Statistische Verfahren zur Berechnung von Sicherheitszonen aus kartierten Bombentrichtern
|
|
- Eugen Lichtenberg
- vor 6 Jahren
- Abrufe
Transkript
1 Statistische Verfahren zur Berechnung von Sicherheitszonen aus kartierten Bombentrichtern Monia Mahling, Michael Höhle, Helmut Küchenhoff 4. Dezember 2009
2 Überblick Monia Mahling, Michael Höhle, Helmut Küchenhoff 2/33
3 Auch mehr als 60 Jahre nach Ende des zweiten Weltkrieges stellen Bombenblindgänger noch immer eine Gefahr dar: häufige Bombenfunde bei Bauarbeiten (2008 alleine in Bayern 121 Spreng- und Splitterbomben), die teilweise Evakuierungen von Wohnhäusern und Sperrung von Straßen oder Bahnlinien nötig machen vereinzelt schwere Unfälle durch Detonationen Monia Mahling, Michael Höhle, Helmut Küchenhoff 3/33
4 Konsequenz: systematische Suche in Risikogebieten vor Beginn von Bauarbeiten Anhand von Luftbildern können die Lokationen der detonierten Sprengbomben bestimmt werden. Hierzu stellte die Oberfinanzdirektion Hannover drei typische zur Verfügung. Ziel der Analyse: Ausweisung von Sicherheitszonen, außerhalb derer mit hoher Sicherheit keine Blindgänger auftreten, mit Hilfe von Koordinaten der Explosionstrichter detonierter Sprengbomben Monia Mahling, Michael Höhle, Helmut Küchenhoff 4/33
5 Datensatz 7 y Koordinate [m] x Koordinate [m] Monia Mahling, Michael Höhle, Helmut Küchenhoff 5/33
6 Datensatz 8 y Koordinate [m] x Koordinate [m] Monia Mahling, Michael Höhle, Helmut Küchenhoff 6/33
7 Datensatz 9 y Koordinate [m] x Koordinate [m] Monia Mahling, Michael Höhle, Helmut Küchenhoff 7/33
8 Methode 1 Methode 2 Methode 3 Methode 1: Verwendung eines vorgegebenen Radius Kreis mit einem fest vorgegebenen Radius um alle Ereignispunkte Bestimmung des Abstandes zum nächsten Ereignis für jeden Punkt in der betrachteten Region Monia Mahling, Michael Höhle, Helmut Küchenhoff 8/33
9 Methode 1 Methode 1 Methode 2 Methode 3 Die Sicherheitszone besteht aus allen Punkten, für die der Abstand zum nächsten Ereignis kleiner ist als der vorgegebene Radius, was der Vereinigung aller Kreise entspricht. Monia Mahling, Michael Höhle, Helmut Küchenhoff 9/33
10 Methode 1 Methode 2 Methode 3 Methode 2: Verwendung eines aus der Verteilung des Nächste-Nachbarn-Abstandes bestimmten Radius Kreise um alle Ereignispunkte werden zu einer Sicherheitszone vereinigt. Radius: empirisches Quantil der Verteilung des Nächste-Nachbarn-Abstandes Beispiel 7 Beispiel 8 Beispiel 9 D(r) D(r) D(r) Entfernung (Radius r) in m Entfernung (Radius r) in m Entfernung (Radius r) in m Monia Mahling, Michael Höhle, Helmut Küchenhoff 10/33
11 Methode 2 Methode 1 Methode 2 Methode 3 Ansonsten entspricht das Vorgehen dem Vorgehen bei Methode 1. Monia Mahling, Michael Höhle, Helmut Küchenhoff 11/33
12 Methode 1 Methode 2 Methode 3 Methode 3: Konstruktion basierend auf der Intensitätsfunktion des Punktprozesses Punktprozess- (Illian et al. (2008), Møller & Waagepetersen (2007)): Beobachtungsfenster W räumlicher Punktprozess X (Lokationen aller Bomben) ausgedünnte Version Y des Prozesses beobachtet Blindgängerprozess Z = X \Y Annahme: Blindgängerwahrscheinlichkeit q homogen über W Monia Mahling, Michael Höhle, Helmut Küchenhoff 12/33
13 Methode 3 Methode 1 Methode 2 Methode 3 Annahme: Prozess Y inhomogener Poisson-Punktprozesses mit Intensitätsfunktion λ(s) Für gegebenen Schwellenwert c > 0 kann eine Sicherheitszone R c auf folgende Art konstruiert werden: R c = {s W : λ(s) c}. Frage: Wie ist c zu bestimmen, damit ein gewisses Sicherheitsniveau erreicht wird? Für die Lokation eines einzelnen Punktes x in A W gilt: P(x A) = A λ(u)du Λ(A) = λ(u)du Λ(W ) W Monia Mahling, Michael Höhle, Helmut Küchenhoff 13/33
14 Methode 3 Methode 1 Methode 2 Methode 3 Für die Anzahl der Blindgänger N Z (W ) gilt (Hunter & Griffiths, 1978): N Z (W ) NegBin(N Y (W ) + 1, 1 q) Versuch Monia Mahling, Michael Höhle, Helmut Küchenhoff 14/33
15 Methode 3 Methode 1 Methode 2 Methode 3 Seien n z Punkte unabhängig voneinander in W zu platzieren. Anzahl von Punkten in einer Region A W : ( N(A) n z Bin n z, Λ(A) ) Λ(W ) Somit Anzahl von Punkten außerhalb der Sicherheitszone: ( N(W \R c ) n z Bin n z, Λ(W \R ) c) Λ(W ) Monia Mahling, Michael Höhle, Helmut Küchenhoff 15/33
16 Methode 3 Methode 1 Methode 2 Methode 3 Betrachte die Wahrscheinlichkeit, dass für n z Punkte in W mindestens einer in W \R c liegt: P(N(W \R c ) > 0 n z ) = 1 P(N(W \R c ) = 0 n z ) = 1 P(N(R c ) = n z n z ) ( ) nz Λ(Rc ) = 1 Λ(W ) Damit lässt sich die Wahrscheinlichkeit dafür angeben, dass mindestens ein Punkt des Blindgänger-Prozesses Z außerhalb der Sicherheitsregion liegt: P(N(W \R c ) > 0) = P(N(W \R c ) > 0 n z ) P(N Z (W ) = n z ) n z =0 Monia Mahling, Michael Höhle, Helmut Küchenhoff 16/33
17 Methode 3 Methode 1 Methode 2 Methode 3 Vorgabe einer sehr hohen Sicherheitswahrscheinlichkeit der Sicherheitszone R c P(N Z (W \R c ) = 0) = 1 P(N Z (W \R c ) > 0) > 1 α, wobei 0 α 1 die Sicherheitstoleranz angibt. Bestimmung eines Schwellenwertes c, so dass arg max c 0 { P(N Z (W \R c ) > 0) α damit die Fläche der Region möglichst klein ist. }, Die Sicherheitszone ist dann durch das so bestimmte c festgelegt. Monia Mahling, Michael Höhle, Helmut Küchenhoff 17/33
18 Methode 3 Methode 1 Methode 2 Methode 3 In einem ersten Schritt wird mittels Kerndichteschätzung eine Schätzung der Intensitätsfunktion vorgenommen. Dazu muss die Bandweite geeignet gewählt werden. Monia Mahling, Michael Höhle, Helmut Küchenhoff 18/33
19 Methode 3 Methode 1 Methode 2 Methode 3 Im zweiten Schritt wird dann der Cutoff-Wert c numerisch so bestimmt, dass P(N Z (W \R c ) > 0) α gerade erfüllt ist. Monia Mahling, Michael Höhle, Helmut Küchenhoff 19/33
20 Aufbau der Simulation I Aufbau der Simulation Quantilsbasierte Methode Punktprozess-Methode Vergrößerung des Beobachtungsfensters um 15 m je 100 Iterationen: Ausdünnen des beobachteten Punktmusters mittels bernoulliverteilter Zufallszahlen (mit Blindgängerwahrscheinlichkeit q) Bestimmung der Sicherheitszonen auf Basis des ausgedünnten Prozesses Dabei wurden mehrere Parameter variiert: zwei verschiedene Werte für die Blindgängerwahrscheinlichkeit q vier verschiedene Cutoff-Werte für Radius bzw. Quantil zwei verschiedene Werte für die Sicherheitstoleranz α automatisch durch Kreuzvalidierung bestimmte Bandweite (Silverman, 1992) sowie das Doppelte und das Dreifache dieses Wertes Monia Mahling, Michael Höhle, Helmut Küchenhoff 20/33
21 Aufbau der Simulation II Aufbau der Simulation Quantilsbasierte Methode Punktprozess-Methode Beurteilung der Sicherheitszonen: Bestimmung der Fläche Bestimmung des Anteils der übersehenen Blindgängern an allen Blindgängern Monia Mahling, Michael Höhle, Helmut Küchenhoff 21/33
22 Quantilsbasierte Methode Aufbau der Simulation Quantilsbasierte Methode Punktprozess-Methode Verwendung von Information aus den Daten durch Festlegung des Radius über Quantil des Nächste-Nachbarn-Abstandes relativ gute Eigenschaften in den drei Simulationsbeispielen Es werden hauptsächlich solche Blindgänger übersehen, die weit von allen anderen Ereignissen entfernt liegen. Monia Mahling, Michael Höhle, Helmut Küchenhoff 22/33
23 Aufbau der Simulation Quantilsbasierte Methode Punktprozess-Methode Quantilsbasierte Methode Datensatz 7 Fläche der Sicherheitszone Anteil der übersehenen an allen Blindgängern 90% 95% 99% 99.9% 99% mit q=0.15 Monia Mahling, Michael Höhle, Helmut Küchenhoff 23/33
24 Quantilsbasierte Methode Aufbau der Simulation Quantilsbasierte Methode Punktprozess-Methode Bei kleinem Stichprobenumfang (Beispieldatensatz 8) problematisch: stark schwankende Fläche der Sicherheitszonen bei höherer Blindgängerwahrscheinlichkeit q = 0.15 (ganz rechts). Fläche der Sicherheitszone 2.0e e e e e e+07 90% 95% 99% 99,9% 99% Monia Mahling, Michael Höhle, Helmut Küchenhoff 24/33
25 Punktprozess-Methode Aufbau der Simulation Quantilsbasierte Methode Punktprozess-Methode Nutzung der Information aus den Daten zur Festlegung der Sicherheitszone Es werden fast ausschließlich solche Blindgänger übersehen, die weit von allen anderen Ereignissen entfernt liegen. Monia Mahling, Michael Höhle, Helmut Küchenhoff 25/33
26 Punktprozess-Methode Aufbau der Simulation Quantilsbasierte Methode Punktprozess-Methode Datensatz 8 Anteil der übersehenen an allen Blindgängern α=1e 05, einf. BW zehnfaches α doppelte Bandweite dreifache Bandweite α=1e 05, einf. BW, q=0.15 4e+06 6e+06 8e+06 1e+07 Fläche der Sicherheitszone Monia Mahling, Michael Höhle, Helmut Küchenhoff 26/33
27 Punktprozess-Methode Aufbau der Simulation Quantilsbasierte Methode Punktprozess-Methode mögliche Verbesserung des Verfahrens durch genauere Betrachtung der Bandweite (Bestimmung der optimalen Bandweite im Sinne einer bei gleichem Anteil übersehener Blindgänger möglichst kleinen Sicherheitszone) Schätzung der Blindgängerwahrscheinlichkeit anhand von Daten über bekannte Blindgänger und Kovariablen wie Bodenbeschaffenheit oder Bebauung an Stelle einer Homogenitätsannahme Monia Mahling, Michael Höhle, Helmut Küchenhoff 27/33
28 Zusammenfassung Zusammenfassung Ausblick Verwendung eines festen Radius als generelles Vorgehen nicht geeignet Monia Mahling, Michael Höhle, Helmut Küchenhoff 28/33
29 Zusammenfassung Zusammenfassung Ausblick Verwendung eines festen Radius als generelles Vorgehen nicht geeignet Entscheidung zwischen der quantilsbasierten Methode und der Punktprozess-Methode anhand der erhaltenen Anteile der übersehenen Blindgänger und der Flächen der Sicherheitszonen schwierig (Vergleich in zwei Dimensionen), entwickelte Analyseverfahren jedoch ausbaufähig Monia Mahling, Michael Höhle, Helmut Küchenhoff 28/33
30 Zusammenfassung Zusammenfassung Ausblick Verwendung eines festen Radius als generelles Vorgehen nicht geeignet Entscheidung zwischen der quantilsbasierten Methode und der Punktprozess-Methode anhand der erhaltenen Anteile der übersehenen Blindgänger und der Flächen der Sicherheitszonen schwierig (Vergleich in zwei Dimensionen), entwickelte Analyseverfahren jedoch ausbaufähig Analysen und Aussagen zur Zeit auf Vergleich von drei Beispieldatensätzen beschränkt Monia Mahling, Michael Höhle, Helmut Küchenhoff 28/33
31 Zusammenfassung Zusammenfassung Ausblick Verwendung eines festen Radius als generelles Vorgehen nicht geeignet Entscheidung zwischen der quantilsbasierten Methode und der Punktprozess-Methode anhand der erhaltenen Anteile der übersehenen Blindgänger und der Flächen der Sicherheitszonen schwierig (Vergleich in zwei Dimensionen), entwickelte Analyseverfahren jedoch ausbaufähig Analysen und Aussagen zur Zeit auf Vergleich von drei Beispieldatensätzen beschränkt erstellte R-Programme zur Berechnung und quantitativen Analyse der Sicherheitszonen leicht auf andere Daten anwendbar; umfassenderer und direkter Vergleich der quantilsbasierten Methode und der Punktprozess-Methode möglich Monia Mahling, Michael Höhle, Helmut Küchenhoff 28/33
32 Zusammenfassung Ausblick Zusammenfassung 0e+00 2e+07 4e+07 6e+07 8e Datensatz 9 Fläche der Sicherheitszone Anteil der übersehenen an allen Blindgängern Methode 1 Methode 2 Methode 3 Monia Mahling, Michael Höhle, Helmut Küchenhoff 29/33
33 Zusammenfassung Zusammenfassung Ausblick Quantitative Analyse dreier Methoden zur Bestimmung von Sicherheitszonen aus kartierten Bombentrichtern Monia Mahling, Michael Höhle, Helmut Küchenhoff 30/33
34 Zusammenfassung Zusammenfassung Ausblick Quantitative Analyse dreier Methoden zur Bestimmung von Sicherheitszonen aus kartierten Bombentrichtern Neuentwicklung eines auf einem Punktprozess-Ansatz aus der räumlichen Statistik basierenden Verfahrens Monia Mahling, Michael Höhle, Helmut Küchenhoff 30/33
35 Zusammenfassung Zusammenfassung Ausblick Quantitative Analyse dreier Methoden zur Bestimmung von Sicherheitszonen aus kartierten Bombentrichtern Neuentwicklung eines auf einem Punktprozess-Ansatz aus der räumlichen Statistik basierenden Verfahrens Entwicklung eines simulationsbasierten Verfahrens zur statistischen Risikoabschätzung von Sicherheitszonen Monia Mahling, Michael Höhle, Helmut Küchenhoff 30/33
36 Ausblick Zusammenfassung Ausblick Simulation als allgemein anwendbares Prinzip zur Risikoabschätzung Monia Mahling, Michael Höhle, Helmut Küchenhoff 31/33
37 Ausblick Zusammenfassung Ausblick Simulation als allgemein anwendbares Prinzip zur Risikoabschätzung Kalibrierung des Verfahrens nötig Monia Mahling, Michael Höhle, Helmut Küchenhoff 31/33
38 Ausblick Zusammenfassung Ausblick Simulation als allgemein anwendbares Prinzip zur Risikoabschätzung Kalibrierung des Verfahrens nötig extreme Ausreißer problematisch Monia Mahling, Michael Höhle, Helmut Küchenhoff 31/33
39 Ausblick Zusammenfassung Ausblick Simulation als allgemein anwendbares Prinzip zur Risikoabschätzung Kalibrierung des Verfahrens nötig extreme Ausreißer problematisch Größe der Kandidatenflächen Monia Mahling, Michael Höhle, Helmut Küchenhoff 31/33
40 Ausblick Zusammenfassung Ausblick Simulation als allgemein anwendbares Prinzip zur Risikoabschätzung Kalibrierung des Verfahrens nötig extreme Ausreißer problematisch Größe der Kandidatenflächen Modellierung als mögliches weiteres Vorgehen Monia Mahling, Michael Höhle, Helmut Küchenhoff 31/33
41 Literaturverzeichnis Zusammenfassung Ausblick Baddeley, A., Møller, J. & Waagepetersen, R. (2000). Non- and semi-parametric estimation of interaction in inhomogeneous point patterns. Statistica Neerlandica 54, Hunter, A. J. & Griffiths, H. J. (1978). Bayesian Approach to Estimation of Insect Population Size. Technometrics Vol. 20, No. 3 (Aug., 1978), Illian, J., Penttinen, H., Stoyan, H. & Stoyan, D. (2008). Statistical analysis and modelling of spatial point patterns, Wiley, Chichester, West Sussex, Eng. Møller, J. & Waagepetersen, R. P. (2007). Modern Statistics for Spatial Point Processes. Scandinavian Journal of Statistics 34 (4), Monia Mahling, Michael Höhle, Helmut Küchenhoff 32/33
42 Literaturverzeichnis Zusammenfassung Ausblick Silverman, Bernard W. (1992). Density estimation for statistics and data analysis, Chapman & Hall, London. R Development Core Team (2009). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN , URL: A. Baddeley and R. Turner (2005). Spatstat: an R package for analyzing spatial point patterns. Journal of Statistical Software 12 (6), ISSN: , URL: Monia Mahling, Michael Höhle, Helmut Küchenhoff 33/33
Bayesian analysis of spatial point processes in the neighbourhood of Voronoi. networks
Bayesian analysis of spatial point processes in the neighbourhood of Voronoi networks Judith Schmidt und Bettina Hund 02 Juli 2008 Seminar: Stochastische Geometrie und ihre Anwendungen - Zufa llige Netzwerke
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrExtrapolation und Interpolation von räumlichen Mustern
Extrapolation und Interpolation von räumlichen Mustern 01. Juli 2008 Inhaltsverzeichnis 1 Interpolation Extrapolation Beispiel: Mammutbaumsetzlinge 2 Grundlagen Keim-Korn- Clusterprozesse Cox-Clusterprozess
MehrStatistische Methoden für planare Punktfelder
Statistische Methoden für planare Punktfelder Franz Király Universität Ulm Seminar Simulation und Bildanalyse mit Java 27. Januar 2004 Gliederung 1. Einführung und Grundlagen 2. Intensitätsschätzung Intensität
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrExtremwertstatistik und und ihre Anwendungen in der Meteorologie
Extremwertstatistik und und ihre in der Meteorologie Petra Friederichs Meteorologisches Institut, Universität Bonn Fortbildungsveranstaltung der ÖGM und DMG Salzburg, 16. November 2012 P.Friederichs Extremwertanalyse
MehrKomplexe Analyse von Wahldaten am Beispiel der Wahlen in Deutschland zwischen 1924 und 1933
Komplexe Analyse von Wahldaten am Beispiel der Wahlen in Deutschland zwischen 1924 und 1933 André Klima1, Helmut Küchenhoff1, Paul W. Thurner2 1 Statistisches Beratungslabor, Institut für Statistik 2 Geschwister-Scholl-Institut
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
Mehrblack page Überblick Erzeugen, Manipulation und Plotten von Punktmustern Klassen, Methoden, Daten einlesen Simulation von Poissonproze
black page Andreas Reichenbacher, Julia Hörrmann Analyse räumlicher Punktprozesse mit R 17. Juni, 2011 1/26 Analyse räumlicher Punktprozesse mit R Andreas Reichenbacher, Julia Hörrmann 17. Juni, 2011 Institut
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrWISSENSCHAFTLICHE BEITRÄGE
WISSENSCHAFTLICHE BEITRÄGE AUS DEM TECTUM VERLAG Reihe Wirtschaftswissenschaften Band 39 Ralph Wirth Best-Worst Choice-Based Conjoint-Analyse Eine neue Variante der wahlbasierten Conjoint-Analyse Tectum
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 13. Juli 2011 Ziel der Vorlesung Vermittlung von Grundkenntnissen der Statistik, Simulationstechnik und numerischen Methoden (Algorithmen) Aufgabe:
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
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrFortschreibung der Arbeitshilfen Kampfmittelräumung Schwerpunkte Digitale Bestandsdokumentation KMR und Abstandsradien
Fortschreibung der Arbeitshilfen Kampfmittelräumung Schwerpunkte Digitale Bestandsdokumentation KMR und Abstandsradien Karsten Heine / Ulrich Brakemeier OFD Niedersachsen -Bau und Liegenschaften- Referat
MehrEin exakter Test für die Meta-Analyse von Studien mit binären Endpunkten. Oliver Kuß, Cora Gromann
Ein exakter Test für die Meta-Analyse von Studien mit binären Endpunkten Oliver Kuß, Cora Gromann Institut für Medizinische Epidemiologie, Biometrie und Informatik, Universität Halle-Wittenberg, Halle
MehrStatistik für Punktprozesse. Seminar Stochastische Geometrie und ihre Anwendungen WS 2009/2010
Statistik für Punktprozesse Seminar Stochastische Geometrie und ihre Anwendungen WS 009/00 Inhalt I. Fragestellung / Problematik II. Ansätze für a) die Schätzung der Intensität b) ein Testverfahren auf
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
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
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
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
MehrMarkierte Punktprozesse und abstrakte kollektive Modelle
Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Markierte Punktprozesse und abstrakte kollektive Modelle Anke Todtermuschke 21. Oktober 2011 Gliederung 1 Modellierung einer Folge
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
MehrJurij-Andrei Reichenecker 21. Juni Tessellationen
Jurij-Andrei Reichenecker 21. Juni 2010 Tessellationen Seite 2 Tessellationen 21. Juni 2010 Jurij-Andrei Reichenecker Inhalt Einführung Voronoi Tessellation Algorithmus zur Erstellung von Voronoi Tessellationen
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
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
MehrÜbersicht Statistik-Funktionen. Statistische Software (R) Nützliche Funktionen. Nützliche Funktionen
Übersicht Statistik-Funktionen Statistische Software (R) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Pseudo Zufallszahlen, Dichten, Verteilungsfunktionen, etc. Funktion
MehrSeminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose
Seminar stochastische Geometrie 25. Januar 2010 Contents 1 2 3 4 5 Definitionen Faser: glatte Kurve endlicher Länge in der Ebene Faser γ ist das Bild der Kurve γ(t) = (γ 1 (t), γ 2 (t)) mit (i) γ : [0,
MehrPseude-Likelihood-Methode
Pseude-Likelihood-Methode Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen Andrei Durtca Technische Universität Dortmund 12. Januar 2015 Inhaltsverzeichnis 1 Einleitung 2 Pseude-Likelihood-Methode
MehrBerechnung des LOG-RANK-Tests bei Überlebenskurven
Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven
MehrMonte-Carlo-Methode. mit Pseudo- und Quasizufallszahlen
Gott würfelt nicht Monte-Carlo-Methode mit Pseudo- und Quasizufallszahlen Inhaltsverzeichnis Pseudo- und Quasizufallszahlen Monte-Carlo- Monte-Carlo- Monte-Carlo-Methode Bekannt nach Stadt Monte Carlo
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrModell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen
Modell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen Roland Koppe, Stefan Häusler, Axel Hahn 2 Übersicht Einleitung und Motivation Ansatz und Methodik
MehrErste Schritte mit R. 2.1 Herunterladen der freien Software R
Erste Schritte mit R 2 BevorwirunsmitdeninKap.1 eingeführten Fragestellungen beschäftigen, brauchen wir noch ein Werkzeug, um die Datensätze später wirklich auswerten zu können. Sicher lässt sich das in
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrEmpirische Verteilungsfunktion
Empirische Verteilungsfunktion H(x) := Anzahl der Werte x ist. Deskriptive
MehrVorlesung Stichproben WS 2009/2010
Institut für Statistik Statistisches Beratungslabor Prof. Dr. Helmut Küchenhoff WS 2009/2010 http://www.stat.uni-muenchen.de/~helmut/stichproben_0910.html Übung: Monia Mahling donnerstags 08:00 bis 10:00
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
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
MehrDie Datenmatrix für Überwachtes Lernen
Die Datenmatrix für Überwachtes Lernen X j j-te Eingangsvariable X = (X 0,..., X M 1 ) T Vektor von Eingangsvariablen M Anzahl der Eingangsvariablen N Anzahl der Datenpunkte Y Ausgangsvariable x i = (x
MehrSigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
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
MehrGrundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt
Grundbegriffe der Wahrscheinlichkeitstheorie Karin Haenelt 1 Inhalt Wahrscheinlichkeitsraum Bedingte Wahrscheinlichkeit Abhängige und unabhängige Ereignisse Stochastischer Prozess Markow-Kette 2 Wahrscheinlichkeitsraum
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrSchätzung von Überlebensraten
107 Wegener BM/2/UebermA/q Dienstag 01.07.2003 12:10:24 Deskriptive Statistik Eine der wichtigsten Größen zur Beschreibung des Verlaufs lebensbedrohlicher Erkrankungen ist die Überlebenszeit bzw. die nach
MehrCarl von Ossietzky Universität Oldenburg, Fachbereich Mathematik 1 und HRZ-Angewandte Statistik 2
Beiträge der Angewandten Statistik zur Bearbeitung von Maßstabsfragen und zur Versuchsplanung für die Untersuchung räumlicher Strukturen und dynamischer Vorgänge im Watt Projekt B3: Dietmar Pfeifer 1,
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrGeo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause. Sommersemester 2009
Geo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause Sensitivität Tino Wunderlich Matrikel 100028 Gliederung 1. Sensitivität in der Statistik ( Berechnung / Beispiel) 2. Sensitivität in
MehrModelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte
Statistik II für Wirtschaftswissenschaftler Folie 6.1 Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte I) Werte in (, ), Parameter µ (, ), σ 2 > 0 Normalverteilung
MehrVerallgemeinerungen der Rasch-Modells
Verallgemeinerungen der Rasch-Modells Vera Völkl Seminar Psychometrische Modelle: Theorie und Anwendungen Institut für Statistik, LMU 6. Juni 2014 Gliederung 1 Birnbaum-Modelle Modellgleichungen Parameterschätzung
MehrSzenario und Wirklichkeit
Szenario und Wirklichkeit Wie weit lassen sich Risikoberechnungen bei Naturgefahren vereinfachen? Katharina Fischer / Matthias Schubert Übersicht Szenario und Wirklichkeit Ziel: - Kritische Diskussion
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
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.
MehrVerfahren zur Parametrisierung von Markoffschen Zustandsmodellen zur Mobilitätsmodellierung
Verfahren zur Parametrisierung von Markoffschen Zustandsmodellen zur Mobilitätsmodellierung ITG Workshop 5.2.1 und 5.2.4. 24.3.2006, München Dr.-Ing. Michael Schopp Siemens AG basierend auf eigenen Arbeiten
Mehr5. Kolmogorov-Smirnov-Test und χ 2 -Anpassungstest
Empirische Wirtschaftsforschung Prof. Dr. Ralf Runde 5. Kolmogorov-Smirnov-Test und χ 2 -Anpassungstest Ein wesentliches Merkmal nichtparametrischer Testverfahren ist, dass diese im Allgemeinen weniger
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrEine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 25. November 2009 Bernd
MehrUniversitätsprofessor Dr. rer. nat. habil. Karl-Ernst Biebler und Dr. rer. nat. Bernd Jäger
Die Reihe Biometrie und Medizinische Informatik Greifswalder Seminarberichte wird herausgegeben von: Universitätsprofessor Dr. rer. nat. habil. Karl-Ernst Biebler und Dr. rer. nat. Bernd Jäger Institut
MehrProgrammieren mit statistischer Software
Programmieren mit statistischer Software Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Simulationen Gliederung Grundlagen Aufbau von Simulationen Durchführung von Simulationen
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
MehrStochastische Geometrie in Telekommunikation
Weierstraß-Institut für Angewandte Analysis und Stochastik Stochastische Geometrie in Telekommunikation Wolfgang König TU Berlin and WIAS (Dank an BENEDIKT JAHNEL) Mohrenstraße 39 10117 Berlin Tel. 030
MehrProgrammieren mit Statistischer Software - Simulationen -
Programmieren mit Statistischer Software - Simulationen - Moritz Berger, Cornelia Oberhauser Institut für Statistik, LMU München SS 2015 Gliederung 1 Grundlagen 2 Aufbau von Simulationen 3 Durchführung
MehrEine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/
MehrTeil VII. Deskriptive Statistik. Woche 5: Deskriptive Statistik. Arbeitsschritte der Datenanalyse. Lernziele
Woche 5: Deskriptive Statistik Teil VII Patric Müller Deskriptive Statistik ETHZ WBL 17/19, 22.05.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrÜbersicht deskriptiver Maße & anderer. Nützliche Funktionen. Statistische Software (R) artihmetische Mittel median() mean()
Übersicht deskriptiver Maße & anderer nützlicher Funktionen Statistische Software (R) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Pseudo Zufallszahlen, Dichten, Verteilungsfunktionen,
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
MehrKindern mit Leukämie in Deutschland,
Raum-zeitliche Analyse von Kindern mit Leukämie in Deutschland, 1987-2007 Arbeitstagung Bayes-Methodik, räumliche Statistik, Ökologie und Umwelt Sven Schmiedel, Peter Kaatsch, Maria Blettner, Joachim Schüz
MehrOrtskurvenerkennung. Christian Liedl, WS06/07 TUM
Ortskurvenerkennung Christian Liedl, WS06/07 TUM Überblick Was sind Ortskurven Beispiele spezieller Ortskurven Kurvenerkennung Voraussetzung Erster Ansatz Modellierung Beispiel: Identifikation Ortskurve
MehrAllgemeine Punktprozesse
Allgemeine Punktprozesse Michael Auchter 17. Mai 2010 Seite 2 Allgemeine Punktprozesse 17. Mai 2010 Inhaltsverzeichnis Definitionen Definition von Punktprozessen Das Intensitätsmaß Stationarität, Isotropie
MehrBoole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen
Rückblick Boole sches Retrieval als frühes, aber immer noch verbreitetes IR-Modell mit zahlreichen Erweiterungen Vektorraummodell stellt Anfrage und Dokumente als Vektoren in gemeinsamen Vektorraum dar
MehrElementare Begriffe der Wahrscheinlichkeitstheorie für die Sprachverarbeitung
Elementare Begriffe der Wahrscheinlichkeitstheorie für die Sprachverarbeitung Kursfolien Karin Haenelt 1 Übersicht Wahrscheinlichkeitsfunktion P Wahrscheinlichkeit und bedingte Wahrscheinlichkeit Bayes-Formeln
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Verteilungen und Zufallszahlen Übersicht Statistik-Funktionen Funktion mean() median() exp(mean(log(
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrMarkierte Punktprozesse und zufällige Tesselationen
und zufällige Tesselationen Seminar stochastische Geometrie und ihre Anwendungen 7. Dezember 2009 und zufällige Tesselationen Gliederung 1 2 3 und zufällige Tesselationen Gliederung 1 2 3 und zufällige
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc., Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Verteilungen und Zufallszahlen Übersicht Statistik-Funktionen Funktion mean()
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,
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrRegionalisierung von Gesundheitsindikatoren
Bundesinstitut im Geschäftsbereich des Bundesministeriums für Gesundheit Regionalisierung von Gesundheitsindikatoren Ein neuer Ansatz zur Nutzung von Gesundheitssurveys Dr. Lars Eric Kroll Dr. Thomas Lampert
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrWahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
MehrS tandardabweichung : σ= n p 1 p = 200 0,24 0,76 6,04
R. Brinkmann http://brinkmann-du.de Seite 1 14.10.2007 Wahrscheinlichkeiten von Umgebungen Bei einer Binomialverteilung ist der Erwartungswert der mit der größten Wahrscheinlichkeit. In der Umgebung des
MehrEuler-Approximation. Leonie van de Sandt. TU Dortmund Prof. Dr. Christine Müller. 5. Juni 2012
Euler-Approximation Leonie van de Sandt TU Dortmund Prof. Dr. Christine Müller 5. Juni 2012 Leonie van de Sandt (TU Dortmund) Euler-Approximation 5. Juni 2012 1 / 26 Inhaltsverzeichnis 1 Einleitung Leonie
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
Mehr