5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
|
|
- Bettina Krause
- vor 6 Jahren
- Abrufe
Transkript
1 5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites Maß auf B Θ. Definition 5..: Gegeben sei eine meßbare (B X B Θ -meßbare) Abbildung S : X B Θ, wobei S von x X, jedoch nicht von einem Θ abhängt. Die Familie {S(x) x X } heißt eine Familie zufälliger Mengen (in Θ). Ist für Θ IR S(x) ein Intervall, bezeichnet mit ((x), (x)), wobei und von X X, jedoch nicht von einem Θ abhängen, so heißt S(x) ein zufälliges Intervall mit (x) und (x) als unterer bzw. oberer Grenze. Dabei kann (x) = und (x) = + gelten. Das Problem der Konfidenzschätzung für einen Parameter Θ besteht darin, eine Abbildung S : X B Θ zu finden, so dass für gegebenes α mit 0 < α < P (S(X) ) α Θ. () Definition 5..: Sei Θ IR und 0 < α <. Eine Abbildung (X) mit P ((X) ) α Θ () heißt untere Konfidenzgrenze für zum Konfidenzniveau α. Eine Abbildung (X) mit P ( (X)) α (3) heißt obere Konfidenzgrenze für zum Konfidenzniveau α. inf P ((X) ) bzw. inf P ( (X)) Θ Θ heißt Konfidenzkoeffizient.
2 Definition 5..3 Eine meßbare Abbildung ( ) : X IR, die unter der Bedingung (5..) P ((X) ) für alle < bzw. P ( (X)) für alle > minimiert, heißt gleichmäßig genaueste untere (bzw. obere) (UMA) Konfidenzgrenze für zum Konfidenzniveau α. Entsprechend heißt S(X) eine Konfidenzmenge zum Konfidenzniveau α, wenn es (5..) erfüllt. Im Fall S(x) = ((x), (x)) heißt S(X) ein Konfidenzintervall zum Konfidenzniveau α, vorausgesetzt P ((X) < < (X)) α Θ. Bemerkung : Die Aussage, liegt in S(X) mit Wahrscheinlichkeit α ist falsch. ist fest. S(X) ist zufällig. Für ein festes x X liegt entweder in S(X) oder nicht. Häufigkeitsinterpretation: S(X) enthält in einem Anteil von wenigstens α der Fälle! Definition 5..4: Eine Familie von Konfidenzmengen {S(X)} zum Konfidenzniveau α heißt eine gleichmäßig genaueste Familie (UMA) Familie von Konfidenzmengen zum Konfidenzniveau α, wenn P {S(X)enthält } P (S (X) enthält) (4) für alle, Θ und ( α)-konfidenzmengen S (X). Beispiel: X,..., X n u.i.v. N(µ, σ ). MLE für µ ist X N(µ, σ ) n σ bekannt: Aus P (c < X µ σ n < c ) = P ( X σ c n < µ < X σ c n ) = α folgt mit c = u α/ und c = u α/ = u α/ P ( X σ u α/ n < µ < X ) σ + u α/ n = α. Die Intervallänge ist L = σu α/. n Für vorgeschriebene Präzision L d ergibt sich n σ u α/ d.
3 Für σ unbekannt ist c = t n,α/, c = t n, α/ und die Intervallänge L = S n t n, α/ ist eine Zufallsvariable. Beispiel : Im obigen Beispiel sei bei unbekannten µ ein ( α)-konfidenzintervall für σ gesucht. Da (n )S /σ χ n, können wir z. B. die Grenzen χ n,α/ und χ n, α/ wählen, so daß P (χ n,α/ < (n )S < χ σ n, α/) = α oder (n )S P < σ (Xi < X) χ n, α/ χ n,α/ Beispiel 3: Im Beispiel sei eine ( α)- Konfidenzmenge für (µ, σ ) gesucht. Wir benutzen die als Boolsche Ungleichung bekannte Abschätzung P (A B) P (Ā) P ( B). { P ( X S t n, α / < µ < X S + t n, α / ) und n n (Xi X) < σ (Xi < X) χ n, α / χ α α n,α / liefert die Konfidenzmenge ( ) S S(X) = X t n, α /, X S (Xi + t n, α / X) (Xi, X) n n zum Konfidenzniveau α α. χ n, α / χ n,α / Satz 5..5: Die Statistik T : X Θ IR sei für jedes x X streng isoton (antiton) in. Sei Λ = T (X, Θ) IR das Bild von T und für jedes λ Λ besitze die Gleichung λ = T (x, ) eine eindeutige Lösung = α. Ist die Verteilung von T (X, ) unabhängig von, so kann zu jedem Niveau α (0 < α < ) ein Konfidenzintervall konstruiert werden. 3
4 Beweis: Zu beliebigem α (0, ) können Paare λ (α) und λ (α) aus Λ gewählt werden, so daß P (λ (α) < T (X, ) < λ (α)) α Θ. (5) Da die Verteilung von T (X, ) nicht von abhängt, sind λ (α) und λ (α) nicht von abhängig. Da T monoton in ist, gibt es zu jedem x X eine eindeutige Lösung bzw. von T (X, ) = λ (α) und T (X, ) = λ (α). Daraus folgt: P ( (X) < < (X) ) α Θ mit den Zufallsvariablen (X) und (X) als Intervallgrenzen. Bemerkung : Eine monotone Funktion T, deren Verteilung unabhängig von ist, läßt sich häufig finden. Ist etwa F stetig in x und monoton in, so wähle n T (X, ) = F (X i ) i= Wegen der Stetigkeit von F ist F (X i ) U[0, ]-verteilt. Damit hat die Zufalls- Variable n logt (X, ) = logf (X i ) i= (da die Summanden eine G(, )-Verteilung haben) die Verteilung G(n,), die unabhängig von ist und es können Grenzen λ und λ gefunden werden, so daß P ( logλ < logt (X, ) < logλ ) = logλ x n e x dx = α Γ(n) logλ Daraus folgt P (λ < T (X, ) < λ ) = α P ((X) < < (X)) = α Im stetigen Fall können KI s gefunden werden mit Gleichheitszeichen rechts. Bei diskreten Verteilungen ist dies i.a. nicht der Fall. 4
5 Bemerkung 3: Eine Ungleichung der Art (5..5) läßt sich auch dann finden, wenn T nicht streng isoton (antiton) ist. In diesem Fall kann die Umkehrung der Ungleichungen zu einer Menge von Intervallen in Θ anstelle eines KI führen. Bemerkung 4: Die Aussage von Satz 5..5 kann auf multivariate Parameter ausgedehnt werden. Bemerkung 5: Gilt für T (x, ) ein zentraler Grenzwertsatz und ist n genügend groß, dann kann i.a. relativ einfach ein approximatives Konfidenzintervall gefunden werden. Beispiel 4: X,..., X n seien u.i.v. mit endlicher Varianz σ. Dann gilt X n µ d n N(0, ). σ Für große n ist auch Xn µ S (X n + u α S n, X n + u α ein approximatives KI für = µ. n approx. N(0, )-verteilt. Somit ist S n ) Für große n ist unter den weiter oben angegebenen Regularitätsvoraussetzungen der MLE n ungefähr normalverteilt, d.h. d n( ML ) N(0, σ ) mit σ ϑlogf(x, ) = [E { } ] = [I()] ϑ Daraus erhält man als approximatives KI σ ( ML + u α, σ ML + u α ). n n Für große n läßt sich auch das obige σ schätzen und der Schätzer in das approximative KI einsetzen. Eine grobe Abschätzung liefert auch die Tschebyschev sche Ungleichung P ( ˆ < ε E[(ˆ ) ]) ε, 5
6 woraus man (ˆ ε E[(ˆ ) ], ˆ + ε E[(ˆ ) ]) zum Niveau ε erhält. Beispiel: X,..., X n u.i. U(0, )-verteilt. Der MLE (und minimal suffiziente Statistik) ist ˆ n = X (n) mit Dichte nx n n, 0 < t < f (n) (x) = 0,, sonst. Die Statistik T n = X (n) / hat die Dichte nt n, 0 < x < h(t) = 0,, sonst, die unabhängig von T ist. Gemäß Satz 5..5 suchen wir λ (α) undλ (α), so daß P (λ (α) < T n < λ (α)) = α n λ λ t n dt = α λ n λ n = α Es gibt viele Lösungen. Für λ = erhalten wir z.b. λ = α /n, und ein α - KI für hat die Form (X (n), X (n) α /n ). (Dies ist das kleinste KI für unter allen ( α)- Konfidenzintervallen.) 6
7 5. Konfidenzintervalle kürzester Länge In der Praxis ist man daran interessiert, zu gegebenem Konfidenzniveau ein Konfidenzintervall möglichst kleiner Länge zu finden (Präzision der Aussage). Sei T (X; ) eine Zufallsvariable, deren Verteilung nicht von abhängt. λ = λ (α) und λ = λ (α) seien so gewählt, daß P (λ < T (X; 0) < λ ) = α und es sei möglich, diese Gleichung so umzuschreiben, daß P ((X) < < ) = α. Im allgmeinen können für gegebenes T λ und λ auf viele Arten gewählt werden. Gewünscht ist eine Wahl, so daß minimal wird. Dies ist ein auf T basierendes kleinstes Konfidenzintervall. Natürlich kann es Statistiken T geben mit kleinerem kleinstem KI zu gegebenem Niveau α. Definition 5..: Eine ZV T (X; ), deren Verteilung nicht von Θ abhängt, heißt ein Pivot. Beispiel: Bei einer Stichprobe aus einer N(µ, σ ) ist bei bekannter Varianz σ (X µ) n/σ ein Pivot. Ist σ unbekannt, so ist (X µ) n/s ein Pivot. Bei einem KI für σ ist (X i µ) /σ ein Pivot, und falls σ unbekannt, ist S /σ ein Pivot. Bemerkung : Eine Alternative zur Minimierung der Länge eines gegebenen KI ist die Minmierung der erwarteten Länge E [(X) (X)]. Im allgemeinen gibt es aber kein Element der Klasse der ( α)-konfidenzintervalle, das E [(X) (X)] Θ minimiert. Die auf einem Pivot basierenden Prozeduren sind jedoch auch anwendbar beim Aufinden eines KI mit minimaler erwarteter Länge. Beispiel : Seien X,..., X n u.i. N(µ, σ )-verteilt, σ bekannt. P ivot = T µ (X) = X µ n σ 7
8 Länge L = σ n (b a), so daß α = P (a < X µ n < b) = P (X b σ < µ < X a σ n n Φ(b) Φ(a) = b e x / dx = π a b a ϕ(x)dx = α dl da = σ n ( db da ) ( ) und ϕ(b) db da ϕ(a) = 0 oder db da = ϕ(a) ϕ(b). Es gibt Lösungen ϕ(a) = ϕ(b), also a = b oder a = b. Nur letztere erfüllt ( ). kürzestes KI ist (X + u α/ σ n, X + u α/ σ n ). Länge = u α/ σ n. Bei vorgeschriebener Präzision d ergibt sich daraus n u α/ σ d. Beispiel : Im obigen Fall sei µ bekannt und ein KI kürzester Länge für σ gesucht. Pivot T (X; σ (Xi µ) ) =, T χ σ n. (Xi µ) P (a < < b) = α σ (Xi µ) P ( < σ (Xi µ) < ) = α b a L = ( a b ) (X i µ) bzgl. dl da = ( a db b da ) (X i µ) numerisch zu lösen! b a f n (t)dt = α db da = f n(a) f n (b) dl da = [ a f n (a) b f n (b) ] (X i µ) = 0 a = f n (a) b f n (b) b a = f n(a) f n (b) 8
9 5.3 Zusammenhänge zwischen dem Testen von Hypothesen und Konfidenzschätzung Sei etwa ein Test zum Niveau α von H 0 : = 0 gegeben. Ist es möglich, ein entsprechendes α KI für 0 zu konstruieren und umgekehrt? Beispiel : Für X,..., X n u.i. N(µ, σ 0) verteilt und σ 0 bekannt hatten wir das ( α)- KI (X u α σ 0 n, X + u α σ 0 n ) Ein Test ϕ verwirft die Hypothese µ = µ 0 genau dann, wenn µ 0 außerhalb dieses Intervalls liegt. D.h. wenn n X µ0 u α/, so gilt σ 0 P µ0 ( n X µ0 σ 0 u α/ ) = α und der Test ϕ ist ein α Niveau-Test für µ = µ 0 gegen H µ µ 0. Umgekehrt erzeugt eine Familie von α Niveau-Tests für die Hypothese µ = µ 0 eine Familie von Konfidenzintervallen für µ, indem man jene Werte µ 0 als Konfidenzintervall nimmt, für welche die Hypothese µ = µ 0 nicht abgelehnt werden kann. Beispiel ist ein Spezialfall eines allgemeineren Dualitätsprinzips. Im folgenden werden nur nichtrandomisierte Tests (Konfidenziintervalle) betrachtet und für H 0 : = 0 schreiben wir kurz H 0 ( 0 ) und entsprechend H ( 0 ) für die zusammengesetzte Alternative. Satz 5.3.: Sei A( 0 ) X, 0 Θ der Annahmebereich eines α Niveau- Tests für H 0 ( 0 ). Für jedes x X sei S(x) die Menge S(x) := { Θ x A()} Dann ist S(x) eine Familie von Konfidenzmengen für zum Niveau α. Ist darüber hinaus A( 0 ) Annahmebereich eines UMP-Tests für das Problem (α, H 0 ( 0 ), H ( )), dann minimiert S(X) P (S(X) ) für alle H ( 0 ) 9
10 unter allen ( α) K-Niveau Familien von Konfidenzmengen. Beweis: Es gilt S(x) x A(), so daß P (S(X) ) = P (X A()) α. Ist S (X) eine andere Familie von ( α) -Niveau Konfidenzmengen, so sei A () = {x X S (x) }. Dann gilt P {X A ()} = P {S (X) } α für jedes H ( 0 ). Da A( 0 ) Annahmebereich eines UMP-Tests für (α, H 0 ( 0 ), H ( 0 )) ist gilt, P {X A ( 0 )} P {X A( 0 )} Also P {S (X) 0 } P {X A( 0 )} = P {S(X) 0 } für alle H ( 0 ) q.e.d. Bemerkung : Eine Familie von Konfidenzmengen, die assoziert ist mit dem Annahmebereich eines UMP-Tests ist gemäß Def eine UMA-Familie zum Niveau α. Beispiel : Die Verteilung der Zufallsvariable X gehöre zu einer einparametrigen Exponentialfamilie mit λ-dichte f (x) = exp{q()t (X) + S (X) + D()}. Q sei eine nichtabnehmende Funktion von. Sei H 0 : = 0 gegen H : < 0. In diesem Fall ist der Annahmebereich eines UMP-Tests zum Niveau α für H 0 von der Form A( 0 ) = {x T (x) > c( 0 )}. Da für P (T (X) c( )) = α = P (T (X) c()) P (T (X) c()) gilt, kann c(.) als nichtabnehmend gewählt werden. Die letzte Ungleichung gilt, da die Gütefunktion eines UMP-Tests mindestens 0
11 gleich α ist. Es ist S(x) = { x A()} d.h., S(x) hat die Form (, c (T (x))) oder (, c (T (x))], wobei c definiert ist durch c (T (x)) = sup Θ { c() T (x)}. Ist z.b. f (x) = e x, x > 0 0,, sonst. dann ist T (x) = x und der Annahmebereich beim UMP-Test der Hypothese H 0 : = 0 gegen H : < 0 ist von der Form mit A( 0 ) = {x x c( 0 )} c( 0 ) = 0 log α, 0 < α <. Die UMA-Familie eines ( α) - Konfidenzintervalls ist von der Form x S(x) = { x A()} = { log } α ( ] x = 0, log, da α ( α) = P (X c()) = c() e α = e c() ln( α) = c() ln( α) = c() ln α = c() c() = ln α. [ ] x dx = e x Da UMP-Tests i.a. nicht existieren, haben wir uns im vorigen Kapitel auf c()
12 kleinere Klassen, insbesondere auf die Betrachtung von UMPU (unbiased) Tests beschränkt. Die Dualitätsbetrachtung führt von UMP unbiased Tests zu UMA - unverfälschten Konfidenzmengen. Definition 5.3.: Eine Familie {S(x)} von Konfidenzmengen für einen Parameter Θ heißt unverfälscht zum Konfidenzniveau α, wenn P {S(X) } α, = 0 (5.3.) und P {S(X) } α, Θ,. (5.3.) Ist S(X) mit der obigen Eigenschaft ein Intervall, so sprechen wir von einem unverfälschten ( α)-konfidenzintervall. Ist eine Familie unverfälschter Konfidenzmengen zum Niveau α UMA in der Klasse aller unverfälschten ( α)-konfidenzmengen, so heißt sie eine UMA unverfälschte (UMAU) Familie von Konfidenzmengen zum Niveau α. Bemerkung : Gemäß obiger Definition ist eine Familie S(X) von Konfidenzmengen für Θ zum Niveau α unverfälscht, wenn S(X) den wahren Paramter mit einer Wahrscheinlichkeit von mindestens α enthält und einen falschen Parameter mit Wahrscheinlickeit von höchstens α. S(X) enthält also wahre Parameter öfters als falsche. Satz 5.3.3: Sei A( 0 ) Annahmebereich eines UMPU α Niveau-Tests von H 0 ( 0 ) : = 0 gegen H := 0 0 Θ. Dann ist S(x) = { x A()}, x X, eine UMAU-Familie von Konfidenzmengen zum Niveau α. Beweis: Um zu sehen, daß S(X) unverfälscht ist, beachte man, daß, da A() Annahmebereich eines unverfälschten Tests ist, P {S(X) } = P {x A()} α. Um zu sehen, daß S(X) UMA ist, betrachte eine beliebige Familie S (X) unverfälschter ( α)-niveau Konfidenzmengen mit A () = {x X S (x) }. Dann gilt P {X A ()} = P {S (X) } α und A () ist Annahmebereich eines unverfälschten α Niveau-Tests. Daraus folgt P {S (X) } = P {X A ()} P {X A()} = P {S(X) }.
13 Die Ungleichung gilt, da A() Annahmebereich eines UMPU-Tests. Beispiel 3: X,..., X n u.i. N(µ, σ )-verteilt, µ und σ unbekannt. Der UMPU- Test von H 0 := µ = µ 0 gegen H := µ µ 0 ist von der Art, n(x µ 0 ) > c ϕ(x) = S 0,, sonst. Aus α = P µ=µ0 { n(x µ0 ) S } > c Daraus ergibt sich { } n(x µ0 ) A(µ 0 ) = x S t n, α/ folgt c = t n, α/. ist der Annahmebereich eines UMPU α-niveau-tests von H 0 : µ = µ 0 gegen H : µ µ 0. Aus Satz folgt, daß { S(x) = {µ x A(µ)} = X S t n, α µ X + S } t n n, α n eine UMAU Familie von Konfidenzmengen zum Niveau α ist. Bemerkung 3: Beispiel 3 und die Überlegungen zu unverfälschten Tests zeigen, daß das Konzept von der Unverfälschtheit sich besonders dort eignet, wo UMP-Tests nicht existieren. Dies ist beispielsweise der Fall, wenn Θ aus Punkten (, τ) besteht, wobei beide unbekannt sind und eine Konfidenzmenge nur für einen Parameter, etwa, gesucht wird. Der andere Parameter τ wird dann als nuisance-parameter bezeichnet. Bemerkung 4: Bereits weiter oben wurde festgestellt, daß Konfidenzintervalle kürzester Länge häufig nicht existieren. Es kann gezeigt werden, daß die Einschränkung auf die Klasse unverfälschter Konfidenzintervalle es möglich macht, zumindest für viele in der Praxis auftretende Probleme ( α)-niveau Konfidenzintervalle zu finden, die gleichmäßig kleinste erwartete Länge in der Klasse aller unverfälschten ( α)-niveau Konfidenzintervalle haben Unverfälschte Konfidenzintervalle Satz 5.4.: Sei Θ IR ein Intervall, f eine µ-dichte für X und S(X) = 3
14 ((X), (X)) eine Familie von ( α)-niveau Konfidenz(mengen)intervallen mit stochastisch endlicher Länge, d.h. sei P ( (X) (X) < ) =. Dann gilt [ (x) (x)]f (x)µ(dx) = P (S(X) )d Θ. () Beweis: Es ist = d. = Θ { } (x) E [ (X) (X)] = E d = f (x) d µ(dx) = X (x) { } = f (x)µ(dx) d = P {S(X) } d = P {S(X) } d. Satz 5.4. sagt mit anderen Worten aus, daß die erwartete Länge eines Konfidenzintervalls gleich der Wahrscheinlichkeit dafür ist, daß S(X) enthält, gemittelt über alle falschen Parameterwerte. Bemerkung : Ist S(X) eine Familie von UMAU Konfidenzintervallen zum Niveau α, dann ist die erwartete Länge von S(X) minimal. Denn die linke Seite der Gleichung (5.4.) ist die erwartete Länge, da S(X) UMAU ist (Satz 5.3.3), gleichmäßig in, bezüglich aller unverfälschter ( α)-niveau Konfidenzintervalle. Beispiel: X,..., X n u.i. N(µ, σ )-verteilt. Das Konfidenzintervall für µ, S(X) = ( X t n, α S n, X + t n, α S n ) hat kürzeste Länge und ist, da von einem UMPU-Test abgeleitet, gemäß Satz UMAU. Gemäß obiger Bemerkung ist damit die erwartete Intervallänge minimal. Die folgende Prozedur zur Bestimmung unverfälschter Konfidenzintervalle 4
15 führt häufig zum Ziel. Sei T (X, ) ein Pivot und die Gleichung P (λ (α) < T (X, ) < λ (λ) = α lasse sich umformen zu P ((X) < < (X) = α. Damit ((X) < < (X)) unverfälscht ist, muß gelten P (, ) := P ((X) < < (X)) = α, falls = () und P (, ) < α, falls. (3) Hängt P (, ) nur von einer Funktion γ von und ab, so können wir schreiben P (, α für = ) = P (γ) = (4) < α für < Damit ist P (γ) maximal für =. Im obigen Beispiel sei oder T (X, σ ) = P (λ < (n )S σ (n )S σ χ n, < λ ) = α P ((n ) S λ < σ < (n ) S λ ) = α. Dann ist ( ) P (σ, σ ) = P σ (n ) S < σ < (n ) S λ λ ( T (X, σ ) = P < γ < T (X, ) σ ) λ λ mit γ = σ σ. P (γ) = P (λ γ < T (X, σ ) < λ γ) 5
16 Damit ergibt sich aus (5.4.) und (5.4.3) P () = α (a) und P (γ) < α. λ und λ sind also so zu wählen, daß P () = α und dp (γ) dγ γ= = λ f n (λ ) λ f n (λ ) = 0 (b) (a) und (b) sind numerisch zu lösen (siehe Take & Klett, IASA 959). Die Lösung ist ein unverfälschtes ( α) KI, das auch UMAU ist. Beispiel: n =, n = 0, α = 0.0 : Länge des symmetrischen Konfidenzintervalls: [ ] χ 0,0.5 χ 0,0.95 [ = ] = 0.99 Länge des kürzesten KI mit λ = 4.350, λ = [ ] λ λ = = = D.h. das kürzeste KI ist um 5% kürzer als das symmetrische KI. 6
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,
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
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
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
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
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrStatistik IV. Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II
Statistik IV Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II Prof. Dr. Torsten Hothorn Institut für Statistik Ludwig Maximilians Universität München L A
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
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............
MehrStochastische 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)
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
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
Mehr8. 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
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
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
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
MehrMathematische 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
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
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
MehrDie Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass
Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel Zuerst wollen wir die Gamma-Funktion definieren, die eine Verallgemeinerung von n! ist. Dazu benötigen wir einige Resultate. Lemma.
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
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
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
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
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,
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
Mehrx 3 Genau dann liegt ein Punkt X mit dem Ortsvektor x auf g, wenn es ein λ R gib,t so dass
V. Geradengleichungen in Parameterform 5. Definition ---------------------------------------------------------------------------------------------------------------- x 3 v a x x x Definition und Satz :
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
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
Mehr1 Grundlagen. 1.1 Erste Grundbegriffe 1.2 Kryptographische Systeme 1.3 Informationstheoretische Grundlagen
1 Grundlagen 1.1 Erste Grundbegriffe 1.2 Kryptographische Systeme 1.3 Informationstheoretische Grundlagen Die Überlegungen dieses Kapitels basieren auf der Informationstheorie von Shannon. Er beschäftigte
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
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
MehrThema 4 Limiten und Stetigkeit von Funktionen
Thema 4 Limiten und Stetigkeit von Funktionen Wir betrachten jetzt Funktionen zwischen geeigneten Punktmengen. Dazu wiederholen wir einige grundlegende Begriffe und Schreibweisen aus der Mengentheorie.
MehrAusarbeitung 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
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrFüllmenge. 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
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
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
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
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
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
MehrJost 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
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
Mehr8. 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
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
MehrCaputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrEinführung in die Analysis
Ergänzungen zur Vorlesung Einführung in die Analysis Christian Schmeiser 1 Vorwort In dieser Vorlesung werden Grundbegriffe der Analysis wie Folgen und Reihen, Konvergenz und Vollständigkeit am Beispiel
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
Mehr1 1. Übung. Einleitung. 1.1 Urnenmodelle. 1.2 Beispiele. 1.3 Aufgaben
Einleitung Dieses sind die kompletten Präsenzaufgaben, die bei der Übung zur Vorlesung Einführung in die Stochastik im Sommersemester 2007 gerechnet wurden. Bei Rückfragen und Anmerkungen bitte an brune(at)upb.de
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
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
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 )
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
Mehr2 für 1: Subventionieren Fahrgäste der 2. Klasse bei der Deutschen Bahn die 1. Klasse?
2 für 1: Subventionieren Fahrgäste der 2. Klasse bei der Deutschen Bahn die 1. Klasse? Felix Zesch November 5, 2016 Abstract Eine kürzlich veröffentlichte These lautet, dass bei der Deutschen Bahn die
MehrSeminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln
Seminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln Michael Kniely November 2009 1 Vorbemerkungen Definition. Sei n N +, ϕ(n) := {d [0, n 1] ggt (d, n) = 1}. Die Abbildung ϕ : N + N + heißt
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
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrDefinition: Differenzierbare Funktionen
Definition: Differenzierbare Funktionen 1/12 Definition. Sei f :]a, b[ R eine Funktion. Sie heißt an der Stelle ξ ]a, b[ differenzierbar, wenn der Grenzwert existiert. f(ξ + h) f(ξ) lim h 0 h = lim x ξ
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........................
Mehr2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
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
MehrWenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe. a 0 + a 1 + a 2 +
8 Reihen 38 8 Reihen Wenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe a 0 + a + a 2 + zu bilden. Wir wollen nun erklären, was wir darunter verstehen wollen. Zunächst kann man die
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.
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
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
Mehrlim Der Zwischenwertsatz besagt folgendes:
2.3. Grenzwerte von Funktionen und Stetigkeit 35 Wir stellen nun die wichtigsten Sätze über stetige Funktionen auf abgeschlossenen Intervallen zusammen. Wenn man sagt, eine Funktion f:[a,b] R, definiert
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
Mehr9. 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,
MehrKaplan-Meier und Nelson-Aalen Schätzer II Konsistenz und Vertrauensintervall
Kaplan-Meier und Nelson-Aalen Schätzer II Konsistenz und Vertrauensintervall Christian Reichlin Michael Stadelmann 29. Mai 26 Statistik-Seminar bei Frau Prof. Dr. Sara van de Geer, Herrn Dr. Prof. Barbour,
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
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.
MehrStatistik II. Sommersemester PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie. Universität Augsburg
Statistik II Sommersemester 2005 PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie Klausur und Unterlagen Klausur: Spielregeln : Wie Statistik I Nachholklausur im WS 2005
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
MehrMathematik für Biologen
Mathemati für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 22. Dezember 2010 1 Binomialtests Einseitiger unterer Binomialtest Zweiseitiger Binomialtest Beispiel BSE Normalapproximation
MehrHypothesentest, 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
MehrATZ: Die Zahl π ist transzendent.
ATZ: Die Zahl π ist transzendent. SATZ Die Transzendenz von π Es ist das Verdienst von Ferdinand Lindemann, erkannt zu haben, da auf Grund eines lange bekannten Zusammenhanges der Zahlen e und π der Hermite
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
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
MehrSignifikanz von Alignment Scores und BLAST
Westfälische Wilhelms Universität Münster Fachbereich 10 - Mathematik und Informatik Signifikanz von Alignment Scores und BLAST Seminarvortrag von Leonie Zeune 10. Mai 2012 Veranstaltung: Seminar zur mathematischen
Mehr19.3 Oberflächenintegrale
19.3 Oberflächenintegrale Definition: Sei D R 2 ein Gebiet und p : D R 3 eine C 1 -Abbildung x = p(u) mit x R 3 und u = (u 1, u 2 ) T D R 2 Sind für alle u D die beiden Vektoren und u 1 linear unabhängig,
MehrTutorübung 5. Analysis 2 für Lehramt TU Dortmund, Sommersemester 2014
Tutorübung 5 Analysis 2 für Lehramt TU Dortmund, Sommersemester 24 Aufgabe T Bestimme die Taylorreihen von (a) cos(x) um a. (b) ln(x) um a. (c) um a 2. +x Bestimme in allen Fällen das Taylorpolynom T n,a
Mehr10. Grenzwerte von Funktionen, Stetigkeit, Differenzierbarkeit. Der bisher intuitiv verwendete Grenzwertbegriff soll im folgenden präzisiert werden.
49. Grenzwerte von Funktionen, Stetigkeit, Differenzierbarkeit a Grenzwerte von Funktionen Der bisher intuitiv verwendete Grenzwertbegriff soll im folgenden präzisiert werden. Einführende Beispiele: Untersuche
Mehr