Rechnernutzung in der Physik
|
|
- Arwed Keller
- vor 6 Jahren
- Abrufe
Transkript
1 Rechnernutzung in der Physik Teil 3 Statistische Methoden in der Datenanalyse Roger Wolf 15. Dezember 215 INSTITUTE OF EXPERIMENTAL PARTICLE PHYSICS (IEKP) PHYSICS FACULTY KIT University of the State of Baden-Wuerttemberg and National Research Center of the Helmholtz Association Grundlagen der Wahrscheinlichkeitstheorie, Werkzeuge zur statistischen Datenanalyse Gängige Wahrscheinlichkeitsverteilungen Monte-Carlo Methoden Parameterschätzung Hypothesentests
2 Zusammenfassung Kapiel 3.1: Grundlagen der Wahrscheinlichkeitstheorie Rolle der Statistik in der modernen Physik. Ergebnisraum, Ereignisraum, Wahrscheinlichkeitsverteilung. 2 Bedingte Wahrscheinlichkeit, Satz von der totalen Wahrscheinlichkeit, Unabhägigkeit zweier Ereignisse. Interpretation von (Zufalls-)Experimenten und stochastische Modelle.
3 Zusammenfassung Kapiel 3.2: Werkzeuge zur statistischen Datenanalyse 3 ROOT: C++-Framework zur Datenanalyse: Erste Schritte/Dokumentation. (Software-)Modell zur Datenspeicherung (ROOT-Tree). Darstellung von Daten: Graphen, Histogramme. Funktionen und Anpassung von Funktionen. ROOT-basierte weiterführende Analysepakete. Python Bibliotheken als Alternative zu ROOT.
4 Kapiel 3.3: Charakterisierung von Wahrscheinlichkeitsverteilungen 4
5 Wahrscheinlichkeitsverteilung Eine auf dem Ereignisraum definierte Funktion (1) heißt Wahrscheinlichkeitsverteilung über dem Ergebnisraum die folgenden Eigenschaften erfüllt: 5 Für jedes Ereignis gilt ( Nichtnegativität). Für die Wahrscheinlichkeit zweier disjunkter Ereignisse gilt: ( Linearität). Die Wahrscheinlichkeit (1) Beachte: Interpretation der Wahrscheinlichkeitsverteilung!, wenn sie und ( ) (Normierungsbedingung).
6 Zufallsvariable & Wahrscheinlichkeitsdichte 6 Für unsere weiteren Betrachtungen stellen Sie sich die Erfassung der Körpergröße von 5 männlichen Einwohnern über 18 Jahre in Karlsruhe vor. ist eine (kontinuierlich verteilte) Zufallsvariable, deren Wert jeweils der Ergebnis eines Zufallsexperiments ist. Mit Hilfe der Methoden, die Sie in der letzten Vorlesung kennengelernt haben können sie die Meßreihe in Form von Histogrammen erfassen: (2) Normiert auf 1 und geteilt durch die bin-breite 5 Erfassungen(2) cm in 15 bins
7 Zufallsvariable & Wahrscheinlichkeitsdichte 7 Für unsere weiteren Betrachtungen stellen Sie sich die Erfassung der Körpergröße von 5 männlichen Einwohnern über 18 Jahre in Karlsruhe vor. ist eine (kontinuierlich verteilte) Zufallsvariable, deren Wert jeweils der Ergebnis eines Zufallsexperiments ist. Mit Hilfe der Methoden, die Sie in der letzten Vorlesung kennengelernt haben können sie die Meßreihe in Form von Histogrammen erfassen: (2) Normiert auf 1 und geteilt durch die bin-breite 5 Erfassungen(2) 5 Erfassungen cm in 45 bins cm in 15 bins
8 Zufallsvariable & Wahrscheinlichkeitsdichte 8 Für unsere weiteren Betrachtungen stellen Sie sich die Erfassung der Körpergröße von 5 männlichen Einwohnern über 18 Jahre in Karlsruhe vor. ist eine (kontinuierlich verteilte) Zufallsvariable, deren Wert jeweils der Ergebnis eines Zufallsexperiments ist. Mit Hilfe der Methoden, die Sie in der letzten Vorlesung kennengelernt haben können sie die Meßreihe in Form von Histogrammen erfassen: (2) Normiert auf 1 und geteilt durch die bin-breite 5 Erfassungen(2) 5 Erfassungen cm in 9 bins 5 Erfassungen cm in 45 bins cm in 15 bins
9 Zufallsvariable & Wahrscheinlichkeitsdichte 9 Für unsere weiteren Betrachtungen stellen Sie sich die Erfassung der Körpergröße von 5 männlichen Einwohnern über 18 Jahre in Karlsruhe vor. ist eine (kontinuierlich verteilte) Zufallsvariable, deren Wert jeweils der Ergebnis eines Zufallsexperiments ist. Mit Hilfe der Methoden, die Sie in der letzten Vorlesung kennengelernt haben können sie die Meßreihe in Form von Histogrammen erfassen: 5 Erfassungen(2) 5 Erfassungen cm in 9 bins 5 Erfassungen cm in 45 bins cm in 15 bins Wahrscheinlichkeitsdichte: (2) Normiert auf 1 und geteilt durch die bin-breite Wahrscheinlichkeitsdichte
10 Wahrscheinlichkeitsdichte Ist eine kontinuierliche verteilte Zufallsvariable und die Wahrscheinlichkeitsverteilung über der Ergebnisraum stetig in differenzierbar dann bezeichnen wir: Als Wahrscheinlichkeitsdichtefunktion von. Wahrscheinlichkeitsdichte 1 kumulative Wahrscheinlichkeitsdichte
11 NB: Beachten Sie: die Wahrscheinlichkeit für das Ereignis erhalten Sie nicht als sondern aus den Integral: Wahrscheinlichkeitsdichte 11 kumulative Wahrscheinlichkeitsdichte
12 NB: Beachten Sie: die Wahrscheinlichkeit für das Ereignis erhalten Sie nicht als sondern aus den Integral: NNB: Wahrscheinlichkeitsdichten können kontinuierlich oder diskret verteilt sein. Im diskreten Fall ersetze jedes Integral durch eine Summe über den endlichen Ergebnisraum. Wahrscheinlichkeitsdichte 12 kumulative Wahrscheinlichkeitsdichte
13 Quantilen Zur Charakterisierung der kumulativen Wahrscheinlichkeitsdichte: Quantile(α) 21 Quantil der Ordnung ( -Punkt): (Umkehrfunktion von 2 19 Beispiele: Median ( Rankings von Klausurergebnissen. 18 ). Hypothesen-Tests (z.b. auch in Qualitätskontrollen) α )
14 Lagemaß Charakterisierung der Wahrscheinlichkeitsdichte: p(x) 1 (3) Modus.9 Maximum der Verteilung (= wahrscheinlichster Wert) einfach. Median.8 Modus: Erwartungswert.7 Median ( ): Gleich viele Werte,, größer als auch kleiner als robust ): Abgeschätzt durch das arithmetische Mittel..3 Erwartungswert ( (3) Beispiel: Log-Normalverteilung (siehe Folie XY) Das Beispiel auf der rechten Seite zeigt: diese drei Maße müssen nicht gleich sein. 5 x
15 Erwartungswert Bekannteste Größe zur Charakterisierung der Wahrscheinlichkeitsdichte: (kontinuierlich) Bemerkungen: 15 (diskret) für eine vorgegebene Wahrscheinlichkeitsdichte (-verteilung) ist eine Zahl und keine Funktion von (andere gänige Bezeichnungen auch:, ). Verallgemeinerung: Erwartungswert einer Funktion Erwartungswert ist linear in x:
16 Algebraische Momente - Varianz Verallgemeinerung des Erwartungswertes: n-tes (algebraisches) Moment um Spezialfall: -tes Moment: 1-tes Moment: 2-tes Moment: (Varianz) 16 heißt Standardabweichung.
17 Mehrdimensionale Verteilungen Der Ausgang einer Messung kann durch mehrere Zufallsgrößen charakterisiert sein (z.b. Körpergröße und Alter). In diesem Fall ist auch die Wahrscheinlichkeitsdichte mehrdimensional. : : (4) (Normierung) (kumulativ ) 17 (4) Für diskrete Verteilung ersetze Integrale durch Summen. A B
18 Randverteilungen Ausintegrieren einer der Zufallsvariablen: px (x) (Randverteilung).7.6 (kumulativ ) Ausintegrieren von (manchmal unbekannten) Zufallsgrößen: Marginalisierung. Dimension der Wahrscheinlichkeitsdichte in typischen Problemen (z.b. der Teilchenphysik):..1 py (y).2 Im Englischen: maringal distribution A x Projektion auf x-achse B y Projektion auf y-achse 18
19 Bedingte Wahrscheinlichkeit (2d) Integration in einem Interval : (Bedingte W'dichte) 19 Das Bsp rechts zeigt, daß sich für und verschiedene Wahrscheinlichkeitsdichten ergeben können. Als Verallgemeinerung zum 1-dim Fall gilt für die Randverteilung: Sind die zwei Zufallsvariablen und unabhängig, dann gilt für die Wahrscheinlichkeitsdichte:
20 Kovarianz Zur Beschreibung der Beziehung zweier Variablen zueinander führen wir die Kovarianz analog zur Varianz ein: (Varianz ) (Kovarianz) Bemerkungen: heißt Kovarianzmatrix. 2 is symmetrisch (d.h. es gibt immer eine Hauptachsentransformation ). heißt Korrelationskoeffizient. nimmt Werte in also. (5) Siehe letzte Anmerkung der voherigen Folie. an. Für unabhängige Zufallsvariablen gilt: (5)
21 Korrelation (anschaulich) Positive Korrelation: Negative Korrelation: Welche Korrelation? 21
22 Korrelation (anschaulich) Positive Korrelation: Negative Korrelation: Keine Korrelation!(6) 22 (6) Analog zum Erwartungwert (siehe Tafelbild...).
23 Korrelation (anschaulich) Positive Korrelation: Negative Korrelation: Unkorreliert Korreliert Keine Korrelation! kausal verknüpft! Korrelation kann zufällig sein. möglich. möglich. 23 unabhängig! möglich.
24 Funktionen von Zufallsvariablen Nehmen Sie an die Wahrscheinlichkeitsdichte für die Zufallsvariable bekannt. Wie sieht die Wahrscheinlichkeitsdichte für eine Funktion Beispiel: Sie haben den Durchmesser,, eines Kreises gemessen. Für Wie sieht für die Kreisfläche aus? 24 sei aus? Erhaltung der Wahrscheinlichkeit: haben Sie ein Modell. Absolutbetrag stellt sicher, daß positiv semi-definit ist.
25 Funktionen von Zufallsvariablen Nehmen Sie an die Wahrscheinlichkeitsdichte für die Zufallsvariable bekannt. Wie sieht die Wahrscheinlichkeitsdichte für eine Funktion Beispiel: Sie haben den Durchmesser,, eines Kreises gemessen. Für Wie sieht für die Kreisfläche aus? sei aus? Erhaltung der Wahrscheinlichkeit: haben Sie ein Modell. Absolutbetrag stellt sicher, daß positiv semi-definit ist. Für mehrdimensionale Wahrscheinlichkeitsdichten wird zur Jacobi Matrix: 25
26 Funktionen von Zufallsvariablen Nehmen Sie an die Wahrscheinlichkeitsdichte für die Zufallsvariable bekannt. Wie sieht die Wahrscheinlichkeitsdichte für eine Funktion Beispiel: Sie haben den Durchmesser,, eines Kreises gemessen. Für Wie sieht für die Kreisfläche aus? sei aus? Erhaltung der Wahrscheinlichkeit: haben Sie ein Modell. Absolutbetrag, um sicher zu stellen, daß positiv semi-definit ist. Für mehrdimensional wahrscheinlichkeitsdichten wird zur Jacobi Matrix: 26
27 Gaußsche Fehlerfortpflanzung Nehmen Sie an Sie hätten einen Vektor,, von Zufallsvariablen, deren Wahrscheinlichkeitsdichten Ihnen nicht bekannt sind. Sie kennen jedoch den Vektor der Erwartungwerte,, und die Kovarianzmatrix,. Wie erhalten Sie eine Abschätzung für? Nach Taylor-Entwicklung: (Erwartungswert) (Varianz) Und für einen Vektor von Funktionen erhalten Sie die Korrelationsmatrix entsprechend: (Kovarianz) 27
28 Gaußsche Fehlerfortpflanzung Wichtige Spezialfälle: : (einfacher Fehler von Summen) : (einfacher Fehler von Produkten) Für diese Beispiele haben wir die Annahme gemacht, dass bereits in führender Ordnung durch eine Taylor-Entwicklung beschrieben werden kann. Wenn linear ist ist diese Näherung exakt. Sie wird jedoch immer schlechter, je nicht-linearer das Verhalten von wird (Bsp.: ). Im Zweifel Monte Carlo Methoden besser geignet zur Abschätzung von Unsicherheiten und (v.a.) Korrelationen (oft Methode der Wahl in der Praxis)., : (binomische Fehlerfortpflanzung) Wenn Sie die Fehlerrechnung selbst machen wollen, vergewissern sie sich, daß und unkorreliert sind (was ist ihre jeweilige Bedeutung?). Wenden Sie dann die Fehlerrechnung stur an. Berechnen Sie auch den Korrelationskoeffizienten zwischen und. 28
29 Zusammenfassung Kapiel 3.3: Charakterisierung von Wahrscheinlichkeitsverteilungen 29 Zufallsvariablen und Wahrscheinlichkeitsdichten. Charakterisierung durch Quantilen, Lagemaß. Erwartungswert, algebraische Momente, Varianz. Mehrdimensionale Wahrscheinlickeitsdichten, Kovarianz, Korrelationen. Funktionen von Zufallsvariablen, Gaußsche Fehlerfortpflanzung.
30 Kapiel 3.4: Beispiele gängiger Wahrscheinlichdichteverteilungen 3
31 Uniforme Verteilung Gleichverteilte Zufallszahlen (jeder Wert unabhängig & gleichwertig): U(x).8 [4., 6.] [3., 7.] [2., 8.] [1., 9.].7 (Erwartungswert).6.5 (Varianz).4.3 NB: jede beliebig verteilte Zufallsvariable läßt sich auf eine uniform verteilte Zufallsvariable transformieren (für ) x Jeder Beginn einer Mote Carlo Integration. Allgemeinster prior einer Bayesianischen likelihood Abschätzung.
32 Exponentialverteilung Differenz von Zufallszahlen gleichverteilt (jede Differenz(!) unabhängig & gleichwertig): exp(x, λ) 1 λ=.5.9 λ=1. λ=2..8 (Erwartungswert).7 (Varianz).6 λ=5..5 NB: Klassisches Beispiel: radioaktiver Zerfall. In diesem Bild entspricht der Lebensdauer des Präparats x
33 Exponentialverteilung Differenz von Zufallszahlen gleichverteilt (jede Differenz(!) unabhängig & gleichwertig): exp(x, λ) 1 λ=.5.9 λ=1. λ=2..8 (Erwartungswert).7 (Varianz).6 λ= NB: Klassisches Beispiel: radioaktiver Zerfall. In diesem Bild entspricht der Lebensdauer des Präparats. Alle Differenzen gleich und klein x Alle Differenzen gleich und groß. 33
34 Binomialverteilung Günstige/mögliche Ereignisse (jeder Wert unabhängig aber nicht mehr gleichwertig): B(p, n, k) (Erwartungswert) (Varianz).5 p=.5, n=5 p=.5, n=1 p=.5, n=2 p=.5, n= NB: Verteilung von nicht mehr gleich sondern folgt Wahrscheinlichkeit k
35 Poissonverteilung Günstige/mögliche Ereignisse (jeder Wert unabhängig aber nicht mehr gleichwertig): P(μ, k).3 μ=2. μ=5. μ=1. μ= (Erwartungswert).2 (Varianz).15 NB: entspricht Binomialverteilung im Grenzwert, (Beweis, siehe nächste Folie) k
36 Binomial- Poissonverteilung 36
37 Zentraler Grenzwertsatz Betrachte einen Ereignisraum mit unbabhängigen Zufallsvariablen (=Experimentausgängen) der Länge. Die mögen dabei einer beliebigen(!) identischen Wahrscheinlicheitsverteilung mit endlichem Erwartungswert und endlicher Varianz folgen. Dann folgt die Zufallsvariable für den Grenzübergang und Varianz. 37 einer Normalverteilung mit Erwartungwert
38 .2 Binomialverteilung: P(μ, k) B(p, n, k) Zentraler Grenzwertsatz (in action) B(p, n, k) φ(x=k, μ=1, σ 2=9) P(μ, k) φ(x=k, μ=1, σ 2=1) Poissonverteilung: k k Normalverteilung (universell!) 38
39 Normalverteilung Summe vieler, unabhängiger, identisch verteilter Messungen: φ(x, μ, σ ) 1 μ=., σ =.5 μ=., σ =1. μ=., σ =2. μ=1., σ = (Erwartungswert).7 (Varianz) x
40 Log-Normalverteilung Produkt vieler, unabhängiger, identisch verteilter Messungen: f(x, σ, μ) 1 μ=., σ =.5 μ=., σ =1. μ=., σ =1.5 μ=1., σ = (Erwartungswert).7 (Varianz).6.5 NB: Variablensubstitution: führt Log-Normalverteilung in Normalverteilung über: x
41 -Verteilung Der Logarithmus der Normalverteilung ist (bis auf eine Konstante) χ2 (x, n) (Gammafunktion) (Erwartungswert) (Varianz) verteilt:.5 n=1.45 n=2 n=5.4 n= NB: Die Summe der Quadrate von verteilten Zufallsgrößen.15 normal-.1.5 ist -verteilt. Die Zahl heißt Freiheitsgrad. Sie entspricht der Anzahl unabhängiger Normalverteilungen x
42 Kapiel 3.4: Beispiele gängiger Wahrscheinlichdichteverteilungen 42 Uniforme Verteilung, Exponentialverteilung ( jeder Experimentausgang gleichwertig). Binomialverteilung, Poissonverteilung ( unterscheide günstige/mögliche Experimentausgänge). Normalverteilung, Log-Normalverteilung, -Verteilung ( viele unabhängige Messungen mit einem bestimmten Ausgang, in einem bestimmten Intervall ).
8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrKapitel 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
MehrDie 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
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
MehrETWR 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
MehrDatenanalyse. (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
MehrÜber 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:
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrÜbungsblatt 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
MehrKeine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrWas 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
Mehr1 Zahlen... 1 1.1 Anzahlen... 1 1.2 Reelle Zahlen... 10 1.3 Dokumentation von Messwerten... 12 1.4 Ausgewählte Übungsaufgaben...
Inhaltsverzeichnis 1 Zahlen... 1 1.1 Anzahlen... 1 1.2 Reelle Zahlen... 10 1.3 Dokumentation von Messwerten... 12 1.4 Ausgewählte Übungsaufgaben... 14 2 Beschreibende Statistik... 15 2.1 Merkmale und ihre
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2002 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit..................................
Mehr9 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,
MehrBachelor 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
MehrMathematische 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+
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
MehrKapitel 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
MehrVorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:
MehrK8 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
MehrBegriffe aus der Informatik Nachrichten
Begriffe aus der Informatik Nachrichten Gerhard Goos definiert in Vorlesungen über Informatik, Band 1, 1995 Springer-Verlag Berlin Heidelberg: Die Darstellung einer Mitteilung durch die zeitliche Veränderung
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrKlausur 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
MehrKapitel 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
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
2013-11-13 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL I Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Literatur Eindimensionaler Fall: Grundbegriffe Wahrscheinlichkeitsverteilungen:
MehrScheinklausur 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
MehrSimulationsmethoden in der Bayes-Statistik
Simulationsmethoden in der Bayes-Statistik Hansruedi Künsch Seminar für Statistik, ETH Zürich 6. Juni 2012 Inhalt Warum Simulation? Modellspezifikation Markovketten Monte Carlo Simulation im Raum der Sprungfunktionen
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrÜbungsaufgaben 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
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
Mehrdiskrete und kontinuierliche Verteilungen
Vorlesung: Computergestützte Datenauswertung Wahrscheinlichkeit, Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik diskrete und kontinuierliche Verteilungen SS '16 KIT Die Forschungsuniversität
MehrMuster für einen Studienbericht (in Auszügen) im Fach Mathematik LK
Muster für einen Studienbericht (in Auszügen) im Fach Mathematik LK Name: Zur Vorbereitung verwendetes Hilfsmittel GTR (Modell und Typbezeichnung sind vom Bewerber anzugeben. ) (Modell und Typ sind mit
MehrStetige 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
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrStatistische 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
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrStatistik für Psychologen und Sozialwissenschaftler
Markus Bühner Matthias Ziegler Statistik für Psychologen und Sozialwissenschaftler Mit über 480 Abbildungen PEARSON Studium Ein Imprint von Pearson Education München Boston San Francisco Harlow, England
MehrLEHRPLAN MATHEMATIK SPORT- UND MUSIKKLASSE
LEHRPLAN MATHEMATIK SPORT- UND MUSIKKLASSE STUNDENDOTATION GF EF 3. KLASSE 1. SEM. 4 2. SEM. 4 4. KLASSE 1. SEM. 3 2. SEM. 3 5. KLASSE 1. SEM. 3 2. SEM. 3 6. KLASSE 1. SEM. 3 2 2. SEM. 3 2 7. KLASSE 1.
MehrBeispiel: Zweidimensionale Normalverteilung I
10 Mehrdimensionale Zufallsvariablen Bedingte Verteilungen 10.6 Beispiel: Zweidimensionale Normalverteilung I Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale (multivariate) Normalverteilung
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
MehrMathematik 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
MehrStatistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer 07621 203 7612 E-Mail:
MehrÜbungsrunde 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
Mehr6. 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,
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrEinführung 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
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrBedingte Wahrscheinlichkeiten und Unabhängigkeit
Kapitel 5 Bedingte Wahrscheinlichkeiten und Unabhängigkeit Mitunter erhält man über das Ergebnis eines zufälligen Versuches Vorinformationen. Dann entsteht die Frage, wie sich für den Betrachter, den man
MehrGrundprinzipien der Bayes-Statistik
Grundprinzipien der Bayes-Statistik Karl-Rudolf Koch Zusammenfassung: In drei wesentlichen Punkten unterscheidet sich die Bayes-Statistik von der traditionellen Statistik. Zunächst beruht die Bayes-Statistik
MehrÜbungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
MehrWürfel-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
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrSchulinternes Curriculum Mathematik SII
Schulinternes Curriculum Mathematik SII Koordinatengeometrie Gerade, Parabel, Kreis Lösen von LGS mithilfe des Gaußverfahrens zur Bestimmung von Geraden und Parabeln 11 Differentialrechnung ganzrationaler
MehrÜbungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006
3.75. Angabe Übungsrunde 9, Gruppe 2 LVA 07.369, Übungsrunde 8, Gruppe 2, 2.2. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 2/2006 X sei eine stetige sg mit Dichte f(x), x R. Ermitteln Sie einen
Mehr8 Stetige Zufallsvariablen
2 8 STETIGE ZUFALLSVARIABLEN 8 Stetige Zufallsvariablen 8. Definition von stetigen Zufallsvariablen Idee: Eine Zufallsvariable X heißt stetig, falls zu beliebigen Werten a < b aus dem Träger von X auch
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrPrüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014
Prüfungstutorat: Angewandte Methoden der Politikwissenschaft Polito Seminar Carl Schweinitz 10.12.2014 Übersicht 1. Einheiten und Variablen 2. Skalen und ihre Transformation 3. Deskriptive Statistik 4.
MehrAngewandte Wahrscheinlichkeitstheorie
Skript zur Vorlesung Angewandte Wahrscheinlichkeitstheorie SS 04 Georg Hoever Fachbereich Elektrotechnik und Informationstechnik FH Aachen Inhaltverzeichnis i Inhaltsverzeichnis. Grundlagen.. Wahrscheinlichkeiten
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrVorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe. Mathematik
Vorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe Mathematik 2.1.1 ÜBERSICHTSRASTER UNTERRICHTSVORHABEN EINFÜHRUNGSPHASE Unterrichtsvorhaben I: Unterrichtsvorhaben II: Beschreibung
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrAufgabenblock 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 )
MehrAufgaben zu Kapitel 38
Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
Mehr12 Die Normalverteilung
12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen
MehrBeispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es
Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es beim radioaktiven Zerfall, zwischen 100 und 110 Zerfälle
MehrDie richtige Wahl von Verteilungen
Die richtige Wahl von Verteilungen N. Schiering, ZMK GmbH Sachsen-Anhalt Agenda Einleitung Standardmessunsicherheiten Typ A und Typ B Normalverteilung Rechteckverteilung Dreieckverteilung Trapezverteilung
MehrMessungen und Messfehler
Messungen und Messfehler B. Schönfeld LMPT, ETH Zürich September 2007 1 Einleitung Messfehler sind (meistens) keine Fehler, sondern Messunsicherheiten. Was man in Messungen bestimmt, sind Schätzwerte,
MehrOperations Research (OR) II
Operations Research (OR) II Fortgeschrittene Methoden der Wirtschaftsinformatik 27. Juni 2007 Michael H. Breitner, Hans-Jörg von Mettenheim und Frank Köller 27.06.2007 # 1 Stochastische Inputgrößen Stochastische
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
MehrDieses 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.
MehrZentralabitur Mathematik. Beispielaufgaben zum ersten Prüfungsteil. Aufgaben ohne Hilfsmittel
QUA-LiS NRW Zentralabitur Mathematik Beispielaufgaben zum ersten Prüfungsteil Aufgaben ohne Hilfsmittel Inhaltsverzeichnis Modellieren mithilfe von Funktionen 3 Interpretation des Integrals 4 3 Funktionseigenschaften
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrFragenkatalog Kapitel 1 Fehleranalyse
Teil 1: Numerik katalog Kapitel 1 Fehleranalyse 1. Zwischen was besteht ein funktionaler Zusammenhang z i? Welche Form hat er? 2. Welche 4 Typen von Fehlerquellen gibt es? Nenne Beispiele! 3. Wie berechnet
MehrPeter P. Eckstein. Statistik für. Wirtschaftswissenschaftler. Eine realdatenbasierte. Einführung mit SPSS. 4., aktualisierte und erweitete Auflage
Peter P. Eckstein Statistik für Wirtschaftswissenschaftler Eine realdatenbasierte Einführung mit SPSS 4., aktualisierte und erweitete Auflage Springer Gabler VII 1 Statistik I 1.1 Historisehe Notizen 2
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrInhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16
Vorwort 1 1. Kapitel: Der Stellenwert der Statistik für die sozialwissenschaflliche Forschung 1 1. Zur Logik (sozial-)wissenschaftlicher Forschung 1 1. Alltagswissen und wissenschaftliches Wissen 1 2.
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
MehrSchulinternes Curriculum Mathematik Sekundarstufe II/Lk. Stand: November 2011
Schulinternes Curriculum Mathematik Sekundarstufe II/Lk Stand: November 2011 Bemerkungen: - Die angegebenen Seitenzahlen beziehen sich auf das eingeführt Lehrwerk Lambacher-Schweizer Leistungskurs aus
Mehr