] = ϑ i. Im Mittel über alle Realisatioe schätzt er also richtig. Kosistez Erweitert ma eie Schätzer so, dass er weitere Realisieruge derselbe Zufallsvariable berücksichtigt, heisst er kosistet, falls er für eie grössere Azahl immer geauer wird: Maximum-Likelihood-Methode [ ] P lim T () i = ϑ i = (3) Die Likelihood-Fuktio L gibt die Wahrscheilichkeit eier Stichprobe uter eiem Parameter ϑ wieder: L(x,..., x ; ϑ) = p(x,..., x ; ϑ) f(x,..., x ; ϑ) Sid die Zufallsvariable X i i.i.d., so gilt: L(x,..., x ; ϑ) = diskreter Fall stetiger Fall p X(x i ; ϑ) diskreter Fall f X(x i ; ϑ) stetiger Fall (4) (5) log L(x,..., x ; ϑ) heisst log-likelihood-fuktio. Der Maximum-Likelihood-Schätzer T ML für ϑ ist dadurch defiiert, dass er die Likelihood-Fuktio L über ϑ maximiert. Dadurch schätzt er ϑ geau so, dass die gegebee Stichprobe uter ϑ am wahrscheilichste ist. Da es sich bei L meistes um ei Produkt hadelt ud die log- Fuktio streg mooto steiged ist, ka ma auch log L über ϑ miimiere, was eifacher zu reche ist. Häufig gebrauchte ML-Schätzer X i Be(p): T p = X i = X (6) 7
8 Da es schwieriger ist, eie Hypothese zu verwerfe, wähle wir als Nullhypothese das Gegeteil der eigetlich gewüschte Aussage. Ausserdem wird immer ei Sigifikaziveau α gegebe. Falls sich der kritische Bereich z.b. am rechte Rad vo T befidet, berechet sich der kritische Wert c, also desse utere Greze (exklusiv), zu: P ϑ0 [T c] = α ach c auflöse (3) Bei eier zweiseitige Alterativhypothese sid gegebeefalls Symmetrie auszuutze. Die Wahrscheilichkeit uter der Nullhypothese, de erhaltee Wert für die Teststatistik zu bekomme, heisst P-Wert. Ist er kleier als α, so verwirft ma die Nullhypothese. Abbildug : Ei Test mit Fehler erster ud zweiter Art X i N (µ, σ ): Tests T µ = X i = X (7) = ( ) Xi X (8) ( ) = Xi ( ) X T σ Achtug: T σ ist icht erwartugstreu: E[T σ ] = V ar[x] (9) Deshalb beutzt ma meistes die empirische Stichprobevariaz S : S = T σ = T σ = ( ) Xi X (0) Ausgehed vo eier Stichprobe möchte ma zwei Verteilugsparameter (bzw. Parameterbereiche) gegeeiader abwäge: Eie Nullhypothese Θ 0 ud eie Alterativhypothese Θ A. Ma wählt u eie Zufallsvariable T ames Teststatistik abhägig vo ϑ, welche die Date der Stichprobe auswertet. Dabei wolle wir die Nullhypothese ablehe, we der realisierte Wert T (x,..., x ) i eie kritische Bereich oder Verwerfugsbereich K fällt. Die Etscheidug ka auf zwei Arte falsch herauskomme: Fehler.Art: Die Nullhypothese wird abgeleht, obwohl sie eigetlich richtig wäre. Die Wahrscheilichkeit für eie Fehler. Art heisst Sigifikaziveau α: z-test Der z-test ist ei Test für Erwartugswert bei bekater Variaz σ. Es seie also X,..., X N (ϑ, σ ) i.i.d.. Wir wolle die Nullhypothese ϑ = ϑ 0 teste. Teststatistik: T = X ϑ 0 σ N (0, ) (4) De kritische Bereich K bestimmt ma abhägig vo der Alterativhypothese Θ A : ϑ A > ϑ 0 eiseitig: K = (c >, ) mit c > = ( α)-quatil = Φ ( α) (5) ϑ A < ϑ 0 eiseitig: K = (, c > ) mit c < = α-quatil = Φ (α) (6) ϑ A ϑ 0 zweiseitig: K = (, c ) (c, ) ( c = α ) ( -Quatil = Φ α ) t-test (7) Der t-test ist ei Test für Erwartugswert bei ubekater Variaz. Es seie also X,..., X N (ϑ, σ ) ud wir möchte die Nullhypothese ϑ = ϑ 0 teste. Teststatistik: T = X ϑ 0 S t (8) Dabei bezeichet S de Schätzer für die empirische Stichprobevariaz. Der kritische Bereich K lässt sich aalog zum z-test mit de Quatile der t -Verteilug bestimme. α = P ϑ0 [T K], ϑ 0 Θ 0 () Fehler.Art: Die Nullhypothese wird ageomme, obwohl sie falsch wäre. Die Wahrscheilichkeit für eie Fehler. Art beträgt β, wobei β als die Macht des Tests bezeichet wird: β = P ϑa [T K], ϑ A Θ A () 8
9 Beispiele t-test Aufgabe Ei Waschmittelhersteller brigt 5kg-Packuge i de Umlauf. Die Kosumeteschutzorgaisatio kauft 5 Packuge. Es ergibt sich ei Mittel vo X = 4.9 kg ud eie empirische Stichprobevariaz S = 0.kg. Die eizele Gewichte seie durch uabhägige N (µ, σ ) Zufallsvariable beschriebe.. Wie laute die Hypothese H 0 ud H A?. Wie ist (X 5)/(S/5)) verteilt uter H 0? 3. Führe Sie de t-test auf dem 5%-Niveau durch. Wie gross ist der P-Wert? Wird die Nullhypothese verworfe? 4. Bereche Sie das 95%-Vertrauesitervall für de i 3. beschriebee Test. Lösug. H 0 : µ = 5, H : µ < 5. Verteilug: t 5 = t 4 3. T-Statistik: T = X µ0 q =.58. P -Wert = P S µ0 [T < c] = Gesucht ist ei c, sodass P µ0 [T < c] = 0.05 bzw P µ0 [T > c] = Dies ergibt c =.7. Weil T =.58 > c wird die Nullhypothese icht verworfe. 4. Die Formel für das Vertrauesitervall ergibt I 0.95 = [4.79, 5.008]. Da user Test aber eiseitig ist, wird das Itervall I 0.95 = [, 5.008]. Folge vo Zufallsvariable Aufgabe Seie X,..., X iid. Poisso-verteilte Zufallsvariable mit Parameter λ =. Gegebe sei u die Folge: + Wie gross ist der Grezwert? X i Simulatio() Aufgabe Die Zufallsvariable X sei Pareto-verteilt ud habe die Verteilugsfuktio: ( ) α x F X (x x 0, a) = x 0 α >, x x 0 0 sost αx α 0 x α α >, x x 0 f X (x x 0, a) = 0 sost Ei auf [0,] uiform verteilter Zufallsgeerator habe u die Werte 0.37 ud geeriert. Bereche daraus Realisieruge der eier Pareto-verteilte Zufallsvariable mit α = ud x 0 = 0 6. Lösug Die Iverse F X der Verteilugsfuktio, ausgewertet a de geerierte Stelle [0, ] ergibt die Realisieruge der Verteilug F X. fürx x 0 : F X (y) = x 0 ( y) /α Jetzt müsse ur och die beide Werte eigesetzt werde. Simulatio() Aufgabe Die Cauchy-Verteilug hat die Dichte f(x) = π ( + x ) für x R Kostruiere Sie eie Cauchy-verteile Stichprobe vom Umfag 4 aus der folgede Exp() Lösug x = 0.47, x = 0.448, x 3 = 0.4, x 4 = Die Verteilugsfuktio vo X Exp() ist F (x) = e x. We ma auf expoetialverteilte Werte die Verteilugsfuktio der Expoetialverteilug awedet, erhält ma [0, ]- uiform-verteilte Werte. Dies liefert i diesem Beispiel durch eisetze der x i i F die uiform verteilte y i : y = 0.34, y = 0.36, y 3 = 0.07, y 4 = Nu muss ma ur och die y i i F der Cauchy-Verteilug eisetze für Cauchy-verteilte z i. Lösug + X i = + X i F (x) = x f(x)dx = + π arcta(x) F (y) = ta(π (y )) z = 0.544, z = 0.465, z 3 =.836, z 4 = Der zetrale Grezwertsatz liefert für Y N (, 4/) + lim X i = E[Y ] = 4 9
Prof. 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
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
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
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
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
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
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:
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
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
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
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)
Mehr3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
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
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
MehrPraktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle
Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht
MehrX in einer Grundgesamtheit vollständig beschreiben.
Prof. Dr. Rolad Füss Statistik II SS 008. Puktschätzug vo Parameter eier Grudgesamtheit Nur durch eie Totalerhebug ka ma die Verteilug eier Zufallsvariable X i eier Grudgesamtheit vollstädig beschreibe.
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
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
MehrTESTEN VON HYPOTHESEN
TESTEN VON HYPOTHESEN 1. Grudlage Oft hat ma Vermutuge zu Sachverhalte ud möchte diese gere durch Experimete bestätige. Dabei ka es sich i der Praxis zum Beispiel um Verteiluge vo gewisse Zufallsgröße
MehrMonte Carlo-Simulation
Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil
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.
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
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
Mehr( ) Formelsammlung. Kombinatorik. Permutation: ohne Wiederholung. n! = n (n - 1) (n - 2)... 3 2 1 n= alle Elemente. Permutation: mit Wiederholung
Formelsammlug Kombiatori Permutatio: ohe Wiederholug! = ( - 1) ( - 2).... 3 2 1 = alle Elemete Permutatio: mit Wiederholug!! P, = = usw. = gleiche Elemete! 1! K 2! Stichprobe (SP) = geordete Auswahl Geordete
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
Mehr(4) = 37,7 % mit 37,7 % Wahrscheinlichkeit sind es höchstens 4 Fahrräder, das ist recht hoch; man kann also die Behauptung nicht wirklich ablehnen.
Schülerbuchseite 98 1 Lösuge vorläufig IV Beurteilede Statistik S. 98 p S. 1 p w a t Tabelle Tabelle dowloadbar im Iteretauftritt 1 Teste vo Hypothese 1 a) Erwartugswert μ = 5 ud Stadardabweichug σ = 1,6;
MehrEvaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
MehrA = Ereignisraum = σ-algebra (Sigma-Algebra) = Menge aller messbaren Ergebnisse über eine definierte Grundmenge Ω
Statistik Theorie Defiitioe Ω = Grudmege = Ergebismege = Mege aller mögliche Ergebisse A = Ereigisraum = σ-algebra (Sigma-Algebra) = Mege aller messbare Ergebisse über eie defiierte Grudmege Ω P(Ω) = Potezmege
MehrPflichtlektüre: Kapitel 10 Grundlagen der Inferenzstatistik
Pflichtlektüre: Kapitel 10 Grudlage der Iferezstatistik Überblick der Begriffe Populatio Iferezstatistik Populatiosparameter Stichprobeverteiluge Auch Stichprobekewerteverteiluge Wahrscheilichkeitstheorie
MehrEinführung in die Wahrscheinlichkeitstheorie
Eiführug i die Wahrscheilichkeitstheorie Nikolai Nowaczyk http://math.iko.de/ Lars Wallebor http://math.wallebor.et/ 06.-08. Mai 2011 Ihaltsverzeichis 1 Mege, Abbilduge,
MehrVerteilungsfunktionen
Verteilugsfuktioe Wie sid zufällige Fehler verteilt? Wie sid Messwerte verteilt? Fehler Messwerte Verteilugsfuktioe: Maxwell-Boltza Feri-Dirac Bose-Eistei Placksche Verteilug Frage ist stets, wie groß
MehrStatistische Tests zu ausgewählten Problemen
Eiführug i die statistische Testtheorie Statistische Tests zu ausgewählte Probleme Teil : Tests für Erwartugswerte Statistische Testtheorie I Eiführug Beschräkug auf parametrische Testverfahre Beschräkug
MehrMathematik für Maschinenbauer, Bauingenieure und Umwelttechniker III. R. Verfürth
Mathematik für Maschiebauer, Bauigeieure ud Umwelttechiker III Vorlesugsskriptum WS 001/0 - WS 00/03 überarbeitet September 008 R. Verfürth Fakultät für Mathematik, Ruhr-Uiversität Bochum Ihaltsverzeichis
MehrStatistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html
Statistik Prof. Dr. K. Melzer kari.melzer@hs-esslige.de http://www.hs-esslige.de/de/mitarbeiter/kari-melzer.html Ihaltsverzeichis 1 Eileitug ud Übersicht 3 2 Dategewiug (kurzer Überblick) 3 2.1 Plaugsphase
MehrÜbungsblatt 9 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 9 zur Vorlesug Statistische Methode Schätztheorie ud Kofidezitervalle Herausgabe des Übugsblattes: Woche 8, Abgabe der Lösuge: Woche 9 (bis Freitag, 65 Uhr), Besprechug:
MehrPrimer WaSt2 1. Primer WaSt2. 1. Grundlagen der Wahrscheinlichkeitstheorie
Primer WaSt Primer WaSt. Grudlage der Wahrscheilicheitstheorie I diesem Kapitel werde die statistische Grudlage, die für die Behadlug vo stochastische Prozesse beötigt werde, urz aufgeführt. Für eie detailliertere
MehrWahrscheinlichkeitsrechnung
Kapitel 7 Wahrscheilichkeitsrechug 7. Kombiatorik Def. 7..:a) Für eie beliebige atürliche Zahl m bezeichet ma das Produkt aus de Zahle vo bis m mit m Fakultät: m! := 2 3 m, 0! :=. b) Für zwei beliebige
MehrKlassifizierung der Verteilungen. Streuung der diskreten Verteilung
Wichtigste Verteiluge der Biostatisti Disrete Zur Erierug Klassifizierug der Verteiluge Kotiuierliche Disrete Gleichverteilug Kotiuierliche Gleichverteilug Biomialverteilug Normalverteilug Poisso Verteilug
MehrSUCHPROBLEME UND ALPHABETISCHE CODES
SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 8
Übug zur Vorlesug Statistik I WS 2013-2014 Übugsblatt 8 9. Dezember 2013 Aufgabe 25 (4 Pukte): Sei X B(, p) eie biomial verteilte Zufallsvariable. Schreibe Sie i R eie Fuktio PWert, die für jedes Ergebis
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
Mehr7. Grenzwertsätze Grenzwertsätzen Zentraler Grenzwertsatz Gesetz der großen Zahlen Tschebyscheffsche Ungleichung
7. Grezwertsätze Bei de Grezwertsätze geht es um Aussage, die ma sogar da treffe ka, we keierlei Iformatioe über de Verteilugs-Typ der betrachtete Zufallsvariable vorliege. Zetraler Grezwertsatz Aussage
MehrDer Additionssatz und der Multiplikationssatz für Wahrscheinlichkeiten
Der Additiossatz ud der Multiplikatiossatz für Wahrscheilichkeite Die Wahrscheilichkeitsrechug befasst sich mit Ereigisse, die eitrete köe, aber icht eitrete müsse. Die Wahrscheilichkeit eies Ereigisses
MehrWir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
MehrSeminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
MehrStatistik und Wahrscheinlichkeitslehre
Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug
MehrElementarstatistik für Umweltwissenschaftler
Elemetarstatistik für Umweltwisseschaftler Skript zur Vorlesug Witersemester 010/011 vo Dr. Domiik Faas Istitut für Mathematik Fachbereich 7: Natur- ud Umweltwisseschafte Uiversität Koblez-Ladau Ei besoderer
MehrSBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur
MehrKlausur 1 über Folgen
www.mathe-aufgabe.com Klausur über Folge Hiweis: Der GTR darf für alle Aufgabe eigesetzt werde. Aufgabe : Bestimme eie explizite ud eie rekursive Darstellug! a) für eie arithmetische Folge mit a = 6, ;
MehrElementare Wahrscheinlichkeitsrechnung und Statistik
CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
Mehr3 Elementare Wahrscheinlichkeitstheorie
3 Elemetare Wahrscheilichkeitstheorie 3. Eiführug Bisher habe wir gesehe, daß Date, Meß- ud Beobachugsergebisse schwake. Schwakuge habe wir graphisch ud quatitativ dargestellt. Um solche Beobachtuge verstehe
MehrDer χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?
Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrÜbungsaufgaben. Häufige Fehler: Banale Rechenfehler. Unsaubere Arbeitsweise. Signifikante Stellen falsch. Einheiten vergessen.
Übugsaufgabe Häufige Fehler: Baale Rechefehler Sigifikate Stelle falsch Eiheite vergesse Usaubere Arbeitsweise Rudugsfehler Eiheite falsch ugerechet T. Kießlig: Auswertug vo Messuge ud Fehlerrechug - Verteilugsfuktioe
MehrStatistik I/Empirie I
Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass
MehrAussage über die Verteilung Summen und Durchschnitte beliebig verteilter Zufallsvariablen
7. Grezwertsätze Die Grezwertsätze bilde de Abschluss der Wahrscheilichkeitsrechug ud sid vo zetraler Bedeutug vor allem für die iduktive Statistik. Gesetz der große Zahle Aussage über die Geauigkeit der
MehrElementare Wahrscheinlichkeitstheorie und Statistik
Elemetare Wahrscheilichkeitstheorie ud Statistik Kurzfassug: Defiitioe ud Sätze Beweise ud Beispiele werde i der Vorlesug behadelt Ihaltsverzeichis Vorlesug SS 2003 für Bio-Iformatiker ud Lehramtskadidate
MehrZählterme (Seite 1) Aufgabe: Wie viele Nummernschilder kann es theoretisch im Raum Dresden geben? Wann müsste die 4.Ziffer eingeführt werden?
Bemerkug: I Mathematik sollte ma keie Fahrpläe verwede, i der Stochastik erst recht icht. Zitat vo S.L. Das Baumdiagramm ist aber fast immer ei geeigetes Hilfsmittel. Produktregel Aufgabe: Wie viele Nummerschilder
Mehr5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung
Seite vo 7 5 Beroulli-Kette Jakob Beroulli 654-705 Schweizer Mathematiker ud Physiker 5. Beroulli-Exerimet 5.. Eileitug Oft iteressiert ma sich bei Zufallsexerimete icht für die eizele Ergebisse, soder
MehrVereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung
. Marktpreisrisiko Motivatio der VaR-Ermittlug Vereiheitlichug Eiheitlicher Maßstab der Risikoeischätzug Limitierug / Steuerug Messug ud Limitierug ist fudametal für die Steuerug Kapitaluterlegug Zur Deckug
Mehr2.2.1 Lagemaße. Exkurs: Quantile. und n. p n
Ekurs: Quatile Ausgagspukt : Geordete Urliste Jeder Wert p, mit 0 < p
MehrEinführung in die Wahrscheinlichkeitstheorie
WS 2014/15 Eiführug i die Wahrscheilichkeitstheorie Prof. Dr. Nia Gatert 7. Februar 2015 Ihaltsverzeichis 0 Eileitug 3 1 Diskrete Wahrscheilichkeitsräume 4 1.1 Grudbegriffe..................................
MehrKapitel 6: Statistische Qualitätskontrolle
Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle
Mehrα : { n Z n l } n a n IR
1 KAPITEL VI. ZAHLENFOLGEN UND REIHEN 1) REELLE ZAHLENFOLGEN: i) Jede Abbildug α : IN a IR heiÿt 'reelle Zahlefolge' bzw. 'Folge i IR'. Ma otiert diese i der Form α = a ) IN = a ) =0 = a 0, a 1, a 2,...)
MehrNennenswertes zur Stetigkeit
Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit
MehrMathematik Funktionen Grundwissen und Übungen
Mathematik Fuktioe Grudwisse ud Übuge Potezfuktio Hyperbel Epoetialfuktio Umkehrfuktio Stefa Gärter 004 Gr Mathematik Fuktioe Seite Grudwisse Potezfuktio Defiitio Durch die Zuordugsvorschrift f: Æ mit
MehrDatenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007
Dateauswertug Prof. Dr. Josef Brüderl Uiversität Maheim Frühjahrssemester 007 Methode-Curriculum B.A. Soziologie Basismodul: Methode ud Statistik: VL Dateerhebug (): 5 ÜK (): 3 ----------------------------------------------------------
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
MehrStochastik. Eine Vorlesung für das Lehramtsstudium. Franz Hofbauer
Stochastik Eie Vorlesug für das Lehramtsstudium Fraz Hofbauer SS 01 Vorwort Der Begriff Wahrscheilichkeit wird üblicherweise mit Häufigkeit assoziiert. Was oft eitritt, hat hohe Wahrscheilichkeit, was
MehrVersuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung
Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK Physikalische Prozesse, die eier statistische Gesetzmäßigkeit uterworfe sid, lasse sich mit eier Verteilugsfuktio beschreibe. Die Gauß-Verteilug
Mehr1 Funktionen und Flächen
Fuktioe ud Fläche. Fläche Defiitio: Die Ebee R ist defiiert als Mege aller geordete Paare vo reelle Zahle: R = {(,, R} Der erste Eitrag heißt da auch Koordiate ud der zweite Koordiate. Für zwei Pukte (,,
Mehr2 Vollständige Induktion
8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes
Mehr2.3 Kontingenztafeln und Chi-Quadrat-Test
2.3 Kotigeztafel ud Chi-Quadrat-Test Die Voraussetzuge a die Date i diesem Kapitel sid dieselbe, wie im voragegagee Kapitel, ur dass die Stichprobe hier aus Realisieruge vo kategorielle Zufallsvariable
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
Mehr14 Statistische Beziehungen zwischen nomi nalen Merkmalen
14 Statistische Beziehuge zwische omi ale Merkmale 14.1 Der Chi Quadrat Test auf Uabhägigkeit für Vier Feldertafel 14.2 Der Chi Quadrat Test auf Uabhägigkeit für r s Kotigeztafel 14.3 Zusammmehagsmaße
Mehr6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
MehrFormelsammlung Grundzüge der Statistik für die Veranstaltungen Statistik I und Statistik II im Grundstudium
Formelsammlug Grudzüge der Statistik für die Verastaltuge Statistik I ud Statistik II im Grudstudium Prof. Dr. Claudia Becker Lehrstuhl für Statistik Ihaltsverzeichis 1 Summezeiche 5 2 Häufigkeitsverteiluge
Mehr6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis
6. Grudlage der Wahrscheilichkeitsrechug 6.. Defiitioe ud Beispiele Spiele aus dem Alltagslebe: Würfel, Müze, Karte,... u.s.w. sid gut geeiget die Grudlage der Wahrscheilichkeitsrechug darzustelle. Wir
Mehr... a ik) i=1...m, k=1...n A = = ( a mn
Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 2: Aufgaben zu den Kapiteln 3 und 4
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 2: Aufgabe zu de Kapitel 3 ud 4 Zu Abschitt 3.1 Ü3.1.1 Es seie X, = 1, 2,... reellwertige Zufallsvariable
MehrEinführung in die Grenzwerte
Eiführug i die Grezwerte Dieser Text folgt hauptsächlich der Notwedigkeit i sehr kurzer Zeit eie Idee ud Teile ihrer Awedug zu präsetiere, so dass relativ schell mit dieser Idee gerechet werde ka. Der
MehrWahrscheinlichkeit und mathematische Statistik Inoffizielles Skript zur Vorlesung von Prof. Grecksch, SS 2009
Wahrscheilichkeit ud mathematische Statistik Ioffizielles Skript zur Vorlesug vo Prof. Grecksch, SS 2009 geschriebe vo Heig Seidler Ihaltsverzeichis Zufällige Ereigisse 2 2 Wahrscheilichkeitsraum, Awedug
MehrVariiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen.
3. Variazaalyse Die Variazaalyse mit eier quatitative abhägige Variable ud eier oder mehrerer qualitativer uabhägiger Variable wird auch als ANOVA (Aalysis of Variace) bezeichet. Mit eier Variazaalyse
MehrErfolg im Mathe-Abi 2013
Gruber I Neuma Erfolg im Mathe-Abi 2013 Vorabdruck Wahlteil Stochastik für das Abitur ab 2013 zum Übugsbuch für de Wahlteil Bade-Württemberg mit Tipps ud Lösuge Vorwort Vorwort Erfolg vo Afag a...ist das
Mehr6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $
Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum
MehrStatistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S
Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere
MehrEinige wichtige Ungleichungen
Eiige wichtige Ugleichuge Has-Gert Gräbe, Leipzig http://www.iformatik.ui-leipzig.de/~graebe 1. Februar 1997 Ziel dieser kurze Note ist es, eiige wichtige Ugleichuge, die i verschiedee Olympiadeaufgabe
MehrZahlenfolgen, Grenzwerte und Zahlenreihen
KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:
MehrDie zu den Zufallswerten x gehörigen Wahrscheinlichkeiten fasst man in einer Tabelle zusammen:
0 Statistik 0. Wahrscheilichkeitsfuktio ud optische Darstellug Bei der Auswertug vo Zufallsexperimete ist oft gar icht das eizele Ergebis vo Iteresse, soder vielmehr eie Zahlegröße (Zufallsgröße X), die
MehrTestumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen
Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige
MehrBINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008
Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe
MehrGüteeigenschaften von Schätzern
KAPITEL 6 Güteeigeschafte vo Schätzer Wir erier a ie Defiitio es parametrische Moells Sei {h θ : θ Θ}, wobei Θ R m, eie Familie vo Dichte oer Zählichte Seie X 1,, X uabhägige u ietisch verteilte Zufallsvariable
Mehr