Modul: Statistik II. Dr.habil. Jochen Merker. Business Intelligence and Statistics Modul: Statistik II Dr.habil. Jochen Merker 1/29
|
|
- Margarete Grosser
- vor 6 Jahren
- Abrufe
Transkript
1 Modul: Statistik II Dr.habil. Jochen Merker Business Intelligence and Statistics Modul: Statistik II Dr.habil. Jochen Merker 1/29
2 1 Formalien Dozent Jochen Merker : Studium der Mathematik und Informatik an der Universität Hamburg (Diplom) : wissenschaftlicher Mitarbeiter am Fachbereich Mathematik der Universität Hamburg (Promotion) : wissenschaftlicher Mitarbeiter am Institut für Mathematik der Universität Rostock (Habilitation) seit WS 2013: Professor für Business Intelligence und Statistik an der FH Stralsund Modul: Statistik II Dr.habil. Jochen Merker 2/29
3 1 Formalien Ablauf In der Statistik II werden wir uns mit Wahrscheinlichkeitsrechnung und induktiver Statistik (also mit Schätzen und Testen) beschäftigen. In der Vorlesung (Di, Uhr) werden die theoretischen Konzepte vorgestellt und anhand akademischer Beispiele eingeübt. In den Übungen (Di, Uhr bzw Uhr) werden anwendungsnahe Beispiele mit Hilfe von R und SPSS diskutiert. Im Gegensatz zur Ihnen schon bekannten kommerziellen menügesteuerten Statistik-Software SPSS ist R eine freie skriptgesteuerte Statistik-Software, die man von herunterladen kann. Als Prüfungsleistung ist eine zweistündige Klausur zu bestehen Modul: Statistik II Dr.habil. Jochen Merker 3/29
4 1 Formalien Ablauf Übungsaufgaben Ich werde Übungsaufgaben stellen, für deren Bearbeitung Sie bis zur nächsten Übung Zeit haben. Sie geben vor der Übung an, welche Übungsaufgaben Sie gelöst haben, und einer von Ihnen präsentiert dann die Lösung. Für die Zulassung zur Klausur müssen Sie mindestens 50% der Übungsaufgaben bearbeiten. ACHTUNG Nächste Woche nehme ich an der Jahrestagung der DMV-ÖMG teil, die Veranstaltung fällt daher aus und wird in der Blockwoche vom nachgeholt Modul: Statistik II Dr.habil. Jochen Merker 4/29
5 1 Formalien Literatur Es gibt eine riesige Auswahl an Literatur zur Statistik, zu meiner Vorlesung empfehle ich die folgenden Bücher. Fahrmeir, Künstler, Pigeot, Tutz: Statistik (Kapitel 4-11), Springer. Cramer, Kamps: Grundlagen der Wahrscheinlichkeitsrechnung und Statistik (Abschnitte B-D), Springer. Götze, Deutschmann, Link: Statistik (Kapitel 2 und 3), Oldenbourg. Kohn, Öztürk: Statistik für Ökonomen (mit R und SPSS, Teil IV und V), Springer. Toutenburg, Heumann: Induktive Statistik (mit R und SPSS), Springer Modul: Statistik II Dr.habil. Jochen Merker 5/29
6 2 Deskriptive Statistik Merkmale Merkmale Die deskriptive Statistik dient zur beschreibenden bzw. grafischen Aufbereitung und Komprimierung von an statistischen Einheiten (= Merkmalsträgern) erhobenen Daten (= Ausprägungen von Merkmalen). Merkmale können diskret (= endlich oder abzählbar viele Ausprägungen) oder kontinuierlich (= stetig = alle Werte aus einem Intervall als Ausprägungen) sein Modul: Statistik II Dr.habil. Jochen Merker 6/29
7 2 Deskriptive Statistik Skalen Skalen Merkmale können nominal (weder anordbar noch arithmetisch, d.h. weder Vergleiche noch Differenzen oder Quotienten kann man sinnvoll interpretieren), ordinal (anordbar, aber nicht arithmetisch) oder kardinal (anordbar und arithmetisch) skaliert sein. Bei kardinalskalierten Merkmalen unterscheidet man zwischen intervallskaliert (Differenzen, aber nicht Quotienten sinnvoll interpretierbar) und verhältnisskaliert (Differenzen und Quotienten sinnvoll interpretierbar) Modul: Statistik II Dr.habil. Jochen Merker 7/29
8 2 Deskriptive Statistik Diagramme, Kenngrößen und Datenerhebung Diagramme und Kenngrößen Die beschreibenden bzw. grafische Aufbereitung und Komprimierung von Daten kann durch Diagramme, Verlaufskurven oder Tabellen, die ein- und mehrdimensionale Häufigkeiten zusammenfassen, und durch Kenngrößen wie Lage- und Streumaße erfolgen. Datenerhebung ACHTUNG: Eine unsachgemäße Erhebung von Daten (z.b. Vorauswahl der Probanden) kann eine ungewünschte Verfälschung von Statistiken bewirken, daher ist eine sorgfältige Versuchsplanung notwendig Modul: Statistik II Dr.habil. Jochen Merker 8/29
9 3 Explorative Statistik Explorative Statistik Explorative Statistik Die explorative Statistik sucht in bereits aufbereiteten Daten einerseits nach Ausreißern oder Fehlern in Datensätzen (= Datenvalidierung), und versucht andererseits durch Bestimmung von Zusammenhangsmaßen und Regressionen, erste Hypothesen über die Ursache der beobachteten Daten zu gewinnen (ohne dass diese schon wahrscheinlichkeitstheoretisch untermauert sind). In der ersten Übung wiederholen wir einige der in der Statistik I behandelten Themen und lernen dabei gleichzeitig R kennen Modul: Statistik II Dr.habil. Jochen Merker 9/29
10 4 Deskriptive und explorative Statistik mit R Rechnen in R R als mächtiger Taschenrechner Nach Start von R kann man in einer Konsole Rechnungen ausführen, z.b. 2 3, sqrt(4) oder exp(log(5)). Hilfe zu vordefinierten Funktionen erhält man durch?funktion. Mittels der Funktion c (steht für concatenation, d.h. aneinanderhängen) kann man in R Vektoren definieren, z.b. x < c(1, 2, 3). Arithmetische Operationen und Funktionen werden auf jede Komponente eines Vektors angewendet, z.b. x 2 oder x c(2, 3). Es stehen viele Funktionen zur Manipulation eines Vektors zur Verfügung, z.b. length(x) oder sum(x) Modul: Statistik II Dr.habil. Jochen Merker 10/29
11 4 Deskriptive und explorative Statistik mit R Programmieren in R R als Programmiersprache In R lassen sich nicht nur vordefinierte Funktionen benutzen, sondern mittels des Befehls function(..).. auch eigene Funktionen programmieren. Dies geschieht üblicherweise in Script-Dateien mit der Endung.R, die man in der Konsole ausführen kann. Beim Programmieren kann man die Schleifen for(.. in..), while(..), repeat.. break und die Verzweigung if(..).. else.. benutzen. 1. Erstellen Sie in R eine Funktion, die das arithmetische Mittel von in einem Vektor gespeicherten Werten bestimmt. 2. Bestimmen Sie mit Ihrer Funktion zu eingegebenem n N das arithmetische Mittel der Zahlen 1, 2,..., n Modul: Statistik II Dr.habil. Jochen Merker 11/29
12 4 Deskriptive und explorative Statistik mit R Einlesen von Daten Dateizugriff in R Der Befehl daten - read.table( cars.csv, header=true, sep=, ) liest die durch Kommata getrennten Daten aus der Datei cars.csv in die Datentabelle daten ein, wobei die erste Zeile zur Beschriftung der Spalten benutzt wird. Mit daten$name kann man auf die durch Name bezeichnete Spalte zugreifen Modul: Statistik II Dr.habil. Jochen Merker 12/29
13 4 Deskriptive und explorative Statistik mit R Quantile Definition Hat ein ordinalskaliertes Merkmal für n Merkmalsträger die Ausprägungen x 1,..., x n und ist 0 < p < 1, so heißt die Merkmalsausprägung x ein p-quantil, falls Anzahl der x i mit x i x n p und Anzahl der x i mit x i x n 1 p gilt, und man schreibt dann x p statt x. Eigenschaften von Quantilen Bezeichnet x (1),..., x (n) die geordnete Liste der Ausprägungen, so gilt x = x ( np +1), wenn np nicht ganzzahlig ist, und x [x (np), x (np+1) ], wenn np ganzzahlig ist. Der Median ist ein p-quantil für p = 1 2. Die p-quantile für p = 1 4 bzw. p = 3 4 bezeichnet man auch als erstes bzw. drittes Quartil. An der empirischen Verteilungsfunktion F (x) kann man p-quantile leicht ablesen Modul: Statistik II Dr.habil. Jochen Merker 13/29
14 4 Deskriptive und explorative Statistik mit R Quantile Quantile in R In R lassen sich Quantile mittels des Befehls quantile(..) bestimmen. Das erste Argument ist der Vektor der Ausprägungen x 1,..., x n, danach kann man die verlangten p-werte vorgeben, (default: probs = seq(0, 1, 0.25)) oder das Verhalten bei Datenlücken regeln (default: na.rm = FALSE). Auch der Befehl summary(..) liefert die default-quantile und zusätzlich noch das arithmetische Mittel und die Anzahl der Datenlücken zurück. Mittels sd(..) bzw. var(..) lassen sich Standardabweichung bzw. Variation berechnen Modul: Statistik II Dr.habil. Jochen Merker 14/29
15 4 Deskriptive und explorative Statistik mit R factor and ordered Nominal und ordinal skalierte Daten in R Mittels der Befehle factor bzw. ordered kann man R mitteilen, dass die Werte eines Vektors nicht als kardinal skaliert, sondern nur als nominal bzw. ordinal skaliert angesehen werden sollen. Dies hat Einfluß auf andere Funktionen, z.b. gibt summary(ordered(..)) statt der Quantile aus, wieviele Datensätze zu den einzelnen Levels gehören Modul: Statistik II Dr.habil. Jochen Merker 15/29
16 4 Deskriptive und explorative Statistik mit R Kontingenztabellen Kontingenztabellen in R Kontingenztabellen lassen sich mit table(..) erzeugen. Das folgende Beispiel zeigt für daten mit den Spalten zylinder und land, wie man solche Tabellen beschriften kann. attach(daten) zylfac <- factor(zylinder, labels=c("3 Zylinder", "4 Zylinder", "5 Zylinder", "6 Zylinder", "8 Zylinder"), exclude=na ) landfac <- factor(land, labels=c("amerika", "Europa", "Japan") ) kontingenztabelle <- table(zylfac,landfac) print(kontingenztabelle) detach(daten) Modul: Statistik II Dr.habil. Jochen Merker 16/29
17 4 Deskriptive und explorative Statistik mit R Häufigkeiten Häufigkeiten Mittels prop.table(..) kann man die relativen Häufigkeiten oder durch den zusätzlichen Parameter 1 für Zeilen bzw. 2 für Spalten die bedingten Häufigkeiten ausrechnen lassen. prop.table(kontingenztabelle) prop.table(kontingenztabelle,1) prop.table(kontingenztabelle,2) Modul: Statistik II Dr.habil. Jochen Merker 17/29
18 4 Deskriptive und explorative Statistik mit R Diagramme Diagramme in R Zum Erstellen von Diagrammen bietet R die Befehle barplot(..) für Balkendiagramme, hist(..) mit der Anzahl breaks der Balken für Histogramme (und mit freq=false für echte Histogramme), boxplot(..) für Boxplots bzw. gruppierte Boxplots durch Übergabe von Vektor Gruppierung Beschriftung kann mit xlab bzw. ylab erfolgen, Einschränkung des Zeichenbereiche durch xlim bzw. ylim Modul: Statistik II Dr.habil. Jochen Merker 18/29
19 4 Deskriptive und explorative Statistik mit R Diagramme Abspeichern von Diagrammen in R Um Diagramme abzuspeichern, kann man die Befehle pdf(..), postscript(..) oder jpeg(..) wie im folgenden Beispiel verwenden. pdf("meinbarplot.pdf") par(cex=1.2) barplot(table(as.factor(daten$zylinder)), xlab="anzahl der Zylinder", ylab="absolute Häufigkeiten") dev.off() Modul: Statistik II Dr.habil. Jochen Merker 19/29
20 4 Deskriptive und explorative Statistik mit R Zusammenhangsanalyse Zusammenhangsanalyse in R Korrelationskoeffizienten kann man mittels cor(..) ausrechnen mit den Optionen use= complete.obs bzw. use= pairwise.complete.obs für das Ignorieren aller bzw. nur der paarweise fehlenden Werte. Streudiagramme kann man mittels splom(..) erzeugen, wobei vorher durch library(lattice) die diesen Befehl enthaltende Bibliothek eingebunden werden muss Modul: Statistik II Dr.habil. Jochen Merker 20/29
21 4 Deskriptive und explorative Statistik mit R Lineare Regression Lineare Regression in R Mittels lm(..) und der Notation VektorY VektorX kann man ein lineares Modell eines VektorY in Abhängigkeit von einem VektorX erzeugen. Die zugehörige Ausgleichsgerade kann man mittels lines(..) in einen erstellten Plot einfügen. modell1 <- lm(daten$mpg~daten$ps) summary(modell1) betadach <- coefficients(modell1) plot(daten$ps, daten$mpg, xlab="ps", ylab="gefahrene Meilen pro Gallone") lines(daten$ps, betadach[1] + betadach[2] * daten$ps) Modul: Statistik II Dr.habil. Jochen Merker 21/29
22 4 Deskriptive und explorative Statistik mit R Quadratische Regression Quadratische Regression in R Bei quadratischer Regression muss man zusätzlich durch + die Abhängigkeit von den Quadraten von VektorX erlauben Die zugehörige Ausgleichsparabel muss man selbst programmieren und mit dem Befehl curve(..) einfügen. ps2 <- daten$ps^2 modell2 <- lm(daten$mpg~daten$ps + ps2) summary(modell2) betadach <- coefficients(modell2) regrfunc <- function(x){ return ( betadach[1] + betadach[2] * x + betadach[3]*x^2 ) } plot(daten$ps, daten$mpg, xlab="ps", ylab="gefahrene Meilen pro Gallone", xlim=c(0,250) ) curve( regrfunc(x), from=46, to=230, add=true) Modul: Statistik II Dr.habil. Jochen Merker 22/29
23 5 Wahrscheinlichkeit Wahrscheinlichkeitsrechnung und induktive Statistik Die deskriptive Statistik erlaubt, einen Datensatz komprimiert in grafischer Form darzustellen und Kenngrößen zu seiner Beschreibung anzugeben, während die explorative Statistik den Datensatz hinsichtlich interessanter Strukturen analysiert. Da der Datensatz aber üblicherweise nur eine Stichprobe ist, kann kein Rückschluß auf die Struktur der dahinterstehende Grundgesamtheit erfolgen. Die induktiven Statistik versucht festzustellen, ob eine in einem stichprobenartig erhobenen Datensatz entdeckte Struktur nur auf den Zufall zurückzuführen oder mit großer Sicherheit auch in der Grundgesamtheit zu finden ist. Um die Bedeutung des Zufalls für den erhobenen Datensatz quantifizieren zu können, benötigt man Wahrscheinlichkeitsrechnung Modul: Statistik II Dr.habil. Jochen Merker 23/29
24 5 Wahrscheinlichkeit Zufallsexperimente Zufallsexperiment Ein Zufallsexperiment ist ein Vorgang, bei dem aus einer bekannten Menge von Ergebnissen genau eines eintritt und der unter den gleichen Rahmenbedingungen beliebig oft wiederholbar ist. ACHTUNG: Im Gegensatz zu gedanklichen Zufallsexperimenten sind reale Befragungen oder Stichprobenerhebungen i.a. nicht unter gleichen Rahmenbedingungen beliebig oft wiederholbar Modul: Statistik II Dr.habil. Jochen Merker 24/29
25 5 Wahrscheinlichkeit Ereignisse Ergebnisraum und Ereignisse In der Wahrscheinlichkeitsrechnung bezeichnet man die Menge Ω der möglichen Ergebnisse eines Zufallsexperiments als Ergebnisraum und jede Teilmenge von Ω als Ereignis. Einelementige Teilmengen von Ω heißen Elementarereignisse Modul: Statistik II Dr.habil. Jochen Merker 25/29
26 5 Wahrscheinlichkeit Mengen Grundlegende Begriffe Ist x ein (bzw. kein) Element der Menge Ω, so schreibt man abkürzend x Ω (bzw. x Ω). Ist jedes Element von A auch ein Element von B, d.h. gilt x A x B, dann nennt man A eine Teilmenge von B und schreibt A B. Die Menge aller Elemente x Ω, für die eine Aussage A(x) wahr ist, symbolisiert man durch {x Ω A(x)}. Die Menge P(Ω) := {A A Ω} aller Teilmengen von Ω nennt man die Potenzmenge von Ω. Die Anzahl der Elemente einer Menge A bezeichnet man mit A oder A Modul: Statistik II Dr.habil. Jochen Merker 26/29
27 5 Wahrscheinlichkeit Mengenoperationen Beispiel, {1, 2,..., n}, N = {1, 2,... }, N 0 = {0, 1, 2,... }, Z = {0, ±1, ±2,... }, R = (, ) Mengenoperationen Sind A, B Ω Teilmengen, so bezeichnet A B := {x x A und x B} den Schnitt von A und B, A B := {x x A oder x B} die Vereinigung von A und B, A \ B := {x x A und x B} die Differenz von A und B, A c = A = Ω \ A das Komplement von A in Ω Modul: Statistik II Dr.habil. Jochen Merker 27/29
28 5 Wahrscheinlichkeit Wahrscheinlickeitsmaß Disjunkte Mengen Teilmengen A, B Ω mit A B = heißen disjunkt. Teilmengen A 1, A 2,..., A k Ω mit A i A j = für alle i j, i, j {1,..., k}, heißen paarweise disjunkt. Definition Ist Ω endlich, so heißt eine Funktion P : P(Ω) R, die jeder Teilmenge A Ω eine reelle Zahl P(A) zuordnet, ein Wahrscheinlichkeitsmaß auf Ω, falls 1. P(A) 0 für alle A Ω, 2. P(Ω) = 1, 3. P(A B) = P(A) + P(B) für disjunkte A, B Ω gilt Modul: Statistik II Dr.habil. Jochen Merker 28/29
29 5 Wahrscheinlichkeit Rechenregeln für Wahrscheinlickeiten Satz Ist P ein Wahrscheinlichkeitsmaß auf Ω, so gilt 1. 0 P(A) 1 für alle A Ω, 2. P( ) = 0, 3. P(A) P(B) für A, B Ω mit A B, 4. P(A c ) = 1 P(A) für A Ω, 5. P(A 1 A 2 A k ) = P(A 1 ) + P(A 2 ) + + P(A k ) für paarweise disjunkte A 1, A 2,..., A k Ω, 6. P(A B) = P(A) + P(B) P(A B) Modul: Statistik II Dr.habil. Jochen Merker 29/29
Einführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS tfü. Springer Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R 3 1.1 Installieren und Starten von R 3 1.2 R-Befehle
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
Mehrhtw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK htw saar 2 Grundbegriffe htw saar 3 Grundgesamtheit und Stichprobe Ziel: Über eine Grundgesamtheit (Population) soll eine Aussage über ein
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik Häufigkeitsverteilungen Statistische Kennwerte 3 Multivariate Statistik 4 Regression 5 Ergänzungen Deskriptive
MehrWahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele
Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Wahrscheinlichkeitstheorie Agenda:
MehrKapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrKapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit
Teil I: Wahrscheinlichkeitstheorie 1 Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 3: Bedingte Wahrscheinlichkeit Kapitel 4: Zufallsvariablen Kapitel 5: Erwartungswerte, Varianz, Kovarianz
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrUnivariate explorative Datenanalyse in R
Univariate explorative Datenanalyse in R Achim Zeileis, Regina Tüchler 2006-10-03 1 Ein metrisches Merkmal Wir laden den Datensatz: R> load("statlab.rda") und machen die Variablen direkt verfügbar: R>
MehrDeskriptive Statistik
Helge Toutenburg Christian Heumann Deskriptive Statistik Eine Einführung in Methoden und Anwendungen mit R und SPSS 6., aktualisierte und erweiterte Auflage Mit Beiträgen von Michael Schomaker und Malte
MehrDeskriptive Statistik
Helge Toutenburg Christian Heumann Deskriptive Statistik Eine Einführung in Methoden und Anwendungen mit R und SPSS Siebte, aktualisierte und erweiterte Auflage Mit Beiträgen von Michael Schomaker 4ü Springer
MehrStand: Semester: Dauer: Modulnummer: Minimaldauer 1 Semester BSTA. Regulär angeboten im: Modultyp: Pflicht WS, SS
Modulbezeichnung: Statistik Modulnummer: BSTA Semester: -- Dauer: Minimaldauer 1 Semester Modultyp: Pflicht Regulär angeboten im: WS, SS Workload: 150 h ECTS Punkte: 5 Zugangsvoraussetzungen: keine Unterrichtssprache:
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........................
MehrInhaltsverzeichnis Grundlagen aufigkeitsverteilungen Maßzahlen und Grafiken f ur eindimensionale Merkmale
1. Grundlagen... 1 1.1 Grundgesamtheit und Untersuchungseinheit................ 1 1.2 Merkmal oder statistische Variable........................ 2 1.3 Datenerhebung.........................................
Mehr3. Lektion: Deskriptive Statistik
Seite 1 von 5 3. Lektion: Deskriptive Statistik Ziel dieser Lektion: Du kennst die verschiedenen Methoden der deskriptiven Statistik und weißt, welche davon für Deine Daten passen. Inhalt: 3.1 Deskriptive
MehrStatistik. Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz. Der Weg zur Datenanalyse. Springer. Zweite, verbesserte Auflage
Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz Statistik Der Weg zur Datenanalyse Zweite, verbesserte Auflage Mit 165 Abbildungen und 34 Tabellen Springer Inhaltsverzeichnis Vorwort v 1 Einführung
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
MehrUnivariate explorative Datenanalyse in R
Univariate explorative Datenanalyse in R Achim Zeileis 2009-02-20 1 Grundlegende Befehle Zunächst laden wir den Datensatz (siehe auch Daten.pdf ) BBBClub R> load("bbbclub.rda") das den "data.frame" BBBClub
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
MehrStatistik für Wirtschaftswissenschaftler
Peter P. Eckstein Statistik für Wirtschaftswissenschaftler Eine real daten basierte Einführung mit SPSS GABLER Inhaltsverzeichnis Inhaltsverzeichnis VII 1 Statistik >...". 1 1.1 Historische Notizen 2 1.2
MehrGrundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik
INSTITUT FÜR STOCHASTIK WS 2007/08 UNIVERSITÄT KARLSRUHE Blatt 1 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen
MehrMarek Chudý. Institut für Statistik und Operations Research UE Statistik 1. Sommersemester, 4.
Marek Chudý Institut für Statistik und Operations Research http://homepage.univie.ac.at/marek.chudy/ UE Statistik 1 Sommersemester, 4. März 2015 Programm 1 Organisatorisches Literatur Anforderungen Notenschlüssel
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrRumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Rumpfskript Elementare Wahrscheinlichkeitsrechnung Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrTeil / Ein paar statistische Grundlagen 25. Kapitel 1 Was Statistik ist und Warum sie benötigt Wird 2 7
Inhaltsverzeichnis Einführung 21 Über dieses Buch 21 Törichte Annahmen über den Leser 22 Wie dieses Buch aufgebaut ist 23 Teil I: Ein paar statistische Grundlagen 23 Teil II: Die beschreibende Statistik
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrP (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
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrEmpirische Verteilungsfunktion
Empirische Verteilungsfunktion H(x) := Anzahl der Werte x ist. Deskriptive
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
MehrDatenaufbereitung, Grafische Datenanalyse
Datenaufbereitung, Grafische Datenanalyse R-Übung 2 Statistik III für Nebenfachstudierende LMU WS 2013/14 David Rügamer 6. & 13. November 2013 Nach einer Vorlage von Toni Hilger (WS 11/12) und Arne Kaldhusdal
MehrBivariate explorative Datenanalyse in R
Bivariate explorative Datenanalyse in R Achim Zeileis, Regina Tüchler 2006-10-09 In der LV Statistik 1 haben wir auch den Zusammenhang von 2 Variablen untersucht. Hier werden die dazugehörenden R-Befehle
MehrErmitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrModulbeschreibung Statistik
Modulbeschreibung Statistik Christian Reinboth Worum geht es in dieser Vorlesung? Eine statistische Grundlagenvorlesung ist Teil der meisten Studiengänge ob im natur-, wirtschafts- oder sozialwissenschaftlichen
Mehr1. Datei Informationen
1. Datei Informationen Datei vorbereiten (Daten, Variablen, Bezeichnungen und Skalentypen) > Datei Dateiinformation anzeigen Arbeitsdatei 2. Häufigkeiten Analysieren Deskriptive Statistik Häufigkeiten
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
MehrEinstieg in SPSS. Man kann auch für jede Ausprägung einer Variablen ein Wertelabel vergeben.
Einstieg in SPSS In SPSS kann man für jede Variable ein Label vergeben, damit in einer Ausgabe nicht der Name der Variable (der kryptisch sein kann) erscheint, sondern ein beschreibendes Label. Der Punkt
MehrSachrechnen/Größen WS 14/15-
Kapitel Daten & Wahrscheinlichkeit 3.1 Kombinatorische Grundlagen 3.2 Kombinatorik & Wahrscheinlichkeit in der Grundschule 3.3 Daten Darstellen 3.1 Kombinatorische Grundlagen Verschiedene Bereiche der
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrEigene MC-Fragen SPSS. 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist
Eigene MC-Fragen SPSS 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist [a] In der Variablenansicht werden für die betrachteten Merkmale SPSS Variablen definiert. [b] Das Daten-Editor-Fenster
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
Mehr1 Grundlagen statistischer Versuchsauswertung
1 Grundlagen statistischer Versuchsauswertung 1.1 Statistische Daten Schon vor der Erhebung von Daten sollten erste statistische Überlegungen mit in das Erhebungsprogramm aufgenommen werden. Primäres Ziel
MehrÜber den Autor 7 Über den Fachkorrektor 7. Einführung 19
Inhaltsverzeichnis Über den Autor 7 Über den Fachkorrektor 7 Einführung 19 Über dieses Buch 19 Törichte Annahmen über den Leser 20 Wie dieses Buch aufgebaut ist 20 Teil I: Ein paar statistische Grundlagen
Mehr2. Deskriptive Statistik
Philipps-Universitat Marburg 2.1 Stichproben und Datentypen Untersuchungseinheiten: mogliche, statistisch zu erfassende Einheiten je Untersuchungseinheit: ein oder mehrere Merkmale oder Variablen beobachten
MehrDeskriptive Statistik Erläuterungen
Grundlagen der Wirtschaftsmathematik und Statistik Erläuterungen Lernmaterial zum Modul - 40601 - der Fernuniversität Hagen 7 2.1 Einfache Lageparameter aus einer gegebenen Messreihe ablesen Erklärung
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrBitte am PC mit Windows anmelden!
Einführung in SPSS Plan für heute: Grundlagen/ Vorwissen für SPSS Vergleich der Übungsaufgaben Einführung in SPSS http://weknowmemes.com/generator/uploads/generated/g1374774654830726655.jpg Standardnormalverteilung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine Universität Düsseldorf 14. Oktober 2010 Übungen Aufgabenblatt 1 wird heute Nachmittag auf das Weblog gestellt. Geben Sie die Lösungen dieser
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 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
MehrAngewandte Statistik mit R
Reiner Hellbrück Angewandte Statistik mit R Eine Einführung für Ökonomen und Sozialwissenschaftler 2., überarbeitete Auflage B 374545 GABLER Inhaltsverzeichnis Vorwort zur zweiten Auflage Tabellenverzeichnis
MehrEinführung. Wahrscheinlichkeit. 1 Wahrscheinlichkeit: Definition und Interpretation. 2 Elementare Wahrscheinlichkeitsrechnung, bedingte
Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare Wahrscheinlichkeitsrechnung, bedingte Wahrscheinlichkeit Axiome nach Kolmogorov Gegeben sei ein Zufallsexperiment mit Ergebnisraum
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrInhaltsverzeichnis. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Inhaltsverzeichnis Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - Anwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch):
MehrLehr- und Übungsbuch der angewandten Statistik. Von Dr. Bärbel Elpelt und. O. Prof. Dr. Joachim Hartung Fachbereich Statistik der Universität Dortmund
Grundkurs Statistik Lehr- und Übungsbuch der angewandten Statistik Von Dr. Bärbel Elpelt und O. Prof. Dr. Joachim Hartung Fachbereich Statistik der Universität Dortmund Mit ausführlichen Übungs- und Klausurteilen
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 1. Grundbegriffe der Wahrscheinlichkeitsrechnung
Vorlesungscharts Vorlesung 1 Grundbegriffe der Wahrscheinlichkeitsrechnung Zufallsvorgänge und Zufallsereignisse Definitionen der Wahrscheinlichkeit Seite 1 von 11 Chart 1: Vorgänge deterministisch zufällig
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrGrundlagen der Statistik I
NWB-Studienbücher Wirtschaftswissenschaften Grundlagen der Statistik I Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 10. Auflage Verlag Neue Wirtschafts-Briefe Herne/Berlin Inhaltsverzeichnis
MehrWas ist R? Grundfunktionen in R Beispiele Zusammenfassung Literatur. Einführung in R. Michael Zwinkel
Einführung in R Michael Zwinkel Arbeitsbereich Wissenschaftliches Rechnen Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften Universität Hamburg Betreuer: Julian Kunkel
MehrInhaltsverzeichnis. 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
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrLösungen zur Klausur zur Statistik Übung am
Lösungen zur Klausur zur Statistik Übung am 28.06.2013 Fabian Kleine Staatswissenschaftliche Fakultät Aufgabe 1 Gegeben sei die folgende geordneten Urliste des Merkmals Y. 30 Punkte Y : 5 5 5 5 10 10 10
MehrBeide Verteilungen der Zeiten sind leicht schief. Der Quartilsabstand für Zeiten zum Surfen ist kleiner als der zum Fernsehen.
Welche der folgenden Maßzahlen sind resistent gegenüber Ausreißer? Der Mittelwert und die Standardabweichung. Der und die Standardabweichung. Der und die Spannweite. Der und der Quartilsabstand. Die Spannweite
MehrInhaltsverzeichnis. Teil I Einführung
Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 23042013 Datenlagen und Darstellung eindimensionaler Häufigkeitsverteilungen
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
MehrR starten (Arbeitsverzeichnis wählen, Workspace abspeichern, History abspeichern)
Zusammenfassung Sitzung 1: R installieren (wichtig für später: neue Versionen) R starten (Arbeitsverzeichnis wählen, Workspace abspeichern, History abspeichern) R-Konsole als Dialog, farbliche Darstellung,
MehrVorlesung Statistik WS 2008/09 1. Grundbegri e
Vorlesung Statistik WS 2008/09 1. Grundbegri e Andreas Eberle Institut für angewandte Mathematik Oktober 2008 Drei Stufen der Analyse von Beobachtungsdaten I. Beschreibende Statistik I Aufbereitung der
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 7. Übung SS 16: Woche vom
Übungsaufgaben 7. Übung SS 16: Woche vom 23. 5. 27. 5.. 2016 Stochastik I: Klassische Wkt.-Berechnung Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/... (SS16).html
MehrInhaltsverzeichnis. Vorwort. Abbildungsverzeichnis. Tabellenverzeichnis. 1 Einleitung Gegenstand Aufbau 4
Inhaltsverzeichnis Vorwort Abbildungsverzeichnis Tabellenverzeichnis v xv xvii 1 Einleitung 1 1.1 Gegenstand 1 1.2 Aufbau 4 2 Datenerhebung - ganz praktisch 7 2.1 Einleitung 7 2.2 Erhebungsplan 7 2.2.1
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Motivation bisher: Beschreibung von Datensätzen = beobachteten Merkmalsausprägungen Frage: Sind Schlußfolgerungen aus diesen Beobachtungen möglich? Antwort: Ja, aber diese gelten nur mit einer bestimmten
Mehr5 Exkurs: Deskriptive Statistik
5 EXKURS: DESKRIPTIVE STATISTIK 6 5 Ekurs: Deskriptive Statistik Wir wollen zuletzt noch kurz auf die deskriptive Statistik eingehen. In der Statistik betrachtet man für eine natürliche Zahl n N eine Stichprobe
MehrIf something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Warum Biostatistik?
MehrDIE SPRACHE DER WAHRSCHEINLICHKEITEN
KAPITEL 1 DIE SPRACHE DER WAHRSCHEINLICHKEITEN Es ist die Aufgabe der ersten drei Kapitel, eine vollständige Beschreibung des grundlegenden Tripels (Ω, A, P) und seiner Eigenschaften zu geben, das heutzutage
MehrStatistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.
Zusammenfassung und wichtiges zur Prüfungsvorbereitung 9. Dezember 2008 Begriffe Kenntnis der wichtigen Begriffe und Unterscheidung dieser. Beispiele: Merkmal, Merkmalsraum, etc. Skalierung: Nominal etc
MehrInhaltsverzeichnis Inhaltsverzeichnis VII Erst mal locker bleiben: Es f angt ganz einfach an! Keine Taten ohne Daten!
Inhaltsverzeichnis Inhaltsverzeichnis VII 1 Erst mal locker bleiben: Es fängt ganz einfach an! 1 1.1 Subjektive Wahrscheinlichkeit - oder warum...?..... 4 1.2 Was Ethik mit Statistik zu tun hat - Pinocchio
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
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
MehrEinführung in die Statistik mit R
Einführung in die Statistik mit R Bernd Weiler syntegris information solutions GmbH Neu Isenburg Schlüsselworte Statistik, R Einleitung Es ist seit längerer Zeit möglich statistische Berechnungen mit der
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc., Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Grafiken Leitmotiv bei Erstellung von Grafiken Sinnvolle, leicht zu verstehende
MehrKarl Entacher. FH-Salzburg
Ahorn Versteinert Bernhard.Zimmer@fh-salzburg.ac.at Statistik @ HTK Karl Entacher FH-Salzburg karl.entacher@fh-salzburg.ac.at Beispiel 3 Gegeben sind 241 NIR Spektren (Vektoren der Länge 223) zu Holzproben
Mehr