Elementarereignis: Stellt ein Einzelergebnis eines Zufallsexperimentes dar, wird oftmals mit E bezeichnet.
|
|
- Helene Boer
- vor 7 Jahren
- Abrufe
Transkript
1 Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression
2 Einführung Die Einführung in grundlegende Begriffe der Wahrscheinlichkeitsrechnung hat zum Ziel in das begriffliche Instrumentarium einzuführen und sich daneben die verschiedenen Möglichkeiten der Wahrscheinlichkeitsrechnung für statistische Fragen nutzbar zu machen. Dazu gehört: Das Rechnen mit Über- und Unterschreitungswahrscheinlichkeiten für das Eintreten von bestimmten Ereignissen. Das Schätzen von Parametern einer Grundgesamtheit. Das Überprüfen von Aussagen (Hypothesen) über eine Grundgesamtheit aus einer Stichprobe heraus.
3 Fragestellungen Zur Verhinderung einer Überschwemmung soll ein Fluss, der häufig über die Ufer tritt, eingedeicht werden. Daraus ergibt sich die Frage, wie hoch der Deich gebaut werden soll. Einerseits soll er das Land möglichst effektiv schützen, andererseits müssen die Baukosten betrachtet und daher die Deichkrone so niedrig wie möglich gehalten werden. Deshalb einigt man sich darauf, dass man eine Sicherheit von 95% akzeptiert. Die Deichkrone muss also so hoch gebaut werden, dass im Mittel 95 von 100 Hochwässer abgehalten werden können. In einer Stichprobe vom Umfang 49 wurden die Hochwasserstände eines einzudeichenden Flusses gemessen. Dabei wurden ein arithmetisches Mittel von 5 m und eine Standardabweichung von 2,5 m ermittelt. Im Zusammenhang mit der Eindeichung ist nun die Frage, zwischen welchen Werten mit 95% Wahrscheinlichkeit das mittlere Hochwasser schwankt. Bei einer Bodenanalyse nach Schwermetallen werden 20 Proben genommen und mit dem Standardwert für Tongestein (95 ppm) verglichen. Wie erwartet unterscheiden sich die Mittelwerte der Schwermetallgehalte der Proben und die Standardgröße für Tongestein innerhalb der gezogenen Stichproben. Es erhebt sich nun die Frage, ob die Unterschiede zwischen dem vorgegebenen Wert und den Werten der Stichprobe zufällig sind oder ob die Differenz mit einer gewissen Wahrscheinlichkeit, etwa 5%, signifikant verschieden ist.
4 Grundbegriffe Zufallsexperiment: Stellt eine Versuchsreihe dar, die sich aus vielen Einzelergebnissen zusammensetzen und vom Zufall beeinflusst sind. Beispiele in der Wahrscheinlichkeitsrechnung sind das Werfen von Münzen, Farbrad, Ziehen von Kugeln oder Würfeln. Elementarereignis: Stellt ein Einzelergebnis eines Zufallsexperimentes dar, wird oftmals mit E bezeichnet. Ereignisraum: Ist der Menge der möglichen Ereignisse eines Zufallsexperimentes. Zufallsvariable: Die Zufallsvariable X ist Platzhalter für ein Ereignis aus dem zugehörigen Ereignisraum. X = E bedeutet, dass die Zufallsvariable X den Wert E annimmt.
5 Grundbegriffe Zufallsexperiment Ereignisraum Mögliches Ereignis Münzenwerfen Wappen, Zahl Zahl Farbrad Farben bzw. Zahlen Farbe rot, Zahl 7 1,2,...,9 Urnengriff schwarze, weiße weiße Kugel Kugeln Würfeln Zahlen 1,..., 6 Zahl 1
6 Grundbegriffe Beispiel: Bei einem Würfel gibt es 6 verschiedene Möglichkeiten für den Wurf einer Zahl. Die Zufallsvariable X kann eine der Zahlen 1, 2, 3, 4, 5, 6 als Elementarereignis annehmen. X = 1 bedeutet, dass die Zufallsvariable X den Wert 1 annimmt. Die Menge aller x i ist der Ereignisraum, es gilt P(X = x i ) > 0. Die Bedingung Augenzahl = gerade liefert die Ereignismenge {2; 4; 6}. Daher sind bei dieser Bedingung die Ereignisse 2, 4 und 6 keine Elementarereignisse.
7 Grundbegriffe Beispiel: Wahrscheinlichkeiten bei zunehmender Wurfversuchszahl n beim Würfel.
8 Grundbegriffe Beispiel: Wahrscheinlichkeiten bei zunehmender Wurfversuchszahl n beim Würfel. 0,30 0,25 0,20 0,15 0,10 0,05 0,00 0,30 0,25 0,20 0,15 0,10 0,05 0, Würfe 250 Würfe 0,30 0,25 0,20 0,15 0,10 0,05 0,00 0,30 0,25 0,20 0,15 0,10 0,05 0, Würfe 1000 Würfe
9 Grundbegriffe Beispiel: Wahrscheinlichkeiten beim Drehen am Farbrad
10 Grundbegriffe Beispiel: Wahrscheinlichkeiten beim Drehen am Farbrad. Je höher die Anzahl n der Drehversuche, desto stärker nähert sich die experimentelle Wahrscheinlichkeit an die erwartete theoretische Wahrscheinlichkeit an.
11 Grundbegriffe Regeln der Wahrscheinlichkeitsrechnung: Additionsregel: P(A B) = P(A) + P(B) - P(A B) Sind A und B sich ausschließende Ereignisse, so ist P(A B) = P(A) + P(B). Bedingte Wahrscheinlichkeit: Ist das Eintreffen eines bestimmten Ereignisses A abhängig von dem eines anderen Ereignisses B, so bezeichnet man P(A B) als die bedingte Wahrscheinlichkeit von A unter der Bedingung B. Bei einem normalen Würfel bleibt die Wahrscheinlichkeit eines (Elementar-) Ereignisses stets konstant, unabhängig davon, was zuvor gewürfelt wurde. Beim Ziehen von Kugeln aus einer Urne ohne Zurücklegen beeinflusst das vorhergehende Ereignis die Wahrscheinlichkeit des nachfolgenden Ereignisses. Viele zufallsbeeinflusste Ereignisse in der Natur und Gesellschaft stehen in Zusammenhang mit bedingten Wahrscheinlichkeiten (etwa Temperaturen, Wasserstände, Niederschläge). So ist etwa P(Lufttemperatur = hoch) für den heutigen Tag größer, wenn es gestern bereits sehr warm war.
12 Grundbegriffe Regeln der Wahrscheinlichkeitsrechnung: Multiplikationssatz: P(A B) = P(A B) P(B) = P(B A) P(A) Stochastische Unabhängigkeit: Die Ereignisse A und B sind unabhängig voneinander, wenn P(A B) = P(A) ist. Dann ist P(A B) = P(A) P(B). Regionalisierungsverfahren sind nur dann durchzuführen, wenn die verwendeten Variablen unabhängig voneinander sind. Komplement: Für die Alternativereignisse A und ist P(A) = 1 P( ) A A
13 Grundbegriffe Beispiel: Es werden 2 Münzen geworfen mit den Ereignissen: A: beide Münzen zeigen die gleiche Seite und B: mindestens eine Münze zeigt Wappen. Frage: Wie groß ist die Wahrscheinlichkeit von A, wenn B schon eingetreten ist? Es ist P(A) = 1/2, P(B) = 3/4 und P(A B) = 1/4. Damit ist P(A B) = P(A B)/P(B) = 1/3.
14 Grundbegriffe Beispiel: Es werden 2 Würfel geworfen mit den Ereignissen: A: es tritt eine beliebige Zahl auf. B: die gewürfelte Zahl unterscheidet sich von der anderen. Frage: Wie groß ist die Wahrscheinlichkeit, dass verschiedene Zahlen auftreten? Es ist P(A) = 1 und P(B A) = 5/6. Dann ist P(A B) = P(A B) P(A) = 5/6.
15 Grundbegriffe Beispiel: Es werden 2 Würfel geworfen mit den Ereignissen: A: die Zahl ist gerade. B: die Zahl ist ungerade. Frage: Wie groß ist die Wahrscheinlichkeit, dass eine gerade und eine ungerade Zahl auftreten? Wegen P(A) = P(B) = 1/2 ist P(A B) = 1/4.
16 Grundbegriffe
17 Grundbegriffe Beispiel: Ein Landwirt hat 3 Maschinen im ständigen Einsatz. Die Wahrscheinlichkeit, dass eine Maschine innerhalb eines Monats nicht ausfällt, sei für die erste Maschine 0.9, für die zweite 0.8 und die letzte Frage: Wie groß ist die Wahrscheinlichkeit, dass im Laufe eines Monats keine der 3 Maschinen ausfällt? Wie groß ist die Wahrscheinlichkeit, dass alle ausfallen? Es ist P(A B C)= P(A) P(B) P(C) = = Es ist P(A B C)= P(A) P(B) P(C) = =
18 Diskrete und stetige Zufallsvariable a b a b a b Diskrete Zufallsvariable: Wahrscheinlichkeitsverteilung Verteilungsfunktion Stetige Zufallsvariable: Wahrscheinlichkeitsdichtefunktion Verteilungsfunktion
19 Wahrscheinlichkeitsfunktion, Verteilungsfunktion Wahrscheinlichkeitsverteilung: Die Menge aller Wahrscheinlichkeiten f(x i ) = P(X = x i ) mit 1 i n ergibt die Wahrscheinlichkeitsverteilung der Variablen X. Dabei liegt f(x i ) zwischen 0 und 1 (sicheres Ereignis). In Histogrammen der Basislänge 1 der Säulen entspricht die Fläche einer Säule der Wahrscheinlichkeit für f(x i ). Ist P ein Wahrscheinlichkeitsmaß, dann gelten für die Einzelwahrscheinlichkeiten f(x i ) = P(X = x i ): n i = 1 f(x i ) = 1 Verteilungsfunktion: Die Verteilungsfunktion F(x) = P(X x) entsteht aus der Summe der Einzelwahrscheinlichkeiten bis zu einer gegebenen Grenze x, also: F(x) n = i = 1 f(x i ) für x i x
20 Wahrscheinlichkeitsfunktion, Verteilungsfunktion Beispiel: Unverfälschter Würfel. Die Wahrscheinlichkeitsverteilung besteht aus sechs gleich großen Funktionswerten f(x i ) = 1/6, deren Summe gleich 1 ist. Die Verteilungsfunktion F(x) ergibt sich aus der jeweiligen Summe der Einzelwahrscheinlichkeiten bis zu den einzelnen Grenzen durch F(x) = x/6.
21 Wahrscheinlichkeitsdichtefunktion, Verteilungsfunktion Wahrscheinlichkeitsdichtefunktion (Dichtefunktion): Bei stetigen Variablen lassen sich für Intervalle Wahrscheinlichkeitsverteilungen in Form von Dichtefunktionen f(x i ) angeben: b = P ( a X b) f ( x) dx = F(b) F(a) a ; a, b reelle Zahlen Es ist dann f ( x) dx = 1 Bei der diskreten Zufallsvariablen können Einzelwahrscheinlichkeiten 0 sein, etwa für die Körpergröße m. Verteilungsfunktion: Die Verteilungsfunktion F(x) entsteht aus der Dichtefunktion durch Integration bis zu den Grenzen x, also: = x F ( x) f ( t ) dt Es ist dann 0 F(x) 1
22 Wahrscheinlichkeitsdichtefunktion, Verteilungsfunktion Normalverteilung Binomialverteilung Poissonverteilung Poissonverteilung
23 Wahrscheinlichkeitsdichtefunktion, Verteilungsfunktion Beispiel: Hochwasserwelle. Die Zufallsvariable X sei die Verzögerungszeit mit der eine Hochwasserwelle durch einen Durchflussquerschnitt fließt. Sie nimmt die Werte x i zwischen 0 und 4 Stunden ein. Ursache für die Verzögerung sind die unterschiedlichen Reibungsmöglichkeiten im Flussverlauf. Die Wahrscheinlichkeitsverteilung der Zufallsvariablen X in den Grenzen 0 bis 4 wird durch die lineare Dichtefunktion f(x) = x beschrieben, die ein Wahrscheinlichkeitsmaß darstellt. Mit der Verteilungsfunktion F(x) = x 2 + 0,5 x kann für die Grenzen a und b berechnet werden, wie groß die Wahrscheinlichkeit ist, dass die Zufallsvariable zwischen a und b liegt. Für a = 1 und b = 2 ergibt sich P(1 x 2) =
24 Wahrscheinlichkeitsdichtefunktion, Verteilungsfunktion Unterschreitungswahrscheinlichkeit: Stellt die Wahrscheinlichkeit dafür dar, dass X Werte annimmt, die kleiner oder gleich einer gegebenen Grenze a ist, also P(X a) = F(a). Überschreitungswahrscheinlichkeit: Stellt die Wahrscheinlichkeit dafür dar, dass X Werte annimmt, die größer oder gleich einer gegebenen Grenze b ist, also P(b X) = 1 - F(b). Zwischenwahrscheinlichkeit: Stellt die Wahrscheinlichkeit dafür dar, dass X Werte annimmt, die größer oder gleich einer gegebenen Grenze a und kleiner oder gleich einer Grenze b ist, also P(a X b) = F(b) - F(a).
25 Wahrscheinlichkeitsdichtefunktion, Verteilungsfunktion
26 Erwartungswert, Varianz Erwartungswert: Entsprechend dem arithmetischen Mittel einer empirischen Variablen kann das Zentrum der Verteilung einer Zufallsvariablen durch den Erwartungswert E(X) = µ beschrieben werden. Bei einer diskreten Variablen ist E( X ) = n i = 1 x i P(X = x i ) Bei einer kontinuierlichen Variablen ist E ( X ) = x f ( x) dx Varianz: Entsprechend der Varianz einer empirischen Variablen kann die Abweichung der Verteilungswerte einer Zufallsvariablen vom Erwartungswert durch die Varianz Var(X) = σ 2 = E((X - µ) 2 ) beschrieben werden. Bei einer diskreten Variablen daher n Var ( X ) = ( xi µ ) f ( xi ) i = 1 2 Bei einer kontinuierlichen Variablen daher Var ( X ) = ( x µ ) f ( x) dx 2
27 Erwartungswert, Varianz Beispiel: Würfel. Die Zufallsvariable X sei die gewürfelte Augenzahl, wobei jede der Zahlen 1 bis 6 mit einer Wahrscheinlichkeit von jeweils 1/6 gewürfelt wird. Wenn man eine hohe Anzahl von Würfen vornimmt, dann erhält man: Erwartungswert E(X) = 1 1/ / /6 = 3.5. Varianz Var(X) = (1-3.5) 2 1/6 + (2-3.5) 2 1/ (6-3.5) 2 1/6 = 2.92.
28 Wahrscheinlichkeitsverteilungen Bei der statistischen Analyse experimenteller Erhebungen kann oftmals festgestellt werden, dass sich charakteristische Verteilungen ergeben und diese jeweils bestimmten Zufallsprozessen zugeschrieben werden können. Diese lassen sich mit Hilfe von Zufallsvariablen und den Wahrscheinlichkeitsverteilungen beschreiben. Die wichtigsten Wahrscheinlichkeitsverteilungen sind: Normalverteilung Binomial- oder Bernoulli-Verteilung Poisson-Verteilung Chi - Quadrat - Verteilung Students t- Verteilung
29 Wahrscheinlichkeitsverteilungen - Normalverteilung Normalverteilung: Setzt stetige intervallskalierte Variable voraus. Wirken unzählige voneinander unabhängige Einzeleinflüsse zusammen auf eine Merkmal, so findet man häufig die Normalverteilung als Verteilungsmuster. Mitteleuropäer im Alter zwischen 50 und 60 Jahren
30 Wahrscheinlichkeitsverteilungen - Normalverteilung 1 x µ 1 Dichtefunktion der Normalverteilung: f ( x) = e 2 σ ; µ Mittelwert, σ > 0 Stand.abw. σ 2π 2
31 Wahrscheinlichkeitsverteilungen - Normalverteilung Eigenschaften der Normalverteilung Die Funktion N(µ,σ) = f(x) ist symmetrisch zu µ, dabei liegen Mittel, Modus sowie Median zusammen bei µ, der die größte Wahrscheinlichkeitsdichte vermittelt. Die Funktion f(x) beschreibt eine unbeschränkte, unimodale glockenförmige Verteilung. Der Parameter µ legt die Lage der Normalverteilung fest, σ legt die Streubreite fest und entspricht der Standardabweichung der Daten. Es liegen 68,3% der Fälle im Intervall [µ-σ; µ+σ], 95% im Intervall [µ-2σ; µ+2σ] und 99,7% im Intervall [µ-3σ; µ+3σ].
32 Wahrscheinlichkeitsverteilungen - Normalverteilung Eigenschaften der Normalverteilung Die Normalverteilung N(0,1) ist wegen ihrer Normierung von besonderer Bedeutung und wird als Standardnormalverteilung bezeichnet. Jede beliebige Normalverteilung N(µ,σ) kann durch Z = (X - µ)/σ in die Standardnormalverteilung N(0,1) überführt werden. Umgekehrt kann N(0,1) durch X = µ + σz in die Normalverteilung N(µ,σ) gebracht werden. N(0,1) 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,
33 Wahrscheinlichkeitsverteilungen - Normalverteilung Verteilungsfunktion der Normalverteilung: x 1 F ( x) = f ( t ) dt = e - x - σ 2π 1 t µ 2 σ 2 dt F(x) für N(0,1)
34 Wahrscheinlichkeitsverteilungen - Normalverteilung 0,45 0,4 N(0,1) 0,35 0,3 0,25 0,2 0,15 0,1 0,05 N(2,1) ,45 0,4 N(0,1) 0,35 0,3 0,25 0,2 0,15 0,1 N(0,2) 0,
35 Wahrscheinlichkeitsverteilungen - Normalverteilung Fragestellungen bei der Analyse von annähernd normalverteilten Daten: Zweiseitige Fragestellung: Beinhaltet eine nach beiden Seiten mögliche Interpretation einer Fragestellung. Eine solche Frage unterscheidet nach Gleichheit bei Hypothesen und einer nach beiden Seiten offene Abweichung. Deshalb liegt der kritische, also gefragte Bereich in dem Intervall [a; b] oder in der Vereinigung der Intervalle [- ; a] und [b; ]. Etwa: Wie groß ist die Wahrscheinlichkeit, dass eine Person aus einer Grundgesamtheit größer als 1,72 m und kleiner als 1,80 m ist? Wie groß ist die Wahrscheinlichkeit, dass eine Person aus einer Grundgesamtheit kleiner als 1,72 m oder größer als 1,80 m ist? 1,60 1,65 1,70 1,75 1,80 1,85 1,90
36 Wahrscheinlichkeitsverteilungen - Normalverteilung Fragestellungen bei der Analyse von annähernd normalverteilten Daten: Einseitige Fragestellung: Der kritische, also gefragte Bereich liegt in den Intervallen [- ; x] oder [x; ], es tritt daher eine Unterschreitungswahrscheinlichkeit oder eine Überschreitungswahrscheinlichkeit auf. Etwa: Wie groß ist die Wahrscheinlichkeit, dass eine Person aus einer Grundgesamtheit kleiner als 1,80 m ist? Wie groß ist die Wahrscheinlichkeit, dass eine Person aus einer Grundgesamtheit größer als 1,72 m ist? 1,60 1,65 1,70 1,75 1,80 1,85 1,90
37 Wahrscheinlichkeitsverteilungen - Normalverteilung Fragestellungen bei der Analyse von annähernd normalverteilten Daten: Es reicht, die Unterschreitungs- oder Überschreitungswahrscheinlichkeiten von N(0,1) zu kennen, da jede andere Normalverteilung in diese überführt werden kann. Für N(0,1) liegen die entsprechenden Wahrscheinlichkeiten zumeist in Tabellen vor.
38 Wahrscheinlichkeitsverteilungen - Normalverteilung
39 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Verwendung der Tabelle Es ist eine Schranke x gegeben, gesucht ist deren Überschreitungswahrscheinlichkeit P(X > x). P(X > 1.34) = P(X > 1.345) = (Interpolation zwischen den Tabellenwerten). 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,
40 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Verwendung der Tabelle Umgekehrt sei die Überschreitungswahrscheinlichkeit p gegeben, gesucht ist die Schranke x, so dass P(X > x) = p ist. P(X > x) = 0.330, damit ist x = 0.44 P(X > x) = , damit ist x = 2.51 F(x) für N(0,1)
41 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Verwendung der Tabelle Mit der Tabelle lassen sich auch relativ einfach Unterschreitungs- und Zwischenwahrscheinlichkeiten berechnen. Dabei nutzt man aus, dass N(0,1) symmetrisch zu x = 0 ist. Es gilt: P(X < -x) = P(X > x) P(X < x) = 1 - P(X > x) P(X > -x) = 1- P(X < -x) = 1 - P(X > x) P(a < X < b) = P(X > a) - P(X > b) 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,
42 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Verwendung der Tabelle Ist daher etwa der Unterschreitungswert x gegeben, dann ist die Wahrscheinlichkeit p gesucht, so dass P(X < x) = p ist. Es ist also etwa P(X < 1.55) = 1 - P(X > 1.55) = =
43 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Verwendung der Tabelle Will man mit Hilfe der Tabelle für N(0,1) eine Wahrscheinlichkeit P(X > x) für eine beliebige N(µ,σ) berechnen, so muss die Schranke x standardisiert werden zu z = (x - µ)/σ. Dann kann in der Tabelle für N(0,1) der Wert P(Z > z) ermittelt werden. Es ist P(X > x) = P(Z > z).
44 Wahrscheinlichkeitsverteilungen - Normalverteilung Anwendung der Normalverteilung: Die N(µ,σ) eignet sich als Grundgesamtheits-Modell (GG-Modell) zur Lösung einer Reihe praxisbezogener Fragestellungen, da viele Zufallsvariablen wenigstens annähernd normalverteilt sind. Die Dichtefunktion der Normalverteilung ist beidseitig unbeschränkt, also treten bei auch negative Werte auf. Daher ist die Normalverteilung auf rational-skalierte Zufallsvariablen (wie z.b. Niederschlagshöhe, Abfluss) streng genommen nicht anwendbar. Dennoch wird sie wegen ihrer leichten Benutzbarkeit häufig auch in diesen Fällen verwendet. Da bei einer GG oftmals µ und σ nicht vorliegen, wird von einer repräsentativen Stichprobe (STP) das arithmetische Mittel µ STP = sowie die Standardabweichung σ STP verwendet. Vor Verwendung der Normalverteilung als GG-Modell muss mit Hilfe eines geeigneten statistischen Tests geprüft werden, ob die STP die Hypothese einer normalverteilten GG stützt. x
45 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Temperaturdaten. Als Stichprobe stehen die mittleren jährlichen Lufttemperaturen an n = 30 Messstationen in Tälern der nördlichen Alpen zur Verfügung. Die beiden Normalverteilungs-Parameter µ und σ sind zwar nicht bekannt, können aber durch die entsprechenden STP-Kennwerte geschätzt werden. Die STP stützt die Annahme, dass die Grundgesamtheit normalverteilt ist und es ist µ STP = 7.6 C und σ STP = 0.74 C. Es soll berechnet werden, mit welcher Wahrscheinlichkeit P die mittlere jährliche Lufttemperatur einen Wert von 8.5 C überschreitet, also P(T > 8.5). N(7.6,0.74)
46 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Temperaturdaten. Der standardisierte Wert z für x = 8.5 ist durch z = (x - µ)/σ bestimmt, also ist z = In der N(0,1)-Tabelle ist derjenige Wert p, für den p = P(Z > 1.216) ist, dann p = Wegen P(X > x) = P(Z > z) ist dann: P(T > 8.5) = Mit anderen Worten: An durchschnittlich 11 von 100 Orten (bzw. in 11% der Fläche) überschreitet die Jahresmitteltemperatur in den nördlichen Alpentälern die Schranke von 8.5 C.
47 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Niederschlagsdaten. An einer Klimastation sind in den letzten 50 Jahren die Niederschlagsmengen aufgezeichnet worden. Die jährlichen Niederschlagssummen entsprechen dabei einer Normalverteilung mit µ = 400 mm und σ = 100 mm. Es soll berechnet werden In wie viel Prozent der Jahre liegen die jährlichen Niederschlagssummen zwischen 300 mm und 425 mm? Welche Niederschlagsmenge wird in 95% aller Jahre übertroffen? In welchem Intervall liegen 80% der jährlichen Niederschlagssummen? Mit welcher Wahrscheinlichkeit liegt ein Niederschlagswert (Jahressummen) zwischen 180 mm und 200 mm?
48 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Niederschlagsdaten. Die Überschreitungswahrscheinlichkeit P(z > 300) entspricht nach Standardisierung durch z = (x - µ)/σ = ( )/100 = -1 dann P(z > -1) = 1 - P(z > 1). Die Tabelle zeigt P(z > 1) = , daher ist P(z > -1) = = Die Überschreitungswahrscheinlichkeit P(z > 425) entspricht nach Standardisierung dann P(z > 0.25). Die Tabelle zeigt P(z > 0.25) = Die Zwischenwahrscheinlichkeit ist daher P(z > 300) - P(z > 425) = P(z > -1) - P(z > 0.25) = 0.44 (44%).
49 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Niederschlagsdaten. Für die Frage nach der Niederschlagsmenge die in 95% aller Jahre übertroffen wird, kann wegen P(Z > -z) = 1 - P(Z > z) die Überschreitungswahrscheinlichkeit von 5% verwendet werden. Die N(0,1)-Tabelle zeigt für P(z > 0.05) dann z = Wegen z = (x - µ)/σ ist dann x = = mm. Damit ist -x = ( ) = mm. N(400,100) -x 400
50 Wahrscheinlichkeitsverteilungen - Normalverteilung Beispiel: Niederschlagsdaten. Das Zwischenwahrscheinlichkeits-Intervall, das 80% der Niederschläge umfasst, beinhaltet 40% links und 40% rechts der Werte von µ = 400. Da es sich hierbei um eine zweiseitige Fragestellung handelt, muss nach dem Wert mit einer 10%- Wahrscheinlichkeit gefragt werden. Die N(0,1)-Tabelle zeigt für P(z > 0.1) dann z = Wegen z = (x - µ)/σ ist dann x = = 528 mm. Daher liegt die andere Grenze bei ( ) = 272 mm. N(400,100) 400
51 Wahrscheinlichkeitsverteilungen - Binomialverteilung Binomialverteilung: Diese Verteilung behandelt eine diskrete Zufallsvariable die nur zwei unabhängige und verschiedene Merkmale annehmen kann (Bernoulli- Experiment), etwa beim Münzwurf, oder beim Ziehen von Kugeln mit Zurücklegen. Die Wahrscheinlichkeiten für die einzelnen Ereignisse p und 1-p sind jeweils konstant. Die Wahrscheinlichkeit, dass bei einem Experiment ein Ereignis mit Wahrscheinlichkeit p genau k-mal auftritt wenn das Experiment n-mal durchgeführt wird, ist durch die Dichtefunktion f gegeben durch: n f ( k) = p k k (1 p) n k mit n k = n! k! ( n k)! und n! = ( n 1) n Eigenschaften: Bei festem n und steigendem p Veränderung der Dichtefunktion hinsichtlich der Symmetrie. Bei festem p und steigendem n wird die Dichtefunktion zunehmend symmetrisch.
52 Wahrscheinlichkeitsverteilungen - Binomialverteilung Beispiel: Münzwurf. Die Wahrscheinlichkeit bei 3 Münzwürfen genau 2-mal Wappen zu erhalten ist mit p = 0.5 = 1 - p dann = 3/8. p WWW p 1-p p 1-p p 1-p WWZ p 1-p p 1-p WZW WZZ ZWW ZWZ 1-p p ZZW 1-p ZZZ
53 Wahrscheinlichkeitsverteilungen - Binomialverteilung Beispiel: Münzwurf. Die Wahrscheinlichkeit beim Wurf von 10 Münzen, genau 8-mal Wappen zu erhalten ist dann 0.044, also 4.44%.
54 Wahrscheinlichkeitsverteilungen - Binomialverteilung 0,3 n = 15, p = 0,2 0,2 0,1 0,0 0, n = 15, p = 0,5 0,2 0,1 0, ,3 n = 15, p = 0,8 0,2 0,1 0,
55 Wahrscheinlichkeitsverteilungen - Binomialverteilung 0,3 n = 8, p = 0,5 0,2 0,1 0,0 0, n = 15, p = 0,5 0,2 0,1 0, ,3 n = 21, p = 0,5 0,2 0,1 0,
56 Wahrscheinlichkeitsverteilungen - Poissonverteilung Poissonverteilung: Für eine große Anzahl von Versuchen n und kleiner Wahrscheinlichkeiten p der Ereignisse, insbesondere wenn der Ausdruck n p gegen einen Mittelwert µ konvergiert, lässt sich die Binomialverteilung durch die Poisson-Verteilung annähern. Dabei ist dessen Dichtefunktion gegeben durch: µ k µ f ( k) = e mit µ Mittelwert, k k! Anzahl der Ereignisse Eigenschaften: Die Poissonverteilung beschreibt die Wahrscheinlichkeit, dass k Ereignisse in einem festen Zeitintervall eintreten. Dies wird bei Warteschlangenproblemen aller Art benötigt, etwa Ankunft von Kunden, Eintreffen von Telefongesprächen, Ankunft eines Fahrzeugs an einem Messquerschnitt. Zudem bei radioaktivem Zerfall, Zählen von relativ seltenen zufälligen und voneinander unabhängigen Ereignissen pro Zeit-, Längen-, Flächen- oder Raumeinheit.
57 Wahrscheinlichkeitsverteilungen - Poissonverteilung 0,5 0,4 µ =1 m= 1 0,3 0,2 0,1 0, ,5 0,4 µ =5 m= 5 0,3 0,2 0,1 0, ,5 0,4 µ =10 m= 10 0,3 0,2 0,1 0,
58 Wahrscheinlichkeitsverteilungen - Chi Quadrat-Verteilung Chi-Quadrat-Verteilung: Die Verteilung der Summe von n (Freiheitsgrad) unabhängigen standardnormalverteilten quadrierten Zufallsvariablen Z i2 ist die neue Zufallsvariable mit Chi-Quadrat-Verteilung χ². Unter den Freiheitsgraden versteht man die Differenz der Anzahl n der Stichprobenelemente und der bereits geschätzten Parameter, die zur Berechnung des Wertes der gesuchten Stichprobenfunktion notwendig sind. Dabei ist die Dichtefunktion gegeben durch: f x x) = 2 0 n / 2 1 ( n / 2 n x / 2 e Γ n / 2 ( ) für x > 0 für x 0 Eigenschaften: In der Berechnung des arithmetischen Mittels einer Stichprobe vom Umfang n gehen alle Stichprobenwerte ein, der Freiheitsgrad ist daher n. In der Berechnung der Standardabweichung einer Stichprobe vom Umfang n gehen alle Stichprobenwerte sowie das daraus berechnete arithmetische Mittel ein, der Freiheitsgrad ist daher n - 1. Die stetige, asymmetrische Verteilung hat als einzigen Parameter den Freiheitsgrad.
59 Wahrscheinlichkeitsverteilungen - Chi Quadrat-Verteilung Chi-Quadrat-Verteilung: Die Verteilung der Summe von n (Freiheitsgrad) unabhängigen standardnormalverteilten quadrierten Zufallsvariablen Z i2 ist die neue Zufallsvariable mit Chi-Quadrat-Verteilung χ². Unter den Freiheitsgraden versteht man die Differenz der Anzahl n der Stichprobenelemente und der bereits geschätzten Parameter, die zur Berechnung des Wertes der gesuchten Stichprobenfunktion notwendig sind. Dabei ist die Dichtefunktion gegeben durch: f x x) = 2 0 n / 2 1 ( n / 2 n x / 2 e Γ n / 2 ( ) für x > 0 für x 0 Eigenschaften: Die Chi-Quadrat-Verteilung nähert sich mit zunehmenden Freiheitsgraden n der Normalverteilung N(n,2n) an und wird daher zunehmend symmetrisch. Für die Chi-Quadrat-Verteilung gibt es entsprechend Tabellen
60 Wahrscheinlichkeitsverteilungen - Chi Quadrat-Verteilung
61 Wahrscheinlichkeitsverteilungen - Chi Quadrat-Verteilung
62 Wahrscheinlichkeitsverteilungen - Students t-verteilung Students t-verteilung: Dieses Verteilungsmuster liegt oft bei experimentellen Situationen mit kleiner Stichprobenanzahl vor, zumeist bei n < 30. Dabei ist die Dichtefunktion gegeben durch: f n n + 1 n + 1 Γ 2 + = 2 x 2 + x 1 t ( x) 1 mit < x < + und Γ( x) = t e dt n Γ n nπ 0 2 Eigenschaften Die t- Verteilung dient u.a. zur Beurteilung der Unterschiede zweier Mittelwerte, bei der Prüfung von Hypothesen und zur Berechnung von Vertrauensgrenzen für Mittelwerte und Regressionskoeffizienten. Bei der t- Verteilung wird µ = 0 und σ > 0 gewählt. Dabei ist σ 2 = n/(n-2), mit n Freiheitsgrad der Stichprobe. Für n = 30 nähert sich σ 2 dann 1 und die t- Verteilung damit der Standardnormalverteilung N(0,1) an.
63 Wahrscheinlichkeitsverteilungen - Students t-verteilung
64 Wahrscheinlichkeitsverteilungen - Students t-verteilung
Wahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
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:
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
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
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
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
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
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
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
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
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
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
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
Mehr10. Theoretische Verteilungen
0. Theoretische Verteilungen 0.. Diskrete theoretische Verteilungen In der deskriptiven Statistik wurden die einfachen Häufigkeiten und die Summenhäufigkeiten von Merkmalsausprägungen ermittelt um ein
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver 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
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
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
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. 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
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
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
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
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
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,
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
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
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
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),
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
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:
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
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
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
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
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
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
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)
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
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
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:
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
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
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
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
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
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
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
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
MehrHäufigkeitsverteilungen
Häufigkeitsverteilungen Eine Häufigkeitsverteilung gibt die Verteilung eines erhobenen Merkmals an und ordnet jeder Ausprägung die jeweilige Häufigkeit zu. Bsp.: 100 Studenten werden gefragt, was sie studieren.
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
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
MehrGrundwissen zur Stochastik
Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
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:
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
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.
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,
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
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,
MehrEinführung in die Statistik
Einführung in die Statistik 1. Deskriptive Statistik 2. Induktive Statistik 1. Deskriptive Statistik 1.0 Grundbegriffe 1.1 Skalenniveaus 1.2 Empirische Verteilungen 1.3 Mittelwerte 1.4 Streuungsmaße 1.0
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
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
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
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........................
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
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
Mehr