Biostatistik, Winter 2011/12
|
|
- Sigrid Lorentz
- vor 6 Jahren
- Abrufe
Transkript
1 Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke 7. Vorlesung: /58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58
2 mit Dichte Normalverteilung Die Verteilung mit Dichte f (t) = 1 2π e t2 /2, t R, heißt Standardnormalverteilung N 0,1. 3/58 Standardnormalverteilung P[Z 1.55] = /58
3 mit Dichte Normalverteilung Die Verteilung mit Dichte f (t) = 1 2π e t2 /2, t R, heißt Standardnormalverteilung N 0,1. Ist Z standardnormalverteilt, dann ist P[Z x] = Φ(x) := 1 2π x Die Werte der Verteilungsfunktion Φ(x) = P[Z x], x R, e t2 /2 dt. sind tabelliert für x 0. Z.B. im Skript, das online steht. Für x < 0 benutzt man Φ(x) = 1 Φ( x). 5/58 mit Dichte Normalverteilung Sei Z standardnormalverteilt. Satz P[Z x] = Φ(x) = 1 Φ( x). P[Z x] = 1 Φ(x) = Φ( x). P[x 1 Z x 2 ] = Φ(x 2 ) Φ(x 1 ) für x 1 < x 2. 6/58
4 mit Dichte Normalverteilung Sei Z standardnormalverteilt. P[Z 1.55] = Φ(1.55) =. 7/58 Tabelle Normalverteilung Φ x
5 Tabelle Normalverteilung Φ x Also: Φ(1.55) = /58 mit Dichte Normalverteilung Sei Z standardnormalverteilt. P[Z 1.55] = Φ(1.55) = /58
6 Standardnormalverteilung P[Z 1.55] = /58 mit Dichte Normalverteilung Sei Z standardnormalverteilt. P[ 1.23 Z 2.04] = Φ(2.04) Φ( 1.23). Φ(2.04) = Φ( 1.23) = 1 Φ(1.23) = 12/58
7 Tabelle Normalverteilung Φ x Also: Φ(2.04) = /58 Tabelle Normalverteilung Φ x Also: Φ(1.23) = /58
8 mit Dichte Normalverteilung Sei Z standardnormalverteilt. P[ 1.23 Z 2.04] = Φ(2.04) Φ( 1.23). Φ(2.04) = Φ( 1.23) = 1 Φ(1.23) = = Und damit P[ 1.23 Z 2.04] = = /58 Standardnormalverteilung P[ 1.23 Z 2.04] = /58
9 mit Dichte Normalverteilung Sei Z standardnormalverteilt. P[Z 2] = 1 Φ(2) = = /58 Standardnormalverteilung P[Z 2] = /58
10 mit Dichte Normalverteilung Die Verteilung mit Dichte f (x) = 1 2π e x 2 /2, x R, heißt Standardnormalverteilung N 0,1. Ist X standardnormalverteilt und µ R, σ > 0, so hat Y := µ + σx die Dichte f Y (x) = 1 2πσ 2 e (x µ)2 /2σ 2. Die Verteilung von Y heißt Normalverteilung N µ,σ 2. 19/58 Dichte der Normalverteilung Z /58
11 mit Dichte Normalverteilung Sei X N µ,σ 2. Dann ist X = µ + σz mit Z standardnormalverteilt. Also ist X x µ + σz x Z x µ σ. Satz P[X x] = Φ((x µ)/σ) = 1 Φ( (x µ)/σ). P[X x] = 1 Φ((x µ)/σ) = Φ( (x µ)/σ). P[x 1 X x 2 ] = Φ((x 2 µ)/σ) Φ((x 1 µ)/σ) für x 1 < x 2. 21/58 mit Dichte Normalverteilung Die Größe von fünfjährigen Mädchen ist im Mittel 110cm mit einer Standardabweichung von 4cm. Wie groß ist die Wahrscheinlichkeit, dass ein zufällig ausgewähltes Mädchen mindestens 103cm aber höchstens 120cm groß ist? Annahme: Größe ist normalverteilt, also X N µ,σ 2 mit µ = 110 und σ = 4. P[103 X 120] = Φ(( )/4) Φ(( )/4) = Φ(2.5) Φ( 1.75) = Φ(2.5) 1 + Φ(1.75) = = Die gesuchte Wahrscheinlichkeit ist 95%. 22/58
12 Normalverteilung P[ Z 120] = /58 mit Dichte Normalverteilung Satz Seien X 1, X 2,... unabhängig und normalverteilt mit Parametern (µ 1, σ 2 1 ), (µ 2, σ 2 2 ),... und sei S n = X X n. Dann ist S n normalverteilt mit Parametern (µ, σ 2 ), wobei µ = n µ i und σ 2 = i=1 n σi 2. i=1 24/58
13 Normalapproximation der Binomialverteilung Ist Z binomialverteilt b n,p mit np(1 p) groß (mindestens 9), so ist Z np np(1 p) ungefähr N 0,1 -verteilt. Anders gesagt: Z ist ungefähr normalverteilt mit Parametern µ = np und σ = np(1 p). Ähnliche Aussage gilt viel universeller (sehen wir später). 25/58 Binomialverteilung b 10,0.4 und Normalapprox /58
14 Binomialverteilung b 20,0.4 und Normalapprox /58 Binomialverteilung b 50,0.4 und Normalapprox /58
15 Binomialverteilung b 100,0.4 und Normalapprox /58 Binomialverteilung b 1000,0.4 und Normalappr /58
16 Gartenkresse b 100,0.2 und Normalapprox /58 Gartenkresse b 100,0.5 und Normalapprox /58
17 Gartenkresse b 100,0.8 und Normalapprox /58 Gartenkresse b 100,0.98 und Normalapprox /58
18 Normalapproximation Sei X binomialverteilt b n,p und k = 0,..., n. Satz (Normalapproximation mit Korrekturterm 0.5) Ist np(1 p) > 9, so gelten P[X k] Φ ( ) k np np(1 p) und P[X k] 1 Φ ( ) k 0.5 np. np(1 p) 35/58 Normalapproximation Angenommen, die Samen der Gartenkresse keimen mit Wahrscheinlichkeit p = 0.8. Sei X die Anzahl der gekeimten Samen. Wie groß ist die Wahrscheinlichkeit w = P[X 74], dass höchstens 74 Samen gekeimt sind? 74 w = b 100,0.8 (k). k=0 Sehr langwierig auszurechnen (aber mit dem Computer im Prinzip machbar). 36/58
19 Normalapproximation (Fortsetzung) Normalapproximation ( ) ( ) k np P[X 74] Φ = Φ np(1 p) = Φ( 1.375) = 1 Φ(1.375) 37/58 Tabelle Normalverteilung Φ x Also: Φ(1.38) = /58
20 Normalapproximation (2). Normalapproximation mit n = 100, p = 0.8, k = 74 ( ) ( ) k np P[X 74] Φ = Φ np(1 p) = Φ( 1.375) = 1 Φ(1.375) = Vergleich mit exakter Rechnung 74 w = b 100,0.8 (k) = k=0 Approximation nicht präzis, aber o.k. 39/58 Normalapproximation Angenommen, die Samen der Gartenkresse keimen mit Wahrscheinlichkeit p = Sei X die Anzahl der gekeimten Samen. Wie groß ist die Wahrscheinlichkeit w = P[X 99], dass höchstens 99 Samen gekeimt sind? Normalapproximation ( ) P[X 99] Φ = Φ(1.07) = /58
21 Normalverteilung Φ x Also: Φ(1.07) = /58 Normalapproximation Angenommen, die Samen der Gartenkresse keimen mit Wahrscheinlichkeit p = Sei X die Anzahl der gekeimten Samen. Wie groß ist die Wahrscheinlichkeit w = P[X 99], dass höchstens 99 Samen gekeimt sind? Normalapproximation ( ) P[X 99] Φ = Φ(1.07) = Exakte Rechnung: P[X 99] = Fehler Das ist für viele Zwecke zu groß. Normalapproximation nicht so gut, weil np(1 p) = 1.96 < 9 ist. 42/58
22 Normalapproximation Normalapproximation ( ) P[X 99] Φ = Φ(1.07) = Exakte Rechnung: P[X 99] = , Fehler Poissonapproximation: 100 X ist ungefähr Poi 2 verteilt, also P[X 99] = P[100 X 1] = 1 P[100 X = 0] 2 20 = 1 e 0! = Fehler < Schon besser. 43/58 Fehler durch Normalapproximation der Binomialverteilung np(1 p) Max. Fehler max. Fehler für W keiten > 0.95 oder < /58
23 Fehler durch Poissonapproximation der Binomialverteilung λ = np = mittlere Anz. Erfolge. Theoretische Fehlergrenze: λ/n. Tatsächlicher maximaler Fehler für einige Werte: λ n Max. Fehler Max. Fehler für W keiten > 0.95 oder < /58 Exponentialverteilung Die Exponentialverteilung mit Parameter θ ist die Verteilung auf [0, ) mit Dichte f (x) = θe θx, x 0. Bedeutung wie geometrische Verteilung: Wartezeit auf Ereignisse. Radioaktive Zerfälle mit Rate 2.7 Becquerel. Also im Mittel 2.7 Zerfälle pro Sekunde. X Wartezeit auf nächsten Zerfall. Dann ist X exponentialverteilt mit θ = 2.7. Also P[X > x] = 2.7 x e 2.7 t dt = e 2.7 x. 46/58
24 Kenngrößen von Kenngrößen von Wie für Messdaten in der beschreibenden Statistik: Lagemaße geben an, wo die Verteilung konzentriert ist, Streumaße geben an, wie groß die Variabilität der Werte ist. 47/58 Kenngrößen von Median und Quantile Lagemaße Sei X Zufallsvariable mit reellen Werten. Definition (Median) Wir nennen jede Zahl m R mit P[X m] 1 2 und P[X m] 1 2 einen Median der Verteilung von X. 48/58
25 Kenngrößen von Median und Quantile Lagemaße Sei X Zufallsvariable mit reellen Werten. Definition (Quantile) Sei α (0, 1). Jede Zahl m α R mit der Eigenschaft P[X m α ] α und P[X m α ] 1 α heißt ein α Quantil der Verteilung von X. Speziell ist m 1/2 ein Median. Ein (1 α) Quantil wird auch α Fraktil genannt. 49/58 Kenngrößen von Median und Quantile Lagemaße Für viele gibt es Tabellen der Quantile. Z.B. für z α, das α-quantil der Standardnormalverteilung. Sei X normalverteilt mit Parametern µ = 2 und σ 2 = 1.8. Für welche Zahl x gilt P[X x] = 0.05? x ist ein 5%-Fraktil von N 2,1.8, bzw. ein 95%-Quantil. Tabelliert sind die Quantile von N 0,1 (Standardnormalverteilung). (X 2)/ 1.8 ist standardnormalverteilt, also ist (x 2)/ 1.8 = z 0.95 = 50/58
26 Kenngrößen von Lagemaße Quantile der Normalverteilung α z α α z α /58 Kenngrößen von Median und Quantile Lagemaße Für viele gibt es Tabellen der Quantile. Z.B. für das z α, das α-quantil der Standardnormalverteilung. Sei X normalverteilt mit Parametern µ = 2 und σ 2 = 1.8. Für welche Zahl x gilt P[X x] = 0.05? x ist ein 5%-Fraktil von N 2,1.8, bzw. ein 95%-Quantil. Tabelliert sind die Quantile von N 0,1 (Standardnormalverteilung). (X 2)/ 1.8 ist standardnormalverteilt, also ist Auflösen nach x (x 2)/ 1.8 = z 0.95 = x = = /58
27 Kenngrößen von Lagemaße Median und Quantile Änderung durch Verschieben und Strecken Sei X eine reelle Zufallsvariable und Y := a + bx. Seien m X α und m Y α die α-quantile von X und Y. Satz Es gilt m Y α = a + bm X α. 53/58 Erwartungswert Kenngrößen von Lagemaße Definition Sei X eine Zufallsvariable mit Wertebereich W R. Ist W R diskret, so definieren wir den Erwartungswert von X durch E[X] := w W w P[X = w]. Ist W R ein Intervall (möglicherweise ganz R), und hat X die Dichte f, so setzen wir E[X] := x f (x) dx. Erwartungswert entspricht dem arithmetischen Mittel von Daten. 54/58
28 Erwartungswert Kenngrößen von Lagemaße Würfelwurf X. E[X] = P[X = 1] 1 + P[X = 2] P[X = 6] 6 = = 1 ( ) = X Wartezeit auf ersten Erfolg, Erfolg mit Wahrscheinlichkeit p. Also X geometrisch mit Parameter p. E[X] = P[X = k] k = k=0 k=0 p(1 p) k k = 1 p p. 55/58 Erwartungswert Kenngrößen von Lagemaße X binomialverteilt mit Parametern n, p: E[X] = n k=0 ( ) n p k (1 p) n k k = np. k X hypergeometrisch verteilt mit Parametern N, K, n: E[X] = Kn N. 56/58
29 Erwartungswert Kenngrößen von Lagemaße X exponentialverteilt mit Parameter θ: E[X] = 0 θe θx x dx = 1 θ. X normalverteilt mit Parametern µ, σ 2 : E[X] = 1 2πσ 2 x e (x µ)2 /(2σ 2) dx = µ. 57/58 Kenngrößen von Lagemaße Linearität des Erwartungswertes Satz Es seien X und Y reelle Zufallsvariablen mit Erwartungswert sowie a, b R. Dann gelten E[a + bx] = a + b E[X], E[X + Y ] = E[X] + E[Y ]. Erste Regel gilt auch für Median, zweite Regel nicht. 58/58
Füllmenge. 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
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
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
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrMonty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen
Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrAufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500
Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren
MehrStatistik - 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:
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Vergleich zweier Stichproben, nichtparametrische Tests Prof. Dr. Achim Klenke http://www.aklenke.de 11. Vorlesung: 27.01.2012 1/86 Inhalt 1 Tests t-test 2 Vergleich zweier
MehrGenexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression
Genexpressionsmessung Genexpression Transkription (Vorgang) Genexpression (quantitativ) Wieviele m-rna Moleküle eines bestimmten Gens sind in den Zellen? Genomische Datenanalyse 8. Kapitel Wie mißt man
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
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)
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrDie Binomialverteilung
Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrKlausur: Einführung in die Statistik
1 Lösungen immer unter die jeweiligen Aufgaben schreiben. Bei Platzmangel auf die Rückseite schreiben (dann Nummer der bearbeiteten Aufgabe mit anmerken!!!). Lösungen, die nicht auf den Aufgabenblättern
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrAnalog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als:
9-9 Die befasst sich mit der Untersuchung, wie wahrscheinlich das Eintreten eines Falles aufgrund bestimmter Voraussetzungen stattfindet. Bis anhin haben wir immer logisch gefolgert: 'Wenn diese Voraussetzung
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrMini-Skript Wahrscheinlichkeitstheorie und Statistik
Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
Mehr2. Eindimensionale (univariate) Datenanalyse
2. Eindimensionale (univariate) Datenanalyse Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Kennzahlen, Statistiken In der Regel interessieren uns nicht so sehr die beobachteten Einzeldaten
MehrBeispiele zur UE Wirtschaftsstatistik 1 bei Nagel
Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrGrundlagen Wahrscheinlichkeitsrechnung, Statistik
Grundlagen Wahrscheinlichkeitsrechnung, Statistik Was ist Statistik? Wahrscheinlichkeit Grundgesamtheit und Verteilung Verteilung von Stichprobenparametern und Intervallschätzung Werkzeug Varianzanalyse
MehrEinführung in die. Wahrscheinlichkeitstheorie und Statistik
Institut für Mathematische Stochastik Einführung in die Wahrscheinlichkeitstheorie und Statistik (Kurzskript zur Vorlesung Wintersemester 2014/15 von Prof. Dr. Norbert Gaffke Inhaltsverzeichnis 1 Wahrscheinlichkeitsräume
MehrEinführung in die Statistik
Meteorologisches Institut der Universität Bonn Skript zur Vorlesung Einführung in die Statistik Wintersemester 2004/2005 Andreas Hense Thomas Burkhardt Petra Friederichs Version: 31. Oktober 2005 1 Inhaltsverzeichnis
MehrLebensdauer eines x-jährigen
Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
MehrStatistik im Versicherungs- und Finanzwesen
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel
MehrGrundbegriffe der Biostatistik
Grundbegriffe der Biostatistik Theo Gasser & Burkhardt Seifert Abteilung Biostatistik Universität Zürich 3. Auflage 2006 INHALTSVERZEICHNIS i Inhaltsverzeichnis 1 Einführung 1 1.1 Was bietet die Statistik?.............................
MehrEinführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar
Einführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar getext von René Wörzberger rene@woerzberger.de Bilder Thorsten Uthke Review Diego Biurrun diego@pool.informatik.rwth-aachen.de
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrAbitur 2007 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2007 Mathematik GK Stochastik Aufgabe C1 Eine Werbeagentur ermittelte durch eine Umfrage im Auftrag eines Kosmetikunternehmens vor Beginn einer Werbekampagne
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrPhysik im Studium. Physik I - IV. Theoretische Vorlesungen. Praktika. Vorlesungen für Fortgeschrittene. Praktika für Fortgeschrittene
Physik im Studium Physik I - IV Übungen Theoretische Vorlesungen Praktika Vorlesungen für Fortgeschrittene Praktika für Fortgeschrittene Einführung in die Physik Teil I: Einführung: Philosophisches und
MehrDie Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen
Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
Mehr2.1 Berechnung gleichverteilter Zufallszahlen. (Linearer Kongruenz-Generator)
Seydel: Skript umerische Finanzmathematik, Kap. 2 (Version 20) 33 ¾º Ö ÒÙÒ ÚÓÒ Ù ÐÐ Þ Ð Ò Definition (Stichprobe einer Verteilung) Eine Folge von Zahlen heißt Stichprobe (sample) von einer Verteilungsfunktion
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrMathematische und statistische Methoden II
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 Persike
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrCoupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler
Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
MehrGaußsche Prozesse - ein funktionalanalytischer Zugang
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Gaußsche Prozesse - ein funktionalanalytischer Zugang Bachelorarbeit in Wirtschaftsmathematik vorgelegt von Clemens Kraus am 31. Mai
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrDie Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen
Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Die Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen Marco A. Harrendorf Karlsruhe Institut für Technologie, Bachelor Physik Vortrag
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
MehrZusatzaufgaben zur Vorlesung Stochastik für Informatikstudenten
Zusatzaufgaben zur Vorlesung Stochastik für Informatikstudenten I.1 Erweitertes Urnenmodell mit Zurücklegen In einer Urne befinden sich ( N Kugeln, davon M 1 der Farbe F 1, M 2 der Farbe l ) F 2,..., M
MehrStandardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik Probeklausur März 2014 Teil-1-Aufgaben Beurteilung Jede Aufgabe in Teil 1 wird mit 0 oder 1 Punkt bewertet, jede Teilaufgabe in
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrStochastische Modelle
Klausur (Teilprüfung) zur Vorlesung Stochastische Modelle (WS04/05 Februar 2005, Dauer 90 Minuten) 1. Es sollen für eine Zufallsgröße X mit der Dichte Zufallszahlen generiert werden. (a) Zeigen Sie, dass
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrEinfache Statistiken in Excel
Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrPhysica-Lehrbuch. Ein anwendungsorientiertes Lehr- und Arbeitsbuch. von Christine Duller
Physica-Lehrbuch Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch von Christine Duller Neuausgabe Einführung in die Statistik mit EXCEL und SPSS Duller schnell
MehrGrundprinzipien der Bayes-Statistik
Grundprinzipien der Bayes-Statistik Karl-Rudolf Koch Zusammenfassung: In drei wesentlichen Punkten unterscheidet sich die Bayes-Statistik von der traditionellen Statistik. Zunächst beruht die Bayes-Statistik
Mehr3 Monte-Carlo-Simulationen
3 Monte-Carlo-Simulationen In diesem Kapitel soll mit der so genannten Monte-Carlo-Methode ein wichtiges Anwendungsgebiet des in Kapitel 2 erarbeiteten Begriffs- und Methodenapparats detaillierter beleuchtet
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
MehrFinanz- und Versicherungsmathematik
Finanz- und Versicherungsmathematik Hansjörg Albrecher Institut für Mathematik B Technische Universität Graz Version: Februar 2006 2 Inhaltsverzeichnis 1 Risikomodelle 5 1.1 Das individuelle Risikomodell....................
MehrRisiko und Symmetrie. Prof. Dr. Andrea Wirth
Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrGrundlagen der Monte-Carlo-Simulation. Dr. Sebastian Lück 7. Februar 2012
Grundlagen der Monte-Carlo-Simulation Dr. Sebastian Lück 7. Februar 2012 page 2 Contents Motivation Erzeugung von SPZZ Software Transformation von SPZZ Akzeptanz- und Verwerfungsmethode Monte-Carlo-Integration
MehrStatistik, Datenanalyse und Simulation
Statistik, Datenanalyse und Simulation Skript zur Vorlesung von Dr. Rainer Wanke Zuletzt gedruckt am: 0. Mai 005 Bearbeitet von: Peter Otte & Pörsch Wintersemester 004/005 ii Inhaltsverzeichnis Wahrscheinlichkeit.
MehrRepetitionsaufgaben: Lineare Gleichungen
Kantonale Fachschaft Mathematik Repetitionsaufgaben: Lineare Gleichungen Zusammengestellt von Hannes Ernst, KSR Lernziele: - Lineare Gleichungen von Hand auflösen können. - Lineare Gleichungen mit Parametern
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015. Vorlesung 5, Donnerstag, 20.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 5, Donnerstag, 20. November 2014 (Wie baut man eine Hash Map, Universelles Hashing)
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
Mehr