FORMELSAMMLUNG STATISTIK B
|
|
- Rosa Annegret Brodbeck
- vor 6 Jahren
- Abrufe
Transkript
1 Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen 10 4 Mehrdimensionale Zufallsvariablen 15 5 Parameterschätzung 19 6 Konfidenzintervalle 21 7 Testen von Hypothesen 23 Die geometrische Reihe und Summenformel: n k=0 q k = 1 qn+1 1 q (falls q 1) und für q < 1: k=0 q k = 1 1 q
2 Formelsammlung zur Statistik B Seite 2 1 Wahrscheinlichkeitsrechnung Kombinatorik Anzahl der möglichen Ziehungen von n Kugeln aus einer Urne mit N Kugeln: Reihenfolge wichtig Reihenfolge nicht wichtig Sortieren nicht erlaubt Sortieren erlaubt ( ) N ohne Zurücklegen N (N 1) (N (n 1)) n ( ) n + N 1 mit Zurücklegen N n = n ( ) n + N 1 N 1 Binomialkoeffizienten Definition: ( ) n = k n (n 1) (n (k 1)) k (k 1) 1 = n! k!(n k)! Rechenregeln: ( ) ( ) ( ) ( ) n n n n = = 1 = = n 0 n 1 n 1 ( ) ( ) ( ) ( ) ( ) n n n n 1 n 1 = = + k n k k k k 1 Rechenregeln für Mengen Kommutativgesetz: A B = B A A B = B A Distributivgesetz: (A B) C = (A C) (B C) (A B) C = (A C) (B C) Assoziativgesetz: (A B) C = A (B C) (A B) C = A (B C) De Morgansche Regeln: (A B) = Ā B (A B) = Ā B Aus A B folgt B Ā Für die Differenzmenge A\B gilt: A\B = A B
3 Formelsammlung zur Statistik B Seite 3 Wahrscheinlichkeiten und Axiome von Kolmogoroff Endlicher Wahrscheinlichkeitsraum (S, P(S), P ) Grundraum S = {ω 1, ω 2,... ω N }. Ereignisse P(S) = Menge aller Teilmengen A S Wahrscheinlichkeit P P (A) = Wahrscheinlichkeit für das Eintreten von A Die Wahrscheinlichkeitsverteilung P erfüllt die Axiome von Kolmogoroff: (A1) (Nichtnegativität) P (A) 0 (A2) (Normiertheit) P (S) = 1 (A3) (Additivität) P (A B) = P (A) + P (B) für A B = Für nicht endliche Wahrscheinlichkeitsräume wird das Axiom (A3) ersetzt durch das Axiom (A3 ) (σ Additivität) P ( A k ) = P (A k ) für A i A j =, i j k=1 k=1 Rechenregeln für Wahrscheinlichkeiten 1. P ( ) = 0, P (S) = 1, 0 P (A) 1 2. A B P (A) P (B) 3. P (Ā) = 1 P (A) mit Ā = S\A 4. Additionssatz: P (A B) = P (A) + P (B) P (A B) 5. P (A 1 A 2 A n ) = P (A 1 ) + P (A 2 ) + + P (A n ), falls A 1, A 2,..., A n paarweise disjunkt, d.h. A i A j = 6. P (A 1 A 2 A n ) P (A 1 ) + P (A 2 ) + + P (A n ) 7. Wenn die Elementarwahrscheinlichkeiten p i = P ({ω i }), i = 1, 2,... bekannt sind, dann gilt für die Wahrscheinlichkeit eines Ereignisses A: P (A) = P ({ω i }) = i:ω i A i:ω i A p i
4 Formelsammlung zur Statistik B Seite 4 Laplace-Modell 1. Annahme: Endlicher Grundraum S = {ω 1,..., ω N } 2. Annahme: P ({ω 1 }) = P ({ω 2 }) = = P ({ω N }) Wahrscheinlichkeiten: P (A) = Anzahl ω i in A Anzahl ω i in S = #A #S = #A N Bedingte Wahrscheinlichkeit Bedingte Wahrscheinlichkeit von A gegeben B P (A B) = P (A B) P (B) für A, B S mit P (B) > 0 Unabhängigkeit von Ereignissen Zwei Ereignisse A und B heißen stochastisch unabhängig, wenn P (A B) = P (A) P (B) Ereignisse A 1,..., A n heißen stochastisch unabhängig, wenn für jede Auswahl A i1,..., A ik mit k n gilt: P (A i1... A ik ) = P (A i1 ) P (A i2 ) P (A ik ) Multiplikationssatz Für Ereignisse A 1,..., A n gilt: P (A 1... A n ) = P (A 1 ) P (A 2 A 1 ) P (A 3 A 1 A 2 ) P (A n A 1... A n 1 ) Falls die Ereignisse A 1,..., A n unabhängig sind, gilt: P (A 1 A 2... A n ) = P (A 1 ) P (A 2 ) P (A n ) Totale Wahrscheinlichkeit und Satz von Bayes Seien A 1,..., A k Ereignisse, die eine Zerlegung von S bilden (d.h. S ist disjunkte Vereinigung der A i ; es gilt: A i, A i A j =, i j, und A 1 A 2... A k = S). B sei ein Ereignis mit P (B) > 0. P (B A j ) P (A j ) = P (B A j ) = P (A j B) P (B) k k P (B) = P (B A i ) P (A i ) = P (B A i ) (totale Wahrscheinlichkeit) P (A j B) = P (B A j) P (A j ) P (B) = P (B A j) P (A j ) k P (B A i ) P (A i ) (Satz von Bayes)
5 Formelsammlung zur Statistik B Seite 5 2 Diskrete Zufallsvariablen Es sei X eine diskrete Zufallsvariable mit Werten x 1, x 2,..., x k,... Wahrscheinlichkeitsverteilung von X: P [X = x i ] = p i, i = 1, 2,..., k,... Wahrscheinlichkeitsfunktion von X: P [X = x] für x {x 1, x 2,..., x k,...} f(x) = 0 sonst Verteilungsfunktion von X: F (x) = P [X x] = x i x f(x i ) Erwartungswert von X: E(X) = µ X = x i p i = x i f(x i ) i 1 i 1 Varianz von X: Var(X) = σ 2 X = E(X µ X ) 2 = E(X 2 ) µ 2 X = i 1 (x i µ X ) 2 p i = i 1 x 2 i p i µ 2 X Standardabweichung: σ X = Var(X) Transformationsregel für Erwartungswerte: Sei g(x) eine reelle Funktion. Dann gilt für Y = g(x) E(Y ) = E(g(X)) = i 1 g(x i )p i = i 1 g(x i )f(x i )
6 Formelsammlung zur Statistik B Seite 6 Diskrete Gleichverteilung X diskret gleichverteilt (auf a 1 <... < a k ) Verteilung von X X = a 1, a 2,..., a k mit P ({X = a i }) = 1 k Werte der Verteilungsfunktion Erwartungswert und Varianz P ({X a i }) = i k E(X) = 1 k k a i Var(X) = 1 k k (a i E(X)) 2 Bernoulli-Verteilung Notation: X B(1, p) mit 0 p 1 Verteilung von X X = { 1 mit P ({X = 1}) = p 0 mit P ({X = 0}) = 1 p Erwartungswert und Varianz E(X) = p Var(X) = p (1 p)
7 Formelsammlung zur Statistik B Seite 7 Geometrische Verteilung Notation: X Geo(p) mit 0 < p 1 Verteilung von X X = 1, 2, 3... mit P ({X = k}) = (1 p) k 1 p Werte der Verteilungsfunktion P ({X i}) = i P ({X = k}) k=0 Erwartungswert und Varianz E(X) = 1 p Var(X) = 1 p p 2 Rekursionsformel P ({X = k + 1}) P ({X = k}) = (1 p) Binomialverteilung Notation: X B(n, p) mit 0 p 1 Verteilung von X X = 0, 1,..., n mit P ({X = k}) = Werte der Verteilungsfunktion ( ) n p k (1 p) n k k P ({X i}) = i P ({X = k}) k=0 Erwartungswert und Varianz Rekursionsformel E(X) = np Var(X) = np(1 p) P ({X = k + 1}) P ({X = k}) = n k k + 1 p 1 p
8 Formelsammlung zur Statistik B Seite 8 Hypergeometrische Verteilung Notation: X H(n, M, N) mit M N, n N Verteilung von X P ({X = k}) = ( M )( N M ) k n k ( N n) wobei X = { 0, 1,..., n falls n min(m, N M) max(0, n + M N),..., min(n, M) sonst Werte der Verteilungsfunktion P ({X i}) = i P ({X = k}) k=0 Erwartungswert und Varianz Rekursionsformel E(X) = n M N Var(X) = n M N ( 1 M ) N n N N 1 P ({X = k + 1}) P ({X = k}) = n k k + 1 M k N M (n k 1) Approximation der Hypergeometrischen Verteilung durch eine Binomialverteilung Für X H(n, M, N) und n klein gegenüber N, M und N M gilt approximativ: X B (n, p), p = M N d.h. P ({X = k}) = ( M )( N M ) k n k ( N n) ( ) n p k (1 p) n k k
9 Formelsammlung zur Statistik B Seite 9 Poisson-Verteilung Notation: X Po(λ) mit λ > 0 Verteilung von X X = 0, 1, 2, 3... mit P ({X = k}) = λk k! e λ Werte der Verteilungsfunktion P ({X i}) = i P ({X = k}) k=0 Erwartungswert und Varianz E(X) = λ Var(X) = λ Rekursionsformel P ({X = k + 1}) P ({X = k}) = λ k + 1 Approximation der Binomialverteilung durch eine Poisson-Verteilung Für X B(n, p) und großes n bei gleichzeitig kleiner Erfolgswahrscheinlichkeit p (Faustregel: np < 5 oder n(1 p) < 5) gilt approximativ: X P o(λ), λ = n p d.h. P ({X = k}) = ( n )p k (1 p) n k (np)k e np k k!
10 Formelsammlung zur Statistik B Seite 10 3 Stetige Zufallsvariablen Es sei X stetige Zufallsvariable (mit Werten x R) (Wahrscheinlichkeits-) Dichte von X Funktion f(x) 0, so dass für jedes Intervall [a, b]: b P [a X b] = f(x)dx; a es gilt: f(x)dx = 1 Verteilungsfunktion von X F (x) = P [X x] = x f(x)dx Erwartungswert von X E(X) = µ X = x f(x)dx Varianz von X Var(X) = σ 2 X = E(X µ X ) 2 = E(X 2 ) µ 2 X = (x µ X ) 2 f(x)dx Standardabweichung von X σ X = Var(X) Quantile Für 0 < p < 1 ist das p-quantil x p der Wert, für den gilt: F (x p ) = P [X x p ] = p und 1 F (x p ) = P [X x p ] = 1 p
11 Formelsammlung zur Statistik B Seite 11 Exponentialverteilung, X Ex(λ), mit λ > 0 Dichte- und Verteilungsfunktion { λe λx für x 0 f Ex (x) = 0 sonst Erwartungswert und Varianz F Ex (x) = { 0 für x < 0 1 e λx für x 0 E(X) = 1 λ Var(X) = 1 λ 2 Stetige Gleichverteilung, X U(a, b), mit a < b Dichte- und Verteilungsfunktion f U (x) = { 1 b a 0 sonst für a x b 0 für x < a x a F U (x) = für a x b b a 1 für x > b Erwartungswert und Varianz E(X) = a + b 2 Var(X) = (b a)2 12 Standardnormalverteilung, X N(0, 1) Dichte- und Verteilungsfunktion φ(x) = 1 ) exp ( x2 2π 2 für x R Φ(x) = 1 2π x ( ) exp t2 dt 2 Erwartungswert und Varianz E(X) = 0 Var(X) = 1
12 Formelsammlung zur Statistik B Seite 12 Normalverteilung (Gauß-Verteilung), X N(µ, σ 2 ) Dichte- und Verteilungsfunktion (für x R) f N (x) = 1 ) (x µ)2 exp ( 2πσ 2σ 2 F N (x) = 1 2πσ x ) (t µ)2 exp ( dt 2σ 2 Erwartungswert und Varianz E(X) = µ Var(X) = σ 2 Lineare Transformation: (a, b beliebige Zahlen) X N(µ, σ 2 ) und Y = a X + b Y N(a µ + b, a 2 σ 2 ) Linearkombination: X i N(µ i, σi 2 ) und unabhängig, a 1,..., a n beliebige Zahlen Y = a 1 X a n X n N(a 1 µ a n µ n, a 2 1 σ a 2 n σn) 2 Rückführung auf die Standardnormalverteilung Standardisierung X N(µ, σ 2 ) Z = X µ σ N(0, 1) Verteilungsfunktion X N(µ, σ 2 ) ( ) x µ P [X x] = F N (x) = Φ σ Quantile (Für 0 < p < 1) x p p-quantil von N(µ, σ 2 ) x p = µ + σz p wobei z p p-quantil von N(0, 1)
13 Formelsammlung zur Statistik B Seite 13 χ 2 -Verteilung Definition und Bezeichnung X 1,..., X n unabhängige und N(0, 1)-verteilte Zufallsvariablen. Die Verteilung von χ 2 = X Xn 2 heißt Chi-Quadrat-Verteilung mit n Freiheitsgraden, kurz χ 2 χ 2 (n). Erwartungswert und Varianz E(χ 2 ) = n Var(χ 2 ) = 2n Approximation durch die Normalverteilung für n > 30: χ 2 (n) N(n, 2n) für Quantile χ 2 p;n 1 2 (z p + 2n 1) 2 t-verteilung, Student-Verteilung Definition und Bezeichnung X N(0, 1) und Y χ 2 (n) unabhängig. Die Verteilung von T = Verteilung mit n Freiheitsgraden, kurz T t(n). X heißt t- Y/n Erwartungswert und Varianz E(T ) = 0 Var(T ) = n n 2 (n > 2) Approximation durch die Normalverteilung für n > 100: t(n) N(0, 1) für Quantile t p;n z p Fisher-Verteilung, F -Verteilung Definition und Bezeichnung Seien X χ 2 (m) und Y χ 2 (n) unabhängig. Dann heißt die Verteilung von F = X/m Y/n Fisher- oder F -Verteilung mit den Freiheitsgraden m und n, kurz F F (m, n). Erwartungswert E(F ) = n n 2 (n > 2)
14 Formelsammlung zur Statistik B Seite 14 Ungleichung von Tschebyscheff Zufallsvariable X mit E(X) = µ und Var(X) = σ(x) 2. Ungleichung von Tschebyscheff Für c > 0 gilt: P [{ X µ c}] Var(X) c 2 Ungleichung von Tschebyscheff als untere Schranke Zentrale Schwankungsintervalle Für c > 0 gilt: P [{ X µ < c}] 1 Var(X) c 2 Für κ = 2, 3, 4,... ]E[X] κσ(x), E[X] + κσ(x)[ Zentraler Grenzwertsatz Seien X 1,..., X n unabhängig und identisch verteilte Zufallsvariablen mit Mittelwert µ und Varianz σ 2. Dann gilt für großes n approximativ: P [ ] ) X µ σ/ n z Φ(z) d.h. X N (µ, σ2 n bzw. n X i N(nµ, nσ 2 ) Approximation der Binomialverteilung durch eine Normalverteilung Sei X B(n, p). Für großes n gilt approximativ X np np(1 p) N(0, 1) Anwendung mit Stetigkeitskorrektur: ( ) ( ) x 2 + 0, 5 np x P [x 1 X x 2 ] Φ 1 0, 5 np Φ np(1 p) np(1 p)
15 Formelsammlung zur Statistik B Seite 15 4 Mehrdimensionale Zufallsvariablen Zweidimensionale diskrete Zufallsvariablen (X, Y ) sei eine bivariate diskrete Zufallsvariable mit k bzw. m Ausprägungen Gemeinsame Wahrscheinlichkeitsfunktion (gemeinsame Verteilung) { P [X = x, Y = y] für (x, y) = (x1, y f(x, y) = 1 ),... 0 sonst Gemeinsame Verteilungsfunktion F (x, y) = P [X x, Y y] = f(x i, y j ) x i x y j y Randverteilung von X f X (x) = P [X = x] = m f(x, y j ) j=1 Randverteilung von Y f Y (y) = P [Y = y] = k f(x i, y) Bedingte Wahrscheinlichkeitsfunktion (bedingte Verteilung) Bedingte Wahrscheinlichkeitsfunktion von X gegeben Y = y f X (x y) = P [X = x Y = y] = f(x, y) f Y (y) (f X (x y) = 0, falls f Y (y) = 0.) Bedingte Wahrscheinlichkeitsfunktion von Y gegeben X = x f Y (y x) = P [Y = y X = x] = f(x, y) f X (x) (f Y (y x) = 0, falls f X (x) = 0.) Bedingter Erwartungswert von Y gegeben X = x µ Y X=x = E(Y X = x) = m y j f Y (y j x) j=1 Bedingter Erwartungswert von X gegeben Y = y µ X Y =y = E(X Y = y) = k x i f X (x i y)
16 Formelsammlung zur Statistik B Seite 16 Zweidimensionale stetige Zufallsvariablen (X, Y ) sei eine bivariate stetige Zufallsvariable (mit Werten (x, y) R 2 ) (Wahrscheinlichkeits-) Dichte von (X, Y ) 2-dimensionale Funktion f(x, y) 0, so dass für jedes Rechteck [a, b] [c, d]: b d P [a X b, c Y d] = f(x, y) dx dy; es gilt: f(x, y) dx dy = 1 a c Das Doppelintegral entspricht dem von der Funktion f(x, y) eingeschlossenen Volumen über der Grundfläche [a, b] [c, d]. Gemeinsame Verteilungsfunktion F (x, y) = P [X x, Y y] = x y f(s, t) ds dt Randdichten von X bzw. Y f X (x) = f(x, y) dy bzw. f Y (y) = f(x, y) dx Bedingte Dichte von X gegeben Y = y bzw. von Y gegeben X = x f X (x y) = f(x, y) f Y (y) bzw. f Y (y x) = f(x, y) f X (x) Bedingter Erwartungswert von Y gegeben X = x µ Y X=x = E(Y X = x) = yf Y (y x) dy Bedingter Erwartungswert von X gegeben Y = y µ X Y =y = E(X Y = y) = xf X (x y) dx
17 Formelsammlung zur Statistik B Seite 17 Kovarianz und Korrelation Zufallsvariablen X und Y, mit µ X = E(X), µ Y = E(Y ), Var(X) = σx 2, Var(Y ) = σ2 Y Kovarianz von X und Y σ XY = Cov(X, Y ) = E ((X µ X )(Y µ Y )) = E(X Y ) E(X) E(Y ) Erwartungswert E(X Y ) x i y j f(x i, y j ) i j E(X Y ) = xy f(x, y)dx dy X, Y diskret X, Y stetig Symmetrie Cov(X, Y ) = Cov(Y, X) Lineare Transformationen Für X = ax + b und Y = cy + d gilt Cov(X, Y ) = a c Cov(X, Y ) Korrelation zwischen X und Y ρ XY = Cov(X, Y ) Var(X) Var(Y ) = Varianz der Summe zweier Zufallsvariablen σ XY σ X σ Y Var(X + Y ) = Var(X) + Var(Y ) + 2 Cov(X, Y ) Falls X, Y unkorreliert Var(X + Y ) = Var(X) + Var(Y ) Gewichtete Summe von Zufallsvariablen Zufallsvariablen X 1,..., X k, Zahlen a 1,..., a k ; für X = a 1 X a k X k gilt: E(X) = a 1 E(X 1 ) + + a k E(X k ) k Var(X) = a 2 i X i + 2 a i a j Cov(X i, X j ) i<j
18 Formelsammlung zur Statistik B Seite 18 Unabhängigkeit von zwei Zufallsvariablen Definition: X und Y heißen unabhängig, falls f(x, y) = f X (x) f Y (y) für alle x, y bzw. P [X x, Y y] = P [X x] P [Y y] für alle x, y Zusätzliche Rechenregeln: Falls X und Y unabhängig sind, gilt: E(X Y ) = E(X) E(Y ) Var(X + Y ) = Var(X) + Var(Y ) f Y (y X = x) = f Y (y) für alle x f X (x Y = y) = f X (x) für alle y E(Y X = x) = E(Y ) für alle x E(X Y = y) = E(X) für alle y Zwei diskrete Zufallsvariablen sind unabhängig, falls P [X = x, Y = y] = P [X = x] P [Y = y] für alle x, y Unabhängigkeit mehrerer Zufallsvariablen Defintion: Zufallsvariablen X 1,..., X n heißen unabhängig, falls P [X 1 x 1,..., X n x n ] = P [X 1 x 1 ] P [X n x n ] für alle x 1,..., x n bzw. f(x 1,..., x k ) = f X1 (x 1 ) f Xn (x n ) für alle x 1,..., x n f(x 1,..., x n ) bezeichnet die gemeinsame Dichte von X 1,..., X n. f Xi (x i ) bezeichnet die Randdichte von X i, 1 i n. Diskrete Zufallsvariablen X 1,..., X n sind unabhängig, falls P [X 1 = x 1,..., X n = x n ] = P [X 1 = x 1 ] P [X n = x n ] für alle x 1,..., x n
19 Formelsammlung zur Statistik B Seite 19 5 Parameterschätzung Statistisches Modell X 1,..., X n Zufallsstichprobe Verteilung von X hängt von einem Parameter θ ab Beobachtete (realisierte) Werte: x 1,..., x n Schätzer für θ: ˆθn = g(x 1,..., X n ) (Zufallsvariable) Schätzwert für θ: ˆθn = g(x 1,..., x n ) (reelle Zahl) Bias (Verzerrung, systematischer Schätzfehler von ˆθ n ): Bias(ˆθ n ) = E(ˆθ n ) θ Varianz (zufallsbedingter Schätzfehler): Var(ˆθ n ) = E(ˆθ n E(ˆθ n )) 2 Mittlerer quadratischer Schätzfehler (MSE, Mean Squared Error): ) MSE(ˆθ n ) = E ((ˆθ n θ) 2 = Var(ˆθ n ) + Bias(ˆθ n ) 2 Schwache Konsistenz: ˆθ n ist schwach konsistent für θ, falls für jedes c > 0 : P ( ˆθ n θ c) 0 für n gilt. MSE-Konsistenz: ˆθ n ist MSE-konsistent für θ, falls MSE(ˆθ n ) 0 für n gilt. MSE-Konsistenz schwache Konsistenz
20 Formelsammlung zur Statistik B Seite 20 Maximum Likelihood Schätzung Statistisches Modell X 1,..., X n einfache Zufallsstichprobe, d.h. unabhängige Wiederholungen von X Verteilung von X hängt von einem Parameter θ ab Beobachtete (realisierte) Werte: x 1,..., x n Likelihood Funktion L(θ) L(θ) L(x 1,..., x n θ) = n f(x i θ) = f(x 1 θ) f(x n θ) f(x) f(x θ) bezeichnet für diskretes X die Wahrscheinlichkeitsfunktion und für stetiges X die Dichtefunktion. Maximum Likelihood Schätzung von θ Schätzfunktion: ˆθ arg max L(X 1,..., X n θ) θ Schätzwert: ˆθ arg max L(x 1,..., x n θ) θ Log-Likelihood-Funktion ln L(θ) (rechentechnisch oft günstiger) ln L(θ) = ln L(x 1,..., x n θ) = n ln f(x i θ)
21 Formelsammlung zur Statistik B Seite 21 6 Konfidenzintervalle (1 α)-konfidenzintervall für θ Stichprobenfunktionen G u = g u (X 1,..., X n ) und G o = g o (X 1,..., X n ), so dass (zu vorgegebener Irrtumswahrscheinlichkeit α) P [G u G o ] = 1 und P [θ [G u, G o ]] = P [G u θ G o ] = 1 α [G u, G o ] = [g u (X 1,..., X n ), g o (X 1,..., X n )] ist ein (1 α)-konfidenzintervall für θ. Konfidenzniveau (Überdeckungs-, Vertrauenswahrscheinlichkeit): 1 α Realisiertes (1 α)-konfidenzintervall Beobachtete Werte x 1,..., x 2 [g u, g o ] = [g u (x 1,..., x n ), g o (x 1,..., x n )] Symmetrisches (1 α) Konfidenzintervall erfüllt zusätzlich: P [θ < G u ] = P [θ > G o ] = α 2 Einseitiges (1 α)-konfidenzintervall (mit unterer Schranke) [G u, [ mit P [G u θ] = 1 α Einseitiges (1 α)-konfidenzintervall (mit oberer Schranke) ], G o ] mit P [θ G o ] = 1 α Konfidenzintervall für einen Erwartungswert, bekannte Varianz Annahmen: X 1,..., X n unabhängig und identisch verteilt X i N(µ, σ 2 ) Bekannte Varianz σ 2 (1 α)-konfidenzintervall für µ und bekannter Varianz σ 2 : [ X z 1 α/2 σ n, X + z 1 α/2 σ n ] Anmerkung: Falls die Annahme der Normalverteilung zutrifft, handelt es sich um ein exaktes (1 α)-konfidenzintervall andernfalls (d.h. für nicht normalverteilte Zufallsvariablen aber großem Stichprobenumfang) um ein approximatives.
22 Formelsammlung zur Statistik B Seite 22 Konfidenzintervall für einen Erwartungswert, unbekannte Varianz Annahmen: X 1,..., X n unabhängig und identisch verteilt X i N(µ, σ 2 ) Unbekannte Varianz σ 2 (1 α)-konfidenzintervall für µ: [X t 1 α/2;n 1 S n, X + t 1 α/2;n 1 S n ] mit S 2 = 1 n 1 n (X i X) 2 Anmerkung: Falls die Annahme der Normalverteilung zutrifft, handelt es sich um ein exaktes (1 α)-konfidenzintervall andernfalls (d.h. für nicht normalverteilte Zufallsvariablen aber großem Stichprobenumfang) um ein approximatives. Konfidenzintervall für eine Varianz Annahmen: X 1,..., X n unabhängig und identisch verteilt X i N(µ, σ 2 ) (1 α)-konfidenzintervall für σ 2 : [ ] (n 1)S 2 (n 1)S2, χ 2 1 α/2;n 1 χ 2 α/2;n 1 mit S 2 = 1 n 1 n (X i X) 2 Approximatives Konfidenzintervall für einen Anteilswert Annahmen: X 1,..., X n unabhängig und identisch verteilt X i Bernoulli(p) Großer Stichprobenumfang; Faustregel: n > 30, np > 5 Approximatives (1 α)-konfidenzintervall für p: [ ] ˆp(1 ˆp) ˆp(1 ˆp) ˆp z 1 α 2 n, ˆp + z 1 α 2 n mit ˆp = X
23 Formelsammlung zur Statistik B Seite 23 7 Testen von Hypothesen Allgemein gelten folgende Annahmen und Hypothesen: Annahmen: X 1,..., X n unabhängig und identisch verteilt X i N(µ, σ 2 ) Bekannte Varianz σ 2 Hypothesen: (1) H 0 : µ = µ 0 gegen H 1 : µ µ 0 (2) H 0 : µ = µ 0 gegen H 1 : µ > µ 0 (3) H 0 : µ = µ 0 gegen H 1 : µ < µ 0 H 0 : µ = µ 0 H 0 : µ = µ 0 H 0 : µ = µ 0 H 1 : µ µ 0 H 1 : µ > µ 0 H 1 : µ < µ 0 Gauß AB z beob > z 1 α/2 z beob > z 1 α z beob < z 1 α p-wert 2 P [Z z beob ] P [Z z beob ] P [Z z beob ] t-test AB t beob > t 1 α/2;n 1 t beob > t 1 α;n 1 t beob < t 1 α;n 1 p-wert 2 P [T t beob ] P [T t beob ] P [T t beob ] approx. AB z beob > z 1 α/2 z beob > z 1 α z beob < z 1 α Binomi p-wert 2 P [Z z beob ] P [Z z beob ] P [Z z beob ]
24 Formelsammlung zur Statistik B Seite 24 Gauß-Test Teststatistik: Verteilung von Z unter H 0 : n( X µ0 ) Z = σ Z N(0, 1) Ablehnungsbereich (Test zum Niveau α): (1) z beob > z 1 α/2 (2) z beob > z 1 α (3) z beob < z 1 α Überschreitungswahrscheinlichkeit: Für Z N(0, 1) (1) p-wert = P [ Z z beob ] = 2 P [Z z beob ] (2) p-wert = P [Z z beob ] (3) p-wert = P [Z z beob ] Anmerkung: Ohne Normalverteilungsannahme ist die Verteilung von Z für großen Stichprobenumfang i.allg. approximativ gültig.
25 Formelsammlung zur Statistik B Seite 25 t-test (Ein-Stichproben-Fall, σ 2 unbekannt) Teststatistik: T = n( X µ0 ) S mit S 2 = 1 n 1 n (X i X) 2 Verteilung von T unter H 0 : T t(n 1) Ablehnungsbereich (Test zum Niveau α): (1) t beob > t 1 α/2;n 1 (2) t beob > t 1 α;n 1 (3) t beob < t 1 α;n 1 Überschreitungswahrscheinlichkeit: Für T t(n 1) (1) p-wert = P [ T t beob ] = 2 P [T t beob ] (2) p-wert = P [T t beob ] (3) p-wert = P [T t beob ] Anmerkung: Ohne Normalverteilungsannahme ist die Verteilung von T für großen Stichprobenumfang i.allg. approximativ gültig.
26 Formelsammlung zur Statistik B Seite 26 Approximativer Binomialtest Teststatistik: Z = ˆp p 0 p0 (1 p 0 )/n mit ˆp = X Aproximative Verteilung von Z unter H 0 : Z N(0, 1) Ablehnungsbereich (Test zum Niveau α): (1) z beob > z 1 α/2 (2) z beob > z 1 α (3) z beob < z 1 α Überschreitungswahrscheinlichkeit: Für Z N(0, 1) (1) p-wert = P [ Z z beob ] = 2 P [Z z beob ] (2) p-wert = P [Z z beob ] (3) p-wert = P [Z z beob ] Anmerkung: Unter H 0 gilt (exakt): nˆp B(n, p 0 ). Mit den entsprechenden Quantilen der Binomialverteilung erhält man den sogenannten exakten Binomialtest.
27 Formelsammlung zur Statistik B Seite 27 Vergleich der Erwartungswerte, σ 2 x, σ 2 y bekannt Teststatistik: Verteilung von Z unter H 0 : Z = X Y σ 2 X n + σ2 Y m Z N(0, 1) Ablehnungsbereich (Test zum Niveau α): (1) z beob > z 1 α/2 (2) z beob > z 1 α (3) z beob < z 1 α Überschreitungswahrscheinlichkeit: Für Z N(0, 1) (1) p-wert = P [ Z z beob ] = 2 P [Z z beob ] (2) p-wert = P [Z z beob ] (3) p-wert = P [Z z beob ] Anmerkung: Ohne Normalverteilungsannahme ist die Verteilung von Z für große Stichprobenumfänge m, n i.allg. approximativ gültig.
28 Formelsammlung zur Statistik B Seite 28 t-test (Zwei-Stichproben-Fall), σ i unbekannt, aber σ 2 x=σ 2 y Teststatistik: T = X Y S 1/n + 1/m mit S 2 = (n 1)S2 X + (m 1)S2 Y n + m 2 Verteilung von T unter H 0 : T t(n + m 2) Ablehnungsbereich (Test zum Niveau α): (1) t beob > t 1 α/2;n+m 2 (2) t beob > t 1 α;n+m 2 (3) t beob < t 1 α;n+m 2 Überschreitungswahrscheinlichkeit: Für T t(n + m 2) (1) p-wert = P [ T t beob ] = 2 P [T t beob ] (2) p-wert = P [T t beob ] (3) p-wert = P [T t beob ] Anmerkung: Ohne Normalverteilungsannahme ist die Verteilung von T für große Stichprobenumfänge m, n i.allg. approximativ gültig.
29 Formelsammlung zur Statistik B Seite 29 t-test (Zwei-Stichproben-Fall), σ i unbekannt, σ 2 x σ 2 y Teststatistik: Verteilung von T unter H 0 : T = X Y S 2 X n + S2 Y m T t(k) wobei k größte ganze Zahl mit k Ablehnungsbereich (Test zum Niveau α): (1) t beob > t 1 α/2;k (2) t beob > t 1 α;k (3) t beob < t 1 α;k Überschreitungswahrscheinlichkeit: Für T t(k) (1) p-wert = P [ T t beob ] = 2 P [T t beob ] (2) p-wert = P [T t beob ] (3) p-wert = P [T t beob ] 1 n 1 ( S 2 X n + S2 Y m Anmerkung: Ohne Normalverteilungsannahme ist die Verteilung von T für große Stichprobenumfänge m, n i.allg. approximativ gültig. ( S 2 X n ) 2 ) m 1 ( ) S 2 2 Y m
30 Formelsammlung zur Statistik B Seite 30 t-test (verbundene Stichproben) Teststatistik: T = nd S D mit S 2 D = 1 n 1 n (D i D) 2 D i = X i Y i Verteilung von T unter H 0 : T t(n 1) Ablehnungsbereich (Test zum Niveau α): (1) t beob > t 1 α/2;n 1 (2) t beob > t 1 α;n 1 (3) t beob < t 1 α;n 1 Überschreitungswahrscheinlichkeit: Für T t(n 1) (1) p-wert = P [ T t beob ] = 2 P [T t beob ] (2) p-wert = P [T t beob ] (3) p-wert = P [T t beob ] Anmerkung: Ohne Normalverteilungsannahme ist die Verteilung von T für großen Stichprobenumfang i.allg. approximativ gültig. χ 2 -Unabhängigkeitstest Teststatistik: χ 2 = k m j=1 ( h ij h i h j n h i h j n Approximative Verteilung von χ 2 unter H 0 : ) 2 χ 2 χ 2 ((k 1)(m 1)) falls h i h j n 5 für alle i, j Ablehnungsbereich (Test zum Niveau α): χ 2 beob > χ2 1 α;(k 1)(m 1) Überschreitungswahrscheinlichkeit: Für χ 2 χ 2 ((k 1)(m 1)) p-wert = P [χ 2 χ 2 beob ]
Stochastische 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)
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
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
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
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
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)
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
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........................
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..............................
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Einführung 2 Deskriptive Statistik
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
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
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.
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
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.
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
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
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
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
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
MehrFormelsammlung und Glossar zum Kurs Statistik (Kurs 33209) mit Konzeptpapier Stand: 18. März 2011
Formelsammlung und Glossar zum Kurs Statistik (Kurs 33209) mit Konzeptpapier Stand: 18. März 2011 S. 34 35: Anmerkungen und Ergänzungen für Studierende im BSc Psychologie c 2011 FernUniversität in Hagen,
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
MehrGrundlagen Wahrscheinlichkeitsrechnung, Statistik
Grundlagen Wahrscheinlichkeitsrechnung, Statistik Was ist Statistik? Wahrscheinlichkeit Grundgesamtheit und Verteilung Verteilung von Stichprobenparametern und Intervallschätzung Werkzeug Varianzanalyse
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
MehrBeispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests
Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
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
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
MehrDIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007
Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrEinführung in die Stochastik
Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse
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
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
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
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
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
MehrGrundlagen der Wirtschaftsmathematik
Prof. Dr. Jochen Schwarze Überarbeitung: Prof. Dr. Hermann Singer Dipl.-Stat. Anja Bittner Grundlagen der Wirtschaftsmathematik und Statistik Teil Statistik, Glossar Das Werk ist urheberrechtlich geschützt.
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
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
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:
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
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
MehrEinführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik () Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de Gliederung Allgemeine Statistik. Deskriptive Statistik. Wahrscheinlichkeitstheorie.3
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
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
Mehr5 Statistische Testverfahren
70 5 Statistische Testverfahren 5.1 Grundlegende Definitionen und Binomialtest Beispiel 5.1.1: (Fortsetzung von Beispiel 4.2.15) Wir nehmen an, dass das Medikament als wenig bedenklich eingestuft werden
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
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
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
MehrWiederholung: Statistik I
Wiederholung: Statistik I Lehrstuhl für BWL, insb. Mathematik und Statistik Gegeben sei eine diskrete Zufallsvariable X. Für die möglichen Realisationen x i von X seien folgende Wahrscheinlichkeiten bekannt:
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
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 [
MehrCredit Metrics. Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc.
Wurde bei J.P.Morgan entwickelt. Credit Metrics Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc. (1997)) Basiert auf ein Bonität-Einstufungssystem
MehrEinige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
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,...,
MehrVersuch: Zufälliges Ziehen aus der Population
Wahrscheinlichkeit Ein Test diagnostiziert Kranke zu 99% richtig Gesunde zu 90% richtig 5% der Bevölkerung ist krank? Wie wahrscheinlich ist es, dass jemand krank ist, wenn der Test dies diagnostiziert?
MehrFormelsammlung zur Lehrveranstaltung Statistik für Betriebswirte. 12. Oktober 2015
Formelsammlung zur Lehrveranstaltung Statistik für Betriebswirte 12. Oktober 2015 Inhaltsverzeichnis 1 Beschreibende Statistik 1 1.1 Eindimensionale Daten........................... 1 1.1.1 Parameter..............................
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Einführung Statistik und Wahrscheinlichkeitsrechnung Lukas Meier Teilweise basierend auf Vorlesungsunterlagen von Marloes Maathuis, Hansruedi Künsch, Peter Bühlmann und Markus Kalisch. Fehler und Anregungen
MehrInhaltsverzeichnis. Vorwort 1. Kapitel 1 Einführung 3. Kapitel 2 Messtheorie und deskriptive Statistik 13
Inhaltsverzeichnis Vorwort 1 Kapitel 1 Einführung 3 1.1 Ziele... 4 1.2 Messtheorie und deskriptive Statistik... 8 1.3 Grundlagen der Wahrscheinlichkeitsrechnung... 9 1.4 Inferenzstatistik... 9 1.5 Parametrische
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.
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
MehrRisiko und Versicherung - Übung
Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de
MehrFinanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014
Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Walter Sanddorf-Köhle Foliensatz Nr. 8 1 / 40 Erweiterungen des Binomialmodells Dividendenzahlungen Sei S der Wert einer Aktie
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik
Materialien zu Stochastik 1 Einführung in die Wahrscheinlichkeitsrechnung und Statistik Dr. Christian Kredler WS 2003/04 Inhaltsverzeichnis Teil 1: Wahrscheinlichkeitsrechnung 1 1 Grundlagen der Wahrscheinlichkeitsrechnung
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
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
Mehr8. Methoden der klassischen multivariaten Statistik
8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrKompaktskript zur Vorlesung Stochastische Risikoanalyse
Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
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
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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011 Aufgabe 1 Nach einer
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
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
MehrBrückenkurs Mathematik, THM Friedberg, 15 19.9.2014
egelsammlung mb2014 THM Friedberg von 6 16.08.2014 15:04 Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014 Sammlung von Rechenregeln, extrahiert aus dem Lehrbuch: Erhard Cramer, Johanna Neslehová: Vorkurs
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrStatistik Workshop. 12. und 14. Januar 2015. Prof. Dr. Stefan Etschberger. Outline
Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten. und 4. Prof. Dr. Stefan Etschberger Outline : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe der
Mehr25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche
Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach
MehrKnut Bartels / Hans Gerhard Strohe. Arbeitsblätter. zur Vorlesung im Wintersemester 2005/06. Statistik II Induktive Statistik
Knut Bartels / Hans Gerhard Strohe Arbeitsblätter zur Vorlesung im Wintersemester 2005/06 Induktive Statistik Dies ist kein Vorlesungsskript Wirtschafts- und Sozialwissenschaftliche Fakultät Lehrstuhl
MehrM.Sc. Brice Hakwa. Zufallsprozesse und stochastische Integration. Chap 6: Monte-Carlo-Simulation
M.Sc. Brice Hakwa Zufallsprozesse und stochastische Integration Chap 6: Monte-Carlo-Simulation Motivation 1. In vielen Problemstellungen der Finanzmathematik und des Risikomanagements ist die Dynamik der
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
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
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
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
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
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
Mehr9. StatistischeTests. 9.1 Konzeption
9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen
MehrStatistik Musterlösungen
Statistik Musterlösungen Regina Tüchler & Achim Zeileis Institut für Statistik & Mathematik Wirtschaftsuniversität Wien 1 Grundbegriffe (1.23) Skript Reaktionen auf Videofilm. Aussagen M, E, P, S h(m)
MehrAnalyse von Extremwerten
Analyse von Extremwerten Interdisziplinäres Seminar: Statistische Verfahren in den Geowissenschaften Anna Hamann betreut durch Prof. Dr. Helmut Küchenhoff, Institut für Statistik Ludwig Maximilians Universität
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
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
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrGrundlagen. Wozu Wahrscheinlichkeitsrechnung? Definition und Begriff der Wahrscheinlichkeit. Berechnung von Laplace-Wahrscheinlichkeiten
Teil 2: Wahrscheinlichkeitsrechnung 326 Grundlagen Wozu Wahrscheinlichkeitsrechnung? Definition und egriff der Wahrscheinlichkeit erechnung von Laplace-Wahrscheinlichkeiten Rechnen mit einfachem Mengenkalkül
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrKlaus Pötzelberger Department of Statistics and Mathematics Wirtschaftsuniversität Wien
Interdisziplinäres Vertiefungsfach Grundkurs I: Stochastische Grundlagen der Finanzmathematik Wahlfach Mathematical Methods: Wahrscheinlichkeitsrechnung Klaus Pötzelberger Department of Statistics and
Mehr