Zusammenfassung: Statistik
|
|
- Jakob Martin
- vor 6 Jahren
- Abrufe
Transkript
1 Zusammefassug: Statistik Attribute ud ihre Werte qualitativ: Familiestad, Geschlecht, Kofessio, Ragmerkmal: Schulote, Diestgrad, quatitativ-diskret: Azahl der Fachsemester, quatitativ-stetig: Größe, Etferug, Skalieruge ormalskaliert: keie Ragfolge, z. B. Familiestad, Geschlecht, Kofessio ordialskaliert: Aordug/Ragfolge, z. B. Schulote, Diestgrad kardialskaliert: Werte sid reelle Zahle; Aussage wie stark sich zwei Werte itervallskaliert: Nullpukt willkürlich, Verhältisse icht sivoll, z. B. Temperatur verhältisskaliert: atürlicher Nullpukt, Verhältisse sivoll, z. B. Körpergröße, Alter Kewerte eier Stichprobe ud Streuugsmaße arithmetisches Mittel: x = x i i= Media: x={ ~ x (+/ ugerade ={ p-quatil: ~ x p + x p geometrisches Mittel: x geom = x i ( x / +x /+ gerade (50 % der Werte sid kleier p N (x p +x p+ p N (p-ateil der Werte sid kleier Modalwert/Modus: häufigster Wert Spaweite: R=x max x mi emp. Variaz: s = (x i x emp. Stadardabweichug: s= ( x i x Lieare Korrelatio gegebe ist zweidimesioale Stichprobe mit Wertepaare (x, y (x, y emp. Kovariaz: s xy = ( x i x(y i y emp. Korrelatioskoeffiziet: r xy = s xy s x s y (emp. Korrelatioskoeffiziet bestimmt Grad der lieare Abhägekit Regressio Regressiosgerade: f (x =kx +d mit k =r xy s y s x = s xy s x Methode der kleiste Quadrate ud d = y k x allgemeier Asatz: f (x =allgemei Miimum vo ( f (x i y i fide ach jede Parameter eimal partiell Ableite ud Ableituge 0 setze LGS löse für Parabel y =a x +b : Δ (a,b= (x i a +b y i Seite vo
2 Beispiel: Berechug liearer Ausgleichskurve mit Methode der kleiste Quadrate geg.: x =960,,x 4 =990; y =.5,, y 4 =5 ges.: y =a x +b Q :=(.5 (a 960+b + +(5 (a 990+b Bereche a ud b mit dq da = =0 ud dq db = =0 evtl. zur Bewertug am Ede Δ bereche: alle Werte i Q eisetze Wahrscheilichkeitsrechug Begriffe Ergebismege Ω : Mege möglicher Ergebisse, z. B. bei Würfel Ω ={, 3,,} Elemetarereigisse: Elemete x Ω Ereigis A: Teilmege A Ω, z. B. ugerader Wurf mit Würfel A={3,5,7,9,} Ereigisraum (Ω, y : Skript S.36 - TODO: aschauliche Erklärug es gilt: Ω y ist Ω edlich ud {x } y x Ω da gilt y =P (Ω i A i ist Ereigis " A oder A oder " Wahrscheilichkeit: jedem Ereigis A y wird Wahrscheilichkeit P (A R + zugeordet, sodass Gesamtwahrscheilichkeit P (Ω eis ist Wahrscheilichkeitsmaß: y [0,] R + Laplace: alle Elemetarereigisse habe gleiche Wahrscheilichkeit Azahl der güstige Fälle prob(a= Azahl der mögliche Fälle Wahrscheilichkeitsraum: (Ω, y,p P (A= P ( A ud P ( =0 es gilt: ud P (A B =P (A+P (B P (A B ud P (A P (B für A B Bedigte Wahrscheilichkeit Wie wahrscheilich ist es, dass B eitritt, we A scho eitrat? P (B A= P (A B P (A Multiplikatiosgesetz: P (A B=P (A P (B A=P (B P (A B Uabhägige Ereigisse: es gelte folgede Eigeschafte P (B A=P (B, P (A B=P ( A ud P (A B =P ( A P (B Formel vo Bayes: P (E A=P (A E P (E P (A ützliche Umformug: P (A B= P (A B = P (E P (A E k = P (E k P (A E k totale Wahrscheilichkeit P (E P (A E P (E A= P (E P ( A E +P (E P (A E Bsp.: P (ok,p (pos ok, P (eg ok P (ok eg= P (ok P (eg ok P (ok P (eg ok+p (ok P (eg ok = P (pos ok Seite vo
3 Totale Wahrscheilichkeit P (A= P (A E k = P (E k P (A E k k = k = P (A=P (E P ( A E +P (E P ( A E Zuverlässigkeit vo Systeme Serielle Systeme: R s =R R R Ausfallwahrscheilichkeit: R s Parallele Systeme: R s = ( R ( R ( R Zufallsvariable Auswähle ohe Zurücklege: ( k =! ( k! k! mit Zurücklege: ( +k k Grudlegede Defiitioe Verteilugsfuktio F ( x : Werte vo 0 bis, mooto steiged, Fläche uter Graph Dichtefuktio f (x : Ableitug der Verteilugsfuktio (Wahrscheilichkeit bei x Uabhägigkeit: prob(x x,y y =prob(x x prob(y y Erwartugswert μ =E(X ={ prob(x =x x i i i falls X diskret x f (x dx falls X stetig mit Dichte f E(X +Y =E(X +E(Y ud E(a X =a E(X (Liearität E(aX +b=a E( x +b E( X Y =E(X E(Y (ur für uabhägige Zufallsvariable we stetische Zufallsvariable symmetrisch um Pukt c, also f (c x =f (c +x für alle x, da gilt E(X =c Variaz σ =Var(X =E(( X μ ={ (x μ i i p i falls X diskret ist (x μ f (x dx falls X stetig ist σ =Var(X =E(X E(X =E(X μ Stadardabweichug: σ = σ we Y =a X +b : Var(Y =a Var(X bzw. σ Y = a σ X (z. B. bei C/ F-Umrechug ützlich Kovariaz: Var( X +Y =Var(X + Cov(X,Y +Var(Y wobei: Cov(X,Y =E ((X μ X (Y μ Y =E ( X Y μ X μ Y Cov( X, Y Var(X Var(Y wex odery kost. oder Y =a X +b für uabhägige Zufallsvariable: Cov(X,Y =0 ud Var(X +Y =Var (X +Var (Y Beispiel zu E(X ud Var(X - diskret: -mal Würfel Sechsseitiger Würfel wird 80 mal geworfe: X i ist Augezahl des i-te Wurfs, somit ist S := ( k =! 80 k! ( k! = k k k 3 k 3 k Faktore X i Augesumme ud X :=S /80 Seite 3 vo
4 E(X i = k =3.5, 6 k = Var( X i = 6 k = E(S = k ( 7 = 35 E( X i =80 3.5=80, E(X = E(S 80 =3.5 80, Var(S = Var( X i =80 35 = 700, Var(X =Var(S = Weiteres Beispiel zu E(X ud Var(X - stetig: Dichte gegebe f (x = 3 x für <x < E(X = x 4 x dx= = 3 9 ud Var( X = x 3 x dx ( 4 9 = Weiteres Beispiel: Wahrscheilichkeite aus Erwartugswert ud Variaz geg.: X ka Werte, ud 3 aehme; µ = ud σ² = 0.5 LGS löse: p +p +p 3 =(I, p + p +3 p 3 =(II, ( p + p +3 p 3 =0.5(III Momete k-te Momet: m k (X =E (X k k-te zetrierte Momet: m k (X μ =E (( X μ Stadardisierug eier Zufallsvariable Z =X μ,e(z =0, Var(Z = (für Beispiel siehe Stadardormalverteilug für Verteilugsfuktio gilt: F X (σ z +μ =F Z (z für p-quatile gilt: x p =σ z p +μ Tschebyscheff ud das Gesetz der große Zahle stochastische Kovergez: lim prob( X μ c = Ugleichug: P ( X μ c σ t c x } Theorem vo Beroulli: lim t prob( f t p c = emp. Verteilf.: F (x= {i x i Gleichverteilug (Rechteckverteilug i Itervall [a; b] 0 für x a F(X x a füra <x <b ={ b a für x b { bzw. f (X = für a<x <b b a 0 sost Beispiel: T,, T 8 uabhägige Zufallsvariable auf Itervall [5; 5] außerdem geg.: T := 8 (T + +T 8 ud S :=T + +T 8 Mittelwert vo T ud S: E(T = Stadardabweichug vo T ud S: Var(T = 8 8 (5 5 = 5 43 σ T =0, E(S =8 5+5 =80 μ = a +b, σ = (b a 0.03, Var(T =8 (5 5 =675 σ S 5.98 Berechug vo Wahrscheilichkeit mit zetralem Grezwertsatz Aalog zu Bsp. für Expoetialverteilug. Expoetialverteilug (beschreibt z. B. Lebesdauer vo Bauteile F (X = { e kx für x >0 0 sost bzw. f (X = { k e kx für x >0 0 sost Beispiel: T,, T 0 uabhägige Zufallsvariable mit Rate k = 3 außerdem geg.: T := 0 (T + +T 0 ud S :=T + +T 0 μ = k, σ = k Seite 4 vo
5 Mittelwert vo T ud S: E(T = = E(S =0 3, 3 =34 Stadardabweichug vo T ud S: Var(T = = 98 σ 0.033, Var(T =0 T 3 = 34 3 σ S Berechug vo Wahrscheilichkeit mit zetralem Grezwertsatz, z. B. P (S >40= F (40= Φ ( Diskrete Verteiluge Hypergeometrische Verteilug: Ziehe eier Stichprobe ohe Zurücklege N: Gesamtzahl, M: Elemete mit bestimmter Eigeschaft, : Größe der Stichprobe x prob(x =x = (M x ( N M ( N μ =E(X = M N, σ =Var(X = M N ( M N N N Bsp.: Batterieladegeräte ka gleichzeitig 5 Batterie prüfe. Uter 5 Batterie sid fehlerhaft. Wie groß ist die Wahrscheilichkeit, dass diese gleich beim erste Test etdeckt werde? x =, N = 5, = 5, M = Biomialverteilug: Ziehe eier Stichprobe mit Zurücklege X ~ Bi( ; p Beroulli-Experimet: Zufallsereigis mit geau mögliche Ereigisse: A tritt ei oder icht. Beroulli-Kette der Läge : -maliges Wiederhole eies Beroulli-Experimets uter selbe Bediguge := Azahl der Ziehuge, x := Azahl der Ereigisse, p := Wahrscheilichkeit für Ereigis prob(x =x = ( x p x ( p x μ =E(X =p σ =Var(X =p ( p Bsp.: Ateil fehlerhafter Eiheite ist gleichbleibed 4 %. Wie groß ist Wahrscheilichkeit, dass i zufälliger Sichtprobe vo 50 Eiheite geau fehlerhafte sid? x =, = 50, p = 4 % Ist Stichprobegröße klei gegeüber N ( 0 N, so ka ma die hypergeometrische Verteilug gut durch die Biomialverteilug aäher. Poisso -Verteilug: Ereigisse pro Eiheit X ~ Po(λ x := Azahl der tatsächliche Ereigisse pro Eiheit λ := Azahl der erwartete Ereigisse pro Eiheit prob(x =x = λ x x! e λ μ =E(X =λ σ =Var(X =λ Bsp.: durchschittlich 0.05 Staubteilche pro cm², Wie groß ist Wahrscheilichkeit, auf 00 cm² geau 3 Staubteilche zu fide? λ = 5 (Teilche pro 00 cm², x = 3 Für großes ud kleies p ka Bi( ; p durch Po(λ mit λ =p geähert werde. Seite 5 vo
6 Spezielle stetige Verteiluge Normalverteilug X ~ N(μ ; σ Dichtefuktio: ( x μ Verteilugsfuktio: f (x = σ σ π e F (x=p (X x = σ π Bei jeder Normalverteilug ist die Wahrscheilichkeit, dass: X [μ σ ; μ + σ ] P =68.3 % X [μ σ ; μ + σ ] P =95.5 % X [μ 3 σ ; μ +3 σ ] P =99.7 % Stadardormalverteilug X ~ N(0 ; x e ( x μ σ Festlegug: μ =0, σ = f (x = π e x, F (x =Φ es gilt: Φ ( x = Φ (x Stadardisierug: F (x=prob(x x=φ ( x μ σ Quatile: siehe Tabelle, es gilt: z p = z p Normalverteilug als Näherug, f (x = σ x μ Φ ( σ we X ~(μ X ; σ X ud X ~(μ Y ; σ Y uabhägige ormalverteilte Zufallsvariable X +Y ~N (μ X +μ Y ; σ X +σ X Zetraler Grezwertsatz: Sid X, X,, X uabhägige, idetisch verteilte Zufallsvariable, da hat die Summe S = dt X i de Erwartugswert μ ud die Variaz σ für große auch X =/N S ist äherugsweise ormalverteilt mit μ *=σ *=σ /. für zugehörige stadardisierte Zufallsvariable Z := S μ σ = X μ σ / gilt: lim prob(z z =Φ (z (für Beispiel siehe ute bei Tests Näherug eier Biomialverteilug μ = p, σ = p( p, F B (x F N (x +0.5=Φ ( x +0.5 p p ( p Näherug eier Poisso-Verteilug Faustregel: σ 9 μ =λ, σ =λ, F P (x F N (x +0.5=Φ ( x +0.5 λ λ Faustregel: λ 9 Chi-Quadrat-Verteilug mit m Freiheitsgrade Z ~χ (m m Z := X i (X,, X m sid stadardormalverteilte, uabhägige Zufallsvariable Erwartugswert ud Variaz: E(χ (m=m, Var(χ (m=m Seie X = X i das arithmetische Mittel ud S := (X i= i X die empirische Variaz eier zufällige Stichprobe X,, X aus eier ormalverteilte Grudgesamtheit, da ist ( S σ = ( X X i σ Chi- Quadrat-verteilt. für große m Näherug durch Stadormalverteilug: χ (m N (m ; m i= Seite 6 vo
7 Quatile: siehe Tabelle; für m > 39: χ m ; p m ( 9m +z p T-Verteilug T ~t (m Wobei Z ud X uabhägige Zufallsvariable sid ud Z ~N(0; stadardormalverteilt ist ud X ~ x (m 3 9m X m Erwartugswert ud Variaz: E(T =0 für m>, Var(T = m für m > m ormalverteilte Grudgesamtheit ist t-verteilt mit - Freiheitsgrade: T = X μ s / für große m Näherug durch Stadormalverteilug: t (m N (0 ; m/(m Quatile: siehe Tabelle; für m > 39: t m ; p z p( + +z p 4m außerdem gilt: t m ; p = t m ; p we Stichprobe groß, Stadardormalverteilug astatt utzbar (ZGS F-Verteilug X ~ F (m ; m Wobei X ud X uabhägige Zufallsvariable sid ud X ~χ (m ud X ~χ (m E(X = m m für m> ud Var(T = m (m +m m (m 4 (m für m >4 Zufallsstichprobe: Folge vo uabhägige Zufallsvariable Puktschätzuge Merkmal X eier Verteilug geügt (z. B. Normalverteilug, dere Parameter? ma icht ket (z. B. Erwartugswert, Variaz aus Merkmalswerte der Stichprobe wird mit Schätzfuktio geschätzter Wert bestimmt Eigeschafte vo Schätzfuktioe. erwartugstreu/uverzerrt falls E(T =? systematischer Fehler: E(T?. asymptotisch erwartugstreu, falls lim E(T =0 3. kosistet, falls sie stochastisch gege? Kovergiert: lim prob( T? <ϵ =0 4. kosistet im quadratische Mittel, falls lim E((T? =0 (we Pukte. bis 3. gelte Im quadratische Mittel kosistete ud erwartugstreue Schätzer sid. X (arithmetisches Mittel für Erwartugswert μ eier reelle Zufallsvariable X. P (empirische Ateil für de Ateil p a eier Grudgesamtheit mit eier bestimmte Eigeschaft 3. F (empirische Verteilugsfuktio für die Verteilugsfuktio F Erwartugstreuer ud im quadratische Mittel kosisteter Schätzer für Variaz Var(X S := (X i X = ( X i X T := Z X := x /m x /m Seite 7 vo
8 Kofidezitervall für Erwartugswert µ eies ormalverteilte Merkmals bei bekatem σ. wähle Kofidezviveau: α, z. B ( α =0.0. ziehe eie Stichprobe vom Umfag ud bereche x 3. bestimme Quatil z α / der Stadardormalverteilug (im Bsp.: z = Itervalle des gesuchte Erwartugswerts µ mit der Wahrscheilichkeit α : zweiseitiges Kofidezitervall: [ x z a/ σ, x +z a / σ ] eiseitige Kofidezitervalle: (, x +z a σ ] ud [ x z a σ, + 5. Umkehrug: Wahrscheilichkeit α für gegebees, eiseitiges Kofidezitervall: z α =(Greze X σ p =Φ (z α (bei oberer Greze och Vorzeiche vertausche Läge des Kofidezitervalls L= z σ α / Notwediger Stichprobeumfag für vorgegebee Maximalläge des Kofidezitervalls: ( z σ α / L max Kofidezitervall für Erwartugswert µ eies ormalverteilte Merkmals bei ubekatem σ Wie bei bekatem σ, bis auf: s schätze, we icht bekat (mit Schätzer für Variaz aderes Quatil (bei 3. zu bestimme: t ; α / (we > 30 ka auch Stadardormalverteilug beutzt werde Kofidezitervall: [ x t s ; α /, x +t s ; α / ] Kofidezitervall für µ eies beliebig verteilte Merkmals bei große Stichprobeumfag ( 30 Wie bei bekatem σ (we σ icht bekat schätze Kofidezitervall für Vergleich der Erwartugswerte vo zwei Normalverteiluge mit bekate Stadardabweichuge Wie bei bekatem σ ur mit Variable für beide Normalverteiluge [ Kofidezitervall: x x z σ a / + σ, x x +z σ a / + σ ] Kofidezitervall für de Vergleich der Erwartugswerte vo zwei Normalverteiluge mit ubekate, aber gleiche Stadardabweichuge [g -, g + ] mit g± x x ±t + ; α / ( + ( ( s +( s + Seite 8 vo
9 Kofidezitervall für σ²/σ eies ormalverteilte Merkmals [ für σ²: ( s, χ ; α / ( s ] χ ; α / für σ: [ ( s χ ; α /, ( s ] χ ; α / Approximatives Kofidezitervall für eie Wahrscheilichkeit bzw. eie Ateilswert p bei großem Stichprobemumfag ( 0 ( [g -, g + ], g ± = +z p+ z α / α / ±z α / p( p + z α / 4 Maximum-Likelihood-Methode Ma wählt Parameter? für de beobachteter Wert vo X =(X,, X die größte Wahrscheilichkeit hat Likelihood-Fuktio we X i diskret: L=(x,, x,? := prob(x i =x i? Likelihood-Fuktio we X i stetig: L=(x,, x,? := f (x i,? Beispiel (für stetig: F (x = { e (λ x für X 0 f (x = 0 sost { λ (λ x xe für X 0 0 sost kokrete Stichprobe: 0.38, 0.4, 0.5 L(λ =f (0.38 f (0.4 f (0.5= Allg.: L(λ = ( λ x i e (λ x = i λ ( x i e λ x i i= i Formel eisetze Tests l(l (λ = l(+ l(λ +l( x i 0= d d λ l(l(λ = λ λ Fehlerarte ud Güte λ x i i= = x i λ / x i etschiede für H 0 etschiede für H H 0 wahr ok Fehler. Art (α-fehler l awede Ableitug ach λ 0 setze (Am Ede ist ur Betrag relevat. H wahr Fehler. Art (β-fehler ok Die Wahrscheilichkeit für eie α-fehler wird durch die Wahl des Sigifikaziveaus begrezt bzw. festgelegt. Die Wahrscheilichkeit für eie β-fehler ka i der Regel icht vorgegebe werde. p-wert Wahrscheilichkeit, bei Gültigkeit vo H 0, de beobachtete Prüfwert oder eie i Richtug vo H extremere Wert zu erhalte. (H 0 wird verworfe, falls p-wert kleier als Sigifikaziveau. Test für µ eies ormalverteilte Merkmals bei bekatem σ (Gauß-Test ah 0 :μ =μ 0 gege H :μ μ 0 (zweiseitig. formuliere Hypothese bh 0 :μ μ 0 gege H :μ <μ 0 (eiseitig ch 0 :μ μ 0 gege H :μ >μ 0 (eiseitig Seite 9 vo
10 z. B. H 0 :μ 00 (also Fall b. wähle Sigifikatziveau α (z. B. 0.0, 0.05 oder ziehe Stichprobe vom Umfag, bereche daraus x ud s sowie Prüfwert z = x μ 0 σ / (Die zugehörige Prüfgröße Z ist stadardormalverteilt a z >z α / 4. H 0 verwerfe, falls bz < z α cz >z α t-test für µ eies ormalverteilte Merkmals bei ubekatem σ mit Beispiel. Sigifikaziveau ud Hypothese wie bei Gauß-Test, z. B. H 0 :μ 00 (also Fall b. ziehe Stichprobe vom Umfag, bereche daraus x ud s sowie Prüfwert t = x μ 0 s / (Die zugehörige Prüfgröße T ist da t-verteilt mit - Freiheitsgrade z. B H 0 aalog zu Gauß-Test verwerfe ur adere Quatile: at ; α / bzw. b, ct ; α z. B im Beispiel wird also H 0 beibehalte, da Bemerkug: H 0 wird geau da abgeleht, we µ 0 icht im eiseitige Kofidezitervall zum Niveau α ist. χ²-test für σ² eies ormalverteilte Merkmals. wähle Sigifikaziveau, Hypothese wie bei Gauß-Test ur mit σ². ziehe Stichprobe vom Umfag, bereche s² sowie Prüfwert y = σ s 0 3. H 0 verwerfe, falls a y < χ ; α / oder y >χ ; α / b y < χ ; α c y <χ ; α Beispieltest mit Normalapproximatio der Biomialverteilug geg.: 4000 Teile überprüft; geau 049 icht vo erster Wahl Aufgabe: Teste, dass 75 % der Teile der Produktio icht vo erster Wahl sid mit Sigifikaziveau vo 5 % H 0 : P (Bauteil vo erster Wahl=p=0.75 X :=Azahl Teile. Wahl k bei 4000 Teile X ~b (4000; p,p ( X =k = ( 4000 k p k ( p 4000 k E(X = p = =3000, Var(X = p( p= =750 für k = =95 P ( X ( Φ ( k Φ ( 48.5/ 750 Φ ( H 0 wird abgbgeleht, da < 5% χ²-apassugstest mit Beispiel Testet für disjukte Mege, ob Zufallsvariable X bestimmte Verteilug besitzt.. bilde Zerlegug A i mit i N i disjukte Mege, die alle mögliche Werte vo X umfasst (z. B. Werktage N = 5. bereche Wahrscheilichkeite p i für Ereigisse X A i, i N uter ageommeer Verteilug (im Bsp. p i = 0. für gleichmäßige Verteilug Seite 0 vo
11 H 0 :P (X A i =p i, i N gege 3. formuliere Hypothese: H :P (x A i p i für midestes ei i 4. wähle Sigifikatziveau α (z. B ziehe Stichprobe vom Umfag stelle Azahl h i der Stichprobewerte i A i fest N ( ud bereche daraus Prüfwert: T = i p i = p i ( N i p i (z. B. 37, 9, 6, 7, 3 =50,T =/50 5 ( = H 0 verwerfe, falls T >χ N ; α (im Bsp. χ 4 ; 0.95 =9.488 also Hypothese beibehalte Für das Quatil die Azahl der Mege mius verwede ud icht de Stichprobeumfag! Weiteres Beispiel: Expoetialverteilug Stichprobe vom Umfag 00: 78 Werte i [0; ], 45 i ]; ], 54 i ]; 4], 3 i ]4; [ Nullhypothese: X ist expoetialverteilt mit Parameter 0.5; Sigifikatziveau α = Wahrscheilichkeite für die eizele Itervalle mit Verteilfuktio F für Expoetialverteilug bereche. Prüfwert bereche: T =/00 78 ( Quatil bereche: χ 3 ; 0.95 =7.85 Nullhypothese wird beibehalte Logarithmeregel log a (u v =log a u +log a v log a u v =log a u log a v log a u v =v log a u log b r = log a r log a b Seite vo
Tests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrFormelsammlung Statistik 29. Januar 2019
Formelsammlug Statistik Seite 1 Formelsammlug Statistik 9. Jauar 019 Witersemester 018/19 Adreas Löpker, HTW Dresde 1. Deskriptive Statistik (F1) Stichprobe x vom Umfag, Stichprobe y vom Umfag m x = (x
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrInduktive Statistik. Formelsammlung. Prof. Dr. W. Assenmacher. Stichprobenraum: Ω = {ω 1, ω 2,...,ω m }
Prof. Dr. W. Assemacher Statistik ud Ökoometrie Uiversität Duisburg-Esse Campus Esse Iduktive Statistik Formelsammlug Stichproberaum: Ω = {ω 1, ω,...,ω m } Vollstädiges System vo Ereigisse {A 1,..., A
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
MehrFakultät für Wirtschafts- und Rechtswissenschaften
F A C H H O C H S C H U L E K Ö L N Fakultät für Wirtschafts- ud Rechtswisseschafte F O R M E L S A M M L U N G Deskriptive Statistik Iduktive Statistik Herausgeber: c 2004 Fachgruppe Quatitative Methode
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
MehrFormelsammlung zur Statistik
Darstellug uivariater Date Formelsammlug zur Statistik Urliste x i : x 1,... x, aufsteiged geordete Urliste x (i) Die k (verschiedee) Auspräguge: a 1
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Ihaltsverzeichis 1 Vorbemerkuge 1 Zufallsexperimete - grudlegede Begriffe ud Eigeschafte 3 Wahrscheilichkeitsaxiome 4 4 Laplace-Experimete 6 5 Hilfsmittel aus der Kombiatorik 7 6 Bedigte Wahrscheilichkeite
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik 2 für Naturwisseschafte 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Modul 209 Tabelle Has Walser: Modul 209, Tabelle ii Ihalt Fakultäte... 2 Biomialkoeffiziete... 2 3 Biomische Verteilug... 3
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 8.1 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12.075, p-wert: 0.0168 f χ
MehrX in einer Grundgesamtheit vollständig beschreiben.
Prof. Dr. Rolad Füss Statistik II SS 008. Puktschätzug vo Parameter eier Grudgesamtheit Nur durch eie Totalerhebug ka ma die Verteilug eier Zufallsvariable X i eier Grudgesamtheit vollstädig beschreibe.
MehrParameterschätzung. Numero, pondere et mensura Deus omnia condidit
Parameterschätzug Numero, podere et mesura Deus omia codidit Populatio, Zufallsvariable, Stichprobe Populatio Zufallsvariable X Stichprobe x eie"realisierug vo X (Beobachtug) alle mäliche Rekrute der US
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrAnwendung für Mittelwerte
Awedug für Mittelwerte Grudgesamtheit Stichprobeziehug Zufalls- Stichprobe... "wahre", ubekate Mittelwert der Grudgesamtheit icht zufällig?... beobachtete Mittelwert zufällig Statistik für SoziologIe 1
MehrTESTEN VON HYPOTHESEN
TESTEN VON HYPOTHESEN 1. Grudlage Oft hat ma Vermutuge zu Sachverhalte ud möchte diese gere durch Experimete bestätige. Dabei ka es sich i der Praxis zum Beispiel um Verteiluge vo gewisse Zufallsgröße
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrWahrscheinlichkeit und Statistik Zusammenfassung
Wahrscheilichkeit ud Statistik Zusammefassug Fabia Hah, Dio Werli 9. September 008 Wahrscheilichkeitstheorie Grudlegede Kombiatorik Die folgede Tabelle bezieht sich auf das Uremodell: ziehe aus k geordet
MehrÜbungen mit dem Applet erwartungstreu
Übuge mit dem Applet erwartugstreu Visualisierug vo erwartugstreu Begriffe ud statischer Hitergrud. Visualisieruge mit dem Applet..3. Zufallsstreuug der Eizelwerte...3. Mittelwerte 3.3 Variaz. 4.4 Variaz
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
MehrStochastik für Informatiker. In L A TEX von: Manuel Albert
Stochastik für Iformatiker I L A TEX vo: Mauel Albert Stad: 11.07.2011 Ihaltsverzeichis 1 Wahrscheilichkeitstheorie 2 1.1 Wahrscheilichkeit.................................... 2 1.2 Laplace sche Wahrscheilichkeitsräume........................
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
Mehr10. Testen von Hypothesen Seite 1 von 6
10. Teste vo Hypothese Seite 1 vo 6 10.1 Eiführug i das Teste vo Hypothese Eie Hypothese ist eie Vermutug bzw. Behauptug über die Wahrscheilichkeit eies Ereigisses. Mit Hilfe eies geeigete Tests (=Testverfahre)
Mehr3.2 Wilcoxon Rangsummentest
3. Wilcoxo Ragsummetest Wir gehe davo aus, dass zwei Teilstichprobe x 1, x,..., x 1 ud y1, y,..., y vorliege, wobei die erste Teilstichprobe aus Realisieruge vo uabhägig ud idetisch stetig verteilte Zufallsvariable
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrMathematik IV für Maschinenbau und Informatik
UNIVERSITÄT ROSTOCK Mathematik IV für Maschiebau ud Iformatik Stochastik Prof. Dr. Friedrich Liese Sommersemester 2007 2 Mathematik IV für Maschiebau ud Iformatik INHALT Ihalt... 2 Vorlesugsverzeichis...
MehrWichtige Verteilungen
Wichtige Verteiluge Gaußsche Glockekurve ormalverteilug Logarithmische ormalverteilug Histogramm mit Glockekurve 3 Biomial- oder Beroulli-Verteilug Poisso-Verteilug Hypergeometrische Verteilug Epoetialverteilug
MehrLösung der Nachklausur
H. Schmidli Eiführug i die Stochastik WS 8/9 Lösug der Nachklausur. a) Aus dem Satz der totale Wahrscheilichkeit folgt für de Ateil der Persoe, die der Vorlage zugestimmt habe Also liegt die Zustimmug
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
Mehr2 Einführung in die mathematische Statistik
2 Eiführug i die mathematische Statistik Die Hauptaufgabe der mathematische Statistik ist es, ahad der Eigeschafte eies Teils eier Mege vo Objekte auf die Eigeschafte aller Objekte i dieser Mege zu schließe.
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG 9 - LÖSUNGEN. Ziehug vo Kugel aus eier Ure a. Die Zahl der Permutatio der Kugel, die aus Klasse utereiader gleicher
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 13
ETH Zürich FS 2013 D-MATH Has Rudolf Küsch Koordiator Blaka Horvath Wahrscheilichkeit & Statistik Musterlösug Serie 13 1. a) Die Nullhypothese lautet dass das echte Medikamet höchstes gleich gut ist wie
MehrGrundsätzlich sollen Varianz bzw. Standardabweichung Maße dafür sein, wie stark eine Verteilung um ihren Erwartungswert streut.
Eie Iterpretatiosfrage habe ich zu eiem Beispiel das i der der letzte Vorlesug behadelt wurde: Auf Folie.7 zur Variaz. Dort wird ei Beispiel eier stetige Zufallsvariable geat (Warte a eier S-Bah-Haltestelle).
MehrStatistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.
Statistik, Abschitt.. Schätzmethode.. Mometemethode Für Parameter, die sich i bekater Weise aus de Momete zusammesetze, erhält ma Schätzuge, idem ma die theoretische Momete durch die sogeate empirische
MehrDer χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?
Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
MehrStatistische Tests zu ausgewählten Problemen
Eiführug i die statistische Testtheorie Statistische Tests zu ausgewählte Probleme Teil : Tests für Erwartugswerte Statistische Testtheorie I Eiführug Beschräkug auf parametrische Testverfahre Beschräkug
MehrMaschinelle Sprachverarbeitung: Mathematische Grundlagen
HUMOLDT-UNIVERSITÄT ZU ERLIN Istitut für Iformatik Lehrstuhl Wissesmaagemet Maschielle Sprachverarbeitug: Mathematische Grudlage Tobias Scheffer Ulf refeld Literatur Huag, cero, Ho: Spoke Laguage rocessig,
MehrPraktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle
Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht
MehrEreignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)
Kapitel 10 Statistik 10.1 Wahrscheilichkeit Das Ergebis eier Messug oder Beobachtug wird Ereigis geat. Ereigisse werde mit de Buchstabe A, B,...bezeichet. Die Messug eier kotiuierliche Variable x gibt
Mehr( ), der genau auf der Geraden ( ) 2 ( ) #( ) 8. Lineare Regression. = f i. Nach der Summe der kleinsten. mx i
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Ziel dieses Verfahres ist es, Beziehuge zwische zwei Merkmale
Mehr2 Induktive Statistik
Kapitel 2 Iduktive Statistik Seite 19 2 Iduktive Statistik 2.1 Grudprizipie der iduktive Statistik 2.2 Puktschätzug 2.2.1 Schätzfuktioe Defiitio 2.1 Sei X 1,...,X i.i.d. Stichprobe. Eie Fuktio heißt Schätzer
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
Mehr