Formelsammlung. PD Dr. C. Heumann
|
|
- Minna Ritter
- vor 6 Jahren
- Abrufe
Transkript
1 Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma
2 Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge m m Kombiatioe ( ) mit Reihefolge m! m m Dabei gilt:! = ( 1) 1 ( m) =! m!( m)! Wahrscheilichkeitsrechug Laplace-Wahrscheilichkeit P(A) = A Ω Axiome vo Kolmogorov (1) 0 P(A) 1, () P(Ω) = 1, Azahl der für A güstige Fälle = Azahl aller mögliche Fälle (3) Seie A ud B disjukte Ereigisse Da gilt: P(A B) = P(A) + P(B) Folgeruge aus de Axiome vo Kolmogorov P(Ā) = 1 P(A), P(/0) = 0, P(A B) = P(A) + P(B) P(A B), Für A B gilt: P(A) P(B), Sei A 1,,A eie vollstädige Zerlegug vo Ω i paarweise disjukte Ereigisse Da gilt: P(B) = P(B A i ) Bedigte Wahrscheilichkeit Für P(B) > 0 gilt: P(A B) = P(A B) P(B) Multiplikatiossatz P(A B) = P(B A) P(A) = P(A B) P(B) Satz vo der totale Wahrscheilichkeit Sei A 1,,A eie vollstädige Zerlegug vo Ω i paarweise disjukte Ereigisse Da gilt: P(B) = Satz vo Bayes P(B A i ) P(A i ) Für P(A) > 0 ud P(B) > 0 gilt: P(A B) = P(B A) P(A) P(B) Uabhägigkeit vo Ereigisse Zwei zufällige Ereigisse A ud B sid geau da voeiader stochastisch uabhägig, we gilt: P(A B) = P(A) P(B) PD Dr Heuma 1
3 Formelsammlug Statistik II Iduktive Statistik Zufallsvariable Diskrete Zufallsvariable Wahrscheilichkeitsfuktio: P(X = x i ) = p i für i = 1,,I Gemeisame Wahrscheilichkeitsfuktio: P(X = x i,y = y j ) = p i j für i = 1,,I, j = 1,,J Radwahrscheilichkeitsfuktioe: P(X = x i ) = P(Y = y j ) = Stetige Zufallsvariable Dichtefuktio: f (x) J p i j = p i+ für i = 1,,I, j=1 I Gemeisame Dichtefuktio: f XY (x,y) Raddichte: f X (x) = f Y (y) = Erwartugswert p i j = p + j für j = 1,,J f XY (x,y)dy, f XY (x,y)dx Bei eier diskrete Zufallsvariable: E(X) = I x i p i Bei eier stetige Zufallsvariable: Variaz E(X) = Allgemei: x f (x)dx Var(X) = E[X E(X)] = E(X ) [E(X)] Bei eier diskrete Zufallsvariable: Var(X) = I (x i E(X)) p i Bei eier stetige Zufallsvariable: Var(X) = [x E(X)] f (x)dx Recheregel für Erwartugswert ud Variaz E(a X + b) = a E(X) + b, Var(a X + b) = a Var(X), E(X ±Y ) = E(X) ± E(Y ), Var(X ±Y ) = Var(X) + Var(Y ) ± Cov(X,Y ) Ugleichug vo Tschebyschev Sei X eie beliebige Zufallsvariable mit E(X) = µ ud Var(X) = σ Da gilt: Kovariaz P( X µ c) σ c, P( X µ < c) 1 σ c Cov(X,Y ) = E[(X E(X))(Y E(Y ))] = E(X Y ) E(X) E(Y ) Dabei gilt im diskrete Fall: E(X Y ) = I J j=1 bzw im stetige Fall: Korrelatio ρ(x,y ) = x i y j p i j, E(X Y ) = x y f XY (x,y)dxdy Cov(X,Y ) Var(X) Var(Y ) Uabhägigkeit vo Zufallsvariable Zwei Zufallsvariable X ud Y sid geau da voeiader stochastisch uabhägig, we gilt: f XY (x,y) = f X (x) f Y (y) für alle x, y PD Dr Heuma
4 Formelsammlug Statistik II Iduktive Statistik Spezielle diskrete Verteiluge Diskrete Gleichverteilug P(X = x i ) = 1 für i = 1,,k k Für de Spezialfall x i = i gilt: E(X) = k + 1, Var(X) = 1 1 (k 1) Beroulli-Verteilug ( X B(1, p) ) P(X = x) = E(X) = p, Var(X) = p(1 p) { p für x = 1, 1 p für x = 0, = p x (1 p) 1 x für x {0,1}, Biomialverteilug ( X B(, p) ) P(X = x) = E(X) = p, ( ) p x (1 p) x für x {0,1,,}, x Var(X) = p(1 p) Geometrische Verteilug ( X G(p) ) P(X = x) = p(1 p) x 1 für x N, Hypergeometrische Verteilug ( X H(,M,N) ) P(X = x) = ( M )( N M ) x x ( N ) für x {max(0, (N M)),, mi(,m)}, E(X) = M N, Var(X) = M N ( 1 M N Poisso-Verteilug ( X Po(λ) ) )( ) N N 1 P(X = x) = λx x! exp( λ) für x N 0, E(X) = Var(X) = λ Multiomialverteilug ( X M(; p 1,, p k )) ) P(X 1 = x 1,, X k = x k ) = für x i {0,1,,} mit! x 1! x k! px 1 1 px k k k x i =, E(X) = 1 p, Var(X) = 1 ( ) 1 p p 1 E(X) = (p 1,,p k ), { pi (1 p Cov(X i,x j ) = i ) für i = j, p i p j für i j PD Dr Heuma 3
5 Formelsammlug Statistik II Iduktive Statistik Spezielle stetige Verteiluge Stetige Gleichverteilug ( X U(a,b) ) f (x) = { 1 b a für x [a; b], 0 sost, E(X) = a + b, (b a) Var(X) = 1 Expoetialverteilug ( X Ex(λ) ) f (x) = E(X) = 1 λ, Var(X) = 1 λ { λexp( λx) für x 0, 0 sost, Normalverteilug ( X N(µ,σ ) ) f (x) = 1 ) ( σ π exp (x µ) σ, E(X) = µ, Var(X) = σ Stadardisierug: Sei X N(µ,σ ) Da gilt: Z = X µ σ N(0,1) Additiossatz: Seie X 1,,X iid N(µ,σ ) Da gilt: X i N(µ,σ ) Recheregel: ( ) b µ P(a X b) = Φ Φ σ χ -Verteilug Φ( z) = 1 Φ(z) Seie Z 1,,Z iid N(0,1) Da gilt: t-verteilug Z i χ ( a µ Seie X ud Y uabhägig mit X N(0,1) ud Y χ Da gilt: X Y / t F-Verteilug σ ), Seie X ud Y uabhägig mit X χ m ud Y χ Da gilt: X/m Y / F m, PD Dr Heuma 4
6 Formelsammlug Statistik II Iduktive Statistik Grezwertsätze ud Approximatioe Gesetz der große Zahle Seie X 1,,X iid mit E(X i ) = µ ud Var(X i ) = σ für i = 1,, ud sei X = 1 X i Da gilt: lim P( X µ < c) = 1, c > 0 Zetraler Grezwertsatz Seie X 1,,X iid mit E(X i ) = µ ud Var(X i ) = σ für i = 1,, ud sei Approximatioe Falls p(1 p) 9: B(, p) N(p,p(1 p)) Falls groß ud p klei: B(, p) Po(p) Falls λ 10: Da gilt: Y = X i µ σ lim P(Y y) = Φ(y), y Po(λ) N(λ,λ) Falls 01 M ud 01 (N M): ( H(,M,N) B, M ) N Pukt- ud Itervallschätzuge Bias bias θ (T (X);θ) = E θ (T (X)) θ Mea Square Error MSE θ (T (X);θ) = E θ ( [T (X) θ] ) = Var θ (T (X)) + [bias θ (T (X);θ)] Kofidezitervall für µ bei N(µ,σ ) (σ bekat) [I u (X),I o (X)] = X = 1 [ X z 1 α/ σ ; X + z 1 α/ σ ] X i Kofidezitervall für σ bei N(µ,σ ) (µ ubekat) [I u (X),I o (X)] = S X = [ 1 c 1;1 α/ S X; 1 1 (X i X) ] 1 SX c 1;α/ Approximatives Kofidezitervall für p bei B(, p) [I u (X),I o (X)] [ = ˆp = X ˆp(1 ˆp) ˆp(1 ˆp) ˆp z 1 α/ ; ˆp + z 1 α/ ] Kofidezitervall für µ bei N(µ,σ ) (σ ubekat) [I u (X); I o (X)] [ ] = X t 1;1 α/ SX ; X +t 1;1 α/ SX X = 1 S X = X i, 1 1 (X i X) PD Dr Heuma 5
7 Formelsammlug Statistik II Iduktive Statistik Tests für Eistichprobeprobleme Eifacher Gauß-Test Aahme: X N(µ,σ ) mit σ bekat Hypothese: a) H 0 : µ = µ 0 vs H 1 : µ µ 0 b) H 0 : µ µ 0 vs H 1 : µ < µ 0 c) H 0 : µ µ 0 vs H 1 : µ > µ 0 T (X) = X µ 0 H 0 N(0,1) σ Ablehbereiche: a) t > z 1 α b) t < z 1 α c) t > z 1 α Eifacher t-test Aahme: X N(µ,σ ) mit σ ubekat Hypothese: a) H 0 : µ = µ 0 vs H 1 : µ µ 0 b) H 0 : µ µ 0 vs H 1 : µ < µ 0 c) H 0 : µ µ 0 vs H 1 : µ > µ 0 T (X) = X µ 0 H 0 t 1 S Ablehbereiche: a) t > t 1;1 α b) t < t 1;1 α c) t > t 1;1 α Approximativer eifacher Biomialtest Aahme: X B(1, p) Hypothese: a) H 0 : p = p 0 vs H 1 : p p 0 b) H 0 : p p 0 vs H 1 : p < p 0 c) H 0 : p p 0 vs H 1 : p > p 0 T (X) = Ablehbereiche: a) t > z 1 α b) t < z 1 α c) t > z 1 α χ -Apassugstest Aahme: X F Hypothese: T (X) = ˆp p 0 H 0, appr N(0, 1) p0 (1 p 0 ) H 0 : F = F 0 vs H 1 : F F 0 k (N i p i ) p i H 0, appr χ k 1 r N i : beobachtete absolute Häufigkeit i Klasse i p i : Wahrscheilichkeit für Klasse i uter H 0 r: Azahl der für F 0 zu schätzede Parameter Ablehbereich: t > c k 1 r;1 α PD Dr Heuma 6
8 Formelsammlug Statistik II Iduktive Statistik Parametrische Tests für Zweistichprobeprobleme F-Test Aahme: Uabhägige Stichprobe zu de Merkmale X N(µ X,σ X ), Y N(µ Y,σ Y ), µ X ud µ Y ubekat Hypothese: a) H 0 : σ X = σ Y vs H 1 : σ X σ Y b) H 0 : σ X σ Y vs H 1 : σ X > σ Y T (X,Y) = S X S Y Ablehbereiche: H 0 FX 1, Y 1 mit T (X,Y) = X Ȳ X Y H 0 tx + S X + Y Y S = ( X 1)SX + ( Y 1)SY, X + Y SX = 1 X 1 (X i X), SY = 1 Y 1 Ablehbereiche: i i (Y i Ȳ ) a) t < f X 1, Y 1; α b) t > f X 1, Y 1;1 α oder t > f X 1, Y 1;1 α a) t > t X + Y ;1 α b) t < t X + Y ;1 α Doppelter Gauß-Test Aahme: Uabhägige Stichprobe zu de Merkmale X N(µ X,σ X ), Y N(µ Y,σ Y ), σ X ud σ Y bekat Hypothese: a) H 0 : µ X = µ Y vs H 1 : µ X µ Y b) H 0 : µ X µ Y vs H 1 : µ X < µ Y c) H 0 : µ X µ Y vs H 1 : µ X > µ Y T (X,Y) = Ablehbereiche: X Ȳ H X Y 0 N(0,1) Y σ X + XσY Paired t-test c) t > t X + Y ;1 α Aahme: Verbudee Stichprobe zu de Merkmale X N(µ X,σ X ), Y N(µ Y,σ Y ), σ X ud σ Y ubekat; für D = X Y mit µ D = µ X µ Y gilt: D N(µ D,σ D ) Hypothese: a) H 0 : µ D = 0 vs H 1 : µ D 0 b) H 0 : µ D 0 vs H 1 : µ D < 0 c) H 0 : µ D 0 vs H 1 : µ D > 0 T (X,Y) = T (D) = Ablehbereiche: D S D H 0 t 1 a) t > z 1 α b) t < z 1 α c) t > z 1 α Doppelter t-test Aahme: Uabhägige Stichprobe zu de Merkmale X N(µ X,σ X ), Y N(µ Y,σ Y ), σ X ud σ Y sid ubekat, aber idetisch Hypothese: a) H 0 : µ X = µ Y vs H 1 : µ X µ Y b) H 0 : µ X µ Y vs H 1 : µ X < µ Y c) H 0 : µ X µ Y vs H 1 : µ X > µ Y a) t > t 1;1 α b) t < t 1;1 α c) t > t 1;1 α Approximativer doppelter Biomialtest Aahme: Uabhägige Stichprobe für zwei Beroulli-verteilte Merkmale, so dass gilt: X B( 1, p 1 ), Y B(, p ) Hypothese: a) H 0 : p 1 = p vs H 1 : p 1 p b) H 0 : p 1 p vs H 1 : p 1 < p c) H 0 : p 1 p vs H 1 : p 1 > p PD Dr Heuma 7
9 Formelsammlug Statistik II Iduktive Statistik D T (X,Y) = ( ) H 0, appr N(0, 1) ˆp(1 ˆp) Ablehbereiche: a) t > z 1 α mit D = X 1 Y ud ˆp = X +Y 1 + b) t < z 1 α c) t > z 1 α PD Dr Heuma 8
10 Formelsammlug Statistik II Iduktive Statistik Nichtparametrische Tests für Zweistichprobeprobleme Ma-Whitey-U-Test Aahme: Uabhägige Stichprobe zu de stetige Merkmale X F ud Y G; die beide Verteiluge köe sich ur bzgl ihrer Lage uterscheide Hypothese: H 0 : F ud G uterscheide sich icht bzgl ihrer Lage H 1 : F ud G uterscheide sich bzgl ihrer Lage U 1 T (X,Y) = X Y 1 1 X Y ( X + Y + 1) wobei U = mi{u X,U Y } ud U X = X Y + X( X + 1) R X+ U Y = X Y + Y ( Y + 1) R Y + H 0, appr N(0, 1) R X+ : Ragsumme der X-Stichprobeelemete R Y + : Ragsumme der Y -Stichprobeelemete Ablehbereich: t > z 1 α Kolmogorov-Smirov-Test Aahme: Uabhägige Stichprobe zu de Merkmale X F ud Y G Hypothese: H 0 : F = G vs H 1 : F G T (X,Y) = D = max t S ˆF(t) Ĝ(t) mit S = X Y als gepoolte Stichprobe beider Merkmale Ablehbereich: t überschreitet (1 α)-quatil der Verteilug vo D uter H 0 Aalyse vo Kotigeztafel χ -Uabhägigkeitstest Aahme: Zu zwei kategoriale bzw zu zwei kategorisiert stetige Merkmale X ud Y liegt die gemeisame Verteilug vor Hypothese: Odds-Ratio-Test Aahme: Zu de dichotome Merkmale X ud Y liegt die gemeisame Verteilug vor Hypothese: H 0 : θ 0 = l(or) = 0 vs H 1 : θ 0 0 H 0 : X ud Y sid uabhägig vs T (X,Y) = ˆθ 0 ˆσˆθ 0 H 0, appr N(0, 1) H 1 : X ud Y sid abhägig mit ) 11 ˆθ 0 = lôr = l( 1 1 T (X,Y) = I J j=1 ( i j ˆ i j ) ˆ i j H 0, appr χ (I 1) (J 1) ( 1 ˆσˆθ 0 = ) Ablehbereich: t > z 1 α mit ˆ i j = i+ + j Kofidezitervall für θ 0 [I u,i o ] = [ˆθ 0 z 1 α ˆσˆθ 0 ; ˆθ 0 + z 1 α ˆσˆθ 0 ] Kofidezitervall für OR Ablehbereich: t > c (I 1) (J 1);1 α [exp(i u ); exp(i o )] PD Dr Heuma 9
11 Formelsammlug Statistik II Tabelleahag Multiple lieare Regressio Klassisches Modell mit Normalverteilugsaahme mit ud y = X β + ε y = β = y 1 y y β 0 β 1 β p 1 x 11 x 1p 1 x 1 x p, X =, 1 x 1 x p ε N(0,σ I ) KQ-Schätzer ˆβ = (X X) 1 X y Streuugszerlegug, ε = ε 1 ε ε SQ Total = SQ Regressio + SQ Residual Bestimmtheitsmaß R = SQ Regressio SQ Total Overall-F-Test = 1 SQ Residual SQ Total Aahme: Klassisches Modell mit Normverteilugsaahme Hypothese: H 0 : β 1 = = β p = 0 vs H 1 : β j 0 für midestes ei j F = R 1 R p 1 p Ablehbereich: f > f p, p 1;1 α Test für Regressioskoeffiziete Aahme: Klassisches Modell mit Normverteilugsaahme Hypothese: H 0 Fp, p 1 SQ Total = SQ Regressio = SQ Residual = (y i ȳ) (ŷ i ȳ) (y i ŷ i ) H 0 : β j = 0 vs H 1 : β j 0 T = ˆβ j ˆσˆβ j H 0 t p 1 Ablehbereich: t > t p 1;1 α PD Dr Heuma 10
12 Formelsammlug Statistik II Tabelleahag z z Tabelle 1: Verteilugsfuktio Φ(z) der Stadardormalverteilug N(0,1) PD Dr Heuma 11
13 Formelsammlug Statistik II Tabelleahag p d f Tabelle : p-quatile c d f ;p der χ -Verteilug PD Dr Heuma 1
14 Formelsammlug Statistik II Tabelleahag d f p Tabelle 3: p-quatile t d f ;p der t-verteilug PD Dr Heuma 13
15 Formelsammlug Statistik II Tabelleahag d f1 d f1 d f d f Tabelle 4: 095-Quatile fd f1,d f;095 der F-Verteilug PD Dr Heuma 14
Induktive 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
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
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
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
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
MehrTests 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
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
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
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
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....................................
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
MehrFormelsammlung. Deskriptive Statistik und Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Formelsammlug Deskriptive Statistik ud Elemetare Wahrscheilichkeitsrechug Prof. Dr. Ralf Rude Statistik ud Ökoometrie, Uiversität Siege Prof. Dr. Ralf Rude - Uiversität Siege I Statistische Grudbegriffe
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
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
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
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
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
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
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,...,
Mehrf X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i
MehrZusammenfassung: Statistik
Zusammefassug: Statistik Attribute ud ihre Werte qualitativ: Familiestad, Geschlecht, Kofessio, Ragmerkmal: Schulote, Diestgrad, quatitativ-diskret: Azahl der Fachsemester, quatitativ-stetig: Größe, Etferug,
MehrZusammenfassung WrStat Wahrscheinlichkeit und Statistik
Zusammefassug WrStat Wahrscheilichkeit ud Statistik Emauel Duss emauel.duss@gmail.com 31. Jauar 2014 Zusammefassug WrStat Wahrscheilichkeit ud Statistik Dieses Dokumet basiert auf der Vorlesug Wahrscheilichkeit
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
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
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
MehrProf. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5
Prof. Dr. Holger Dette Musterlösug Statistik I Sommersemester 009 Dr. Melaie Birke Blatt 5 Aufgabe : 4 Pukte Sei X eie Poissoλ verteilte Zufallsvariable mit λ > 0, ud die Verlustfuktio L sei defiiert durch
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrÖkonometrie Formeln und Tabellen
Ökoometrie Formel ud Tabelle Formelsammlug 1 Lieares Modell ud KQ-Schätzug 11 Eifachregressio Lieares Modell: Y i = β 0 + β 1 x i + U i, i = 1,2,, Aahme des lieare Modells: A1: E[U i ] = 0 für alle i =
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
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
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
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
MehrFormelsammlung Grundzüge der Statistik für die Veranstaltungen Statistik I und Statistik II im Grundstudium
Formelsammlug Grudzüge der Statistik für die Verastaltuge Statistik I ud Statistik II im Grudstudium Prof. Dr. Claudia Becker Lehrstuhl für Statistik Ihaltsverzeichis 1 Summezeiche 5 2 Häufigkeitsverteiluge
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
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
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
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
MehrFormelsammlung zur Vorlesung Statistik I/II für Statistiker, Mathematiker und Informatiker (WS 08/09)
Departmet für Statistik, LMU Müche Statistik I/II für Statistiker, Mathematiker ud Iformatiker Prof. Gerhard Tutz, Adreas Groll WS 08/09 1 EINDIMENSIONALE MERKMALE Formelsammlug zur Vorlesug Statistik
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
MehrFormelsammlung in Statistik
Formelsammlug i Statistik Häufigkeitsverteilug ud Summeverteilug Zählidices Klassierug vo Date absolute Häufigkeit relative Häufigkeit i = 1,..., zählt die Elemete der Urliste j = 1,...,m zählt die Merkmalsauspräguge
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
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
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
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
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...
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
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
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
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
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
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
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
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
MehrKATA LOGO Mathematik Statistik Wahrscheinlichkeitsverteilungen
KATA LOGO Mathematik Statistik Wahrscheilichkeitsverteiluge x = reelle Zahl X = Zufallsgröße 1. Diskrete Zufallsgröße Beschreibug durch: a) Liste ihrer Merkmalswerte (x1,x2,...) b) dazugehörige Wahrscheilichkeite
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
MehrFormelsammlung Stochastik
Formelsammlug Stochasti Adrea Katharia Fuchs 31. Jauar 008 1 Wahrscheilicheit Ω... Ereigisraum, Grudraum ω... Elemetarereigis A, B, C... Ereigis, Teilmege vo Ω Schittmege: A B heisst A ud B Vereiigug:
Mehr( ) Formelsammlung. Kombinatorik. Permutation: ohne Wiederholung. n! = n (n - 1) (n - 2)... 3 2 1 n= alle Elemente. Permutation: mit Wiederholung
Formelsammlug Kombiatori Permutatio: ohe Wiederholug! = ( - 1) ( - 2).... 3 2 1 = alle Elemete Permutatio: mit Wiederholug!! P, = = usw. = gleiche Elemete! 1! K 2! Stichprobe (SP) = geordete Auswahl Geordete
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
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
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
MehrWahrscheinlichkeitsrechnung und Statistik HS2009 1
Wahrscheilichkeitsrechug ud Statistik HS009 Stefa Heule Cotributors: Severi Heiiger, Adrea Helfestei, Pascal Spörri 30. Jauar 00 Licece: Creative Commos Attributio-Share Alike 3.0 Uported (http://creativecommos.org/liceses/by-sa/3.0/)
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statisti I PD Dr. C. Heuma Formelsammlug Statisti I Desriptive Statisti Häufigeitsverteiluge Darstellugsforme vo Date Rohdate: x 1, x 2,..., x x i Azahl der Beobachtuge Mermalsausprägug
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
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
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
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
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 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
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.
MehrWahrscheinlichkeitsrechnung
Kapitel 7 Wahrscheilichkeitsrechug 7. Kombiatorik Def. 7..:a) Für eie beliebige atürliche Zahl m bezeichet ma das Produkt aus de Zahle vo bis m mit m Fakultät: m! := 2 3 m, 0! :=. b) Für zwei beliebige
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrForschungsstatistik I
Prof. Dr. G. Meihardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-31 (Meihardt) Sprechstude jederzeit ach Vereibarug Forschugsstatistik I Dr. Malte Persike persike@ui-maiz.de http://psymet03.sowi.ui-maiz.de/
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)
Mehr3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-
MehrÜbungsblatt 9 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 9 zur Vorlesug Statistische Methode Schätztheorie ud Kofidezitervalle Herausgabe des Übugsblattes: Woche 8, Abgabe der Lösuge: Woche 9 (bis Freitag, 65 Uhr), Besprechug:
MehrStatistik. 2. Semester. Begleitendes Skriptum zur Vorlesung. im FH-Masterstudiengang. Technisches Management. von. Günther Karigl
Statistik. Semester Begleitedes Skriptum zur Vorlesug im FH-Masterstudiegag Techisches Maagemet vo Güther Karigl FH Campus Wie 06/7 Statistische Schätzverfahre Statistische Schätzverfahre Währed die deskriptive
MehrHerleitung der Parameter-Gleichungen für die einfache lineare Regression
Herleitug der Parameter-Gleichuge für die eifache lieare Regressio Uwe Ziegehage. März 03 Historie v.0 6.03.009, erste Versio hochgelade v.0 0.03.03, eie Vorzeichefehler beseitigt, diverse Gleichuge ud
MehrFreie Universität Berlin. Fachbereich Mathematik/Informatik. Stochastik I WS 2011/12. Mitschrift von: Moritz Hoffmann (
Freie Uiversität Berli Fachbereich Mathematik/Iformatik Stochastik I WS 2011/12 Mitschrift vo: Moritz Hoffma (Email: cloker@googlemail.com ) Vorlesug vo: Bemerkug: Prof. Dr. Carste Hartma Eie Garatie auf
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,
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrEvaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
MehrStochastik für Physiker: Aufgaben und Lösungsvorschläge
Stochastik für Physiker: Aufgabe ud Lösugsvorschläge Simo Stützer Stad: 4. Februar 9 Aufgabe : Vergleiche Sie die Wahrscheilichkeit, beim Spiel mit eiem Würfel i 4 Würfe midestes eimal 6 zu würfel, mit
MehrKAPITEL 9. Konfidenzintervalle
KAPITEL 9 Kofiezitervalle Sei {h θ (x) : θ Θ} eie Familie vo Dichte bzw Zählichte I iesem Kapitel ist Θ = (a, b) R ei Itervall Seie X,, X uabhägige u ietisch verteilte Zufallsvariable mit Dichte bzw Zählichte
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,
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
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrX n = 10 j Y j. i.w. i.w. i.v.
3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9},
MehrDifferenz X-Y normalverteilt Lagetest für zwei verbundene. Differenz X-Y symmetrisch Wilcoxon-Test Stichproben
1 Fuktio des Tests Bezeichug Testgegestad X ormalverteilt Lagetest für eie Stichprobe Wilcoxo-Test X symmetrisch verteilt Vorzeichetest Variable X Differez X-Y ormalverteilt Lagetest für zwei verbudee
MehrStochastik für Informatiker
Stochastik für Iformatiker Dr. D. Uhlig-Düvelmeyer - SS 008 Copyright c 008 Tobias Doerffel Diese private Mitschrifte der o.g. Vorlesug erhebe weder de Aspruch auf Vollstädigkeit och auf Fehlerfreiheit.
MehrAussage über die Verteilung Summen und Durchschnitte beliebig verteilter Zufallsvariablen
7. Grezwertsätze Die Grezwertsätze bilde de Abschluss der Wahrscheilichkeitsrechug ud sid vo zetraler Bedeutug vor allem für die iduktive Statistik. Gesetz der große Zahle Aussage über die Geauigkeit der
MehrZusammenfassung der Vorlesungen Statistik I und II von Konrad Urbanski
Zusammefassug der Vorlesuge Statistik I ud II vo Korad Urbaski TU Berli, Witersemester 2013/2014 Floria Wiesweg 16. Jauar 2017 Dieses Werk ist lizeziert uter eier Creative Commos-Lizez: Nameseug-Nicht-kommerziell-Keie
MehrEvaluation & Forschungsstrategien
Evaluatio & Forschugsstrategie WS2/2 Prof. Dr. G. Meihardt Johaes Guteberg Uiversität Maiz Prizipie des statistische Schliesses Samplig - Modellvorstellug Populatio Samplig Stichprobe Kewerte x Theoretische
MehrUnabhängigkeit von Zufallsvariablen
Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1
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
Mehr