Anfänger-Praktikum I WS 11/12. Michael Seidling Timo Raab Enrico Mank. Praktikumsbericht: Galton-Brett

Größe: px
Ab Seite anzeigen:

Download "Anfänger-Praktikum I WS 11/12. Michael Seidling Timo Raab Enrico Mank. Praktikumsbericht: Galton-Brett"

Transkript

1 Anfänger-Praktikum I WS 11/12 Michael Seidling Timo Raab Enrico Mank Praktikumsbericht: Galton-Brett

2 Inhaltsverzeichnis Inhaltsverzeichnis I. Theoretische Grundlagen 2 1. Zentraler Grenzwertsatz 2 2. Binomialverteilung 2 3. Normalverteilung 2 4. Vertrauensbereich 4 5. Mittelwert 4 6. Varianz und Standardabweichung 4 II. Versuch 6 1. Durchführung 6 2. Aufbau eines Galton-Bretts 6 3. Wege der Kugeln 7 4. Messungen 9 III. Auswertung 10 IV. Fragen 14 V. Quellenverzeichnis Tabellen- und Bilderverzeichnis Quellen 15 1

3 3 NORMALVERTEILUNG Teil I. Theoretische Grundlagen 1. Zentraler Grenzwertsatz Der zentrale Grenzwertsatz besagt, dass die Summe einer gro en Zahl (n ) von unabhängigen, identisch verteilten Zufallsvariablen, bei endlicher Varianz normalverteilt ist. Da Messergebnisse auch als solche Zufallsvariablen angenommen werden können, hat das zur Folge, dass eine Messreihe mit vielen Messwerten eine Normalverteilung aufweist. Das ist auch der Grund für die besondere Bedeutung der Normalverteilung beim wissenschaftlichen Arbeiten. 2. Binomialverteilung Die Binomialverteilung beschreibt die Verteilung von unabhängigen Zufallsgrößen, die jeweils nur zwei mögliche Ergebnisse haben. Solche Zufallsgrößen werden auch Bernoulli- Variablen genannt. Diese Bedingung ist gerade durch den Versuch des Galton-Bretts gegeben, da die Kugel an einer Wegkreuzung jeweils nur einen von zwei gleichwertigen Wegen nehmen kann. Durch den speziellen Versuchsaufbau sind die Ergebnisse rein zufällig und unabhängig voneinander. Definiert ist die Funktion Binomialverteilung durch die Parameter n für die Anzahl der Versuche, k für das k-malige eintreffen des Ereignisses mit der Erfolgswahrscheinlichkeit p. 3. Normalverteilung B(k) = ( ) n p k (1 p) n k (1) k Die Normalverteilung, in Deutschland oft auch Gauß-Verteilung (nach Carl Friedrich Gauß) genannt, gibt die Verteilung einer großen Zahl von Zufallswerten (n ) an, da sie nach dem Zentralen Grenzwertsatz eben gerade normalverteilt sind. Sie lässt sich ausdrücken durch f(x) = 1 σ (x µ) 2 2π e 2σ 2 (2) wobei µ der Erwartungswert und σ die Standardabweichung ist. Abbildung (1) zeigt eine Normalverteilung mit unterschiedlichen Standardabweichungen. Eine kleinere Standardabweichung bedeutet, dass die Messwerte in einem kleineren Bereich um den Erwartungswert (bei x = 0) gestreut sind. 2

4 3 NORMALVERTEILUNG Abbildung 1: Normalverteilung mit unterschiedlicher Standardabweichung σ Die folgende Abbildung (2) zeigt eine Normalverteilung mit verschiedenen markierten Intervallen um den Erwartungswert. Diese Intervalle werden auch Vertrauensbereiche genannt, da sie angeben mit welcher Wahrscheinlichkeit eine Zufallsvariable in einen bestimmten Bereich um den Erwartungswert fällt. Abbildung 2: Normalverteilung mit den Vertrauensbereichen µ ± σ und µ ± 2σ Das Integral dieser Funktion muss ergibt 1, da die Gesamtwahrscheinlichkeit 100% 1 betragen muss. Hierbei ist σ eine Integrationskonstante, die Fläche unter der Kurve 2π auf 1 normiert. + f(x)dx = 1 σ 2π + e (x µ)2 2σ 2 dx = 1 (3) 3

5 6 VARIANZ UND STANDARDABWEICHUNG 4. Vertrauensbereich Der Vertrauensbereich ist der Bereich der Normalfunktion um den Erwartungswert µ, in dem man ein Ergebnis mit einer bestimmten Wahrscheinlichkeit erwartet. Er ergibt sich durch Integration der Funktion f(x) (vgl. Gleichung (3)) nur mit anderen Integrationsgrenzen. So ergibt sich zum Beispiel eine Wahrscheinlichkeit von 68.27%, dass der Wert innerhalb des Intervalls µ ± σ liegt. µ+σ µ σ µ+2σ µ 2σ µ+3σ µ 3σ f(x)dx = (4) f(x)dx = (5) f(x)dx = (6) Analog ergibt sich für das Intervall µ ± 2σ eine Wahrscheinlichkeit von 95.45%, im Intervall µ ± 3σ befinden sich mit 99.73% fast alle Messwerte. (7) 5. Mittelwert Der arithmetische Mittelwert x ist der Durchschnitt einer Messreihe (x 1, x 2,..., x n ). Bei N Messungen gilt: x = 1 N N x i (8) i=1 Der Mittelwert gibt also den Schwerpunkt an, um den die Daten schwanken. Bei Experimenten ist er sehr bedeutend, da er den beste Schätzwert der Messreihe für den Erwartungswert µ, also den, als wahr oder richtig angenommenen Wert der zu messenden Größe, angibt. 6. Varianz und Standardabweichung Ebenfalls wichtig für Messreihe bei Experimenten ist die Varianz; sie ist ein Maß für die Streuung der Messergebnisse vom Mittelwert. Ist der Erwartungswert µ bekannt gilt: var = 1 N N (x i µ) 2 (9) i=1 4

6 6 VARIANZ UND STANDARDABWEICHUNG Da die Varianz jedoch die Einheit der Messgröße zum Quadrat hat, wird oft die sogenannte Standardabweichung σ angegeben. Wegen var = σ 2 ist sie die Wurzel der Varianz. Ist der Erwartungswert nicht bekannt, sondern nur der Mittelwert berechnet sich die Standardabweichung wie folgt: σ = 1 N (x i x) N 1 2 (10) Sie bezeichnet die mittlere Abweichung der Einzelmessergebnisse vom Mittelwert; interessanter ist jedoch die Standardabweichung σ des Mittelwerts selbst, den sie wird als Fehler im Ergebnis mitangegeben. Oft liest man auch von der mittleren absoluten Messungenauigkeit. i=1 σ = σ x (11) N σ = 1 N (x i x i ) N(N 1) 2 (12) i=1 5

7 2 AUFBAU EINES GALTON-BRETTS Teil II. Versuch In dem Versuch soll die Binomialverteilung mit Hilfe eines Galton-Bretts gezeigt werden. 1. Durchführung Wir lassen zehn mal 256 Kugeln durch ein Galton-Brett laufen und zählen am Ende jeweils die Anzahl der Kugeln in jedem Fach. Auf die Besonderheiten des Galton-Bretts und über die möglichen Wege der Kugel werden in den folgenden Kapitelen eingegangen. 2. Aufbau eines Galton-Bretts Das Galton-Brett früher war ein Holzbrett, in welches Nägel so angebracht wurden, dass bei jeder Wegentscheidung einer Kugel solange ein neuer Nagel getroffen wurde, bis die Kugel in einem Fach landete. Unser Galton-Brett besteht nun aus drei Teilen, einem Kugelspeicher, damit man die Kugeln nicht einzeln in die Apparatur werfen muss, einem Labyrinth, das aus gefrästen Sechsecken besteht, wobei in jeder Stufe ein Sechseck hinzukommt, bis am Ende zehn Sechsecke sind und den Fächern am Ende des Labyrinths, in den die Kugeln dann fallen. Abbildung 3: Darstellung eines Galtonbretts 6

8 3 WEGE DER KUGELN 3. Wege der Kugeln Der Weg einer Kugel ist nur im Labyrinth des Galton-Bretts interessant, da er hier nicht vorgegeben ist. Abbildung 4: Darstellung des Secksecks Wenn die Kugel aus dem Lager fällt, trifft sie zunächst auf einen Prellstreuer. Aufgrund von Reibung und eines inelastischem Stoß kann die Kugel nicht nach oben zurück, sondern muss sich für einen Weg entscheiden. Dies kann man gut in Abbildung 4 sehen. Nach der Entscheidung fällt die Kugel dann in den sogenannten Prelltrichter, wovon sie wieder auf einen Prellstreuer fällt. Dies geschieht bei unserem Galton-Brett zehn mal, dann fällt die Kugel in ein Fach. Theoretisch könnte man unter idealen Bedingungen ist die Bewegung der Kugel im Labyrinth allein durch ihren Ort und ihren Impuls beim Eintritt vorherbestimmt. Praktisch ist dies aber nicht möglich, weshalb man auch keine Bewegungsgleichung aufstellen kann. Außerdem wachsen kleinste Störungen oder Unregelmäßigkeiten sehr schnell an, was zusätzlich die Vorhersage der Bewegung der Kugel unmöglich macht. Bei vielen Versuchen lässt sich allerdings wieder ein Muster erkennen. Solch eine Bewegung nennt man dann transcient chaotisch. Aufgrund all dieser Umstände können wir die Ablenkung am Prellstreuer als zufällig betrachten. Außerdem ist noch wichtig, dass die Ablenkung unabhängig vom bisherigen Weg ist, d.h. wenn eine Kugel neun mal nach links abgelenkt wurde, ist es trotzdem gleich wahrscheinlich, dass sie nach links oder rechts abgelenkt wird, wie wenn sie davor neun mal nach rechts abgelenkt wurde. Die Wahrscheinlichkeit, dass eine Kugel nach rechts abgelenkt wird, ist p, dass sie nach links abgelenkt wird ist (1-p). Im Idealfall gilt: p = (1 p) = 0, 5 (13) Wir können den Weg einer Kugel sehr gut durch eine Bit-Folge darstellen. Hier gilt für eine Ablenkung nach links das Bit =0, für eine Ablenkung nach rechts das Bit =1. Dies 7

9 3 WEGE DER KUGELN ist vor allem sinnvoll, da wir dadurch sehr schnell feststellen können, in welches Fach die Kugel fällt, da für jedes Fach nur eine Möglichkeit für die Anzahl der Rechts- und Linksablenkungen, also eine genaue Anzahl an 1en und 0en. Dies lässt sich am besten durch das folgende Bild (5) zeigen, indem ein möglicher Weg beschrieben wird. Abbildung 5: Möglicher Weg einer Kugel Für die Wahrscheinlichkeit, dass die Kugel genau diesen Weg nimmt gilt dann: p W eg = (1 p) N n p n (14) wobei gilt: N = Anzahl der Ablenkungen n = Anzahl der Rechtsablenkungen Da gilt (1-p) = p ist jeder Weg gleich wahrscheinlich, nämlich genau 1/1024. Allerdings gibt es je nach Fach verschieden viele Wege für die Kugel, um in dieses zu gelangen. So kann die Kugel nur in das Fach 0 kommen, wenn sie immer links abgelenkt wird. Für das Fach 1, muss die Kugel einmal nach rechts abgelenkt werden. Hier ist aber egal, wann dies geschieht, also gibt es für dieses Fach zehn mögliche Wege. Die Wahrscheinlichkeit in ein Fach zu gelangen lässt sich dann beschreiben durch: ( ) N p F ach (n) = (1 p) N n p n (15) n wobei gilt: N = Anzahl der Ablenkungen n = Anzahl der Rechtsablenkungen bzw. Fachnummer Für den Erwartungswert, also die erwartete Anzahl der Kugeln in einem Fach ergibt sich dann: wobei gilt: M = Anzahl der Kugeln E bin (n) = M p F ach (n) (16) 8

10 4 MESSUNGEN 4. Messungen In Tabelle (1) finden sich die Anzahl der Kugeln in den verschiedenen Versuchen wieder. Diese Messwerte werden in der Abbildung (6) dargestellt. Versuchsreihe Fach Tabelle 1: Messergebnisse des Versuchs Abbildung 6: Anzahl der Kugeln pro Fach in den Versuchsreihen 9

11 4 MESSUNGEN Teil III. Auswertung Hier werden zunächst Formeln gezeigt, mit denen wir verschiedene Sachen berechnen. Die Ergebnisse der Berechnungen werden in einer Tabelle am Ende des Formelblocks dargestellt. Zunächst berechnen wir die Mittelwerte der einzelnen Fächer nach dieser Formel: m(n) = 1 K K T (k, n) (17) k=1 wobei gilt: K = Anzahl der Versuche k = Anzahl der Kugeln im Fach n = Fach Der Vertrauensbereich wird durch diese Formel angegeben: σ m (n) = 1 K [T (k, n) m(n)] K(K 1) 2 (18) wobei alles wie oben gilt. Den Erwartungswert kann man entweder durch die Binomialverteilung nach Gleichung (16) oder durch die Normalverteilung nach folgender Gleichung angeben. k=1 wobei gilt: E Nor (n) = M 1 σ 2π (n µ) 2 e 2σ 2 (19) σ 2 = N p(1 p) (20) µ = N p (21) M = Anzahl der Kugeln n = Nummer des Faches N = 10 Stoßkantenzeilen In der folgenden Tabelle werden nun alle Daten zusammengefasst dargestellt: Die Daten der Tabelle (2) werden in diesem Histogramm dargestellt. Für die experimentelle Wahrscheinlichkeit benötigen wir zunächst die Anzahl der insgesamt möglichen Ablenkungen. Hierfür gilt, dass wir 256 Kugeln 10 mal durch das 10

12 4 MESSUNGEN Fach m(n) σ m (n) E bin E Nor 0 0,4 0,22 0,25 0,44 1 3,3 0,7 2,5 2, ,7 0,79 11,25 10, ,0 1, , ,4 1,75 52,5 52, ,0 2, , ,8 1,79 52,5 52, ,0 1, , ,1 0,69 11,25 10,68 9 3,6 0,58 2,5 2, ,7 0,4 0,25 0,44 Tabelle 2: Auswertung der Daten Labyrinth geschickt haben und diese jeweils 10 mal abgelenkt werden konnten. Dadurch gilt für die Gesamtzahl der Ablenkungen: T = = Für die Anzahl der Rechtsablenkungen summieren wir alle Kugeln in den jeweiligen Fächern bei jedem Versuch auf und multiplizieren diese dann mit der Fachnummer, da diese ja genau die Zahl der Rechtsablenkungen angibt. Es gilt dann für die Formel: ( ) 1 K T R = 0 n T (k, n) (22) wofür gilt: n = Fachnummer k = Versuchsreihe K = Anzahl der Versuche = 10 n=0 Bei uns gilt für T R = Für die experimentell ermittelte Wahrscheinlichkeit gilt dann: p R = T R T = = 0, 502 (23) Für die Varianz der Wahrscheinlichkeit gilt unter der Beachtung von T(T-1) T 2, da T sehr groß ist: σp 2 1 T = (x t p) 2 T (T 1) k=1 t=1 T L(0 p) 2 + T R (1 p) 2 (T L + T R ) 2 = T L T R (T L + T R ) 3 11

13 4 MESSUNGEN Abbildung 7: Histogramm Durch die Annäherung T L T R T/2 vereinfacht sich dieser Ausdruck zu σ p 1 2 T = 0, 003 (24) Für den wahren Wert von p können wir nun mit 68% Wahrscheinlichkeit angeben, dass er in dem Bereich: p = 0, 502 ± 0, 003 liegt Mit 95% Wahrscheinlichkeit können wir sagen, dass er im Bereich liegt. p = 0, 502 ± 0, 006 Für die Wahrscheinlichkeit, dass p > p + σ p, gilt, da es mit 68% Wahrscheinlichkeit in diesem Bereich liegt und wir nur die eine Hälfte der Glockenkurve betrachten müssen: 100% 68% 2 = 16% 12

14 4 MESSUNGEN Nun betrachten wir, wie viele Versuche wir ausführen müssten, um mit 95% Sicherheit einen Vertrauensbereich von p ± 0, 001 angeben zu können. Es gilt also: p = p + 2σ p = p + 0, 001 Daraus folgt für σ p = 0,001/2 = 0,0005 Nun können wir die Anzahl der dafür benötigten Ablenkungen nach Gleichung (24) berechnen: T = 1 4(σ p ) 2 = 106 (25) Da gilt T = K N M können wir nun die Gleichung nach K umstellen und die Anzahl der benötigten Versuche Berechnen. K = T N M Man muss also den Versuch 391 mal ausführen. = 390, (26) Als letzten Teil der Auswertung sollen wir noch den Mittelwert µ und die Standardabweichung σ der Binomialverteilung unter Beachtung der Fehlerfortpflanzung aus unserer gemessenen Wahrscheinlichkeit p berechnen. Für µ gilt nach Gleichung (21): µ = N p (27) = N (p R ± σ pr ) (28) = 10 (0, 502 ± 0, 003) (29) = 5, 02 ± 0, 03 (30) Für die Standardabweichung gilt nach Gleichung (20): Für den Fehler von σ gilt dann: σ = N p R (1 p R ) = 1, 581 ± δσ (31) δ σ = (σ p R p R + σ p R 1 p R (32) = 0, 030 Es gilt also: σ = 1, 581 ± 0,

15 4 MESSUNGEN Teil IV. Fragen Ein Versuch mit dem Galton-Brett liefert eine Verteilung der M = 256 Kugeln auf die N +1 = 11 Fächer. Wie viele solche Versuchsergebnisse sind möglich, wenn man a) die Kugeln unterscheidet bzw. b) die Kugeln nicht unterscheidet. a) Wenn man die Kugeln unterscheidet, gibt es insgesamt = , da es 11 Möglichkeit für jede der 256 Kugeln gibt. b) Wenn man die Kugeln nicht unterscheidet, also nur zählt, wie viele Kugeln in einem Fach sind, kann man dies berechnen durch: ( ) ( ) M + N 266 = = 4, (33) N 10 14

16 2 QUELLEN Teil V. Quellenverzeichnis 1. Tabellen- und Bilderverzeichnis Abbildung 1 Selbsterstellt Abbildung 2 Abbildung Lohse, Tobias Praktikumsbericht: Gakton- Brett WS09/10 Abbildung 3 Aus Anleitung übernommen, bzw. eigenes Foto Abbildung 4 Aus Anleitung übernommen Abbildung 5 Aus Anleitung übernommen Abbildung 6 Selbsterstellt Abbildung 7 Selbsterstellt Tabelle 1 Selbsterstellt Tabelle 2 Selbsterstellt 2. Quellen Demtröder, Wolfgang: Experimentalphysik 1, 5. Auflage, Springer Verlag, 2008 Fehlerrechnung des Anfänger Praktikums Versuchsanleitung Galton-Brett 15

Zufallsvariablen [random variable]

Zufallsvariablen [random variable] Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden

Mehr

Einführung in die Fehlerrechnung und Messdatenauswertung

Einführung in die Fehlerrechnung und Messdatenauswertung Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer

Mehr

Mathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung

Mathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent

Mehr

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind: Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die

Mehr

Anleitung: Standardabweichung

Anleitung: Standardabweichung Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen

Mehr

Einführung in die Fehlerrechnung

Einführung in die Fehlerrechnung 1 Einführung in die Fehlerrechnung liederung 1. Motivation. Fehlerarten 1. robe Fehler. Systematische Fehler 3. Zufällige Fehler 3. Rechnerische Erfassung der Messabweichungen 1. Fehlerabschätzung einmaliges

Mehr

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009 Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte

Mehr

Statistische Tests für unbekannte Parameter

Statistische Tests für unbekannte Parameter Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung

Mehr

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung? Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben

Mehr

Grundlagen der Statistik und Fehlerrechnung

Grundlagen der Statistik und Fehlerrechnung Physikalisches Grundpraktikum Teil 1 WS 2010/2011 Grundlagen der Statistik und Fehlerrechnung Stefan Diehl 28.02.2011 12.30 13.30 HS I 01.03.2011 12.30 13.30 CHEG18 Inhalt Grundbegriffe der Statistik Wahrscheinlichkeitsverteilungen

Mehr

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert

Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97. Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )

Mehr

Fehlerfortpflanzung. M. Schlup. 27. Mai 2011

Fehlerfortpflanzung. M. Schlup. 27. Mai 2011 Fehlerfortpflanzung M. Schlup 7. Mai 0 Wird eine nicht direkt messbare physikalische Grösse durch das Messen anderer Grössen ermittelt, so stellt sich die Frage, wie die Unsicherheitsschranke dieser nicht-messbaren

Mehr

Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec

Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch

Mehr

Anpassungstests VORGEHENSWEISE

Anpassungstests VORGEHENSWEISE Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel

Mehr

M13 Übungsaufgaben / pl

M13 Übungsaufgaben / pl Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr

Mehr

Bachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5

Mehr

Physikalische Übungen für Pharmazeuten

Physikalische Übungen für Pharmazeuten Helmholtz-Institut für Strahlen- und Kernphysik Seminar Physikalische Übungen für Pharmazeuten Ch. Wendel Max Becker Karsten Koop Dr. Christoph Wendel Übersicht Inhalt des Seminars Praktikum - Vorbereitung

Mehr

Vorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...

Vorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz... Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen

Mehr

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

9 Die Normalverteilung

9 Die Normalverteilung 9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,

Mehr

0, t 0,5

0, t 0,5 XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------

Mehr

Ü b u n g s b l a t t 13

Ü b u n g s b l a t t 13 Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben

Mehr

Varianz und Kovarianz

Varianz und Kovarianz KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]

Mehr

Die Varianz (Streuung) Definition

Die Varianz (Streuung) Definition Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig

Mehr

Stochastik für die Naturwissenschaften

Stochastik für die Naturwissenschaften Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,

Mehr

Hypothesentest, ein einfacher Zugang mit Würfeln

Hypothesentest, ein einfacher Zugang mit Würfeln R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne

Mehr

Wahrscheinlichkeitsrechnung und Quantentheorie

Wahrscheinlichkeitsrechnung und Quantentheorie Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten

Mehr

Fadenpendel (M1) Ziel des Versuches. Theoretischer Hintergrund

Fadenpendel (M1) Ziel des Versuches. Theoretischer Hintergrund Fadenpendel M) Ziel des Versuches Der Aufbau dieses Versuches ist denkbar einfach: eine Kugel hängt an einem Faden. Der Zusammenhang zwischen der Fadenlänge und der Schwingungsdauer ist nicht schwer zu

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31.

10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31. Bei einer Flaschenabfüllanlage ist die tatsächliche Füllmenge einer Flasche eine normalverteilte Zufallsvariable mit einer Standardabweichung = 3 [ml]. Eine Stichprobe vom Umfang N = 50 ergab den Stichprobenmittelwert

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche

Mehr

Dieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.

Dieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen. Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.

Mehr

Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp

Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und

Mehr

LK Lorentzkraft. Inhaltsverzeichnis. Moritz Stoll, Marcel Schmittfull (Gruppe 2) 25. April Einführung 2

LK Lorentzkraft. Inhaltsverzeichnis. Moritz Stoll, Marcel Schmittfull (Gruppe 2) 25. April Einführung 2 LK Lorentzkraft Blockpraktikum Frühjahr 2007 (Gruppe 2) 25. April 2007 Inhaltsverzeichnis 1 Einführung 2 2 Theoretische Grundlagen 2 2.1 Magnetfeld dünner Leiter und Spulen......... 2 2.2 Lorentzkraft........................

Mehr

Ü b u n g s b l a t t 10

Ü b u n g s b l a t t 10 Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben

Mehr

Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion

Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere

Mehr

Messtechnische Grundlagen und Fehlerbetrachtung. (inkl. Fehlerrechnung)

Messtechnische Grundlagen und Fehlerbetrachtung. (inkl. Fehlerrechnung) Messtechnische Grundlagen und Fehlerbetrachtung (inkl. Fehlerrechnung) Länge Masse Zeit Elektrische Stromstärke Thermodynamische Temperatur Lichtstärke Stoffmenge Basisgrößen des SI-Systems Meter (m) Kilogramm

Mehr

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5

Inhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5 Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung

Mehr

Übungsaufgaben zu Statistik II

Übungsaufgaben zu Statistik II Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben

Mehr

Basistext - Wahrscheinlichkeitsrechnung

Basistext - Wahrscheinlichkeitsrechnung Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.

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

k np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr

k np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p

Mehr

Methodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg

Methodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft

Mehr

Kapitel VI - Lage- und Streuungsparameter

Kapitel VI - Lage- und Streuungsparameter Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie

Mehr

Würfel-Aufgabe Bayern LK 2006

Würfel-Aufgabe Bayern LK 2006 Würfel-Aufgabe Bayern LK 2006 Die Firma VEGAS hat ein neues Gesellschaftsspiel entwickelt, bei dem neben Laplace-Würfeln auch spezielle Vegas-Würfel verwendet werden, die sich äußerlich von den Laplace-Würfeln

Mehr

10. Die Normalverteilungsannahme

10. Die Normalverteilungsannahme 10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man

Mehr

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch 6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Übungen für die kompetenzbasierte Abschlussprüfung 1. 60 Äpfel wurden gewogen und die Ergebnisse in einem Boxplot-Diagramm dargestellt. Ergänzen Sie die folgenden

Mehr

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s 4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Messunsicherheit und Fehlerrechnung

Messunsicherheit und Fehlerrechnung Messunsicherheit und Fehlerrechnung p. 1/25 Messunsicherheit und Fehlerrechnung Kurzeinführung Peter Riegler p.riegler@fh-wolfenbuettel.de Fachhochschule Braunschweig/Wolfenbüttel Messunsicherheit und

Mehr

Kenngrößen von Zufallsvariablen

Kenngrößen von Zufallsvariablen Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte

Mehr

Grundlegende Eigenschaften von Punktschätzern

Grundlegende Eigenschaften von Punktschätzern Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur

Mehr

Kapitel 2 Wahrscheinlichkeitsrechnung

Kapitel 2 Wahrscheinlichkeitsrechnung Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt

Mehr

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen 6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei

Mehr

Übungen mit dem Applet Vergleich von zwei Mittelwerten

Übungen mit dem Applet Vergleich von zwei Mittelwerten Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung

Mehr

Physikprotokoll: Fehlerrechnung. Martin Henning / Torben Zech / Abdurrahman Namdar / Juni 2006

Physikprotokoll: Fehlerrechnung. Martin Henning / Torben Zech / Abdurrahman Namdar / Juni 2006 Physikprotokoll: Fehlerrechnung Martin Henning / 736150 Torben Zech / 7388450 Abdurrahman Namdar / 739068 1. Juni 2006 1 Inhaltsverzeichnis 1 Einleitung 3 2 Vorbereitungen 3 3 Messungen und Auswertungen

Mehr

4 Diskrete Wahrscheinlichkeitsverteilungen

4 Diskrete Wahrscheinlichkeitsverteilungen 4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder

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

Übungsblatt 9. f(x) = e x, für 0 x

Übungsblatt 9. f(x) = e x, für 0 x Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable

Mehr

Jost Reinecke. 7. Juni 2005

Jost Reinecke. 7. Juni 2005 Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung

Mehr

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,

Mehr

P (X = 2) = 1/36, P (X = 3) = 2/36,...

P (X = 2) = 1/36, P (X = 3) = 2/36,... 2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel

Mehr

8. Konfidenzintervalle und Hypothesentests

8. Konfidenzintervalle und Hypothesentests 8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars

Mehr

Willkommen zur Vorlesung Statistik (Master)

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

Mehr

Was ist Physik? Modell der Natur universell es war schon immer so

Was ist Physik? Modell der Natur universell es war schon immer so Was ist Physik? Modell der Natur universell es war schon immer so Kultur Aus was sind wir gemacht? Ursprung und Aufbau der Materie Von wo/was kommen wir? Ursprung und Aufbau von Raum und Zeit Wirtschaft

Mehr

Statistik-Klausur vom

Statistik-Klausur vom Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen

Mehr

Übung 1: Wiederholung Wahrscheinlichkeitstheorie

Übung 1: Wiederholung Wahrscheinlichkeitstheorie Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable

Mehr

Zum Begriff des Erwartungswertes

Zum Begriff des Erwartungswertes Zum Begriff des Erwartungswertes Wie man den Erwartungswert in der Schule einführt! Christopher Hirsch Institut für Mathematik Humboldt-Universität zu Berlin 13. Juli 2010 Das Wissensquiz 1. Die Aufgabe

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie und Statistik vom INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen

Mehr

Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen

Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller

Mehr

Über den Autor 7. Teil Beschreibende Statistik 29

Über den Autor 7. Teil Beschreibende Statistik 29 Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:

Mehr

11. Nichtparametrische Tests

11. Nichtparametrische Tests 11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann

Mehr

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie

Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Martin Hutzenthaler & Dirk Metzler 11. Mai 2011 Inhaltsverzeichnis 1 Deterministische und zufällige

Mehr

Diskrete Wahrscheinlichkeitstheorie - Probeklausur

Diskrete Wahrscheinlichkeitstheorie - Probeklausur Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten

Mehr

Anleitung zum Java - Applet

Anleitung zum Java - Applet Anleitung zum Java - Applet Stetige Verteilungen Visualisierung von Wahrscheinlichkeit und Zufallsstreubereich bearbeitet von: WS 2004 / 2005 E/TI 7 betreut von: Prof. Dr. Wilhelm Kleppmann Inhaltsverzeichnis

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

K8 Stetige Zufallsvariablen Theorie und Praxis

K8 Stetige Zufallsvariablen Theorie und Praxis K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R

Mehr

Statistik II. Statistische Tests. Statistik II

Statistik II. Statistische Tests. Statistik II Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen

Mehr

Kapitel 2. Fehlerrechnung

Kapitel 2. Fehlerrechnung Fehlerrechnung 1 Messungen => quantitative Aussagen Messungen müssen zu jeder Zeit und an jedem Ort zu den gleichen Ergebnissen führen Messungen sind immer mit Fehler behaftet. => Angabe des Fehlers! Bespiel

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

Statistik, Datenanalyse und Simulation

Statistik, Datenanalyse und Simulation Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der

Mehr

Einfache Varianzanalyse für unabhängige Stichproben

Einfache Varianzanalyse für unabhängige Stichproben Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,

Mehr

313 Statistische Verteilungen (Computer-Simulation)

313 Statistische Verteilungen (Computer-Simulation) 313 Statistische Verteilungen (Computer-Simulation) 1. Aufgaben 1.1 Berechnen Sie in Vorbereitung dieses Versuches einige Beispiele für Binomial-, Poisson- und Normalverteilungen (Übungsaufgaben 1-3, Abschnitt.

Mehr

Stochastik für die Naturwissenschaften

Stochastik für die Naturwissenschaften Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 5. Erwartungswert E und Varianz V Literatur Kapitel 5 * Storrer: (37.9)-(37.12), (38.4), (40.6)-(40.9), (41.2) * Stahel: Kapitel 5 und 6 (nur

Mehr

Brückenkurs Statistik für Wirtschaftswissenschaften

Brückenkurs Statistik für Wirtschaftswissenschaften Peter von der Lippe Brückenkurs tatistik für Wirtschaftswissenschaften Lösungen UVK Verlagsgesellschaft mbh Konstanz mit UVK/Lucius München Brückenkurs tatistik für Wirtschaftswissenschaften: Lösungen

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über

Mehr

2. Übung zur Vorlesung Statistik 2

2. Übung zur Vorlesung Statistik 2 2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen

Mehr

Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I. WS 2009/2010 Kapitel 2.0

Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I. WS 2009/2010 Kapitel 2.0 Methoden der Werkstoffprüfung Kapitel II Statistische Verfahren I WS 009/010 Kapitel.0 Schritt 1: Bestimmen der relevanten Kenngrößen Kennwerte Einflussgrößen Typ A/Typ B einzeln im ersten Schritt werden

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

Statistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage

Statistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt

Mehr

Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 131/2006, 19-21

Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 131/2006, 19-21 Der T-Test in Excel NORBERT BRUNNER und MANFRED KÜHLEITNER Ein häufiges Problem ist der Vergleich eines beobachteten Stichprobenmittelwerts mit einem Sollwert. Dabei wird der T-Test angewandt. Wir zeigen

Mehr