PVK Statistik I. Donnerstag 07/06/2018 Freitag 08/06/2018
|
|
- Oswalda Gerhardt
- vor 5 Jahren
- Abrufe
Transkript
1 PVK Statistik I Donnerstag 07/06/2018 Freitag 08/06/2018 Sara dos Reis
2 Hinweise zu dem PVK Zeit und Raum 07/06/2018 und 08/06/2018, 08:00 12:00 CAB G52 Ziel Ziel dieses PVKs ist den Stoff der Vorlesung Statistik I durchzugehen mit Theorie und vor allem mit spezifischen Beispiele Die Theorie wird mit Slides gezeigt und die Beispiele werden auf der Tafel gelöst Unterlage Alle Unterlagen findet ihr auf: Kontakt sdosreis@student.ethz.ch Sara dos Reis
3 Was ich euch bitte Die Fehler auf den Slides mitzuteilen Fragen stellen ohne Angst Sara dos Reis
4 Ziele Wahrscheinlichkeitsmodelle 3 Axiome der W keitsrechnung Unabhängigkeit Bedingte W keit, Satz von Bayes, Satz der totalen W keit Odds, odds-ratio Zufallsvariable, W keitsverteilung, Kumulativen Verteilungsfunktion Erwartungswert, Varianz, Standardabweichung Binomialverteilung Poissonverteilung Hypergeometrische Verteilung Modelle für Zahldaten Sara dos Reis
5 Wahrscheinlichkeitsmodelle Zufallsexperimente Experimente bei denen der Ausgang nicht exakt vorhersagbar ist Wahrscheinlichkeitsmodelle Modell das beschreibt welche Ereignisse in einem solchen Experiment möglich sind und welche Chancen die verschiedenen Ergebnisse haben Mittels Simulation es ist möglich eine Vorstellung der zufälligen Variabilität zu gewinnen Sara dos Reis
6 3 Komponenten von W keitsmodelle 1) Grundraum Es besteht aus den Elementarereignissen Alle Elementarereignisse Universum Elementarereignisse sind mögliche Ergebnisse/Ausgänge des Experiments, sie bilden zusammen den Grundraum Ω = {alle mögliche Elementarereignisse ω} 2) Ereignisse A,B,C, etc A ist eine Teilmenge von Grundraum 3) Wahrscheinlichkeiten Wahrscheinlichkeit für jedes Ereignis P[A] Sara dos Reis 6
7 Bsp 1) Serie 1, Mathematik IV FS15, Es 1 a)b) Sara dos Reis
8 Operationen der Mengenlehre A B A oder B A B A und B A c nicht A Sara dos Reis
9 Venn Diagramme Sara dos Reis
10 Sara dos Reis
11 Axiome für W keiten 1) Die W keiten sind immer nicht-negativ P A 0 2) Das Ereignis hat immer W keit 1 P Ω = 1 3) Es gilt P A B = P A + P B, falls A B = Das heisst wenn P A B = 0, die Ereignisse ausschliessen sich gegenseitig Daraus folgt P A C = 1 P A P A B = P A + P B P A B (Additionensatz) Sara dos Reis
12 Bsp 2) Serie 1, Mathematik IV FS15, Es 2 Sara dos Reis
13 Berechnen mit W keiten 1) Summe von Elementarereignisse P A = w A P[{ω}] 2) Laplace Modell Annahme, alle Elementarereignisse haben die gleiche W keit #günstige Ereignisse P A = # mögliche Ereignisse 3) Mengenoperation P A C = 1 P A Sara dos Reis
14 Unabhängigkeit A und B sind unabhängig, wenn das Auftreten von A die W keit von B NICHT beeinflusst A und B sind unabhängig P A B = P A P B dh P A B = Anwendung von dem Konzept der Unabhängigkeit Unabhängigkeit prüfen Wahrscheinlichkeiten zu berechnen Sara dos Reis
15 Bsp 3) Skript_neu, Seite Bsp 4) Skript_neu, Seite 11 a) Man wirft 2-Mal ein Würfel. Ereignis A ist «Kopf» und Ereignis B ist auch «Kopf». Welche ist die Wahrscheinlichkeit von A B? Mit Begründung b) Angenommen, wir werfen 2 sechsseitige Würfel. Sei E das Ereignis, dass die Augensumme 6 ist. Sei F das Ereignis, dass der erste Würfel die Augenzahl 4 zeigt. Welche ist die Wahrscheinlichkeit von E F? Sind die zwei Ereignisse unabhängig? Sara dos Reis
16 Bedingte Wahrscheinlichkeit Bedingte W keit von A gegeben B Die W keit von Ereignis A, wenn wir schon wissen, dass eine bestimmte Ereignis B eingetreten ist Das wird mit P A B bezeichnet und so definiert P A B = P A B P B Sara dos Reis
17 Satz von Bayes Zusammenhang zwischen P A B und P B A P A B P B = P A B = P B A P A Daraus folgt der Satz von Bayes P A B = P A B P B = P B A P A P[B] Sara dos Reis
18 Satz der totalen Wahrscheinlichkeiten Angenommen eine Partitionierung A i, mit i = 1, etc, n von, dann gilt n P B = P A i B = P B A i P[A i ] n i=1 i=1 Sara dos Reis
19 Bsp 5) Serie 2, Mathematik IV FS15, Es 1a)b) Sara dos Reis
20 Odds statt Wahrscheinlichkeiten Die odds(e) geben an, wieviel mal wahrscheinlicher das Eintreten von der Ereignis E als das Eintreten von E C ist P E odds E = 1 P E Odds und W keit einer Ereignis E können ineinander umgerechnet werden Odds Ratio Das Verhältnis der odds ist auch aussagekräftig Sara dos Reis
21 Bsp 6) Quiz 3, Statistik I FS18, Frage 7 und 8 Sara dos Reis
22 (Diskrete) Zufallsvariablen (ZV) Oft sind mit einem Zufallsexperiment Zahlenwerte verknüpft, das heisst zu jedem Elementarereignis gehört ein Zahlenwert X ω = x Klein x ist die Realisierung der ZV X Die Zufallsvariable X ist eine Funktion auf dem Grundraum X Ω R ω X ω Bemerkung, Summen und Produkte von ZV wieder ZV Konvention, ZV Grossbuchstaben (X) Konkrete Wert Gleiche Kleinbuchstaben (x) Sara dos Reis
23 Wahrscheinlichkeitsverteilung einer ZV Jede mögliche Wert x einer ZV X tritt mit einer gewissen W keit Die W keit, dass X den Wert x annimmt, berechnet sich wie folgt P X = x = P ω X w = x = X ω =x P[ω] Die (diskrete) Wahrscheinlichkeitsverteilung der (diskrete) ZV X ist die «Liste» von alle P X = x Bemerkung, σ alle möglicher x P X = x = 1 ( Axiome 2) Sara dos Reis
24 Kumulative Verteilungsfunktion einer ZV Die Kumulative Verteilungsfunktion einer ZV stellt die Summe alle W keit bis einem bestimmten Wert x P X x = z x P[X = x] Bemerkung, ist monoton steigen von 0 bis 1 Sara dos Reis
25 Kennzahlen einer Verteilung Eine beliebige (diskrete) Verteilung kann vereinfachend zusammengefasst werden durch 2 Kennzahlen Erwartungswert E X Standandardabweichung σ X und Varianz Var(X) Sara dos Reis
26 Erwartungswert Der Erwartungswert E X beschreibt die mittlere Lage der Verteilung E X = x W x x P[X = x], W x = Wertebereich von X Sara dos Reis
27 Standardabweichung Die Standardabweichung σ X beschreibt die Streuung der Verteilung Var X = x W x x E X 2 P[X = x] σ X = Var X Sara dos Reis
28 Bsp 7) Quiz 3, Statistik I FS18, Frage 1) Sara dos Reis
29 Binomialverteilung X~Bin(n, π) Situation Man ist interessiert an die Anzahl Erfolge (oder Misserfolge) in n Versuche Ein Erfolgt wird mit 1 bezeichnet und ein Misserfolg mit 0 Der Wertebereich der Verteilung der ZV ist (0 bis n mögliche Erfolge) W x = 0,1,2, etc, n Die W keit π beschreibt die Erfolgsw keit (Parameter) P X = 1 = π P X = 0 = 1 π 0 π Sara dos Reis 29
30 Die Verteilung, die der vorherige Situation beschreibt, heisst Bernoulli π -Verteilung oder Binomial π -Verteilung X~Bin(n, π) Sie beschreibt einfach das Eintreffe oder nicht-eintreffen eines bestimmten Ereignisses in n unabhängige Versuche W keit dass ZV X der Wert x annimmt P X = x = n x πx 1 π n x x {0,1, etc, n} Sara dos Reis
31 Kennzahlen von X~Bin(n,π) E X = n π Var X = n π 1 π Sara dos Reis
32 Bsp 8) Quiz 3, Statistik I FS18, Frage 2) Sara dos Reis
33 Poissonverteilung X~Pois(λ) Situation Die Poisson-Verteilung eignet sich für seltene Ereignisse gezählt in einem vorgegebenen Zeitraum Der Wertebereich ist deshalb W x = N 0 = 0,1,2, etc, Das Parameter λ ist die Rate, wie oft passiert eine bestimmte Ereignisse in einer bestimmten Periode Sara dos Reis
34 Die Verteilung, die der vorherige Situation beschreibt, heisst Poisson(λ)-Verteilung X~Pois(λ) W keit dass ZV X der Wert x annimmt P X = x = λx x! e λ x {0,1,2, etc, } Sara dos Reis
35 Kennzahlen von X~Pois( ) E X = λ Var X = λ Summen von Poisson-verteilten Zufallsvariablen Wichtige Additionseigenschaft Wenn X~Pois λ X und Y~Pois(λ Y ) unabhängig sind, dann ist (X + Y) ~Pois(λ X + λ Y ) Sara dos Reis
36 Bsp 9) Serie 4, Mathematik IV FS15, Es 1) Sara dos Reis
37 Hypergeometrische Verteilung X~Hyper(N, n, m) Situation Eine Urnet mit N Kugel, m davon weiss und N-m schwarz Man zieht n Kugel (ohne Zurücklegen) Man zahlt die weisse Kugel W x = 0,1,2, etc, min(m, n) Parameter sind N = totale # Kugel m = weisse (oder andere Charakteristik) Kugel n = gezogene Kugel Sara dos Reis
38 Die Verteilung, die der vorherige Situation beschreibt, heisst Hypergeometrische(N,n,m)-Verteilung X~Hyper(N, n, m) W keit dass ZV X der Wert x annimmt m N m x P X = x = n x N n x {0,1,2, etc, min(m, n)} Sara dos Reis
39 Kennzahlen von X~Hyper(N, n, m) E X = n m N Var X = wird nicht gefragt (sehr kompliziert) Sara dos Reis
40 Bsp 10) Quiz 4, Statistik I FS18, Frage 3 a) c) Sara dos Reis
41 Ziele 3 Grundfragestellungen der Statistik Momentenmethode für Binomial Verteilung Momentenmethode für Hypergeometrische Verteilung Maximum-Likelihood-Methode für Binomial Verteilung Binomialtest Fehler 1 Art, Fehler 2 Art Macht P-Wert Vertrauensintervall Statistische Inferenz Statistik für Zähldaten Sara dos Reis
42 3 Grundfragenstellungen der Statistik 1) Punkt-Schätzung Welches ist der zu den Beobachtungen plausibelste Parameterwert? 2) Statistischer Test Sind die Beobachtungen kompatibel mit einem vorgegeben Parameterwert? 3) Konfidenzintervall oder Vertrauensintervall Welche Parameterwerte sind mit den Beobachtungen kompatibel? Sara dos Reis
43 (Punkt-)Schätzung für Binomial-Verteilung 2 verbreitete Methoden um den Parameter π bei einer Binomialverteilung zu schätzen Momentenmethode Maximum-Likelihood-Methode Konvention, Schätzwerte werden mit ^ gekennzeichnet ( π) Sara dos Reis
44 Momentenmethode für X~Bin(n, π) Sehr pragmatisch Da E X = n π gilt π = E X n E[X] ist mit E[X] = x (=beobachtete # Gewinne) Schätzung der Erfolgsw keit ist daher π = x n Sara dos Reis
45 Momentenmethode für X~Hyper N, n, m Hier was abgeschätzt wird ist das Parameter N E X = n m N E[X] wird mit E[X] = x abgeschätzt Schätzung des Parameters N n m n m = x N = N x Sara dos Reis
46 Maximum-Likelihood-Methode X~Bin n, π Die Aufgabe ist einen Wert für π zu finden, der möglichst gut zu unser Beobachtung passt Um das zu machen muss man den folgenden Ausdruck bezüglich π maximieren P X = x = n x πx 1 π n x Maximum-Likelihood Estimate (MLE) π für π, ist der Wert der P[X = x] maximiert Sara dos Reis
47 Wie maximiert man das? Trick log statt den «normalen» Ausdruck nutzen (1) Ableiten (2) Gleich Null setzen und nach π auslösen (3) (1) log P X = x = log( n x πx 1 π n x ) = n = log + log π x x + log 1 π n x = n = log + x log π + n x log 1 π x (2) (3) d dπ (log n x + x log π + n x log 1 π ) = = x π + n x 1 1 π 1 x 1 + n x 1 = 0 1 π x π n x 1 1 π = 0 x n x = π 1 π x π x = π n π x π π = x n Sara dos Reis
48 Binomialtest Motivation Man will herausfinden, ob eine bestimmte Beobachtung plausibel ist bei einer gewisse Annahme Ein statistischer Test für den Parameter π im Modell X~Bin(n, π) ist wie folgt aufgebaut Sara dos Reis
49 Binomialtest Formales Vorgehen 1) Modell X Anzahl Erfolge bei n Versuchen X~Bin n, π 2) Hypothesen Nullhypothese H 0 π = π 0 Alternativhypothese π π 0 zweiseitig π > π 0 π < π 0 3) Teststatistik T Anzahl Treffer bei n Versuchen einseitig, nach oben einseitig, nach unten Verteilung von T, falls H 0 stimmt T~Bin(n, π 0 ) Sara dos Reis
50 4) Signifikanzniveau Wie unwahrscheinlich muss eine Beobachtung sein, damit man die Nullhypothese verwirft Konvention α = 0,05 5) Verwerfungsbereich (α grösser K grösser und umgekehrt) Form K = 0, c u c o, n, falls H A π π 0 K = c >, n, falls H A π > π 0 K = 0, c <, falls H A π < π 0 Grenzen, c s werden bestimmte, sodass gilt P T c u = α und P T c 2 o = α 2 P[T c > ] α P[T c < ] α Sara dos Reis
51 Diese Grenzen können mit der Normalapproximation berechnet werden (wenn n gross ist und π nicht nahe bei 0 oder 1 ist) Normalapproximation für α = 0,05 c u = nπ 0 1,96 nπ 0 1 π 0 c o = nπ 0 + 1,96 nπ 0 1 π 0 c > = nπ 0 + 1,64 nπ 0 1 π 0 c < = nπ 0 1,64 nπ 0 1 π 0 6) Testentscheid (auf Widerspruchs-Prinzip beruht) Liegt der beobachtete Wert t von T in K? Falls ja, H 0 kann auf dem Signifikanzniveau α verworfen werden Falls nein, H 0 kann auf dem Signifikanzniveau α nicht verworfen werden Sara dos Reis
52 Bsp 11) Serie 6, Mathe IV FS15, Es 3 Sara dos Reis
53 Fehler 1 und 2 Art Beim einem statistischen Test treten 2 Arten von Fehlern auf Fehler 1 Art Fälschliches Verwerfen von H 0, obwohl H 0 richtig ist Fehler 2 Art Fälschliches beibehalten von H 0, obwohl die H A zutrifft Sara dos Reis
54 Definition Fehler 1 Art P Fehler 1er Art = P H0 X K α Die zwei Fehlerarten konkurrenzieren sich gegenseitig P Fehler 2er Art wird grösser falls α kleiner gewählt wird P Fehler 1er Art wird kleiner falls α kleiner gewählt wird Sara dos Reis
55 Bsp 13) Aus Prüfung Sommer 2016 Sara dos Reis
56 Macht Die Macht gibt die W keit an, H A zu entdecken (H 0 zu verworfen), falls H A richtig ist Macht = P[Verwerfen von H 0, falls H A stimmt] = P[X K H A ] Macht = 1 P Fehler 2er Art = 1 P X K H A Sara dos Reis
57 Bsp 14) Aus Prüfung Sommer 2016 Sara dos Reis
58 P-Wert Zwei Äquivalenten Definitionen von P-Wert 1) Der P-Wert ist die W keit, unter Gültigkeit der H 0, das beobachtete Ergebnis oder ein extremeres zu erhalten 2) Der P-Wert ist das kleinste α, bei dem die H 0 (gerade noch) verworfen wird Sara dos Reis
59 Bsp 15) Aus Prüfung Winter 2017 Sara dos Reis
60 Der P-Wert ist ein Wert zwischen 0 und 1, der angibt, wie gut H 0 und Daten zusammenpassen (0 gar nicht, 1 sehr gut) Werte vom P-Wert kleiner als α sind Anlass, H 0 abzulehnen verwerfen H 0 falls P Wert α beibehalten H 0 falls P Wert > α Sara dos Reis
61 Vertrauensinterval (engl CI=Confidence Interval) Das Vertrauensinterval antwort zur Frage «Welche Werte von π sind mit den Daten vereinbar?» Definition 1) von VI Die Werte von π, bei denen H 0 nicht verworfen wird, sind ein 1 α Vertraueninterval für π Definition 2) von VI Ein 1 α -Vetrauensinterval enthält den wahren Parameter π mit Wahrscheinlichkeit 1 α (1 α) ist das Niveau von dem Vertrauensinterval (oft 95%) Sara dos Reis
62 Normalapproximation für Vertrauensinterval x n ± 1,96 x n 1 x n 1 n Sara dos Reis
63 Bsp 16) Serie 6, Mathe IV FS15, Es 4 Sara dos Reis
64 Statistische Inferenz Vorteile und Nachteile von der 3 gelernte Methoden Sara dos Reis
65 Hypothesentest Vorteile Klares Prozedere Klare Aussage über Fehler Nachteile Wie deutlich wurded verworfen? Wie gross ist der wahre Parameter? P-Wert Vorteile Klar ob und wie deutlich verworfen wird Nachteile Keine Aussage über Fehler Wie gross ist der wahre Parameter? Vertrauensinterval Vorteile Klar ob und wie deutlich verworfen wird Klar wie gross der wahre Parameter etwa ist Nachteile Keine klare Aussage über Fehler Sara dos Reis
66 Ziele Arithmetisches Mittel Standardabweichung Varianz Quantil Median Histogramm Boxplot Empirische kumulative Verteilungsfkt Normal-Plot Streudiagramm Wahrscheinlichkeitsdichte Kumulative Verteilungsfunktion Uniforme Verteilung Exponentialverteilung Normalverteilung Standardisierung der Normalverteilung Lineare Transformation von ZV Gesetz der grossen Zahlen Das n-gesetz Zentralen Grenzwertsatz t-test z-test Vorzeichnen-Test t-test für zwei Stichproben Modelle und Statistik für Messdaten Sara dos Reis
67 Deskriptive Statistik - Einleitung Nicht nur Model anzupassen oder statistisches Verfahren anzuwenden, sonst Daten mit Kennzahlen und grafischen Methoden darstellen und charakterisieren (Überblick zu gewinnen) Kennzahlen Arithmetische Mittel, empirische Standardabweichung, Median, Quantile, IQR, Korrelation Graphische Methoden Histogramm, Boxplot, Empirische Kumulative Verteilungsfunktion Sara dos Reis
68 Kennzahlen Man kann die Verteilung der Daten numerisch zusammenfassen 2 wichtige Kategorien von Kenngrössen Lage Arithmetische Mittel Median Streuung Range (kleinster Wert, grosster Wert) Empirische Standardabweichung Inter-Quantile-Range (IQR) Sara dos Reis
69 Arithmetische Mittel (Lage) n x ҧ = 1 n i=1 x i Empirische Standardabweichung (Streuung) s x = var = 1 n 1 i=1 n x i xҧ 2 Sara dos Reis
70 Empirische α-quantil q α Definition Der Wert, bei dem α 100% der Datenpunkte kleiner und 1 α 100% der Datenpunkte grösser sind Vorgehen Zuerst Daten steigend ordnen x 1 x 2 etc x n Dann falls α n eine ganze Zahl ist 1 2 x α n + x α n+1 falls α n keine ganze Zahl ist x k, wobei k = α n gerundet auf eine ganze Zahl, Sara dos Reis
71 Median (Lage) Der (empirische Median) ist das empirische 50%-Quantil, das heisst es markiert die «mittlere» Beobachtung, wenn die Daten sortiert wurden Median = q 0,5 Robuster als der arithmetische Mittel Sara dos Reis
72 Quartildifferenz (Streuung) Quartildifferenz = emp 75%Quantil emp 25%Quantil Bemerkung Median und Quartildifferenz haben als Vorteil, dass die Robust sind, das heisst sie werden weniger stark durch extreme Beobachtungen beeinflusst als arithmetisches Mittel und Standardabweichung Sara dos Reis
73 Bsp 17) Serie 6, Mathe IV FS15, Es 3 a) Berechnen Sie den Median folgender 7 Zahlen 0,379 0,511 0,778 0,927 0,591 0,477 0,644 b) Berechnen das 25%-Quantil folgender 6 Zahlen 0,657 0,16 0,637 0,447 0,185 0,215 c) Berechnen die empirische Standardabweichung folgende 8 Zahlen 0,783 0,957 0,063 0,18 0,212 0,705 0,99 0,248 d) Berechnen das 90%-Quantil folgender 9 Zahlen 0,83 0,306 0,633 0,067 0,533 0,677 0,252 0,918 0,813 Sara dos Reis
74 Kovarianz und Korrelation (Abhängigkeit) Beschreibung der lineare Abhängigkeit von abhängigen ZV X und Y Kovarianz = Cov X, Y = E X μ X Y μ Y Cov X, Y Korrelation = Corr X, Y = ρ XY = σ X σ Y wobei σ X = Var X und σ Y = Var Y Die Korrelation ρ XY ist eine dimensionslose, normierte Zahl mit Werten ρ XY [ 1,1] Sara dos Reis
75 Die Korrelation misst Stärke und Richtung der linearen Abhängigkeit zwischen X und Y Corr X, Y = +1, Corr X, Y = 1, genau dann wenn Y = a + bx, a R und b > 0 genau dann wenn Y = a + bx, a R und b < 0 X und Y unabhängig Corr X, Y = 0 Empirische Korrelation r oder ρ r = ρ = s XY, s s X s XY = σ i=1 n (x i x) (y i തy ) Y n 1 Sara dos Reis
76 Da die empirische Korrelation nur den lineare Zusammenhang misst kann es einen Zusammenhang zwischen den beiden Variablen X und Y geben, auch wenn die empirische Korrelation null ist Sara dos Reis
77 Bsp 18) Quiz 7, Statistik I FS18, Fragen 2 c)d) Sara dos Reis
78 Graphische Methoden Histogramm Klassen mit konstanter Breite, zählen wie viele Beobachtungen fällen in jede Klasse, Balken dessen Höhe proportional zur Anzahl Beobachtungen in dieser Klasse ist 60 Noten der Studenten Sara dos Reis
79 Boxplot Sara dos Reis
80 Empirische Kumulative Verteilung F n x F n x ist eine Treppenfunktion, die links von x 1 gleich Null ist, und bei x i einen Sprung der Höhe 1 hat (oder ein n Vielfalt falls ein Wert mehrmals vorkommt) F n x = 1 n Anzahl{i x i < x} Sara dos Reis
81 Stetige (Kontinuierliche) Zufallsvariablen und Wahrscheinlichkeitsverteilungen Eine ZV X heisst stetig, wenn deren Wertebereich W x kontinuierlich ist W keitsverteilung von X (stetig) können nicht mittels «Punkt»-W keit beschrieben werden P X = x = 0, für alle x W x W keitsverteilung von X (stetig) werden mittels «Intervall»- W keit beschrieben P X a, b]] = P[a < X b] Sara dos Reis
82 Kumulative Verteilungsfunktion Die W keitsverteilung einer stetigen ZV X kann durch die kumulative Verteilungsfunktion beschrieben werden F x = P X x P a < X b = F b F(a) Sara dos Reis
83 Wahrscheinlichkeitsdichte Für stetige ZV kann man einen analogen Begriff zur «Punkt»-Wahrscheinlichkeit P[X = x] für diskrete Variablen gewinnen Wahrscheinlichkeitsdichte Die Wahrscheinlichkeitsdichte f(x) ist definiert als Ableitung der Kumulative Verteilungsfunktion f x = F x Aus der W keitsdichte kann man die Kumulative Verteilungsfunktion gewinnen F X = න x f y dy Sara dos Reis
84 Wichtige Eigenschaften von W keitsdichte 1) f x 0, für alle x da F x monoton wachsend ist 2) P a < X b = F b F a = a b f x dx Das heisst die Fläche zwischen a und b unter f(x) 3) f x dx = 1, (wegen Punkt 2) Sara dos Reis
85 Bsp 19) Serie 8, Mathe IV HS17, Es 1d) Sara dos Reis
86 Kennzahlen von stetigen Verteilungen Der Erwartungswert E[X] und die Standardabweichung σ X einer stetige ZV X haben dieselbe Bedeutung wie für diskreten ZV E X = න xf x d(x) Var X = න x E X 2 f x d(x) σ X = Var[X] Sara dos Reis
87 Quantile q(α) einer stetige ZX, bzw deren Verteilung, es muss gelten P X q α = α das heisst F q α = α q α = F 1 α Interpretation q(α) ist der Punkt, so dass die Fläche von bis q α unter der W keitsdichte f(x) gleich α ist Sara dos Reis
88 Bsp 20) Serie 8, Mathe IV HS17, Es 1d) Daten aus Bsp 19) Sara dos Reis
89 Wichtige Stetige Verteilungen Die W keitsverteilung einer stetige ZV ist mit der Kumulative Verteilungsfunktion F(X) oder mit der W keitsdichte f x charakterisiert Wichtige Stetige Verteilungen Uniforme-Verteilung X~Uniform Exponential-Verteilung X~Exp(λ) Normal-Verteilung X~N(μ, σ 2 ) a, b Sara dos Reis
90 Uniforme-Verteilung X~Unif([a, b]) Wertebereich W X = a, b Parameter sind a und b Wahrscheinlicheitsdichte f x = 1 b a, falls a x b 0, sonst Kumulative Verteilungsfunktion F x = x a b a, 0, falls x < a falls a x b 1, falls x > b Sara dos Reis
91 Grapisch Verteilungsdichte Kumulative Verteilungsfunktion Sara dos Reis
92 Kennzahlen a + b E X = 2 b a 2 Var X = 12 b a σ X = 12 Sara dos Reis
93 Bsp 21) Quiz 8, Mathe IV HS15, Es 2 Sara dos Reis
94 Exponential-Verteilung X~Exp(λ) Wertebereich W X = R + = [0, [ Parameter ist λ > 0 Wahrscheinlichkeitsdichte f x = ቊ λe λx, falls x 0 0, sonst Kumulative Verteilungsfunktion F x = 1 e λx, falls x 0 0, falls x < 0 Sara dos Reis
95 Grapisch Verteilungsdichte Kumulative Verteilungsfunktion Sara dos Reis
96 Kennzahlen E X = 1 λ Var X = 1 λ 2 σ X = 1 λ Sara dos Reis
97 Bsp 22) Serie 8, Mathe IV HS17, Es 1 f) g) Daten aus Bsp 19) und 20) Sara dos Reis
98 Normal-Verteilung (Gauss-Verteilung) X~N(μ, σ 2 ) Parameter sind μ und σ 2 Verteilungsdichte f x = 1 x μ 2 e 2σ 2 σ 2π Kumulative Verteilungsfunktion F x = f y dy Ist nicht explizit darstellbar Standardisierung Tabelle Sara dos Reis
99 Grapisch Verteilungsdichte Kumulative Verteilungsfunktion Sara dos Reis
100 Kennzahlen E X = μ Var X = σ 2 σ X = σ Sara dos Reis
101 Standard-Normalverteilung Die Normal-Verteilung mit μ = 0 und σ 2 = 1 heisst Standandard-Normalverteilung Wahrscheinlichkeitsdichte φ x = 1 2π e x2 2 Kumulative Verteilungsfunktion Φ x = φ y dy Werte sind tabelliert Sara dos Reis
102 Sara dos Reis
103 Standardisierung Man kann immer einer Normalverteilte ZV X transformieren, so dass die transformierte ZV μ = 0 und σ 2 = 1 hat Warum macht man das? Um die W keiten in der Tabelle der Kumulative Verteilungsfunktion der Standard-Normal-Verteilung lesen zu können Z = X μ σ ~ N 0,1 Das ist ein lineare Transformation Sara dos Reis
104 Tipps und Tricks um die Tabellierte Werte lesen P Z 0,2 = P Z 0,2 = 1 P[Z < 0,2] Sara dos Reis
105 Bsp 23) Serie 8, Mathe IV HS 15, Es 2 a) b) c) Sara dos Reis
106 Bsp 24) Quiz 8, Mathe IV HS15, Es 5 Sara dos Reis
107 Bsp 25) Quiz 8, Mathe IV HS15, Es 6 Sara dos Reis
108 Überprüfen der Normaverteilungs-Annahmen Frage Ist eine gewisse Verteilung ein brauchbares Modell (geeignet) für die Darstellung einen bestimmten Datensatz? Mögliche Tools um zu antworten Histogramm Q-Q Plot Normal-Plot Sara dos Reis
109 Histogramm als Tool für das Überprüfen einer Verteilung als Modell Man kann das Histogramm der empirischen Daten mit der Verteilungsdichte der Verteilung vergleichen Oft sieht man aber die Abweichung oder die Überstimmung nicht sehr gut Sara dos Reis
110 QQ-Plot als Tool für das Überprüfen einer Verteilung als Modell Q-Q Plot ist das Quantil-Quantil Plot Die Idee ist die empirische Quantile gegen die theoretische Quantile der Verteilung zu plotten Wenn die Verteilung zu dem betrachtete Datensatz passt, müssen die Punkte ungefähr auf der Gerade y = x liegen Sara dos Reis
111 Bsp 26) Quiz 8, Mathe IV HS15, Es 8 Sara dos Reis
112 Normal-Plot als Tool für das Überprüfen einer Normal-Verteilung als Modell Ein QQ-Plot, bei dem die Modell-Verteilung gleich der Standard- Normalverteilung X~N(0,1) ist, heisst Normal-Plot Sara dos Reis
113 Funktionen einer Zufallsvariable Y = g X mit g einer Funktion von R nach R mit X eine ZV Dann ist Y eine neue ZV, zu jeder Realisierung x von X gehört die Realisierung y = g(x) von Y Sara dos Reis
114 Lineare Transformation g x = a + bx a, b R Für Y = a + b X gilt dann E Y = E a + b X = a + b E[X] Var Y = Var a + b X = b 2 Var[X] σ Y = b σ X α Quantil von Y = q Y α = 1 + b q X (α) Sara dos Reis
115 Bsp 27) Quiz 8, Mathe IV HS15, Es 7 Sara dos Reis
116 Funktionen von mehreren ZV y = g x 1, etc, x n wobei g R n R Wenn x 1, x 2, etc, x n Realisierungen der ZV X 1, X 2, etc, X n sind, dann ist y eine Realisierung der ZV Y = g(x 1, X 2, etc, X n ) Sara dos Reis
117 Funktionen von mehreren ZV Arithmetisches Mittel ഥX n Wir werden vor allem die Funktion Arithmetisches MittelI betrachten g x 1, x 2, etc, x n = xҧ n = 1 n i=1 n x i Das arithmetische Mittel der Daten xҧ n ist also eine Realisierung der ZV തX n Sara dos Reis
118 Unabhängigkeit und iid Annahme Spezielle spezifische Annahme für die betrachtete ZV X 1, etc, X n iid iid = indipendent, identically distributed Das heisst sie sind unabhängig und folgen alle dieselbe Verteilung Das spielt eine wichtige Rolle für Berechnung Erwartungswert und Varianz von Summen E X 1 + X 2 = E X 1 + E X 2 Var X 1 + X 2 = Var X 1 + Var[X 2 ] Sara dos Reis
119 Verteilung von ഥX n mit Betrachtung der iid Annahme X i haben dieselbe Verteilung, deshalb auch dieselben Kennzahlen E X i = μ und Var X = σ x 2 Die Kennzahlen von തX n folgen dann aus den allgemeinen Regeln für E[X] und Var[X] von Summen E തX n = μ Var തX n = σ x 2 n σ x തX n = σ x n Sara dos Reis
120 n-gesetz Streuung der arithmetischen Mittels ist proportional zu 1 n und nicht zu 1, das heisst, dass für eine doppelte n Genauigkeit braucht man nicht doppelt sondern vier Mal so viele Messungen Sara dos Reis
121 Zentraler Grenzwertsatz ZGS തX n = 1 σ n i=1 n x i തX n ~N μ, σ x 2 n S n = σ n i=1 X i S n ~N(nμ, nσ 2 x ) Sara dos Reis
122 Bsp 28) Quiz 9, Statistik I FS18, Fragen 1 a) Sara dos Reis
123 Vertrauensintervall in Normal-Verteilungen Da bei einer Normal-Verteilung N(μ, σ 2 ) ungefähr 95% der Fläche im Bereich μ ± 2σ liegen ist das Vertrauensintervall- 95 CI = [μ 2σ, μ + 2σ] Sara dos Reis
124 Statistik für eine Stichprobe - Hypothesentests für Erwartungswert Typische Kennzahlen sind E X i = μ und Var X = σ x 2 Normalerweise sind diese Kennzahlen in der Realität unbekannt und man möchte Rückschlüsse aus den Daten darüber machen Mögliche Antworten z-test t-test Wilcoxon-Test Vorzeichnen-Test Sara dos Reis
125 Tests für μ z-test Annahme X 1, X 2, etc, X n iid N μ, σ 2 x, σ x bekannt Der z-test für den Parameter μ ist dann wie folgt 1) Modell X i kontinuierliche Messagrösse X 1, X 2, etc, X n iid N μ, σ x 2, σ x bekannt 2) Hypothesen Nullhypothese H 0 μ = μ 0 Alternativhypothese H A μ μ 0 μ < μ 0 μ > μ 0 Sara dos Reis
126 3) Teststatistik X Z = ത n μ 0 = n തX n μ 0 σxn ഥ σ x Verteilung unter H 0 Z~N(0,1) 4) Signifikanzniveau α 5) Verwerfungsbereich K =], Φ 1 (1 α 2 )] Φ 1 (1 α 2 ),, falls H A μ μ 0 K =], Φ 1 (1 α)], falls H A μ < μ 0 K = [Φ 1 (1 α), [, falls H A μ > μ 0 Sara dos Reis
127 6) Testentscheid (auf Widerspruchs-Prinzip beruht) Liegt der beobachtete Wert z in K? Falls ja, H 0 kann auf dem Signifikanzniveau α verworfen werden Falls nein, H 0 kann auf dem Signifikanzniveau α nicht verworfen werden Sara dos Reis
128 Bsp 29) Serie 8, Mathe IV HS17, Es 2 d) Sara dos Reis
129 T-Verteilung Problem in der Praxis, meistens ist σ x nicht bekannt Schätzung neue Testverteilung (Tabelle) neue Test Schätzung der Varianz Neue Teststatistik T = ത X n μ 0 σx n σ 2 x = 1 n 1 (X i തX n ) i=1 n ~ t n «t-verteilung mit n Freiheitsgrade» Verteilung von T, falls H 0 stimmt T~t n 1 Sara dos Reis
130 Die t n -Verteilung ist eine symmetrische Verteilung um 0, welche langschwänziger ist als N(0,1) Füt T~t n gilt E T = 0 Var T = n n 2 F tn 1 ist die Kumulative Verteilungsfunktion der t-verteilung mit n 1 Freiheitsgrade F tn 1 t = P T t, wobei T~t n 1 Die Funktion F tn 1 für die t-verteilung ist Analog zur Funktion Φ z tabelliert Sara dos Reis
131 Tests für μ t-test Annahme X 1, X 2, etc, X n iid N μ, σ 2 x, σ x unbekannt Der t-test für den Parameter μ ist dann wie folgt 1) Modell X i kontinuierliche Messagrösse X 1, X 2, etc, X n iid N μ, σ 2 x, σ x unbekannt wird mit σ x geschätz 2) Hypothesen Nullhypothese H 0 μ = μ 0 Alternativhypothese H A μ μ 0 μ < μ 0 μ > μ Sara dos Reis 131
132 3) Teststatistik T = ത X n μ 0 σ ഥx n = n തX n μ 0 σ x 4) Signifikanzniveau α 5) Verwerfungsbereich K =], t α n 1;1 ] t α n 1;1,, falls H A μ μ 0 2 K =], t n 1;1 α ], falls H A μ < μ 0 K = [t n 1;1 α, [, falls H A μ > μ 0 2 Sara dos Reis
133 6) Testentscheid (auf Widerspruchs-Prinzip beruht) Liegt der beobachtete Wert t in K? Falls ja, H 0 kann auf dem Signifikanzniveau α verworfen werden Falls nein, H 0 kann auf dem Signifikanzniveau α nicht verworfen werden Sara dos Reis
134 Bsp 30) Serie 9, Mathe IV HS17, Es 2 a) b) Sara dos Reis
135 P-Wert für T-Verteilung Bei H A μ μ 0 und der beobachtete Wert t = n തX n μ 0 σ x, P-Wert berechnet sich so P T > t = 2 (1 F tn 1 n തX n μ 0 σ x ) Sara dos Reis
136 Vertrauensintervall für μ z-test Zweiseitiges Vertrauensinterval zum Niveau 1 α xҧ n z α 1 2 σ x n, xҧ n + z α 1 2 σ x n Sara dos Reis
137 Vertrauensintervall für μ t-test Zweiseitigen Vertrauensintervalle zum Niveau 1 α [ xҧ n t α n 1;1 2 σ x n, xҧ n + t α n 1;1 2 σ x n ] Einseitige Vertrauensintervalle zum Niveau 1 α ], xҧ n + t n 1;1 α σ x ] falls H n A μ < μ 0 [ xҧ n t n 1;1 α σ x, [ falls H n A μ > μ 0 Sara dos Reis
138 Bsp 31) Quiz 9, Statistik I FS18, Fragen 1c) Sara dos Reis
139 Tests für μ bei nicht-normalverteilten Daten Der z-test und t-test eignen sich für Daten, die Realisierungen von normalverteilten ZV sind Jetzt betrachten wir die allgemeinere Situation wobei ZV sind beliebige Verteilungen Man bezeichnet mit μ einem Lageparameter Nullhypothese ist von der Form H 0 μ = μ 0 Mögliche Tests Vorzeichen-Test Wilcoxon-Test Sara dos Reis
140 Vorzeichen-Test Idee Wenn μ der Median der Verteilung von X ist, dann ist die W keit, dass eine Realisierung von X grösser als μ genau gross wie de W keit, dass sie kleiner als μ ist P X > μ = 0,5 Der Vorzeichen-Test ist ein Binomialtest Sara dos Reis
141 1) Modell X 1, X 2, etc, X n iid wobei X i eine beliebige Verteilung hat 2) Hypothesen Nullhypothese H 0 μ = μ 0, μ ist der Median Alternativhypothese H A μ μ 0 μ < μ 0 μ > μ 0 3) Teststatistik V Anzahl X i mit X i > μ 0 Verteilung unter H 0 V~Bin n, π 0 mit π 0 = 0,5 Sara dos Reis
142 4) Signifikanzniveau α 5) Verwerfungsbereich K = 0, c u c o, n c u und c o mit der Binomialverteilung oder mit Normalapproximation (für grosse n) 6) Testentscheid (auf Widerspruchs-Prinzip beruht) Liegt der beobachtete Wert v in K? Falls ja, H 0 kann auf dem Signifikanzniveau α verworfen werden Falls nein, H 0 kann auf dem Signifikanzniveau α nicht verworfen werden Sara dos Reis
143 Vorteile Keine Annahme an die Verteilung Nachteile Kleinere Macht Sara dos Reis
144 Bsp 32) Serie 9, Mathe IV HS17, Es 2 c) Sara dos Reis
145 Wilcoxon-Test Idee Mischung von Vorzeichen- und t-test Voraussetzung X 1, X 2, etc, X n wobei die Verteilung stetig und symmetrisch ist bezüglich μ = E[X i ] X i ~F iid Mit Software iid Sara dos Reis
146 Übersicht der Tests Sara dos Reis
147 Stichprobegrösse Faustregel für 95%-VI δ = Halb der Breite der VI n = Stichprobegrösse n 4 σ x δ 2 Sara dos Reis
148 Bsp 33) Quiz 9, Statistik I FS18, Fragen 1 d) Sara dos Reis
149 Tests bei zwei Stichproben Methoden, um einen Vergleich zweier Methoden (wie Gruppen, Versuchsbedingungen, Behandlungen, etc) hinsichtlich der Lage der Verteilung machen Möglichkeiten Gepaarte Stichproben Ungepaarte Stichproben Sara dos Reis
150 Gepaarte Stichproben Jeder Beobachtung in Gruppe 1 kann eine Beobachtung in Gruppe 2 zugeordnet werden n Elemente a 1, a 2, etc, a n in G 1 n = m Elemente b 1, b 2,, etc, b n in G 2 betrachte die Differenz der Paare a i b i = x i x 1, x 2, etc, x n t Test für eine Stichprobe x i wird als Realisierung von iid ZV X i, etc, X n auffassen Falls die Daten normalverteilt sind t-test (sonst Vorzeichentest oder Wilcoxon Test) Sara dos Reis
151 Es liegt eine gepaarte Stichprobe vor, wenn Beide Versuchsbedingungen an derselben Versucheinheit eingesetzt werden oder Jeder Versuchseinheit aus der einen Gruppe genau eine Versuchseinheit aus der anderen Gruppe zugeordnet werden kann Notwendig Stichprobegrösse muss gleich sein und a i und b i sind abhängig, weil die Werte von der gleichen Versuchseinheit kommen Sara dos Reis
152 Bsp 34) Serie 10, Mathe IV HS15, Es 2 Sara dos Reis
153 Ungepaarte Stichproben Eine Beobachtung in Gruppe 1 kann keiner Beobachtung in Gruppe 2 zugeordnet werden A 1, A 2, etc, A n iid B 1, B 2, etc, B n iid wobei alle A i s und B i s unabhängig sind t-test Ungepaarte t-test mit gleichen Varianz Ungepaarte t-test mit unglechen Varianz Sara dos Reis
154 Gepaarte Stichprobe Ungepaarte Stichprobe Sara dos Reis
155 Ungepaarter t-test mit gleichem Varianz (σ 2 = σ x 2 = σ y 2 ) 1) Modell X 1, X 2, etc, X n iid ~N μ x, σ 2 Y 1, Y 2, etc, Y m iid ~N μ y, σ 2 2) Hypothesen Nullhypothese H 0 μ x = μ y Alternativhypothese H A μ x μ y μ x > μ y μ x < μ y Sara dos Reis
156 3) Teststatistik wobei 2 S pool = 1 n + m 2 = 1 n+m 2 n i=1 T = ത X n തY m S pool 1 n + 1 m m X i തX n 2 + i=1 n 1 σ x 2 + m 1 σ y 2 Y i തY m 2 = തX n = 1 n σx i σ x = 1 σ x 2 n 1 i xҧ n Analog für തY m Analog für σ y Verteilung der Teststatistik unter H 0 T~t n+m Sara dos Reis 156
157 4) Signifikanzniveau α 5) Verwerfungsbereich K =], t α n+m 2,1 ] [t α 2 n+m 2,1, [ falls H A μ x μ y 2 K = [t n+m 2,1 α, [ falls H A μ x > μ y K =], t n+m 2,1 α ] falls H A μ x < μ y 6) Testentscheid (auf Widerspruchs-Prinzip beruht) Liegt der beobachtete Wert t in K? Falls ja, H 0 kann auf dem Signifikanzniveau α verworfen werden Falls nein, H 0 kann auf dem Signifikanzniveau α nicht verworfen werden Sara dos Reis
158 Bsp 35) Serie 10, Mathe IV HS15, Es 3 a)b) Sara dos Reis
159 Ungepaarter t-test mit ungleichem Varianz (σ x 2 σ y 2 ) X 1, X 2, etc, X n iid ~N μ x, σ x 2 Y 1, Y 2, etc, Y m iid ~N(μ y, σ y 2 ) Welch-Test Statistischer Programmen Sara dos Reis
160 Multiples Testen Bonferroni Korrektur Man will eine konservative Liste mit der Eigenschaft P mind 1 Fehler 1er Art α Bonferroni Korrektur Testen jedes Elementes mit Signifikanzniveau α statt α, wobei m die Anzahl Elemente ist m Begründung F i P m ራ i=1 = Fehler 1er Art bei Gen i F i m P F i i=1 m = i=1 α m = α Nachteil, die Liste kann evtl extrem konservativ werden Sara dos Reis
161 Ziele Einfache Lineare Regression Modell einfachen linearen Regression Parameterschätzung Schätzung von Residuen Varianzschätzung Test Einfache Lineare Regression Modell einfachen linearen Regression Parameterschätzung Schätzung von Residuen Varianzschätzung Test Regression Sara dos Reis
162 Einfache Lineare Regression Einführungsbeispiel Wir vermuten, dass ein Zusammenhang zwischen Buchpreis und Seitenzahl von Romane existiert Durch diese Zusammenhang könnten wir «Voraussetzungen» über das Preis eines Büchers machen, wenn wird die Anzahl Seite kennen Gibt es eine Gerade, die dieses Zusammenhang schön repräsentiert? dh eine Gerade, die möglichst gut zu allen Punkt passt? Sara dos Reis
163 Das Modell der einfachen linearen Regression Y i = β 0 + β 1 x i + E i = 1,, n, E 1,, E n iid, E E i = 0, Var E i = σ 2 Die y-variable ist die Zielvariable und die x-variable ist die erklärende Variable «einfach» wenn nur eine x-variable vorkommt «linear» die Parameter kommen nur in lineare Form an Sara dos Reis
164 Parameterschätzung 2 Methoden Methode der kleinsten Quadrate Maximum Likelihood Methode (ML) መβ 0 und መβ 1 sind Minimierender von σn i=1 y i β 0 + β 1 x i 2 Lösung des Optimierungsproblems መβ 1 = σ n i=1 y i തy n (x i xҧ n ) n x i xҧ 2 n σ i=1 መβ 0 = തy n መβ 1 ҧ x n Sara dos Reis 164
165 Schätzung von Residuen und σ Residuen R i = y i መβ 0 + መβ 1 x i, i = 1,, n Varianzschätzung σ 2 = 1 n n 2 i=1 R i 2 Sara dos Reis
166 Test Man führt ein t-test, um zu wissen ob β 1 signifikant von 0 unterschiedlich ist 1) Modell Y i = β 0 + β 1 x i + E i E 1,, E n iid N(0, σ 2 ) 2) Hypothesen Nullhypothese H 0 β 1 = μ 0 Alternativhypothese H A β 1 0 Sara dos Reis
167 3) Teststatistik β T = 1 0, wobei s. e. መβ s.e.(β 1 ) 1 = Var መβ 1 = Verteilung der Teststatistik unter H 0 : T~t n 2 σn i=1 σ x i xҧ 2 n 4) Signifikanzniveau α 5) Verwerfungsbereich K =], t α n 1;1 ] t α n 1;1,, falls H A μ μ Sara dos Reis
168 6) Testentscheid (auf Widerspruchs-Prinzip beruht) Liegt der beobachtete Wert t in K? Falls ja, H 0 kann auf dem Signifikanzniveau α verworfen werden Falls nein, H 0 kann auf dem Signifikanzniveau α nicht verworfen werden Sara dos Reis
169 Lineare Regression in R Sara dos Reis
170 Konfidenzintervall Exaktes VI [ መβ i σ β i t n 2;1 α 2, መβ i + σ β i t α n 2;1 ] 2 Faustregel (Approximation für 95%-VI) [ መβ i 2 σ βi, መβ i + 2 σ βi ] Sara dos Reis
171 Bsp 36) Serie 12, Mathe IV HS17, Es 1 a)b)c)d) n=13 Sara dos Reis
172 Residuenanalyse Frage Wie gut stimmt das Modell? Man muss unterschiedliche Aspekte prüfen Form des funktionellen Zusammenhangs Konstanz der Varianz der Fehler Normalverteilung des Fehlers Sara dos Reis
173 Form des funktionellen Zusammenhang Man prüft ob es systematische Fehler gibt Bei einfache Regression Streudiagramm Sara dos Reis
174 Konstanz der Varianz der Fehler Man prüft, ob die Varianz der Fehler konstant ist Bei einfache Regression Streudiagramm Sara dos Reis
175 Normalverteilung der Fehlern Bei einfache lineare Regression QQ-Plot Sara dos Reis
176 Bsp 37) Prüfung WI17, Es 11 Sara dos Reis
177 Bsp 38) Prüfung WI17, Es 12 Sara dos Reis
178 Bsp 39) Prüfung WI17, Es 13 Sara dos Reis
179 Multiple Regression Um zu prüfen ob die Multiple Regression gut ist nutzt man der Tukey-Anscombe Plot (Residuen r i gegen angepasste Werte y i ) Sara dos Reis
180 Einige Tipps - Die Theorie gut zu verstehen und DANN üben - Üben, üben, üben, üben (das ist ziemlich trivial ) - Quiz machen aber auch die Alte Prüfungen, diese sind besonders wichtig, um zu wissen welche Typologie von Fragen an der Prüfung zu erwarten sind!!! - Fragen stellen per Mail, macht ihr keine Sorge - Viel studieren aber auch ein bisschen chilling ist wichtig! Sara dos Reis
181 Danke für eure Aufmerksamkeit Fragen, Feedbacks und Vorschläge sind herzlich Willkommen Sara dos Reis
182 Quellen Skript Statistik I für Biologie, Gesundheitswissenschaftem und Pharmazeutische Wissenschaften, Kalisch, Bühlmann, Künsch, ETH Zürich Unterlagen aus der Vorlesungen Statistik I, Markus Kalisch, FS18, ETH Zürich Mathematik IV Statistik, Daniel Stekhoven, HS17, ETH Zürich Mathematik IV Statistik, Daniel Stekhoven, FS15, ETH Zürich Beispiele Quiz auf Moodle, Statistik I, Markus Kalisch, FS18, ETH Zürich Serien, Mathematik IV Statistik, Daniel Stekhoven, HS17, ETH Zürich Serien, Mathematik IV Statistik, Daniel Stekhoven, FS15, ETH Zürich Quiz, Mathematik IV Statistik, Daniel Stekhoven, FS15, ETH Zürich Sara dos Reis
Hypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
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
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
MehrMathematik IV: Statistik
für D-UWIS, D-ERDW, D-USYS und D-HEST SS16 Sie hören Vitamin String Quartet Daniel Stekhoven 14.04.2016 1 Daniel Stekhoven 14.04.2016 2 Überblick Lernziele Erledigt! Grundlagen Wahrscheinlichkeitsmodell
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
MehrNachgefragte Aufgaben über spezifische Themen
Nachgefragte Aufgaben über spezifische Themen Aufgabe, Quiz 5 Macht und Fehler er/2er Art Frage a) Angenommen, bei einem Binomialtest ist das Signifikanzniveau 5%. Die Macht ist dann 95% Antwort und Erklärtung
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Winter 2016 Schriftliche Prüfung (90 Minuten) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner ohne Kommunikationsmöglichkeit.
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrPVK Statistik Carlos Mora
PVK Statistik 10.-12.1.2012 Prüfung 1 Frage Binomialverteilung und/oder Poissonverteilung mit Test, Poisson-, Normalapproximation 1.Übungsblatt 1 Frage Normalverteilung, z-, t-test; Ein- und/oder zwei
MehrAbbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrDr. M. Kalisch. Statistik (für Biol./Pharm. Wiss.) Winter Musterlösung
Dr. M. Kalisch. Statistik (für Biol./Pharm. Wiss.) Winter 2014 Musterlösung 1. (11 Punkte) a) Für welchen Parameter ist X ein geeigneter Schätzer? X ist ein geeigneter Schätzer für den Erwartungswert µ
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
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Sommer 2015 Schriftliche Prüfung (90 Minuten) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner ohne Kommunikationsmöglichkeit.
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrDiskrete Wa.verteilungen: Eine Zooführung. Statistik (Biol./Pharm./HST) FS 2015
Diskrete Wa.verteilungen: Eine Zooführung Statistik (Biol./Pharm./HST) FS 2015 Admin: Übungsbetrieb & Quiz Gruppeneinteilung selbstständig via Webseite Eine e-mail mit Link für Einschreibung nur nach Belegung
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
MehrDr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Sommer 204 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Vereinfachen
MehrSchriftliche Prüfung (120 Minuten)
Dr. D. Stekhoven Prüfung Mathematik IV Winter 2016 Schriftliche Prüfung (120 Minuten) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner ohne
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
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Winter 2015 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Die Prüfung
MehrSchriftliche Prüfung (1 Stunde)
Prüfung Statistik Herbstsemester 2011 Schriftliche Prüfung (1 Stunde) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Winter 2009 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrDeskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrDeskriptive Statistik. (basierend auf Slides von Lukas Meier)
Deskriptive Statistik (basierend auf Slides von Lukas Meier) Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrStatistik. 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)
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrTeil VII. Deskriptive Statistik. Woche 5: Deskriptive Statistik. Arbeitsschritte der Datenanalyse. Lernziele
Woche 5: Deskriptive Statistik Teil VII Patric Müller Deskriptive Statistik ETHZ WBL 17/19, 22.05.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung
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
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrTeil X. Hypothesentests für eine Stichprobe. Woche 8: Hypothesentests für eine Stichprobe. Lernziele. Statistische Hypothesentests
Woche 8: Hypothesentests für eine Stichprobe Teil X Patric Müller Hypothesentests für eine Stichprobe ETHZ WBL 17/19, 19.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrD-MATH Wahrscheinlichkeitsrechnung und Statistik FS18 Prof. J. Teichmann. Serie 12
D-MATH Wahrscheinlichkeitsrechnung und Statistik FS18 Prof. J. Teichmann Serie 12 1. Einer Gruppe von 20 Tennisspielern mittleren Niveaus werden je zwei Tennisschläger zum Testen ausgehändigt. Einer der
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrZusammenfassung Statistik 1 - FS17 v7
Zusammenfassung Statistik 1 - FS17 v7 Gleb Ebert 30. Januar 018 Vorwort Diese Zusammenfassung soll den gesamten Stoff der Vorlesung Statistik 1 (Stand Frühjahrssemester 017) in kompakter Form enthalten
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
MehrSchriftliche Prüfung (120 Minuten)
Dr. D. Stekhoven Prüfung Mathematik IV Winter 2015 Schriftliche Prüfung (120 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrSchriftliche Prüfung (2 Stunden)
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 2015 Schriftliche Prüfung (2 Stunden) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrStatistik im Labor. BFB-tech Workshop Eugen Lounkine
Statistik im Labor BFB-tech Workshop 9.11.07 Eugen Lounkine Übersicht Darstellung und Charakterisierung von Daten Datentransformationen Lineare Korrelation Wahrscheinlichkeitsverteilung(en) Schätzer Konfidenzintervalle
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrTeil VII Hypothesentests für eine Stichprobe
Woche 7: Hypothesentests für eine Stichprobe Teil VII Hypothesentests für eine Stichprobe WBL 15/17, 15.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner Fachhochschule
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
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrEvaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests
Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung V: Konfidenzintervalle // Normalverteilungstests Seminarinhalte Sitzung V: 16.05.2018 Konfidenzintervalle bei bekannter Varianz Konfidenzintervalle
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrStatistik für Ingenieure und Naturwissenschaftler
Sheldon M. Ross Statistik für Ingenieure und Naturwissenschaftler 3. Auflage Aus dem Amerikanischen übersetzt von Carsten Heinisch ELSEVIER SPEKTRUM AKADEMISCHER VERLAG Spektrum Inhalt Vorwort zur dritten
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
Mehr