Einführung in die statistische Testtheorie
|
|
- Benjamin Berger
- vor 6 Jahren
- Abrufe
Transkript
1 1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth
2 2 Inhalt 1. Ein erstes Beispiel Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests)
3 1 Einführendes Beispiel 3 1 Einführendes Beispiel Problem: Supermarkt kauft n = 1000 Tomaten beim Großhändler Zwei verschiedene Handelsklassen, die sich im Durchschnittsgewicht und im Preis unterscheiden Filialleiter möchte prüfen, ob die gelieferten Tomaten der bezahlten Handelsklasse entsprechen
4 1 Einführendes Beispiel 4 Intuitives Vorgehen: Filialleiter bestimmt das Durchschnittsgewicht, indem er das Gesamtgewicht der Tomaten durch ihre Anzahl teilt (arithmetisches Mittel) Bei signifikantem Abweichen vom Durchschnittsgewicht der Handelsklasse, wird er die Lieferung reklamieren
5 1 Einführendes Beispiel 5 Formalisierung: Gewicht einer Tomate wird aufgefasst als Realisierung einer Zufallsvariablen X Annahme: Gewicht einer Tomate ist normalverteilt Erwartungswert µ 0, µ 1 entspricht dem bekannten Durchschnittsgewicht der entsprechenden Handelsklasse Standardabweichung σ 0, σ 1 entspricht der durchschnittlichen Abweichung vom Mittelwert Gewichte sind unabhängig voneinander
6 2 Einführung in die statische Testtheorie 6 2 Einführung in die statische Testtheorie 2.1 Die statistische Hypothese 2.2 Fehlerwahrscheinlichkeiten 2.3 Beispiel: Alternativtest
7 2 Einführung in die statische Testtheorie Die statistische Hypothese Definition (Statistische Hypothese): Eine statistische Hypothese ist eine Annahme über die Verteilung einer Zufallsvariablen: Annahme: F ϑ D 0 = {F ϑ : ϑ Θ 0 } Die Hypothese heißt einfach, falls Θ 0 = {ϑ 0 }, ϑ 0 Θ, ansonsten heißt sie zusammengesetzt. Die Annahme ϑ Θ 0 heißt Nullhypothese und ϑ Θ 1 Alternativhypothese: H 0 : ϑ Θ 0 vs. H 1 : ϑ Θ 1
8 2 Einführung in die statische Testtheorie 8 Bezug zum Beispiel D = {N(µ, σ 2 ) : µ, σ > 0} ϑ = (µ, σ 2 ) Θ = {(µ o, σ 2 0), (µ 1, σ 2 1)} F ϑ = Verteilungsfunktion von X in Abhängigkeit von ϑ = (µ, σ 2 ) Θ i = {(µ i, σ 2 i )} einfache Hypothesen, i = 0, 1
9 2 Einführung in die statische Testtheorie 9 Bei einem Test wird ein kritischer Bereich K X (= X n (Ω) festgelegt mit folgender Entscheidungsvorschrift: n ) x K H 0 ablehnen aufgrund des Tests: Entscheidung d 1 x steht im Widerspruch zu H 0 x X \K H 0 nicht verwerfen aufgrund des Tests: Entscheidung d 0 x steht nicht im Widerspruch zu H 0
10 2 Einführung in die statische Testtheorie Fehlerwahrscheinlichkeiten H 0 H 1 d 0 richtig Fehler 2.Art β(ϑ) d 1 Fehler 1.Art α(ϑ) richtig
11 2 Einführung in die statische Testtheorie 11 Ziel: Durch geeignete Wahl von K sollen die Wahrscheinlichkeiten für Fehlentscheidungen minimiert werden: α(ϑ) = P ϑ (X K), ϑ Θ 0 Wahrscheinlichkeit für Fehler 1.Art β(ϑ) = P ϑ (X / K), ϑ Θ 1 Wahrscheinlichkeit für Fehler 2.Art Stets soll gelten: α(ϑ) α ϑ Θ 0
12
13
14 2 Einführung in die statische Testtheorie 12 Vorgehen: 1. Gemäß einer Vermutung über den Wert von ϑ wird eine Nullhypothese H 0 und eine Alternativhypothese H 1 formuliert. 2. Ein Signifikanzniveau α wird festgelegt (übliche Werte sind: α = 0, 1; α = 0, 05; α = 0, 01). 3. Eine Teststatistik T und ein Ablehnungsbereich K werden gewählt, so dass α(ϑ) α ϑ Θ Daten werden erhoben und analysiert 5. H 0 wird zugunsten von H 1 verworfen, falls T (x) K, sonst nicht.
15 2 Einführung in die statische Testtheorie 13 Bemerkung: Es besteht eine Asymmetrie in den Hypothesen H 0, H 1 : Das Risiko einer Entscheidung d 1 wird kontrolliert. Das Risiko einer Entscheidung d 0 wird i.a. nicht kontrolliert, oft gilt: sup β(ϑ) = 1 α ϑ Θ 1
16 2 Einführung in die statische Testtheorie 14 Definition (Test): 1. Ein (randomisierter) Test ist eine meßbare Abbildung ϕ : X [0, 1], wobei ϕ(x) die Wahrscheinlichkeit für die Entscheidung d 1 (Ablehnung von H 0 ) angibt. 2. Im Falle ϕ(x ) = {0, 1} heißt der Test deterministisch und K = ϕ 1 (1) Ablehnungsbereich oder kritischer Bereich. 3. ϕ heißt Test der Nullhypothese H 0 : ϑ Θ 0 gegen H 1 : ϑ Θ 1 zum Niveau α, α (0, 1), falls gilt Bezeichnung: ϕ Φ α E ϑ ϕ(x) α ϑ Θ 0
17 2 Einführung in die statische Testtheorie 15 Bemerkung: Für deterministische Tests gilt: E ϑ ϕ(x) = 1 P ϑ (X K) + 0 P ϑ (X / K) = P ϑ (X K) α ϑ Θ 0 Randomisierte Test haben häufig die Gestalt: ϕ(x) = 1 für T (x) > c γ für T (x) = c 0 für T (x) < c
18 2 Einführung in die statische Testtheorie Beispiel: Alternativtest Sei X = (X 1,..., X n ) eine einfache Stichprobe zu X N(µ, σ 2 ) (n = 1000 Tomaten als Stichprobe) Parameterbereich: Θ = {µ 0, µ 1 } ϑ = µ ϑ 0 = µ 0 ϑ 1 = µ 1 µ 0, µ 1, µ0 < µ1 0 < σ 2 0, σ 2 1 < bekannt Θ 0 = {µ 0 } Θ 1 = Θ\Θ 0 = {µ 1 } Teststatistik: T (X) = T (X 1,..., X n ) = X = 1 n n ν=1 X ν H 0 : µ = µ 0 vs. H 1 : µ = µ 1
19 2 Einführung in die statische Testtheorie 17 Entscheidungsvorschrift: H 0 ablehnen, falls X > c (c = gesuchter kritischer Wert) Wahl von c: Der kritische Wert c wird nun so gewählt, dass die Wahrscheinlichkeit, die Nullhypothese H 0 fälschlicherweise zu verwerfen, maximal α sein kann. Man kann sich also mit 1 α Wahrscheinlichkeit sicher sein, dass bei Verwerfung von H 0 die Entscheidung richtig ist
20 2 Einführung in die statische Testtheorie 18 K = {x = (x 1,..., x n ) n : x > c} ϕ(x) = ϕ(x 1,..., x n ) = I {x K} Berechnung von c: P ϑ0 ( X > c) = P ϑ0 ( X µ 0 σ 0 n > c µ 0 σ 0 n) N(0,1) = 1 Φ( c µ 0 σ 0 n)! = α = z 1 α = c µ 0 σ 0 n = c = µ 0 + z 1 α σ 0 n
21 2 Einführung in die statische Testtheorie 19 Wahrscheinlichkeit für den Fehler zweiter Art: β(ϑ 1 ) = P ϑ1 (X / K) = P ϑ1 ( X c) = Φ( c µ 1 σ 1 n) Verhalten der Fehlerwahrscheinlichkeiten: α klein c, β(ϑ 1 ) groß n groß α(ϑ 0 ), β(ϑ 1 ) beide klein Wie ändert sich die Dichte von X bei wachsendem n?
22
23
24 3 Die Gütefunktion 20 3 Die Gütefunktion 3.1 Definition 3.2 Beispiel: Gaußtest
25 3 Die Gütefunktion Definition Definition (Gütefunktion): 1. Die Funktion G ϕ : Θ [0, 1], G ϕ (ϑ) = E ϑ ϕ(x) heißt Gütefunktion des Tests. Die Einschränkung auf Θ 1 heißt auch Macht (power) des Tests. 2. Ein Test ϕ Φ α heißt unverfälscht, falls inf G ϕ (ϑ) α ϑ Θ 1 3. Die Testfolge (ϕ n ) zum Niveau α heißt konsistent, falls lim G ϕ n (ϑ) = 1 ϑ Θ 1. n
26 3 Die Gütefunktion 22 Bemerkung: 1. G ϕ (ϑ) gibt die Wahrscheinlichkeit an, H 0 bei Vorliegen des Parameters ϑ Θ abzulehnen. 2. Ein Test ist unverfälscht, wenn die Wahrscheinlichkeit für d 1 (Entscheidung gegen H 0 ) bei vorliegendem ϑ Θ 1 immer mindestens so groß ist wie bei vorliegendem ϑ Θ Die Eigenschaft der Konsistenz ist eine Minimalanforderung an eine Testfolge: Die Wahrscheinlichkeit für den Fehler 2.Art konvergiert für jedes feste ϑ Θ 1 gegen 0. Mit wachsendem n soll die Entscheidung besser werden.
27 3 Die Gütefunktion Beispiel Gauß-Test Test des Erwartungswertes ; σ 2 = σ 2 0 bekannt Parameterbereich: Θ = ; ϑ = µ Θ Teststatistik: T (X) = T (X 1,..., X n ) = X Verschiedene Fälle: H 0 : µ = µ 0 vs. H 1 : µ µ 0 H 0 : µ µ 0 vs. H 1 : µ > µ 0 H 0 : µ µ 0 vs. H 1 : µ < µ 0
28 3 Die Gütefunktion 24 Vorstellung zu: Entscheidungsvorschrift: H 0 : µ = µ 0 vs. H 1 : µ µ 0 H 0 ablehnen, falls X µ 0 > c
29 3 Die Gütefunktion 25 α = P µ0 ( X µ 0 > c) = 1 P µ0 ( c X µ 0 c) = 1 P µ0 ( c X µ 0 c n n n) σ 0 σ 0 σ 0 N(0,1) = 1 [Φ( c c n) Φ( n)] σ 0 σ 0 = 1 [Φ( c σ 0 n) (1 Φ( c σ 0 n))] = 2(1 Φ( c σ 0 n))
30 3 Die Gütefunktion und somit bekommt man den kritischen Wert c: Φ( c α n) = 1 σ 0 2 = c = z 1 α 2 σ 0 n Für den kritischen Bereich K gilt: K = {x n : x µ 0 > c} Testfunktion: ϕ(x) = ϕ(x 1,..., x n ) = I {x K}
31 3 Die Gütefunktion 27 Gütefunktion: G ϕ (µ) Def = E µ ϕ(x) = E µ ϕ(x 1,..., X n ) det.test = 1 P µ (ϕ(x) = 1) + 0 P µ (ϕ(x) = 0) = P µ (X K) = 1 P µ ( c X µ 0 c) =... = 1 Φ(z 1 α + µ 0 µ 2 σ 0 n) + Φ( z1 α 2 + µ 0 µ σ 0 n)
32
33 3 Die Gütefunktion 28 Der Test ist unverfälscht: G ϕ (µ) α µ µ 0 Der Test ist außerdem konsistent, da für µ µ 0 gilt: G ϕ (µ) = 1 Φ(z 1 α + µ 0 µ 2 n 1 σ 0 n) + Φ( z1 α 2 + µ 0 µ σ 0 n)
34
35
36
37 4 Gleichmäßig beste Tests (UMP-Tests) 29 4 Gleichmäßig beste Tests (UMP-Tests) 4.1 Motivation 4.2 Das Lemma von Neyman und Pearson
38 4 Gleichmäßig beste Tests (UMP-Tests) Motivation Ziel: Unter allen Niveau-α-Tests ϕ Φ α suchen wir den gleichmäßig Mächtigsten. Definition (Gleichmäßig bester Test): Ein Test ϕ Φ α heißt gleichmäßig bester Test zum Niveau α, falls G ϕ (ϑ) G ϕ (ϑ) ϑ Θ 1, ϕ Φ α
39 4 Gleichmäßig beste Tests (UMP-Tests) 31 Annahmen: Einfache Hypothesen: Θ = {ϑ 0, ϑ 1 }, Θ 0 = {ϑ 0 }, Θ 1 = {ϑ 1 } Betrachtete Dichten: f 0 (x) = f 0 (x 1,..., x n ) = f ϑ0 (x 1,..., x n ) Dichte unter H 0 f 1 (x) = f 1 (x 1,..., x n ) = f ϑ1 (x 1,..., x n ) Dichte unter H 1 Ferner sei: f 0 (x) + f 1 (x) > 0 (x 1,..., x n ) X
40 4 Gleichmäßig beste Tests (UMP-Tests) 32 Definition (Neyman-Pearson-Test): Ein Test ϕ heißt Neyman-Pearson-Test (NP-Test), falls: ϕ (x) = 1, falls γ, falls 0, falls f 1 (x) f 0 (x) > c f 1 (x) f 0 (x) = c f 1 (x) f 0 (x) < c x X mit 0 c <, 0 γ 1. Im Fall f 0 (x) = 0 ist hier f 1(x) f 0 (x) = zu setzen.
41 4 Gleichmäßig beste Tests (UMP-Tests) Das Lemma von Neyman und Pearson Satz (Das Lemma von Neyman und Pearson): 1. Zu jedem α (0, 1) existiert ein NP-Test ϕ mit: α(ϕ ) := E ϑ0 ϕ (X) = α 2. Jeder NP-Test ϕ ist (gleichmäßig) bester Test zum Niveau α(ϕ ): G ϕ (ϑ 1 ) G ϕ (ϑ 1 ) ϕ Φ α(ϕ )
42
43 4 Gleichmäßig beste Tests (UMP-Tests) 34 Beweis (Teil 1): Bezeichnungen: q(x) = f 1(x) f 0 (x) A t = {q(x) > t} Dichtequotient Ablehnungsbereich in Abhängigkeit von t h(t) := P ϑ0 (A t ) = P ϑ0 (q(x) > t) W. für Fehler 1.Art
44 4 Gleichmäßig beste Tests (UMP-Tests) 35 Eigenschaften von h: h ist monoton nicht wachsend h ist rechtsseitig stetig Setze: c := inf{t 0 : h(t) α}, 0 c <
45
46 4 Gleichmäßig beste Tests (UMP-Tests) 36 Zwei Fälle sind zu unterscheiden: 1. h(c) = h(c ) = setze γ = 0 2. h(c) < h(c ) = setze γ = α h(c) h(c ) h(c) Dann gilt 0 γ 1 und α(γ) Def = E ϑ0 ϕ (X) = E ϑ ϕ (X 1,..., X n ) rand.test = 1 P ϑ0 (q(x) > c) + γ P ϑ0 (q(x) = c) = h(c) + γ(h(c ) h(c)) = α
47 4 Gleichmäßig beste Tests (UMP-Tests) 37 Beweis (Teil 2): Z.z.: G ϕ (ϑ 1 ) G ϕ (ϑ 1 ) ϕ Φ α (ϕ ) Sei dazu ϕ ein beliebiger Test zum Niveau α, d.h.: α(ϕ) α(ϕ ) Wir bilden eine Partition des Stichprobenraumes X : M = {(x 1,..., x n ) X : ϕ(x 1,.., x n ) > ϕ (x 1,.., x n )} M + = {(x 1,..., x n ) X : ϕ(x 1,.., x n ) < ϕ (x 1,.., x n )} M = = {(x 1,..., x n ) X : ϕ(x 1,.., x n ) = ϕ (x 1,.., x n )}
48 4 Gleichmäßig beste Tests (UMP-Tests) 38 Dann gilt: x M = ϕ (x) < 1 ϕ (x) 1 = f 1 (x) cf 0 (x) x M + = ϕ (x) > 0 ϕ (x) 0 = f 1 (x) cf 0 (x)
49 4 Gleichmäßig beste Tests (UMP-Tests) 39 Dann folgt: G ϕ (ϑ 1 ) G ϕ (ϑ 1 ) = E ϑ1 [ϕ (X) ϕ(x)] = [ϕ (x) ϕ(x)]f 1 (x)dµ(x) X = M M + M }{{ = } = 0 [ϕ (x) ϕ(x)]cf 0 (x)dµ(x) M + [ϕ (x) ϕ(x)]cf 0 (x)dµ(x) M + = ce ϑ0 [ϕ (X) ϕ(x)] = c[α(ϕ ) α(ϕ)] 0
50 4 Gleichmäßig beste Tests (UMP-Tests) 40 Literatur Bosch, K.: Grosses Lehrbuch der Statistik, Oldenbourg Verlag, Cassella G., Berger R.: Statistical Inference, Duxbury Press, Heiler: Statistische Schätz- und Testtheorie, Vorlesungsskript WS 2003/2004, Universität Konstanz. Jensen, U.: Skript zur Vorlesung Statistik I, Vorlesungsskript SS 2003, Universität Ulm. Pruscha, H.: Vorlesung über Mathematische Statistik, Teubner Verlag, 2000.
3 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
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 30. September 2011 Till Breuer und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie
MehrLösungen zum Aufgabenblatt 14
Lösungen zum Aufgabenblatt 14 61. Das Gewicht von Brötchen (gemessen in g) sei zufallsabhängig und werde durch eine normalverteilte Zufallsgröße X N(µ, 2 ) beschrieben, deren Varianz 2 = 49 g 2 bekannt
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrEinführung in die statistische Testtheorie II
1 Seminar: Simulation und Bildanalyse mit Java Einführung in die statistische Testtheorie II Guntram Seitz Sommersemester 2004 1 WIEDERHOLUNG 2 1 Wiederholung Grundprinzip: Annahme: Beobachtungen bzw.
MehrPraktikum zur Statistik
mit R Institut für Mathematische Statistik Universität Münster 7. Oktober 2010 Gliederung 1 Testtheorie: Ziel und Überblick Testtheorie Andere Entscheidungsprobleme 2 3 4 p-wert, Binomialtest Mittelwertvergleiche:
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
Mehr2.2 Klassische Testtheorie
192 2.2.1 Problemstellung Ziel: Finde Test zum Niveau mit optimaler Güte (Power) für 2 1.Dabeiistn finit. Problemstellung: I Sei der Parameterraum; die Hypothesen seien H 0 : 2 0 vs. H 1 : 2 1, mit 0 \
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
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)
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
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
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
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
Mehr6. Statistische Hypothesentests
6. Statistische Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von
MehrStatistische Tests Übersicht
Statistische Tests Übersicht Diskrete Stetige 1. Einführung und Übersicht 2. Das Einstichprobenproblem 3. Vergleich zweier unabhängiger Gruppen (unverbundene Stichproben) 4. Vergleich zweier abhängiger
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
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 10.10.14 Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
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
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 15 Statistische Testverfahren 15.1. Arten statistischer Test Klassifikation von Stichproben-Tests Einstichproben-Test Zweistichproben-Test - nach der Anzahl der Stichproben - in Abhängigkeit von
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
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 +... +
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 13 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
MehrFF Düsseldorf WS 2007/08 Prof. Dr. Horst Peters. Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6
Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6 (Konfidenzintervalle, Gauß scher Mittelwerttest) 1. Bei einem bestimmten Großraumflugzeug sei die Auslastung
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrHypothesen über die Grundgesamtheit. Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder
Hypothesen über die Grundgesamtheit Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder Behauptungen) über die unbekannte Grundgesamtheit anhand einer Stichprobe als richtig oder falsch
MehrEinführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie
Einführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie Jung Kyu Canci Universität Basel HS2015 1 / 15 Literatur Kapitel 6 Statistik in Cartoons : Kapitel 8 Krengel : 6 und 14 Storrer
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrMathematische Statistik Teil III Testen
Mathematische Statistik Teil III Testen R. Kovacevic 1 1 Institut für Statistik und Decision Support Systeme Universität Wien Wintersemester 2009 Dieses Werk ist urheberrechtlich geschützt. Jede Vervielfältigung
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrNeyman-Pearson. - Schulen statistischer Inferenz - Christian Schnell. betreut von Dr. Marco Cattaneo
Neyman-Pearson - Schulen statistischer Inferenz - Christian Schnell betreut von Dr. Marco Cattaneo Seminar für methodologische und historische Grundlagen des Wahrscheinlichkeitsbegriffs und der statistischen
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil V Induktive Statistik Induktive Statistik
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrKapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
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
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrStatistik. Andrej Depperschmidt. Sommersemester 2016
Statistik Andrej Depperschmidt Sommersemester 2016 Schätzen der Varianz mit Stichprobenmittel Sei X = (X 1,..., X n ) eine Stichprobe u.i.v. ZV mit E[X i ] = µ R, Var[X i ] = σ 2 (0, ) und µ 4 = E[(X i
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 17.3.21 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
Mehr11. Nichtparametrische Tests
11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
Mehr2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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
MehrTesten von Hypothesen, Beurteilende Statistik
Testen von Hypothesen, Beurteilende Statistik Was ist ein Test? Ein Test ist ein Verfahren, mit dem man anhand von Beobachtungen eine begründete Entscheidung über die Gültigkeit oder Ungültigkeit einer
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
MehrStep-Down Prozeduren
Step-Down Prozeduren zur Kontrolle der Family-Wise Error Rate WS 2010/2011 Jakob Gierl HU Berlin 07.02.2011 1 / 19 Modell Schrittweise Step-Down Modell mathematische Stichprobe X 1,..., X n iid im R J
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrR. Brinkmann Seite
R. Brinkmann http://brinkmann-du.de Seite 1 24.2.214 Grundlagen zum Hypothesentest Einführung: Wer Entscheidungen zu treffen hat, weiß oft erst im nachhinein ob seine Entscheidung richtig war. Die Unsicherheit
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2010 1 Tests für Erwartungswerte Teststatistik Gauß-Test Zusammenhang zu Konfidenzintervallen t-test
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
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)
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
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
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:...
MehrBlockpraktikum zur Statistik mit R
Blockpraktikum zur Statistik mit R 08. Oktober 2010 Till Breuer, Sebastian Mentemeier und Matti Schneider Institut für Mathematische Statistik Universität Münster WS 2010/11 Gliederung 1 Ein-Stichproben-Fall
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrBeispiel 8.1 Die Sommerfeldsche Feinstrukturkonstante Alpha hat einen Zahlenwert von
Kapitel 8 Statistische Tests 8.1 Begriffsbildung und Beispiele Beispiel 8.1 Die Sommerfeldsche Feinstrukturkonstante Alpha hat einen Zahlenwert von a 0 1 137.036. Der genaue Wert ist bis auf 10 15 genau
Mehr