Auswahl von Schätzfunktionen
|
|
- Friedrich Schmid
- vor 7 Jahren
- Abrufe
Transkript
1 Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung der Laplace-Verteilung Effizienz von Mittelwert und Median unter Laplace-Verteilung Worum geht es in diesem Modul? Als Abschluss der Ausführungen zu Punktschätzern wird der Begriff der relativen Effizienz eingeführt. Die Bedeutung dieses Begriffs wird mithilfe einiger Simulationen veranschaulicht. Überblick zur Punktschätzung Im Rahmen der Punktschätzung haben wir verschiedene Schätzer kennengerlernt und deren Eigenschaften genauer untersucht. Die Tabellen geben einen Überblick und beziehen dabei auch einige Schätzer ein, die wir bisher nicht behandelt haben, deren Anwendung mit unserem bisherigen Wissen aber problemlos möglich ist. Schätzer für Parameter diskreter Verteilungen: Verteilung Parameter Schätzfunktion Erwartungs-treue Konsistenz Binomialverteilung Poissonverteilung Geometrische Verteilung Page 1
2 Diskrete Gleichverteilung auf Schätzer für Parameter stetiger Verteilungen: Verteilung Parameter Schätzfunktion Erwartungs-treue Konsistenz Normalverteilung Normalverteilung asympt. Exponentialverteilu ng asympt. stetige Gleichverteilung auf Page 2
3 Vorüberlegung zur Effizienz Wir haben uns intensiv mit der Beurteilung von Schätzern (vgl. ) beschäftigt und nach Eigenschaften gesucht, die eine Beurteilung der Schätzer ermöglichen. Sind wir in der Lage, Schätzer zu vergleichen? Dies ist nur begrenzt möglich. Bisher gilt die Konsistenz als "höchste" Eigenschaft. Es handelt sich aber um eine Eigenschaft, die entweder vorhanden ist oder nicht. Im Falle der Schätzer für den Parameter der Normalverteilung sind Mittelwert und Median (s. Tabelle ) konsistent - welcher Schätzer ist aber "besser"? Um diese Frage zu beantworten, wollen wir unsere Überlegungen in diesem Modul um einen (letzten) Schritt ergänzen. Vergleich unserer Schätzer für My unter Normalverteilung Für den Parameter der Normalverteilung kennen wir folgende Schätzer: Alle drei Schätzer sind erwartungstreu,, und für die Varianzen gilt bei Normalverteilung für :. Die Varianz des Medians ist also unter Normalverteilung größer als die des Mittelwertes. Um dies zu quantifizieren, können Page 3
4 wir einen Faktor einführen: mit für. Der Faktor, um den die Standardabweichung von größer ist als die Standardabweichung von (bei demselben Stichprobenumfang), steigt mit langsam an und erreicht schon für seinen asymptotischen Wert, d.h. die Standardabweichung des Medians ist um etwa 25% größer als die Standardabweichung des Mittelwertes. Entsprechend sollte die Varianz des Medians etwa (also 57%) größer sein als die des Mittelwertes (vgl. hatten wir in einer Simulation 54% ermittelt). In ähnlicher Weise könnten wir nun die Standardabweichungen bzw. die Varianzen anderer erwartungstreuer Schätzer miteinander vergleichen. Es sei noch einmal explizit darauf hingewiesen, dass ein solcher Vergleich nur aussagekräftig ist, wenn beide Schätzer erwartungstreu sind! Relative Effizienz Die Verallgemeinerung der Überlegung führt zu dem Begriff der "relativen Effizienz". Die relative Effizienz eines erwartungstreuen Schätzers im Vergleich zu einem anderen erwartungstreuen Schätzer für denselben Parameter definieren wir als den Quotienten der Varianz von und der Varianz von. Man gibt diesen Wert meist in Prozent an. Sind die Varianzen der beiden Schätzer gleich, dann ist ; hat der zu vergleichende Schätzer eine größere (kleinere) Varianz als der Vergleichsschätzer, dann ist die Effizienz kleiner (größer) als eins. In der Regel hängt von ab; allerdings gibt es viele Fälle, in denen sich mit wachsendem stabilisiert. Den Grenzwert Page 4
5 bezeichnet man als die asymptotische relative Effizienz von bezüglich. Beispiel: Relative asymptotische Effizienz von Mittelwert und Median Die relative Effizienz von in Bezug auf bei Normalverteilung ist, und die asymptotische relative Effizienz ist. In manchen Fällen sind die Statistiker in der Lage, die Varianz des asymptotisch erwartungstreuen Schätzers für einen Parameter anzugeben, der die kleinste Varianz unter allen erwartungstreuen Schätzern hat (und zwar auch dann, wenn man diesen Schätzer nicht kennt oder nicht weiß, das es ihn gibt). Im Falle der Schätzung von bei Normalverteilung ist das, d.h. ist der beste erwartungstreue Schätzer für, weil diese Varianzuntergrenze annimmt. Die relative Effizienz jedes anderen Schätzers in Bezug auf den besten erwartungstreuen Schätzer ist dann immer kleiner (oder gleich) 1. Die asymptotische relative Effizienz besagt, dass die Schätzung des Erwartungswertes bei Normalverteilung mit weniger wirksam ist als die mit. Um dieselbe Varianz des Schätzers, also dieselbe Präzision der Schätzung zu erreichen, könnte man den Stichprobenumfang von (bei Verwendung von ) auf (bei Verwendung von ) erhöhen. Aus der Forderung ergibt sich. D.h. um bei Normalverteilung mit mit derselben Präzision zu schätzen wie mit, ist der Stichprobenumfang um 57%, also etwa um die Hälfte, zu erhöhen. Ein Chiphersteller möchte einen neuen Hauptprozessor auf den Markt bringen. Erste Serien wurden bereits gefertigt. Der Produktionsprozess bei Computerprozessoren ist sehr anfällig, Ausschussquoten von 25% gelten als gut. Die funktionsfähigen Chips haben unterschiedliche Qualität und können stabil bei unterschiedlich hohen Taktfrequenzen betrieben werden. Aus den ersten Serien wurden einige funktionierende Chips getestet und jeweils gemessen, bis zu welcher maximalen Frequenz sie stabil laufen. Es wird davon ausgegangen, dass die maximale Taktfrequenz eine normalverteilte Zufallsvariable ist. Um abzuschätzen, für welche Taktfrequenzen wie viele Chips spezifiziert werden können und wie entsprechend die jeweiligen 1000er-Großhandels-Abnahmepreise Page 5
6 und anhand einer Stichprobe geschätzt werden. Verwenden Sie folgende Schätzer: Berechnen Sie im Statistiklabor die Effizienz und ; approximieren Sie dabei die theoretische Varianz durch die empirische. Interpretieren Sie die Ergebnisse. Labordatei öffnen ( cd2.zmpf ) Wir wollen mit Hilfe des Statistiklabors in einem Simulationsexperiment die empirische Varianz der drei Schätzer, und bestimmen und daraus wiederum die relative Effizienz schätzen. Dazu bilden wir analog zu den Quotienten aus den empirischen Varianzen. Labordatei öffnen ( ced.zmpf ) Einführung der Laplace-Verteilung Wir haben Mittelwert und Median als Schätzer für den Parameter der Normalverteilung verglichen. Beide Schätzer sind Schätzer für den Erwartungswert einer Verteilung allgemein - bei der Normalverteilung tritt der Spezialfall auf, dass der Erwartungswert auch einem Parameter der Verteilung, nämlich, entspricht. Wir setzen jetzt Mittelwert und Median als Schätzer für den Erwartungswert einer anderen Verteilung - der Laplace-Verteilung - ein. Auch hier ist der Erwartungswert ein Parameter der Verteilung und heißt ebenfalls. Die Laplace-Verteilung ist eine stetige Verteilung; sie hat die Wahrscheinlichkeitsdichte mit den Parametern und. Dichtefunktion der Laplace-Verteilung für verschiedene Werte von b ist der Erwartungswert und ein Skalenparameter, wobei gilt. In der folgenden Abbildung sind die Dichten der Normalverteilung und der Laplace-Verteilung nebeneinandergestellt. Die Verteilungen haben identische Erwartungswerte und wegen auch identische Varianzen. Vergleich der Dichten von Normalverteilung N(50, 10^2) und Laplace-Verteilung L(50, 7.07); die Parameter sind so gewählt, dass die Verteilungen identischen Erwartungswert und identische Varianz haben Zunächst erkennt man, dass die Laplace-Verteilung wie die Normalverteilung eine symmetrische Verteilung ist. Im Vergleich zur Normalverteilung ist die Page 6
7 Laplace-Verteilung in der Mitte spitzer und hat mehr Wahrscheinlichkeitsmasse in den Flanken (im Englischen nennt man sie daher "long tailed"). In der Abbildung ist das nur schwer erkennbar, aber die Dichten haben bei und einen weiteren Schnittpunkt - von diesem Punkt ab läuft die Dichte der Laplace-Verteilung in den Flanken oberhalb der Dichte der Normalverteilung. Effizienz von Mittelwert und Median unter Laplace-Verteilung Aus der Laplace-Verteilung ziehen wir jetzt Stichproben vom Umfang und berechnen die Schätzer, und. Vergleich versch. Schätzer für My unter Laplace-Verteilung Die Häufigkeitsverteilungen führen zu folgenden Vermutungen: Alle drei Schätzer sind erwartungstreu; hat eine kleinere Varianz als und die Varianz von ist noch größer als die von. Tatsächlich ergibt das auch die Theorie. ist bei Laplace-Verteilung effizienter als, während es bei der Normalverteilung umgekehrt war. Theoretisch kann man zeigen, dass bester erwartungstreuer Schätzer für ist (bei Normalverteilung ist das ). Wir fassen die Ergebnisse zur Effizienz zusammen: - nur bei erwartungstreuen Schätzern ist ein Effizienzvergleich über das Varianzverhältnis möglich, - ist immer ein erwartungstreuer Schätzer für, aber nur unter Normalverteilung bester erwartungstreuer Schätzer, - will man bei Normalverteilung mit dem Median mit etwa derselben Präzision schätzen wie mit dem arithmetischen Mittelwert, dann muss man den Stichprobenumfang um etwa 50% erhöhen. Laplace-Verteilung ErklärungRelative asymptotische Effizienz ErklärungRelative Effizienz Erklärung (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Kontakt: Page 7
Grundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrWeitere Eigenschaften von Punktschätzern
Weitere Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Ein zweiter Schätzer für p bei Binomialverteilung Vergleich der Schätzer anhand einer Simulation Erwartungstreue Bias Asymptotische
MehrStichprobenverteilung bei unterschiedlichen Auswahlsätzen
Stichprobenverteilung bei unterschiedlichen Auswahlsätzen Begleitende Unterlagen zur Übung Induktive Statistik Michael Westermann Universität Essen Inhaltsverzeichnis 1 Einleitung.......................................................
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrInhaltsverzeichnis DESKRIPTIVE STATISTIK. 1 Grundlagen Grundbegriffe Skalen... 15
Inhaltsverzeichnis 1 Grundlagen... 13 1.1 Grundbegriffe...13 1.2 Skalen... 15 DESKRIPTIVE STATISTIK 2 Eindimensionale Häufigkeitsverteilungen...16 2.1 Häufigkeiten... 16 2.1.1 Grundbegriffe... 16 2.1.2
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
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:
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
Mehr1 GRUNDLAGEN Grundbegriffe Skalen...15
Inhaltsverzeichnis 1 GRUNDLAGEN...13 1.1 Grundbegriffe...13 1.2 Skalen...15 DESKRIPTIVE STATISTIK 2 EINDIMENSIONALE HÄUFIGKEITSVERTEILUNGEN...16 2.1 Häufigkeiten...16 2.1.1 Grundbegriffe...16 2.1.2 Klassieren
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrWelche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret.
Grundlagen der Statistik 25.9.2014 7 Aufgabe 7 Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret. B Ein Merkmal
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
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
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
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
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
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
MehrGrundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 2: Wahrscheinlichkeitsrechnung und induktive Statistik Von Professor Dr. Jochen Schwarze 9., vollständig überarbeitete Auflage STUDIUM
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
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)
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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
Mehr10 Statistisches Schätzen
10 Statistisches Schätzen 620 10 Statistisches Schätzen 10.1 Punktschätzung 623 10.1.1 Schätzer und ihre Gütekriterien 623 10.1.2 Erwartungstreue 627 10.1.3 Erwartete quadratische Abweichung (MSE) 634
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 II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrUwe Hassler. Statistik im. Bachelor-Studium. Eine Einführung. für Wirtschaftswissenschaftler. ^ Springer Gabler
Uwe Hassler Statistik im Bachelor-Studium Eine Einführung für Wirtschaftswissenschaftler ^ Springer Gabler 1 Einführung 1 2 Beschreibende Methoden univariater Datenanalyse 5 2.1 Grundbegriffe 5 2.2 Häufigkeitsverteilungen
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrStatistik für. von. Prof. Dr. Josef Bleymüller. und. Prof. Dr. Rafael Weißbach. sowie. Dr. Günther Gehlert. und. Prof. Dr.
Statistik für Wirtschaftswissenschaftler von Prof. Dr. Josef Bleymüller und Prof. Dr. Rafael Weißbach sowie Dr. Günther Gehlert und Prof. Dr. Herbert Gülicher bei früheren Auflagen 17., überarbeitete Auflage
MehrÜber dieses Buch Die Anfänge Wichtige Begriffe... 21
Inhalt Über dieses Buch... 12 TEIL I Deskriptive Statistik 1.1 Die Anfänge... 17 1.2 Wichtige Begriffe... 21 1.2.1 Das Linda-Problem... 22 1.2.2 Merkmale und Merkmalsausprägungen... 23 1.2.3 Klassifikation
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter Erwartsungswert und Varianz
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
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
MehrHandelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen?
1. Handelt es sich bei den folgenden um diskrete oder stetige Zufallsvariablen? a.) Anzahl der Kunden, die an der Kasse in der Schlange stehen. b.) Die Menge an Energie, die pro Tag von einem Energieversorgungsunternehmen
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrVet. Med. Uni. Budapest 5. Übung Biomathematik 2017
5. Übung (Normalverteilung) Die Normalverteilung spielt eine sehr wichtige Rolle in den Biowissenschaften, unter anderem auch in der Tiermedizin. Ihre Wichtigkeit beruht an dem sog. zentralen Grenzwertsatz.
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
MehrBootstrap-Konfidenzintervalle
Bootstrap-Konfidenzintervalle Worum geht es in diesem Modul? Ausgangspunkt Grundlagen zum Bootstrap Die Idee des Bootstrap Das Bootstrap-t-Konfidenzintervall Simulation: Bootstrap-t-Konfidenzintervall
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrTeilklausur des Moduls Kurs 42221: Vertiefung der Statistik
Name, Vorname Matrikelnummer Teilklausur des Moduls 32741 Kurs 42221: Vertiefung der Statistik Datum Termin: 21. März 2014, 14.00-16.00 Uhr Prüfer: Univ.-Prof. Dr. H. Singer Vertiefung der Statistik 21.3.2014
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrWahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
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,
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
MehrStatistik: Klassisch oder Bayes
Wolfgang Tschirk Statistik: Klassisch oder Bayes Zwei Wege im Vergleich 4Q Springer Spektrum Inhaltsverzeichnis 1 Einleitung 1 1.1 Beschreibende und schließende Statistik 1 1.2 Schließende Statistik: Klassik
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
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
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrNormalverteilung. Erwartungswert, Median und Modus sind identisch. Symmetrieeigenschaft um den Erwartungswert
Normalverteilung Stetige Wahrscheinlichkeitsverteilung, die zahlreiche natur, wirtschafts und sozialwissenschaftliche Merkmalsausprägungen mit guter Näherung abbilden kann und somit von elementarer Bedeutung
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,
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
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
MehrÜbungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrZusammenfassung: Kapitel 5, Zusammenhangsmaße
Zusammenfassung: Kapitel 5, Zusammenhangsmaße Kovarianz s xy = 1 n n (x i x)(y i ȳ) i=1 Korrelationskoeffizient nach Bravais-Pearson r xy = s xy s x s y = n (x i x)(y i ȳ) i=1 n (x i x) 2 i=1 n (y i ȳ)
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
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrJosefPuhani. Kleine Formelsammlung zur Statistik. 10. Auflage. averiag i
JosefPuhani Kleine Formelsammlung zur Statistik 10. Auflage averiag i Inhalt- Vorwort 7 Beschreibende Statistik 1. Grundlagen 9 2. Mittelwerte 10 Arithmetisches Mittel 10 Zentral wert (Mediän) 10 Häufigster
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrStatistik (Ch/Ph) Schwerpunkte und Aufgaben
1 Kombinatorik 1.1 Aufgaben Statistik (Ch/Ph) Schwerpunkte und Aufgaben Eine Münze wird fünfmal geworfen. Es wird notiert, ob Zahl oder Wappen erscheint. Wieviel verschiedene Versuchsprotokolle sind möglich?
MehrKennwerteverteilungen von Häufigkeiten und Anteilen
Kennwerteverteilungen von Häufigkeiten und Anteilen SS200 6.Sitzung vom 29.05.200 Die hypergeometrische Verteilung Wahrscheinlichkeitsverteilung der Häufigkeit eines binären Merkmals bei Einfacher Zufallsauswahl
Mehr