Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Größe: px
Ab Seite anzeigen:

Download "Verteilungsmodelle. Verteilungsfunktion und Dichte von T"

Transkript

1 Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung Die Weibull-Verteilung Eigenschaften der Weibull-Verteilung Aus dem Modul wissen wir, dass die Lebensdauer eine Zufallsvariable ist. Für die Beschreibung des Verhaltens dieser Zufallsvariablen existieren diverse theoretische Verteilungsmodelle. In diesem Modul werden zwei einfachere Verteilungsmodelle für die Lebensdauer vorgestellt. Verteilungsfunktion und Dichte von T Das Verhalten der Zufallsvariablen "Lebensdauer" beschreiben wir genau so wie das jeder anderen Zufallsvariablen durch ihre Verteilungsfunktion ; vgl. Modul. Verteilungsfunktion F(t) einer Zufallsvariablen T. Wir setzen außerdem voraus, dass keine negativen Werte annehmen kann und kontinuierlich ist. Wir können die Zufallsvariable also durch ihre Dichtefunktion beschreiben. Verteilungsfunktion F(t) und zugehörige Dichte f(t) einer Lebensdauer T. Selbstverständlich dienen zur Beschreibung von auch bestimmte Parameter, insbesondere der Erwartungswert, die mittlere Lebensdauer, und die Varianz der Lebensdauer (vgl. Modul, Abschnitt "Maßzahlen stetiger Verteilungen"). Survivalfunktion von T Bei Lebensdauerverteilungen zieht man neben der Verteilungsfunktion und der Dichte noch zwei weitere Beschreibungsmöglichkeiten heran. Die Verteilungsfunktion gibt für jedes die Wahrscheinlichkeit an, mit der die Lebensdauer kleiner oder gleich ist. Oft ist aber die Wahrscheinlichkeit von Interesse, mit der die Lebensdauer den Wert überschreitet, also die Wahrscheinlichkeit, mit der überlebt wird. Als Funktion von heißt sie Überlebenswahrscheinlichkeitsfunktion (Survival Funktion) Verteilungsfunktion F(t), Survivalfunktion S(t) und Dichte f(t) einer Lebensdauer T. Die Wahrscheinlichkeit, dass die Lebensdauer im Intervall liegt, ist Page 1

2 (vgl. Abb. oben). Hazardrate von T Die Wahrscheinlichkeit, dass die Lebensdauer im Intervall liegt, interessiert oft weniger als die Wahrscheinlichkeit, dass die Lebensdauer im Intervall liegt unter der Bedingung, dass der Zeitpunkt erlebt wurde oder anders gesagt: die Wahrscheinlichkeit des Lebensendes bis, falls erlebt wurde (vgl. Modul, Abschnitt "bedingte Wahrscheinlichkeiten"): Im Zähler ist eine Teilmenge von, so dass die Schnittmenge gleich der Teilmenge ist: Hält man den Überlebenszeitpunkt fest, an dem die Betrachtung beginnt, dann ist diese Wahrscheinlichkeit umso größer, je größer das anschließende Intervall, d.h. je größer ist. Bezieht man die Wahrscheinlichkeit auf die Intervalllänge, dann erhält man die Ausfallrate im Intervall, Lässt man die Länge des Intervalls immer kürzer werden,, dann erhält man die Hazardrate vgl. Abb. unten. Erleben von ist die Ausfallrate, die auf den kurzen Augenblick nach dem folgt. Verteilungsfunktion F(t), Survivalfunktion S(t), Dichte f(t) und Hazardrate h(t) einer Lebensdauer T. Beziehungen zwischen F(t), S(t), f(t) und h(t) Durch jede der Funktionen und lässt sich das Verhalten der Lebensdauer gleichermaßen beschreiben, d.h. jede lässt sich in jede andere umrechnen, wie aus der Tabelle zu ersehen ist. Bei Lebensdaueruntersuchungen stehen und im Vordergrund. Dabei ist die kumulierte Hazardrate; und. Beispiel: Sterbetafel für Deutschland Die folgende Abb. zeigt die vier Funktionen und für die Lebensdauer der Deutschen gemäß der Sterbetafel von 1999/2001. Die Sterbetafeln werden in Abständen von einigen Jahren vom veröffentlicht. Verteilungsfunktion F(t), Survivalfunktion S(t), Dichte f(t) und Hazardrate h(t) für die Sterbetafel 1999/2001. Die nächste Abb. zeigt noch einmal die Überlebenswahrscheinlichkeitsfunktionen und die Hazardfunktionen aufgrund der Sterbetafel 1999/2001, jeweils ergänzt um die Sterbetafeln 1949/51, 1901/10 und 1871/80. Page 2

3 Survivalfunktion S(t) und Hazardrate h(t) für die Sterbetafeln 1871/90, 1901/10, 1949/51 und 1999/01. Die Überlebenswahrscheinlichkeitsfunktionen von 1871 bis 1949 verlaufen zunächst steil, dann moderat und bei größeren wieder steil. Entsprechend fällt die Hazardrate zunächst ab, ist dann konstant und steigt danach steil an. Man spricht von der Badewannenkurve der Hazardrate aufgrund der Sterbetafel. Die hohen, aber fallenden Hazardraten bei kleinen (bis zu etwa einem Jahr) sind durch die Säuglingssterblichkeit bedingt (im technischen Bereich spricht man von Frühausfällen). Die im mittleren Bereich annähernd konstante Hazardrate besagt, dass die Sterbewahrscheinlichkeit im nächsten Augenblick nicht vom erreichten Alter abhängt, dass es also (annähernd) nicht zu einer alterungsbedingten Vergrößerung der Sterbewahrscheinlichkeit kommt. Im rechten Bereich steigt die Hazardrate steil an und zeigt damit die im hohen Alter stark ansteigende Sterbewahrscheinlichkeit (im technischen Bereich spricht man von Altersoder Verschleißausfällen). Die Abb. oben lässt erkennen, wie stark die Überlebenswahrscheinlichkeit in den vergangenen 150 Jahren angestiegen ist, im 19. Jahrhundert vor allem durch die erheblich verringerte Säuglingssterblichkeit (bei fällt die Überlebenswahrscheinlichkeit weniger stark ab; entsprechend fällt auch die Hazardrate weniger stark). Datensatz zu diesem Beispiel: sterbetafeln.xls ( b3e.xls ) Vorüberlegung zu Lebensdauerverteilungen Leider sind theoretische Verteilungsmodelle, die eine Ausfallrate in Form einer Badewannenkurve haben (vgl. Beispiel Sterbetafel ), vor allem aber die dann darauf aufbauenden Schätz- und Testverfahren so kompliziert, dass man sich fast immer mit einfacheren, handlichen Modellen begnügt. Wenn man beispielsweise bei der menschlichen Lebensdauer die Zeit bis zum ersten Geburtstag ausklammert, also nicht die Lebensdauer von Neugeborenen, sondern die von Einjährigen betrachtet, dann ergeben sich aus der Sterbetafel 1999/2001 und der Abb. unten. Survivalfunktion S(t) und Hazardrate h(t) für die Sterbetafel 1999/01 beginnend ab Lebensalter 1 Jahr. Die Hazardrate steigt monoton, und für diesen Fall gibt es einige passende Verteilungsmodelle. Die Exponentialverteilung Eine Familie von Verteilungen gewinnen wir, indem wir zunächst einmal die Hazardrate zeitlich konstant annehmen, für Einheiten, deren Hazardrate konstant ist, altern nicht, verjüngen sich aber auch nicht. Aus der Tabelle entnehmen wir, dass in diesem Falle und daher ist (vgl. Abb.). Verteilungsfunktion F(t), Survivalfunktion S(t), Dichte f(t) und Hazardrate h(t) der Exponentialverteilung. Das ist die Exponentialverteilung, die uns aus dem Modul bekannt ist. Die mittlere Lebensdauer ist die Varianz der Lebensdauer ist Page 3

4 Wir berechnen nun die Verteilung der restlichen Lebensdauer, d.h. die Wahrscheinlichkeit, eine weitere Zeit zu überleben, nachdem die Zeit erlebt wurde (vgl. Modul, Abschnitt "bedingte Wahrscheinlichkeiten"): Die Überlebenswahrscheinlichkeit für Einheiten, die das Alter erreicht haben, ist vom Alter unabhängig und gleich der Überlebenswahrscheinlichkeit zu Beginn (). D.h. für jede erlebte Zeit ist die Verteilung der restlichen Lebensdauer gleich der Verteilung der Lebensdauer (ab ) oder anders gesagt: zu jedem Zeitpunkt sind die mit der Exponentialverteilung beschreibbaren Einheiten so gut (oder schlecht) wie neu. Zur Beurteilung der menschlichen Lebensdauer taugt die Exponentialverteilung genau so wenig wie zur Beschreibung der restlichen Lebensdauer der Einjährigen. Ist die Exponentialverteilung also nur ein zwar einfaches Modell, aber zur Beschreibung irgendwelcher realen Lebensdauern ungeeignet? Nein; Untersuchungen der Lebensdauer von Halbleitern (Transistoren, Dioden, Computerchips) zeigen immer wieder, dass deren Lebensdauern gut durch eine Exponentialverteilung modelliert werden können: Computerchips können durchaus kaputt gehen, verschleißen aber nicht (oder zumindest nicht innerhalb der heutzutage genutzten Lebensdauer), sind also immer so gut wie neu. Die Weibull-Verteilung Um ein flexibleres Verteilungsmodell zu bekommen, setzen wir die kumulierte Hazardrate, die bei der Exponentialverteilung linear steigt (), als Potenzfunktion an; die Hazardrate ist dann Für ergibt sich als Sonderfall die Exponentialverteilung mit. Für ist die Hazardrate monoton steigend, für monoton fallend; vgl. Abb. für. Verteilungsfunktion F(t), Survivalfunktion S(t), Dichte f(t) und Hazardrate h(t) der Weibull-Verteilung. Es erweist sich manchmal als zweckmäßig, statt des Parameters seinen Reziprokwert als Parameter einzuführen. Dann ist Gemäß der Tabelle ist Diese Verteilung ist in den letzten 100 Jahren sowohl von Theoretikern als auch von Praktikern immer wieder "entdeckt" worden. Als Name hat sich Weibull-Verteilung durchgesetzt, nach einem schwedischen Physiker, der sie um 1940 zur Modellierung der Lebensdauer in der Materialprüfung verwendet hat. Sie hat in der Zuverlässigkeitsanalyse von technischen Produkten und Komponenten technischer Produkte eine große Bedeutung. Eigenschaften der Weibull-Verteilung Setzt man in der Gleichung (s. oben) für den Wert ein, dann erhält man, d.h. die Verteilungsfunktion jeder Weibull-Verteilung geht durch den Punkt : Bei der Weibull-Verteilung ist die Wahrscheinlichkeit, dass die Lebensdauer kleiner als ist,, gleich Der Parameter heißt deshalb auch charakteristische Lebensdauer. Der Page 4

5 Parameter hat keine unmittelbare Bedeutung. Da die Verteilungsfunktion steiler verläuft, wenn größer ist, heißt er auch Ausfallsteilheit. Bei der Weibull-Verteilung ist die mittlere Lebensdauer die Varianz der Lebensdauer ist Darin ist die (vollständige) Gammafunktion. Im Modul haben wir festgestellt, dass die Lebensdauer eine Zufallsvariable ist. Wie jede andere Zufallsvariable auch, lässt sich die Lebensdauer durch ihre Verteilungsfunktion und die entsprechende Dichtefunktion beschreiben. In der Lebensdaueranalyse sind ergänzend dazu die Überlebenswahrscheinlichkeitsfunktion und die Hazardrate von Interesse. Wie wir es bereits von der Dichte und der Verteilungsfunktion kennen, lassen sich alle vier Funktionen gemäß der vorgestellten Tabelle ineinander umrechnen. Nachdem wir uns an einem Beispiel der Sterbetafeln mögliche Verläufe von Lebensdauerverteilungen veranschaulicht haben, wurden zwei Verteilungsmodelle für Lebensdauern, die Exponentialverteilung und die Weibull-Verteilung, vorgestellt und hinsichtlich ihrer Eigenschaften untersucht. (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Kontakt: Page 5

Kaplan-Meier-Schätzer

Kaplan-Meier-Schätzer Kaplan-Meier-Schätzer Ausgangssituation Zwei naive Ansätze zur Schätzung der Survivalfunktion Unverzerrte Schätzung der Survivalfunktion Der Kaplan-Meier-Schätzer Standardfehler und Konfidenzintervall

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch 1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt

Mehr

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

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen

Mehr

Lebensdauer eines x-jährigen

Lebensdauer eines x-jährigen Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................

Mehr

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

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Stetige Verteilungsmodelle

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

Mehr

Klassische Risikomodelle

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

Mehr

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

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

Mehr

Die Weibullanalyse mit Excel Kenngrößen für Zuverlässigkeit und Lebensdauer

Die Weibullanalyse mit Excel Kenngrößen für Zuverlässigkeit und Lebensdauer QUALITY-APPS Applikationen für das Qualitätsmanagement Die Weibullanalyse mit Excel Kenngrößen für Zuverlässigkeit und Lebensdauer Autor: Dr. Konrad Reuter Die Weibull-Verteilung ist ein statistisches

Mehr

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

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

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

, dt. $+ f(x) = , - + < x < +,  > 0.  2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) = 38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die

Mehr

Statistische Analyse von Ereigniszeiten

Statistische Analyse von Ereigniszeiten Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit

Mehr

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

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

UNIVERSITÄT POTSDAM Institut für Mathematik

UNIVERSITÄT POTSDAM Institut für Mathematik UNIVERSITÄT POTSDAM Institut für Mathematik Modellierung der Lebensdauer von Systemen Diplomarbeit Antonia Runge Mathematische Statistik und Wahrscheinlichkeitstheorie Universität Potsdam Institut für

Mehr

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse Schätzung Lifetime Values von Spenn mit Hilfe Überlebensanalyse Einführung in das Verfahren am Beispiel Einzugsgenehmigung Überlebensanalysen o Ereignisdatenanalysen behandeln das Problem, mit welcher

Mehr

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1 1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen

Mehr

Arbeitsblätter zum Fach. Sicherheitstechnik. Abschnitt: Zuverlässigkeit technischer Systeme

Arbeitsblätter zum Fach. Sicherheitstechnik. Abschnitt: Zuverlässigkeit technischer Systeme TU DRESDEN Institut für Verfahrenstechnik & Umwelttechnik Professur für Verfahrensautomatisierung Prof. Dr.-Ing. habil. Klöden Arbeitsblätter zum Fach Sicherheitstechnik Abschnitt: Zuverlässigkeit technischer

Mehr

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

Kursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig) ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

Mehr

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Modellgestützte Analyse und Optimierung Übungsblatt 4

Modellgestützte Analyse und Optimierung Übungsblatt 4 Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen

Mehr

Binäre abhängige Variablen

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

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

P( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X)

P( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X) Ich habe eine Frage zur Tschebyschew Ungleichung. In der Aufgabe 4 des Übungsblattes 3 benötigt man ja die Ungleichung. In diesem Falle war der Bereich (0, 20) symmetrisch um den Erwartungswert µ = 5.

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Lebenserwartung nach Sterbetafel 2003/2005

Lebenserwartung nach Sterbetafel 2003/2005 vollendetes Alter männlich weiblich 0 76,21 76,21 81,78 81,78 1 75,56 76,56 81,08 82,08 2 74,58 76,58 80,11 82,11 3 73,60 76,60 79,12 82,12 4 72,61 76,61 78,13 82,13 5 71,62 76,62 77,14 82,14 6 70,63 76,63

Mehr

Grundzüge der Ereignisdatenanalyse

Grundzüge der Ereignisdatenanalyse Grundzüge der Ereignisdatenanalyse Regressionsmodelle Sommersemester 2009 Regressionsmodelle Event History Analysis (1/48) Übersicht Wiederholung Exponential- und Weibull-Modell Weitere Modelle Regressionsmodelle

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen

Mehr

Schulinternes Curriculum. Mathematik

Schulinternes Curriculum. Mathematik Gymnasium Zitadelle Schulinternes Curriculum (G 8) Stand: Schuljahr 2012/13 Gymnasium Zitadelle Schulinternes Curriculum Seite 1 EF Eingeführtes Lehrbuch: Lambacher Schweizer 10 Einführungsphase Funktionen

Mehr

Schriftliche Abiturprüfung Leistungskursfach Mathematik

Schriftliche Abiturprüfung Leistungskursfach Mathematik Sächsisches Staatsministerium für Kultus Schuljahr 2000/01 Geltungsbereich: - Allgemein bildendes Gymnasium - Abendgymnasium und Kolleg - Schulfremde Prüfungsteilnehmer Schriftliche Abiturprüfung Leistungskursfach

Mehr

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

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

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Zuverlässigkeit und Lebensdauer

Zuverlässigkeit und Lebensdauer Zuverlässigkeit und Um was geht es? Die DIN fordert unter Designlenkung eine Überprüfung, ob die geforderte der Produkte erfüllt wird. Dies geht nur mit Hilfe der Statistik, d.h. mit der Weibull-Verteilung.

Mehr

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer

Mehr

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift:

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift: 20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Teil I Beschreibende Statistik 29

Teil I Beschreibende Statistik 29 Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................

Mehr

Name:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung

Mehr

Mean Time Between Failures (MTBF)

Mean Time Between Failures (MTBF) Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen

Mehr

3 Rechnungsgrundlagen in der Lebensversicherungsmathematik

3 Rechnungsgrundlagen in der Lebensversicherungsmathematik 3 Rechnungsgrundlagen in der Lebensversicherungsmathematik 3. Zins Ein- und Auszahlungen fallen zeitlich versetzt an, der VN (Versicherungsnehmer) zahlt die Prämie in der Regel vorschüssig ein, der VU

Mehr

Stochastische Modelle

Stochastische Modelle Klausur (Teilprüfung) zur Vorlesung Stochastische Modelle (WS04/05 Februar 2005, Dauer 90 Minuten) 1. Es sollen für eine Zufallsgröße X mit der Dichte Zufallszahlen generiert werden. (a) Zeigen Sie, dass

Mehr

Ein möglicher Unterrichtsgang

Ein möglicher Unterrichtsgang Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige

Mehr

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X

Mehr

Übersicht. VL Forschungsmethoden. Ereignisdatenanalyse

Übersicht. VL Forschungsmethoden. Ereignisdatenanalyse VL Forschungsmethoden Ereignisdatenanalyse 1 2 3 4 5 Übersicht VL Forschungsmethoden Event Data (1/45) Harold Macmillan, PM 1957-1963 The greatest challenge in politics: events, my dear boy, events Was

Mehr

3 Monte-Carlo-Simulationen

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

Mehr

Elementare Einführung in die Wahrscheinlichkeitsrechnung, Informationstheorie und stochastische Prozesse. Computer-Netzwerke

Elementare Einführung in die Wahrscheinlichkeitsrechnung, Informationstheorie und stochastische Prozesse. Computer-Netzwerke Informationstechnik Klaus-Dieter Thies Elementare Einführung in die Wahrscheinlichkeitsrechnung, Informationstheorie und stochastische Prozesse für Computer-Netzwerke Mit einer wahrscheinlichkeitstheoretischen

Mehr

Statistiktraining im Qualitätsmanagement

Statistiktraining im Qualitätsmanagement Gerhard Linß Statistiktraining im Qualitätsmanagement ISBN-0: -446-75- ISBN-: 978--446-75-4 Leserobe Weitere Informationen oder Bestellungen unter htt://www.hanser.de/978--446-75-4 sowie im Buchhandel

Mehr

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

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

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Statistische Modelle und Methoden in der Analyse von Lebenszeitdaten

Statistische Modelle und Methoden in der Analyse von Lebenszeitdaten Diplomstudiengang Mathematik DIPLOMARBEIT Statistische Modelle und Methoden in der Analyse von Lebenszeitdaten vorgelegt von: Patricia Glomb Betreuende Gutachterin: Zweitgutachter: Prof. Dr. Christine

Mehr

Originalklausur Abitur Mathematik

Originalklausur Abitur Mathematik Originalklausur Abitur Mathematik Bundesland: Nordrhein-Westfalen Jahrgang: 2009 Die Musterlösung zu dieser und über 100 weiteren Originalklausuren ab dem Abiturjahrgang 2006 finden Sie im Download-Center

Mehr

1 Stochastische Prozesse in stetiger Zeit

1 Stochastische Prozesse in stetiger Zeit 1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.

Mehr

Immer mehr Kinder kriegen Kinder Immer mehr Teenies treiben ab

Immer mehr Kinder kriegen Kinder Immer mehr Teenies treiben ab Immer mehr Kinder kriegen Kinder Immer mehr Teenies treiben ab Schwangerschaftsabbrüche bei Mädchen im Kindesalter haben auch 2002 in Deutschland weiter zugenommen Während die Zahl der Abtreibungen 2002

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen 6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,

Mehr

Kreditrisiko am Einzelgeschäft

Kreditrisiko am Einzelgeschäft Kapitel 6 Kreditrisiko am Einzelgeschäft In Kapitel 2 haben wir den Kosten für das Marktpreisrisiko gewidmet und kostenneutrale Strategien entwickelt. In einigen Situation konnten nur noch erwartete Kosten

Mehr

Einführung in die Statistik

Einführung in die Statistik Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in

Mehr

1. Mathematik-Schularbeit 6. Klasse AHS

1. Mathematik-Schularbeit 6. Klasse AHS . Mathematik-Schularbeit 6. Klasse AHS Arbeitszeit: 50 Minuten Lernstoff: Mathematische Grundkompetenzen: (Un-)Gleichungen und Gleichungssysteme: AG. Einfache Terme und Formeln aufstellen, umformen und

Mehr

Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende

Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

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

Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser

Mehr

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat

Mehr

Sinn und Unsinn von Schwachwindanlagen

Sinn und Unsinn von Schwachwindanlagen Sinn und Unsinn von Schwachwindanlagen Dr. - Ing. Detlef Ahlborn 9. März 2014 Zusammenfassung Im vorliegenden Artikel wird das Prinzip einer sogenannten Schwachwindanlage erläutert. Dabei wird betrachtet,

Mehr

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit

Commercial Banking. Kreditgeschäft 2. Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Commercial Banking Kreditgeschäft Bedingte marginale und kumulative Ausfallwahrscheinlichkeit Bedingte Marginale Ausfallwahrscheinlichkeit (BMAW t ) (Saunders: MMR ) prob (Ausfall in Periode t kein Ausfall

Mehr

Einführung in Statistik und Messwertanalyse für Physiker

Einführung in Statistik und Messwertanalyse für Physiker Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1

Mehr

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

Mehr

Elektronische Sicherheitssysteme

Elektronische Sicherheitssysteme Josef Börcsök Elektronische Sicherheitssysteme Hardwarekonzepte, Modelle und Berechnung f 2., überarbeitete Auflage Hüthig Verlag Heidelberg Inhaltsverzeichnis 1 Einleitung 1 1.1 Gründlegende Forderungen

Mehr

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt

Mehr

Statistik II für Betriebswirte Vorlesung 2

Statistik II für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander

Mehr

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.

Mehr

4. Kumulierte Häufigkeiten und Quantile

4. Kumulierte Häufigkeiten und Quantile 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung:

Mehr

1.3 Die Beurteilung von Testleistungen

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

Mehr

Z U O R D N U N G E N

Z U O R D N U N G E N A u f g a b e 1 Herr Knusper kauft 15 Brötchen und zahlt dafür 1,80. Herr Frisch kauft 6, Frau Sparsam nur 3 Brötchen. Frau Knabber zahlt 1,08. Nur Herr Geizig hungert lieber und kauft gar nicht ein. a)

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.) ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik

Mehr

Verteilungsfunktion und dquantile

Verteilungsfunktion und dquantile Statistik 1 für SoziologInnen Verteilungsfunktion und dquantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit die Kumulation inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal

Mehr

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

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

Mehr

Willkommen zur Vorlesung Statistik (Master)

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

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de

Mehr

Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME):

Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): MATRIKELNUMMER: Alte Prüfungsordnung/Neue Prüfungsordnung

Mehr

Die Binomialverteilung

Die Binomialverteilung Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel

Mehr

Geometrische Brownsche Bewegung und Brownsche Brücke

Geometrische Brownsche Bewegung und Brownsche Brücke Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing Dozentin: Prof. Dr. Christine Müller 17. April 2012 Korinna Griesing 1 (26) Inhalt Motivation Statistische Methoden Geometrische Brownsche

Mehr

Migration in Deutschland: Makroökonomische Szenarioanalyse der Auswirkungen auf den Beitragssatz der gesetzlichen Rentenversicherung

Migration in Deutschland: Makroökonomische Szenarioanalyse der Auswirkungen auf den Beitragssatz der gesetzlichen Rentenversicherung Migration in Deutschland: Makroökonomische Szenarioanalyse der Auswirkungen auf den Beitragssatz der gesetzlichen Rentenversicherung Valentin Vogt Lehrstuhl für Wirtschafts- und Unternehmensethik Ingolstadt

Mehr

Reaktorvergleich mittels Verweilzeitverteilung

Reaktorvergleich mittels Verweilzeitverteilung Reaktorvergleich mittels Verweilzeitverteilung Bericht für das Praktikum Chemieingenieurwesen I WS06/07 Studenten: Francisco José Guerra Millán fguerram@student.ethz.ch Andrea Michel michela@student.ethz.ch

Mehr

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen

Mehr