Messtechnik und Analytik
|
|
- Hilko Schumacher
- vor 7 Jahren
- Abrufe
Transkript
1 VE 2: Grundlagen der Wahrscheinlichkeitsberechnung und Statistik Zufällige Ereignisse Häufigkeit und Wahrscheinlichkeit Zufallsgrößen Grundgesamtheit Verteilungen Stichprobenparameter Klaus-Dieter Sommer MDA F 1 Wiederholung: Vollständiges Auswertemodell der Messung Berücksichtigung zusätzlicher Kenntnisse Messgröße Y 10 kg Darstellung in Anlehnung an Beyerer mögliche Werte MDA F 2 Messverfahren Zuweisung Daten q 1,, q n Einflüsse, Parameter Auswertung Kombination, Schätzverfahren Endergebnis 3. Frage: Wie konsistent In dieser Vorlesung betrachten wir nur den oberen einrechnen Teil mit Zusätzliche Kenntnisse (kombinieren)? wiederholter Beobachtung der gemessenen Werte z.b. - Temperatur - magnetische 1. Frage: Empfindlichkeit Wie erfassen? - Auflösung 2. Frage:... Wie beschreiben? KDSOMMER2014 S. 1
2 Generalisierter Messprozess Klassische Auswertung wiederholter Beobachtungen Messgröße Y 10 kg mögliche Werte Messprozess: Wertezuweisung Beobachtungen Auswertung: Wiederholte Beobachtungen unter Wiederholbedingungen Schätzwert: Klassische Auswertung erfolgt mit den Mitteln der statistischen (Stichproben-)Analyse! (Schätzverfahren!) 3 8 behandelt (wiederholt) die Grundlagen der statistischen Analyse MDA F 3 Grundlagen Wahrscheinlichkeitsrechnung, Statistik Zufällige Ereignisse Häufigkeit & Wahrscheinlichkeit Zufallsgrößen MDA F 4 KDSOMMER2014 S. 2
3 Zufällige Ereignisse Definition 1) : Ein Ergebnis eines Zufalls-Versuchs wird als zufälliges Ereignis bezeichnet. 1) Otfried Beyer: Wahrscheinlichkeitsrechnung und mathematische Statistik Beispiele: Zufälliger Versuch Zufälliges Ereignis Werfen eines Würfels Die Augenzahl k wird geworfen (k =1, 2, 6) Eine gerade Augenzahl wird geworfen Es wird mindestens die Augenzahl 3 geworfen Dreimaliges Werfen einer Münze Erfassung der Zahl der Anrufe in einem Call-Center Zahl liegt zweimal oben Wappen liegt dreimal oben Es erfolgen genau k Anrufe (k =0,1, ) Es erfolgen nicht mehr als 25 Anrufe Es erfolgen mindestens 25 Anrufe MDA F 5 Zufällige Ereignisse Beispiele: Zufälliger Versuch Zufälliges Ereignis Laufleistungsmessung eines PKW-Reifens unter vorgegebenen Bedingungen Zählung der Ausschussteile wenn n Teile auf einer Maschine in einer Schicht produziert werden Messung der CO 2 - Konzentration in einer Stadt zu einem bestimmten Zeitpunkt Die Laufleistung beträgt mindestens km Die Laufleistung liegt zwischen und km In der Schicht treten genau k Ausschussteile auf (k = 0, 1,, n) In der Schicht treten nicht mehr als l Ausschussteile auf (l =0, 1,, n) Die CO 2 -Konzentration überschreitet einen Grenzwert von 10 mg/m 3 nicht Die CO 2 -Konzentration liegt im Bereich zwischen 7 mg/m 3 und 8 mg/m 3 MDA F 6 KDSOMMER2014 S. 3
4 Zufällige Ereignisse Relationen zwischen Ereignissen (1) Es sei die Menge aller möglichen Ereignisse (im Ergebnis) eines Versuchs, auch Ereignisfeld genannt. Jede Teilmenge heißt (zufälliges) Ereignis. Die nennt man Elementarereignisse. A 2 A 1 A 2 A 1 heißt Teilereignis von A 2, wenn jedes Ereignis, das zu A 1 gehört, auch A 2 angehört. A 1 zieht das Ereignis A 2 nach sich Zwei Ereignisse sind gleich,, wenn gilt: und Die Gesamtmenge ist ein sicheres Ereignis; das Ereignis heißt unmögliches Ereignis. MDA F 7 Zufällige Ereignisse Relationen zwischen Ereignissen (2) Summe von Ereignissen, : A enthält alle Elementarereignisse, die zu A 1 oder A 2 (oder zu beiden) gehören. Es tritt ein, wenn mindestens eines der Ereignisse A 1 oder A 2 eintritt, stellt also mengenmäßig die Vereinigung von A 1 und A 2 dar A 1 A 2 schraffierter Bereich: schraffierter Bereich: Produkt von Ereignissen, : A enthält alle Elementarereignisse, die zugleich zu A 1 als auch zu A 2 gehören, stellt also mengenmäßig den Durchschnitt (Schnittmenge) von A 1 und A 2 dar. Es tritt ein, wenn beide Ereignisse A 1 und A 2 eintreten. MDA F 8 KDSOMMER2014 S. 4
5 Zufällige Ereignisse Relationen zwischen Ereignissen (3) Differenz von Ereignissen, : A enthält alle Elementarereignisse, die zu A 1 aber nicht zu A 2 gehören. A 1 A 2 schraffierter Bereich: Die Differenz zwischen dem sicheren Ereignis S und einem Ereignis A heißt das zu A komplementäre Ereignis Relationen zwischen (zufälligen) Ereignissen folgen den Gesetzen der Mengenlehre MDA F 9 Zufällige Ereignisse Morgansche Formeln Ersetzen der Differenz durch ein Produkt: A 2 A 2 A 1 A 1 Allgemein gilt: MDA F 10 KDSOMMER2014 S. 5
6 Grundlagen Wahrscheinlichkeitsrechnung, Statistik Zufällige Ereignisse Häufigkeit und Wahrscheinlichkeit Zufallsgrößen MDA F 11 Häufigkeit und Wahrscheinlichkeit Relative Häufigkeit und Wahrscheinlichkeit Definition 1) : Ist bei n unabhängigen Wiederholungen eines zufälligen Versuchs ein Ergebnis A des Ereignisfeldes E h n (A)-mal aufgetreten, so wird der Quotient als relative Häufigkeit des Ereignisses A in n Versuchen bezeichnet. sicheres Ereignis: unmögliches Ereignis: 1) Otfried Beyer: Wahrscheinlichkeitsrechnung und mathematische Statistik H n (A) ist für kleine n eine zufällige, evtl. stark schwankende Zahl. Wenn sich H n (A) mit wachsendem n stabilisiert, wird H n als (frequentistische) Wahrscheinlichkeit bezeichnet. MDA F 12 KDSOMMER2014 S. 6
7 Häufigkeit und Wahrscheinlichkeit Axiomatischer Aufbau der Wahrscheinlichkeitsrechnung (1) Axiom 1: Axiom 2: Für jedes Ereignis Es gilt: gilt: Axiom 3: Schließen sich die Ereignisse einander aus und dann gilt: Ergänzende Sätze: Satz 1: Es gilt: MDA F 13 Häufigkeit und Wahrscheinlichkeit Axiomatischer Aufbau der Wahrscheinlichkeitsrechnung (2) Ergänzende Sätze (Fortsetzung): Satz 2: Satz 3: Es gilt: Es gilt: Additionstheorem: Zur Berechnung der Wahrscheinlichkeit einer Summe von sich nicht gegenseitig ausschließenden Ereignissen und sind mögliche gemeinsame Elementarereignisse von und zu beachten: Satz 4: Es gilt: Schnittmenge nur 1-mal berücksichtigen! MDA F 14 KDSOMMER2014 S. 7
8 Häufigkeit und Wahrscheinlichkeit Axiomatischer Aufbau der Wahrscheinlichkeitsrechnung (3) Bedingte Wahrscheinlichkeit : Wahrscheinlichkeit für das Eintreffen des Ereignisses Bedingung, dass das Ereignis bereits eingetroffen ist: unter der Satz 5: Es gilt: Schnittmenge entspricht dem Verhältnis der Wahrscheinlichkeiten von Schnittfläche zur Fläche Multiplikationstheorem: folgt direkt aus Satz 5: Satz 6: Es gilt: MDA F 15 Häufigkeit und Wahrscheinlichkeit Totale Wahrscheinlichkeit und Bayes-Theorem (1) Beispiel: Zufälliger Prozess mit mehreren Ereignissen A i Vorgabe: Ein Erzeugnis wird auf drei Maschinen M i, mit i = (1, 2, 3), produziert. Anteile an der Produktion: A 2 A 3 B A 1 Gesucht ist Wahrscheinlichkeit P(B): ein (dem gemeinsamen Lager entnommenes) Erzeugnis ist Ausschuss Bekannt sind die Ausschussquoten der einzelnen Maschinen: Gesucht ist Wahrscheinlichkeit : ein Erzeugnis wurde auf der Maschine produziert unter der Bedingung, dass es Ausschuss ist MDA F 16 KDSOMMER2014 S. 8
9 Totale Wahrscheinlichkeit und Bayes`sche Formel (2) Beispiel: Zufälliger Prozess mit mehreren Ereignissen A i Lösung: Ereignisse mit bilden ein vollständiges System paarweise unverträglicher Ereignisse: für A 2 A 1 E B A 3 MDA F 17 Totale Wahrscheinlichkeit und Bayes`sche Formel (3) Totale Wahrscheinlichkeit eines beliebigen bedingten Ereignisses B: Satz 7: Bayes-Theorem: Satz 8: In der Messtechnik ist Verständnis der Bayes sche Formel wichtig für Betrachtung der Messung als Lernprozess (Berücksichtigung von Zusatzwissen) MDA F 18 KDSOMMER2014 S. 9
10 Totale Wahrscheinlichkeit und Bayes`sche Formel (4) Beispiel: Zufälliger Prozess mit mehreren Ereignissen A i A 2 A 1 E Lösung B mithilfe der Bayes schen Formel möglich A 3 Ergebnisse: Totale Ausschussquote Anteile der Maschine am Ausschuss (Rückwärts-Schluss!): MDA F 19 Totale Wahrscheinlichkeit und Bayes`sche Formel (4) Messtechnische Interpretation als Ausblick auf VE7 A 2 B A 1 E A 3 Messgröße Y Messverfahren Zuweisung Anzeige Q 10 kg MDA F 20 Ergebnis: P(Y) Daten q 1,, q n Einflüsse, Parameter X 1,,X n Rückschluss auf Y ist Ziel einer Messung! KDSOMMER2014 S. 10
11 Grundlagen Wahrscheinlichkeitsrechnung, Statistik Zufällige Ereignisse Häufigkeit und Wahrscheinlichkeit Zufallsgrößen MDA F 21 Zufallsgrößen Eine Größe X nimmt im Ergebnis eines zufälligen Versuchs in Abhängigkeit von dessen Ergebnis jeweils einen bestimmten Wert aus der Menge der reellen Zahlen an. X bezeichnen wir als Zufallsgröße. Definition : Eine Zufallsgröße X bezeichnen wir als diskret, wenn sie nur endlich viele, abzählbare Werte x 1, x 2, x 3, annehmen kann. Definition : Die Wahrscheinlichkeit heißt Einzelwahrscheinlichkeit. Satz 9: Es gilt: (für diskrete Zufallsgrößen) MDA F 22 KDSOMMER2014 S. 11
12 Zufallsgrößen Definition 1) : Eine Zufallsgröße heißt stetig, wenn sie überabzählbar unendlich viele Werte annehmen kann, z.b. jeden Wert in einem Intervall. Definition 1) : Die Funktion heißt Verteilungsfunktion für die der Zufallsgröße gibt an, mit welcher Wahrscheinlichkeit X Werte annimmt, die kleiner als ein gegebener Wert sind. sind die möglichen Werte der Größe X. 1) Otfried Beyer: Wahrscheinlichkeitsrechnung und mathematische Statistik Satz 10: Es gilt: 1 MDA F 23 0 Zufallsgrößen Wahrscheinlichkeitsdichtefunktion (PDF) (1) Definition 1) : Existiert für eine stetige Zufallsgröße X eine in nicht negative integrierbare Funktion mit der Eigenschaft so heißt die Funktion Dichtefunktion (PDF) für die stetige Zufallsvariable X. sind die möglichen Werte, die X annehmen kann. 1) Otfried Beyer: Wahrscheinlichkeitsrechnung und mathematische Statistik Satz 11: Die Wahrscheinlichkeit dafür, dass Werte liegen, ist der Größe X im Intervall Beispiel: 1,0 0,5 0 MDA F 24 1 A=1 2 KDSOMMER2014 S. 12
13 Zufallsgrößen Wahrscheinlichkeitsdichtefunktion (PDF) (2) Hinweis: Für stetige Zufallsgrößen X können keine Einzelwahrscheinlichkeiten dp für einen speziellen Wert angegeben werden, da Praktisch kann man nur Wahrscheinlichkeiten dafür angeben, dass Werte in einem gegebenen Intervall liegen (siehe Satz 11). Beispiel: 1 0 MDA F 25 Grundlagen Wahrscheinlichkeitsrechnung, Statistik Grundgesamtheit Verteilungen Stichprobenparameter MDA F 26 KDSOMMER2014 S. 13
14 Grundgesamtheit Statistisches Auswertungsmodell (1) Messung bestimmt ein Ergebnis innerhalb einer charakteristischen Variationsbreite Galton- 2) Brett Statistische (frequentistische) Modellannahmen: Verfälschung des Messprozesses durch zufällige Einflüsse Wiederholung führt zu einer Verteilung von Ergebnissen, die den Messprozess charakterisieren 2) Henrion, PTB MDA F 27 Grundgesamtheit Statistisches Auswertungsmodell (2) Grundgesamtheit (GG): Gesamtheit der Realisierungen, die aus dem Wurf ein und derselben Kugel resultieren mögen: Begriff GG abstrakt GG nur denkbar, nicht einsehbar Realität: Wir sehen nur einige Realisierungen, nicht die Startposition Begriff GG hat aber zentrale Bedeutung für Auswertung von Beobachtungsergebnissen MDA F 28 KDSOMMER2014 S. 14
15 Grundgesamtheit Statistisches Auswertungsmodell (3) Grundgesamtheit (GG): Bezogen auf den Messprozess wäre die Kenntnis der Grundgesamtheit identisch mit der Kenntnis der Größe Q bzw. ihrer Verteilung : Anm.: Der Messprozess mögliche Werte Messprozess: Wertezuweisung wird als determiniert betrachtet. Beobachtungen Begriff GG hat aber zentrale Bedeutung für Auswertung von Beobachtungsergebnissen Schätzwert: Der Messtechnik zugänglich sind aber nur einige Beobachtungen! Auswertung: Begriff GG abstrakt GG nur denkbar, nicht einsehbar Realität: Wir sehen nur einige Realisierungen, nicht die Startposition MDA F 29 Grundgesamtheit Beschreibung von Grundgesamtheiten GG (1) Diskreter Wertevorrat an Realisierungen Wahrscheinlichkeitsfunktion Ordnet jeder Realisierung die Häufigkeit (Wahrscheinlichkeit) ihres Auftretens zu: Nur im Fall eines ausgeschöpften Wertevorrats an diskreten Realisierungen besteht Zugang zur Grundgesamtheit MDA F 30 Realisierung KDSOMMER2014 S. 15
16 Grundgesamtheit Beschreibung von GGs (2) Kontinuierlicher Bereich an Realisierungen Darstellung als Wahrscheinlichkeitsdichte-Funktion (PDF) Anmerkung: für sich nicht interpretierbar als Wahrscheinlichkeit für Beobachtung eines Wertes! Stattdessen: Wahrscheinlichkeit, dass in ein bestimmtes Intervall fällt: MDA F 31 Grundgesamtheit Parameter zur Charakterisierung von Verteilungen (1) Bester Schätzwert der Größe (Lageparameter): Varianz der Größe (Streuparameter): (mittlere Weite der Verteilung) Bildhafte Darstellung für Galton-Brett: Wohin wäre die Kugel gerollt, wäre ihr Lauf nicht durch Nägel gestört worden? In welcher Umgebung zum Erwartungswert ist der Wert der Größe X zu vermuten? MDA F 32 KDSOMMER2014 S. 16
17 Grundgesamtheit Parameter zur Charakterisierung von Verteilungen (2) Erwartungswert (auch: Mittelwert 1) für diskreten Wertevorrat x i : ) einer Verteilung: 1) Im Falle symmetrischer Verteilungen für kontinuierlichen Bereich der Werte : - Wahrscheinlichkeit für den (Einzel-)Wert - Wahrscheinlichkeitsdichtefunktion für X MDA F 33 Grundgesamtheit Parameter zur Charakterisierung von Verteilungen (3) Eigenschaften des Erwartungswertes: E[X] ordnet nach gegebener Vorschrift einer Verteilung eine reelle Zahl zu Wie anhand der Definition leicht nachzuvollziehen, ist E ein linearer Operator, das heißt: Für zwei beliebige voneinander unabhängige Zufallsvariablen X und Y gilt: entspricht unserer Vorgehensweise in der Messtechnik Beispiel: Reihenschaltung von zwei Spannungsquellen: V = V 1 + V 2 MDA F 34 KDSOMMER2014 S. 17
18 Grundgesamtheit Beispiel 1: Mittelwert der Augenzahl beim Würfeln Diskrete Werte von X: MDA F 35 Grundgesamtheit Beispiel 2: Erwartungswert Gleichverteilung Kontinuierlicher Bereich der Werte für X: MDA F 36 KDSOMMER2014 S. 18
19 Grundgesamtheit Parameter zur Charakterisierung von Verteilungen (4) Varianz Für diskrete Werte: Für stetige Größen um den Mittelwert ( Zweites zentralisiertes Moment ): Zentralisierung : sinnvoll für Messtechnik, da Angabe der Streuung um den Erwartungswert (d. h. um den Schätzwert für das Messergebnis) wenn X und Y unvereinbar sind MDA F 37 Grundgesamtheit Beispiel 1: Varianz Ergebnisse beim Würfeln MDA F 38 KDSOMMER2014 S. 19
20 Grundgesamtheit Beispiel 2: Varianz Gleichverteilung (Rechteckverteilung) MDA F 39 Grundgesamtheit Zielstellung: Sinnvolle Angabe eines Messergebnisses Streuung, Verteilung der Werte um den Schätzwert der Lage Schätzwert der Lage (Schätzwert des Messergebnisses) Mögliche Werte der Messgröße MDA F 40 KDSOMMER2014 S. 20
21 Grundlagen Wahrscheinlichkeitsrechnung, Statistik Grundgesamtheit Verteilungen Stichprobenparameter MDA F 41 Verteilungen Verteilungsformen von Beobachtungsergebnissen Binomialverteilung: (Absolute) Häufigkeit k des Eintreffens eines Ereignisses x der Wahrscheinlichkeit p nach n gleichartigen Versuchen ( Kugelziehen mit Zurücklegen) Binomialverteilung zu den Parametern n (Anz. Versuche) und Notwendige Bedingung: Mittelwert: Varianz: MDA F 42 KDSOMMER2014 S. 21
22 Verteilungen Verteilungsformen von Beobachtungsergebnissen Illustration Binomialverteilung: Galton Brett: Zahl der Fälle, in denen die Kugel nach rechts rollt hier: MDA F Verteilungen Praxisbeispiel: Isotope Man stelle sich den Einbau von Kern-Typen (Isotope) in ein gegebenes Molekül als Zufallsprozeß vor, z.b. C 157 H 232 N 40 O 47 S 2 (Insulin, B-Kette) n = 157 Chancen, 13 C einzubauen p = 0,01 Wahrscheinlichkeit 13 C M M+1 M+2 M MDA F 44 KDSOMMER2014 S. 22
23 Verteilungen Verteilungsformen von Beobachtungsergebnissen Poisson-Verteilung Grenzfall der Binomialverteilung für sehr kleines p, großes n Mittelwert: Varianz: Beispiele: Messen an der Nachweisgrenze mit zählenden Detektoren, z. B. SEV Zählen von seltenen Ereignissen je Zeitintervall im Zerfallsprozess MDA F 45 Verteilungen Verteilungsformen von Beobachtungsergebnissen Illustration: Poisson-Verteilung: Binomialverteilung für sehr kleines p (bei großem n) MDA F 46 KDSOMMER2014 S. 23
24 Verteilungen Verteilungsformen von Beobachtungsergebnissen Gauss- oder Normalverteilung Verteilung metrisch skalierter Messgrößen, soweit fernab der Nachweisgrenze Mittelwert: Varianz: MDA F 47 Verteilungen Weitere Verteilungsformen Gleich- oder Rechteckverteilung Wird verwendet, wenn man (nur) weiß, dass sich die möglichen Werte der Größe in einem Intervall [a, b] befinden Mittelwert: Varianz: MDA F 48 KDSOMMER2014 S. 24
25 Verteilungen Weitere Verteilungsformen Dreieckförmige Verteilung Anwendungssituation ähnlich wie zuvor: Verteilungsform nicht bekannt, nur Unter- und Obergrenze. Man nimmt zusätzlich an, dass Wahrscheinlichkeit in der Mitte am höchsten Mittelwert: Varianz: MDA F 49 Grundlagen Wahrscheinlichkeitsrechnung, Statistik Grundgesamtheit Verteilungen Stichprobenparameter MDA F 50 KDSOMMER2014 S. 25
26 Stichprobenparameter Grundgesamtheiten sind nicht vollständig einsehbar! und bleiben verborgen Aus Stichproben lassen sich nur Schnappschüsse gewinnen, z.b.: Messserie 1 Messserie 2 usw. MDA F 51 Quelle: Henrion, PTB Stichprobenparameter Wiederholte Beobachtungen Erhebung einer Stichprobe unabhängiger Beobachtungen Ziel: Bestmögliche Schätzung von und anhand dieser Daten Klassische Schätzer: Arithmetisches Mittel Stichprobenvarianz als Schätzer für als Schätzer für MDA F 52 KDSOMMER2014 S. 26
27 Stichprobenparameter Schätzer für Parameter von GG sind ihrerseits Zufallsgrößen (!) Quelle: Henrion, PTB MDA F 53 Stichprobenparameter Stichprobenfunktion für das Stichprobenmittel: Funktion: Realisierung: Das Stichprobenmittel als Funktion von Zufallsgrößen ist selbst eine Zufallsgröße, d.h. man kann Erwartungswert und Varianz berechnen: Für das Stichprobenmittel gilt: Erwartungswert: Varianz: MDA F 54 KDSOMMER2014 S. 27
28 Stichprobenparameter Beweis für bedeutet: Erwartungstreue des Stichprobenparameter: ist ein erwartungstreuer Schätzer für Erinnerung: - Erwartungswert der Grundgesamtheit MDA F 55 Stichprobenparameter Stichprobenfunktion für die Stichprobenvarianz: Funktion: Realisierung: Für die Stichprobenvarianz gilt somit: Erwartungswert: Varianz: MDA F 56 KDSOMMER2014 S. 28
29 Stichprobenparameter Schlussfolgerung charakterisiert das Messverfahren (Varianz des Einzelwerts) charakterisiert die aktuelle Stichprobe (Ergebnis der Messserie) und wird vom Fleiß des Experimentators mitbestimmt (Varianz des arithmetischen Mittels) GUM 1) : wird verwendet als Standardmessunsicherheit 1) Guide to the Expression of Uncertainty in Measurement MDA F 57 Stichprobenparameter Anmerkungen: Für die Ableitung war die Annahme einer bestimmten Verteilungsform nicht erforderlich. Die Feststellungen bzw. ( und sind erwartungstreu) sowie gelten also grundsätzlich* (Robustheit) Erwartungstreue Schätzer werden auch als unverzerrt (unbiased) bezeichnet. * vorausgesetzt ist natürlich, dass die Erwartungswerte überhaupt existieren MDA F 58 KDSOMMER2014 S. 29
30 Statistik Auswertung von Stichproben (7) Chi 2 -Verteilung, Teil 1: Gegeben: X 1, X 2,..., X n unabhängige Zufallsgrößen, die alle einer (gleichen) Standardnormalverteilung unterliegen (μ = 0; σ =1) Zufallsgröße unterliegt der folgenden Dichtefunktion: Chi 2 - Verteilung MDA F 59 VE 2 Statistik Auswertung von Stichproben (8) Chi 2 -Verteilung, Teil 2: Die Zufallsgröße hat folgende Kennwerte: E[Y n ] = n und Var[Y n ]= 2n n=5 n=10 n=15 n=20 Es lässt sich zeigen, dass die Stichprobenvarianz eine Chi 2 -Verteilung mit n-1 Freiheitsgraden ist MDA F 60 VE 2 KDSOMMER2014 S. 30
31 Statistik Auswertung von Stichproben (9) Student-t-Verteilung, Teil 1: Gegeben: 2 unabhängige Zufallsgrößen X (normalverteilt mit μ = 0; σ = 1) und (Chi 2 -verteilt mit v Freiheitsgraden) Zufallsgröße unterliegt der folgenden Dichtefunktion: Student-t- Verteilung MDA F 61 VE 2 Statistik Auswertung von Stichproben (10) Student-t-Verteilung, Teil 2: Die Zufallsgröße hat folgende Kennwerte: υ=10 υ=5 g(t,υ) υ=3 υ=1 Es lässt sich zeigen, dass das Verhältnis des Stichprobenmittelwertes zu seiner Standardabweichungt-verteilt ist: t MDA F 62 VE 2 KDSOMMER2014 S. 31
32 Statistik Auswertung von Stichproben (5) Eigenschaften (Zusammenfassung für normalverteilte Grundgesamtheit, Teil 1): Es sei {X 1, X 2,..., X n } eine Stichprobe aus einer normalverteilten Grundgesamtheit X mit dem Erwartungswert E[X] = μ und der Varianz Var[X]= σ 2. Dann gilt: MDA F 63 Statistik Auswertung von Stichproben (6) Eigenschaften (Zusammenfassung für normalverteilte Grundgesamtheit, Teil 2): Es gilt darüber hinaus: 1) siehe Folien 60 bis 63 MDA F 64 KDSOMMER2014 S. 32
33 Methoden zur Bewertung von messbaren Größen Ausblick auf die nächste Vorlesung: nichtstatistische Kenntnisse BKenntnisse über die Parameter und (Einfluss-) Größen nichtstatistischer Art statistischer Art Beispiel: untere und obere Grenzen Beispiel: Beobachtungsreihe UG OG X A a - x a + 2 a Beispiel: Angabe im Kalibrierschein Methode: statistische Analyse: 95% y U y y + U s q s (Näherung für große n) MDA F 65 VE 2 KDSOMMER2014 S. 33
Zufallsvariablen [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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
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
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
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
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
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:
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
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrGrundlagen Wahrscheinlichkeitsrechnung, Statistik
Grundlagen Wahrscheinlichkeitsrechnung, Statistik Was ist Statistik? Wahrscheinlichkeit Grundgesamtheit und Verteilung Verteilung von Stichprobenparametern und Intervallschätzung Werkzeug Varianzanalyse
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
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
MehrÜbungen mit dem Applet Zentraler Grenzwertsatz
Zentraler Grenzwertsatz 1 Übungen mit dem Applet Zentraler Grenzwertsatz 1 Statistischer Hintergrund... 1.1 Zentraler Grenzwertsatz... 1. Beispiel Würfeln... 1.3 Wahrscheinlichkeit und relative Häufigkeit...3
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
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............................
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:
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
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)
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
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
MehrAufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen
Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),
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)
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
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
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
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
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 7. Übung SS 16: Woche vom
Übungsaufgaben 7. Übung SS 16: Woche vom 23. 5. 27. 5.. 2016 Stochastik I: Klassische Wkt.-Berechnung Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/... (SS16).html
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
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
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
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrWahrscheinlichkeitstheorie. Alea iacta est!
Wahrscheinlichkeitstheorie Alea iacta est! "Wissenschaftliche Theorien, die auf Eigenschaften einer großen Zahl von Individuen rekurrieren, [...] werden anfällig gegen Fehlinterpretationen, wenn man die
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
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
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
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
MehrGrundlegende 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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 1. Grundbegriffe der Wahrscheinlichkeitsrechnung
Vorlesungscharts Vorlesung 1 Grundbegriffe der Wahrscheinlichkeitsrechnung Zufallsvorgänge und Zufallsereignisse Definitionen der Wahrscheinlichkeit Seite 1 von 11 Chart 1: Vorgänge deterministisch zufällig
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
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
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Oktober 2007 1. Statistik Wir denken an Experimente, bei deren Durchführung die Variable X, um die es dabei geht, verschiedene Werte annehmen
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
MehrWahrscheinlichkeitsrechnung [probability]
Wahrscheinlichkeitsrechnung [probability] Hinweis: Die Wahrscheinlichkeitsrechnung ist nicht Gegenstand dieser Vorlesung. Es werden lediglich einige Begriffsbildungen bereitgestellt und an Beispielen erläutert,
Mehra) (A B) tritt ein = A tritt ein oder B tritt ein. = Mindestens eines der Ereignisse A, B tritt ein.
Lösungsvorschläge zu den Aufgaben von Blatt 6: 43) 7 Telefonzellen ( 7 Kugeln in der Urne); 3 davon sind von je einem Benutzer besetzt ( 3 Kugeln in die Stichprobe). Die Telefonzellen werden nicht mehrfach
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrPopulation und Stichprobe: Wahrscheinlichkeitstheorie
Population und Stichprobe: Wahrscheinlichkeitstheorie SS 2001 4. Sitzung vom 15.05.2001 Wahrscheinlichkeitstheorie in den Sozialwissenschaften: Stichprobenziehung: Aussagen über Stichprobenzusammensetzung
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
MehrSBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf. SBP Mathe Aufbaukurs 1
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf SBP Mathe Aufbaukurs 1 # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das
MehrInstitut für Stochastik, SoSe K L A U S U R , 13:
Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrElementarereignis: Stellt ein Einzelergebnis eines Zufallsexperimentes dar, wird oftmals mit E bezeichnet.
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Einführung in grundlegende
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 Unabhängigkeit von Ereignissen A, B unabhängig:
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrHäufigkeiten. Verteilungen. Lageparameter Mittelwert. oder
Formelsammlung Beschreibende Statistik Univariate Häufigkeitsverteilungen X ist ein diskretes Merkmal, mit k Ausprägungen TR: Mode 2 1 = AC absolute relative Häufigkeit Häufigkeiten Bivariate Häufigkeitsverteilungen
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
Mehr