Statistik - Fehlerrechnung - Auswertung von Messungen
|
|
- Monica Weber
- vor 6 Jahren
- Abrufe
Transkript
1 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler Fall: Grundbegriffe Variablentransformation Fehlerfortpflanzung Parameterbestimmung (Fit): χ
2 Definitionen (mehrdimensional) Wahrscheinlichkeitsdichte von zwei Zufallsvariablen: f(x, y) Beispiel: Normierung: e x2 y 2 +x y f(x, y) dx dy = 1 Eindimensionale Wahrscheinlichkeitsdichten (Projektionen): f x (x) = f(x, y) dy f y (y) = f(x, y) dx
3 Erwartungswert: (ähnlich: Estimator - Summe statt Integral!) µ x x = x f(x, y) dx dy Varianz: σ 2 x (x µ x) 2 = (x µ x ) 2 f(x, y) dx dy NEU: Kovarianz: cov x,y = (x µ x ) (y µ y ) = (x µ x ) (y µ y ) f(x, y) dx dy = x y x y Korrelationskoeffizient: ρ = cov x,y σ x σ y = gibt an, wie stark die beiden Variablen korreliert sind.
4 Beispiel:
5 Beispiel: Gewicht/Gramm g i und Länge/cm l i von N = 12 Schrauben: g i l i Hier Näherung: N = 12 ist groß (na ja... )
6 Estimatoren: ḡ = 1 N gi = 2.99 l = 1 N li = 5.88 g 2 = 1 N l 2 = 1 N g 2 i = 9.01 l 2 i = 34.7 gl = 1 N gi l i = 17.7 σ g = σ l = g 2 (ḡ) 2 = 0.25 l 2 ( l) 2 = 0.42 ḡ = 1 N σ g = 0.07 l = 1 N σ l = 0.12 ρ = gl ḡ l σ g σ l = 0.94
7 Variablentransformation Eindimensional: Gegeben: Verteilung f(x) (= Wahrscheinlichkeitsdichte) Variablentransformation: x u u = u(x) Gesucht: Verteilung g(u(x)) Erhaltung Wahrscheinlichkeit: g(u)du = f(x)dx g(u) = dx du f(x) = 1 du/dx f(x)
8 Beispiel: Winkelverteilung x θ (0... π) u z z = cos θ dn dθ f(θ) = sin θ (1 + cos2 θ) dz = sin θ = sin θ dθ dn d cos θ g(z) = 1 sin θ f(θ) = 1 + z2 Beispiel: Strahlungsdichte schwarzer Körper x ν u λ = c ν ν = c λ ρ λ (λ, T ) = c λ 2 ρ ν(c/λ, T )
9 Mehrdimensional, hier zwei Variable: Gegeben: Verteilung f(x 1, x 2 ) Variablentransformation: x 1, x 2 u 1 u 1 = u 1 (x 1, x 2 ) x 1, x 2 u 2 u 2 = u 2 (x 1, x 2 ) Gesucht: Verteilung g(u 1 (x 1, x 2 ), u 2 (x 1, x 2 )) ohne Beweis: g(u 1, u 2 ) = J( x 1, x 2 u 1, u 2 ) f(x 1, x 2 ) J( x 1, x 2 u 1, u 2 ) = det(s) = Jakobi Determinante S = x 1 u 1 x 2 u 1 x 1 u 2 x 2 u 2
10 Beispiel: Lepton-Nukleon-Streuung Differentieller Wirkungsquerschnitt: x 1 x, x 2 y u 1 Q 2, u 2 ν d 2 σ dxdy x, y Q 2, ν x = Q 2 /(2Mν) y = ν/e S = x Q 2 x ν y Q 2 y ν = 1 2Mν E J = 1/(2MνE) d 2 σ dq 2 dν = 1 2MνE d 2 σ dxdy
11 Fehlerfortpflanzung [für kleine Fehler!] Eindimensional: Gegeben: Messresultat ˆx ± x Variablentransformation: x u u = u(x) Gesucht: û ± u û = u(ˆx) Entwicklung: u(x) u(ˆx) + du dx x=ˆx (x ˆx) u = du dx x
12 Beispiel: Kantenlänge und Volumen eines Würfels a = (4.0 ± 0.1) cm V = a 3 = 64.0 cm 3 V = d V d a a = 3 a2 a = 4.8 cm 3 V = (64.0 ± 4.8) cm 3 Relative Fehler: V V = 3 a2 a a 3 = 3 a a
13 Mehrdimensional (hier zweidimensional): Gegeben: korrelierte Messresultate ˆx 1 ± x 1, ˆx 2 ± x 2 ( x i σ xi ), cov x1 x 2 Kovarianzmatrix = Fehlermatrix: V (x 1, x 2 ) = ( ) σ 2 x1 cov x1 x 2 cov x1 x 2 σx 2 2 Variablentransformation: x 1, x 2 u 1, u 2 u 1 = u 1 (x 1, x 2 ), u 2 = u 2 (x 1, x 2 ) Gesucht: û 1 ± u 1, û 2 ± u 2 und Korrelation Linearisierung: (u i (x 1, x 2 ) u i (ˆx 1, ˆx 2 )) 2 [ ] 2 [ ] 2 ui x 1 (x 1 ˆx 1 ) + ui x 2 (x 2 ˆx 2 ) + 2 u i u i x 1 x 2 (x 1 ˆx 1 )(x 2 ˆx 2 ) Dann Bildung der Erwartungswerte - man erkennt die Elemente der Kovarianzmatrix! Kovarianzmatrix transformiert sich so (ohne Beweis): V (u 1, u 2 ) = T T V (x 1, x 2 ) T T = u 1 x 1 u 2 x 1 u 1 x 2 u 2 x 2
14 Beispiel: Summe und Differenz zweier Zufallsvariablen x 1 und x 2 unkorreliert mit Standardabweichung σ x1, σ x2. Neue Variablen: u + = x 1 + x 2 u = x 1 x 2 V (x 1, x 2 ) = ( ) σ 2 x1 0 0 σx 2 2 T = T T = ( ) V (u +, u ) = σ 2 x 1 + σ 2 x 2 σ 2 x 1 σ 2 x 2 σ 2 u + = σ 2 u = σ 2 x 1 + σ 2 x 2 σ 2 x 1 σ 2 x 2 σ 2 x 1 + σ 2 x 2 Varianzen σ 2 sind zu addieren, nicht Fehler σ!
15 Verallgemeinerungen Die x i seien unkorreliert, die zugehörigen Fehler bezeichnen wir mit σ i. Wir betrachten eine Variable u u 1 : a) u = x i ( u) 2 = σ 2 i b) u = α i x i ( u) 2 = α 2 i σ2 i c) u = u(x i ) ( u) 2 = ( ) u 2 σ 2 i x i
16 Anwendung: Mittelwert Verallgemeinerung: N Messungen x i der gleichen Größe: Mittelwert: Fehler des Mittelwertes: x = 1 N i x i x = 1 N i x 2 i = 1 N 1 N x 2 i i Falls alle x i gleich: x = 1 N x i Bedeutung: Gesamtgenauigkeit verbessert sich mit der Wurzel der Zahl der Messungen!
17 Anwendung: gewichteter Mittelwert Falls Fehler verschieden, benutze gewichteten Mittelwert: x = wi x i wi w i = 1 ( x i ) 2 minimiert Gesamtfehler (hier ohne Beweis): ( x) 2 = 1 wi Beispiel: x 1 = 13.5 ± 0.4 x 2 = 13.9 ± 0.2 Ungewichtet: x = ± 0.22 Gewichtet: x = ± 0.18 = besser!
18 χ 2 -Fit-Methode, unkorreliert, 1-dimensional N Messungen: x i, y i ± σ i (gaußisch) KEINE Korrelationen zwischen Messwerten Theorie: 1 freier Parameter a A-posteriori-Wahrscheinlichkeit: f(x i, y i a) = 1 2πσi e (y i t(x i a)) 2 /(2 σ 2 i ) Zu minimieren: L(a) χ 2 (a) = N i=1 (y i t(x i a)) 2 σ 2 i = ( ) 2 Messung Theorie(a) Fehler Estimator für a: Fehler von a: χ 2 (a) = χ 2 min χ 2 (a ± a) = χ 2 min + 1 Qualität des Fits: Falls gut: χ 2 min ist χ2 -verteilt (!) mit N dof = Zahl Messpunkte N minus Zahl Parameter = N 1
19 Unkorrelierte Daten: i T i /K y i /mm ± ± ± ± ± 5 Beispiel: Temperaturkoeffizient, Folge 1 Theorie: y i (T i ) t(t i a) = a T i χ 2 -Fit liefert: a = (7.833 ± 0.015) mm/k χ 2 /N dof = 6.4/4 1 ok!
20 χ 2 -Fit-Methode, korreliert, 1-dimensional N Messungen: x i, y i ± σ i (gaußisch) KORRELATIONEN zwischen Messwerten y i Theorie: 1 freier Parameter a A-posteriori-Wahrscheinlichkeit: χ 2 (a) = N w ij (y i t(x i a)) (y j t(x j a)) i,j Gewichtsmatrix = (w ij ) = W = V 1 V = (v ij ) = Kovarianzmatrix Spezialfall: ρ ij = 0, alle Messungen unkorreliert: V = ( σ 2 i ) v ij = δ ij σ 2 i w ij = δ ij 1 σ 2 i W = ( 1/σ 2 i )
21 Beispiel: Temperaturkoeffizient, Folge 2 Zusätzlicher gemeinsamer systematischer Fehler (gaußisch!) für alle Messwerte: σ 2 ij σ 2 ij + σ2 c σ c = 10 mm ( ˆ=1.3%) Systematische Fehler (Eichung Maßstab): 100%-ige Korrelation zwischen allen Messwerten! Kovarianzmatrix (modulo Einheiten) und Gewichtsmatrix: V = W = χ 2 -Fit: a = (7.83 ± 0.10) mm/k χ 2 /N dof = 6.2/4 Systematik dominiert!
22 χ 2 -Fit-Methode, unkorreliert, n-dimensional N Messungen: x i, y i ± σ i (gaußisch) keine Korrelationen zwischen Messwerten Theorie: L freie Parameter a l f(x i, y i a 1,..., a L ) = 1 2πσi e (y i t(x i a 1,...,a L )) 2 /(2 σ 2 i ) χ 2 (a l ) = N i=1 (y i t(x i a l )) 2 σ 2 i Estimator für Vektor (a l ): MINIMUM von χ 2 (= χ 2 min ) Fehlerkontur von (a l ): χ 2 = χ 2 min + χ2 (CL, L) Achtung: a l sind i.a. korreliert!
23 χ 2 : L 68% 90% 95%
24 Unkorrelierte Daten wie in Folge 1 Theoretisches Modell: Beispiel: Temperaturkoeffizient, Folge 3 g(t ; a, c) = a T + c (T T 0 ) 2 T 0 = 100 K Beide Parameter a und c sind zu fitten. Modulo Einheiten: CL = 68%, L = 2 χ 2 = χ 2 /N dof = 5.9/3 1 ok!
25 χ 2 -Fit-Methode, korreliert, n-dimensional...
26 Erwartungswerte und Estimatoren Mittelwert und Standardabweichung Zusammenfassung (Teile I + II) Wichtige Wahrscheinlichkeitsverteilungen: Gauß zentraler Grenzwertsatz Poisson Binomial χ 2 Kovarianz und Korrelation Variablentransformationen Fehlerfortpflanzung Fehler des Mittelwertes Parameterbestimmung: Maximum-Likelihood-Methode χ 2 -Methode
Statistik - Fehlerrechnung - Auswertung von Messungen
2013-11-13 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL I Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Literatur Eindimensionaler Fall: Grundbegriffe Wahrscheinlichkeitsverteilungen:
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrProbe-Klausur 1 Mathematik f. Bau-Ing + Chem.Modul2
Probe-Klausur Mathematik f. Bau-Ing + Chem.Modul. (a) Durch die Punkte und gehe eine Ebene E, die auf der Ebene E : x + y z = 0 senkrecht steht. Bestimmen Sie die Gleichung der Ebene E. (b) Bestimmen Sie
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
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
MehrEinführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
MehrWas ist Physik? Modell der Natur universell es war schon immer so
Was ist Physik? Modell der Natur universell es war schon immer so Kultur Aus was sind wir gemacht? Ursprung und Aufbau der Materie Von wo/was kommen wir? Ursprung und Aufbau von Raum und Zeit Wirtschaft
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
Mehr1. Versuch: Fehlerrechnung - Statistik
Physikpraktikum für Pharmazeuten Universität Regensburg Fakultät Physik 1. Versuch: Fehlerrechnung - Statistik In diesem Versuch werden Sie mit den statistischen Grundlagen vertraut gemacht. Anhand der
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrAnleitung zum Physikpraktikum für Oberstufenlehrpersonen Fehlerrechnung und Statistik (FR) Herbstsemester 2015
Anleitung zum Physikpraktikum für Oberstufenlehrpersonen Fehlerrechnung und Statistik (FR) Herbstsemester 2015 Physik-Institut der Universität Zürich Inhaltsverzeichnis 12 Fehlerrechnung und Statistik
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrFunktionen mehrerer Variabler
Funktionen mehrerer Variabler Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Funktionen mehrerer Variabler Übersicht Funktionsbegriff 1 Funktionsbegriff Beispiele Darstellung Schnitte 2 Partielle Ableitungen
MehrDer Zentrale Grenzwertsatz
QUALITY-APPS Applikationen für das Qualitätsmanagement Der Zentrale Grenzwertsatz Autor: Dr. Konrad Reuter Für ein Folge unabhängiger Zufallsvariablen mit derselben Verteilung und endlichem Erwartungswert
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrBeispiel: Zweidimensionale Normalverteilung I
10 Mehrdimensionale Zufallsvariablen Bedingte Verteilungen 10.6 Beispiel: Zweidimensionale Normalverteilung I Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale (multivariate) Normalverteilung
Mehr78 9. PORTFOLIO THEORIE. Wir vereinfachen nun den Markt. Wir definieren die Rendite des i-ten Aktivs
78 9 PORTFOLIO THEORIE 9 Portfolio Theorie Wir vereinfachen nun den Markt Wir definieren die Rendite des i-ten Aktivs R i = D i q i q i Falls der Aktiv eine Dividende ausbezahlt, ist die Dividende im Preis
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2002 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit..................................
MehrKapitel 8. Signifikanzanalysen. 8.1 Einführung
Kapitel 8 Signifikanzanalysen 8.1 Einführung In den vorhergehenden Kapiteln haben wir Methoden kennengelernt, um aus Messungen Hypothesen abzuleiten, die mit den Daten verträglich sind. Es kann sich dabei
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 VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrHydrologie und Flussgebietsmanagement
Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik
MehrAufgaben zu Kapitel 38
Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus
MehrFormelsammlung Biometrie und Methodik
Formelsammlung Biometrie und Methodik Beschreibende Statistik UnivariateDatenanalyse (Beobachtungswerte x,...,x n ) Absolute Häufigkeit n k = Anzahlder ω i mit x i = a k Relative H keit/empirische Verteilung
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........................
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
Mehr12 Die Normalverteilung
12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
MehrHochschule Bremerhaven Medizintechnik Mathcad Kapitel 6
6. Diagramme mit Mathcad In diesem Kapitel geht es um andere, als X Y Diagramme. 6.. Kreisdiagramme. Schritt: Die darzustellende Funktion muß zunächst als Funktion definiert werden, zum Beispiel f(x):=
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
Mehr12. Mehrfachintegrale
- 1-1. Mehrfachintegrale Flächen- und Volumenelemente Naive Gemüter sind geneigt, den Flächeninhalt dx dy (kartesische Koordinaten) in den neuen Koordinaten durch du dv anzugeben. Das ist i.a. falsch!
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrDie Maximum-Likelihood-Methode
Kapitel 5 Die Maximum-Likelihood-Methode Mit dem χ 2 -Test kann man quantitativ bestimmen, ob die Elemente einer Stichprobe Normalverteilungen mit angenommenen oder geschätzten Parametern μ i,σ i folgen.
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrFehlerrechnung. Einführung. Jede Messung ist fehlerbehaftet! Ursachen:
Fehlerrechnung Einführung Jede Messung ist fehlerbehaftet! Ursachen: Ablesefehler (Parallaxe, Reaktionszeit) begrenzte Genauigkeit der Messgeräte falsche Kalibrierung/Eichung der Messgeräte Digitalisierungs-Fehler
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrF7: Statistik und Radioaktivität
Grundpraktikum F7: Statistik und Radioaktivität Autor: Partner: Versuchsdatum: Versuchsplatz: Abgabedatum: Inhaltsverzeichnis 1 Physikalische Grundlagen und Aufgabenstellung 2 2 Messwerte und Auswertung
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
MehrTheoretische Physik I: Lösungen Blatt Michael Czopnik
Theoretische Physik I: Lösungen Blatt 2 15.10.2012 Michael Czopnik Aufgabe 1: Scheinkräfte Nutze Zylinderkoordinaten: x = r cos ϕ y = r sin ϕ z = z Zweimaliges differenzieren ergibt: ẍ = r cos ϕ 2ṙ ϕ sin
MehrStatistik IV. Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II
Statistik IV Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II Prof. Dr. Torsten Hothorn Institut für Statistik Ludwig Maximilians Universität München L A
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrTest auf Varianzgleichheit (F-Test) (einseitiger Test!!)
T-Tests in Excel T-Tests in Excel Test auf Varianzgleichheit (F-Test) (einseitiger Test!!)! Annahmen:! Unabhängige Stichproben! Normalverteilte Grundgesamtheiten H0 : σx = σ y; H0 : σx > σ y Sx σ x F =
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
MehrAngewandte Wahrscheinlichkeitstheorie
Skript zur Vorlesung Angewandte Wahrscheinlichkeitstheorie SS 04 Georg Hoever Fachbereich Elektrotechnik und Informationstechnik FH Aachen Inhaltverzeichnis i Inhaltsverzeichnis. Grundlagen.. Wahrscheinlichkeiten
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrÜ b u n g s b l a t t 11
Mathe für Physiker I Wintersemester 0/04 Walter Oevel 8. 1. 004 Ü b u n g s b l a t t 11 Abgabe von Aufgaben am 15.1.004 in der Übung. Aufgabe 91*: (Differentialgleichungen, Separation. 10 Bonuspunkte
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrÜber den Autor 7. Teil Beschreibende Statistik 29
Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
Mehrl p h (x) δw(x) dx für alle δw(x).
1.3 Potentielle Energie 5 In der modernen Statik benutzen wir statt dessen einen schwächeren Gleichheitsbegriff. Wir verlangen nur, dass die beiden Streckenlasten bei jeder virtuellen Verrückung dieselbe
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrTrigonometrie. bekannte Zusammenhänge. 4-Streckensatz: groß/klein = groß/klein. Zusammenhänge im allgemeinen Dreieck:
Trigonometrie bekannte Zusammenhänge 4-Streckensatz: groß/klein = groß/klein Zusammenhänge im allgemeinen Dreieck: Summe zweier Seiten größer als dritte Seitenlänge: a + b > c Innenwinkelsumme: Summe der
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrAufgabe Summe max. P Punkte
Klausur Theoretische Elektrotechnik TET Probeklausur xx.xx.206 Name Matr.-Nr. Vorname Note Aufgabe 2 3 4 5 6 7 Summe max. P. 5 0 5 5 5 5 5 00 Punkte Allgemeine Hinweise: Erlaubte Hilfsmittel: Taschenrechner,
MehrDie Grundkonzepte der Quantenmechanik illustriert an der Polarisation von Photonen
Die Grundkonzepte der Quantenmechanik illustriert an der Polarisation von Photonen Frank Wilhelm-Mauch February 5, 013 Fachrichtung Theoretische Physik, Universität des Saarlandes, Saarbrücken 0. Februar
Mehr14.3 Berechnung gekrümmter Flächen
4.3 Berechnung gekrümmter Flächen Gekrümmte Flächen werden berechnet, indem sie als Graph einer Funktion zweier Veränderlicher aufgefasst werden. Fläche des Graphen einer Funktion zweier Veränderlicher
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrPhysikalisches Praktikum
Physikalisches Praktikum Viskosität von Flüssigkeiten Laborbericht Korrigierte Version 9.Juni 2002 Andreas Hettler Inhalt Kapitel I Begriffserklärungen 5 Viskosität 5 Stokes sches
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrLösungen zu Übung(11) Erster Teil A E=
Lösungen zu Übung Erster Teil a Betrachten Sie die Matrix A = Die Eigenwerte sind λ = mit algebraischer Vielfachheitundλ =mitalgebraischervielfachheit,unddiematrix A E= hatrang, alsokerndimensionnur, somitistdereigenraumzuλ
Mehr(3) Grundlagen II. Vorlesung CV-Integration S. Müller U N I V E R S I T Ä T KOBLENZ LANDAU
(3) Grundlagen II Vorlesung CV-Integration S. Müller KOBLENZ LANDAU Wiederholung I Strahlungsphysik (Radiometrie) Lichttechnik (Photometrie) V(λ)-Kurve.0 0.8 0.6 0.4 0. 0 400 500 600 700 800λ[nm] violett
MehrÜbungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006
3.75. Angabe Übungsrunde 9, Gruppe 2 LVA 07.369, Übungsrunde 8, Gruppe 2, 2.2. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 2/2006 X sei eine stetige sg mit Dichte f(x), x R. Ermitteln Sie einen
MehrÜbungsblatt 02. PHYS4100 Grundkurs IV (Physik, Wirtschaftsphysik, Physik Lehramt) Othmar Marti,
Übungsblatt 2 PHYS4 Grundkurs IV (Physik, Wirtschaftsphysik, Physik Lehramt) Othmar Marti, (othmar.marti@physik.uni-ulm.de) 2. 4. 25 22. 4. 25 Aufgaben. Das Plancksche Strahlungsgesetz als Funktion der
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrJahrgangscurriculum 11.Jahrgang
Jahrgangscurriculum 11.Jahrgang Koordinatengeometrie Geraden (Lage von Geraden; Schnittwinkel) Abstände im KOSY Kreise Kreise und Geraden Parabeln und quadratische Funktionen (Parabel durch 3 Punkte, Anwendungsaufgaben)
MehrDie Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass
Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel Zuerst wollen wir die Gamma-Funktion definieren, die eine Verallgemeinerung von n! ist. Dazu benötigen wir einige Resultate. Lemma.
MehrAbschätzung der Messunsicherheit (Fehlerrechnung)
Abschätzung der Messunsicherheit (Fehlerrechnung) Die vorliegende Anleitung ist für das Anfängerpraktikum Physik gedacht, um den Einstieg in die Abschätzung von Messunsicherheiten und die Berechnung der
Mehr8. Statistik Beispiel Noten. Informationsbestände analysieren Statistik
Informationsbestände analysieren Statistik 8. Statistik Nebst der Darstellung von Datenreihen bildet die Statistik eine weitere Domäne für die Auswertung von Datenbestände. Sie ist ein Fachgebiet der Mathematik
Mehr19.3 Oberflächenintegrale
19.3 Oberflächenintegrale Definition: Sei D R 2 ein Gebiet und p : D R 3 eine C 1 -Abbildung x = p(u) mit x R 3 und u = (u 1, u 2 ) T D R 2 Sind für alle u D die beiden Vektoren und u 1 linear unabhängig,
MehrÜbungsblatt 1 zur Vorlesung Atom- und Molekülphysik
Übungsblatt 1 zur Vorlesung Atom- und Molekülphysik Kapitel 1 bis inklusive 2.3 1. Zu Kapitel 1 Wie viele Atome enthält eine Kupfermünze mit einer Masse von 3,4g benutzen Sie eine Masse von 63,5 atomaren
Mehr