Kennwerteverteilungen von Häufigkeiten und Anteilen
|
|
- Ernst Stein
- vor 6 Jahren
- Abrufe
Transkript
1 Kennwerteverteilungen von Häufigkeiten und Anteilen 6. Sitzung 32 S., SoSe 2003 Die hypergeometrische Verteilung Wahrscheinlichkeitsverteilung der Häufigkeit eines binären Merkmals bei Einfacher Zufallsauswahl Ohne Zurücklegen 6. Sitzung 32 S., SoSe
2 Die hypergeometrische Verteilung II 6. Sitzung 32 S., SoSe #%$ $ &' (*) +,.- / : 3 ; 3<8 = >*3 5? AB3 C D243 5C3 9EF ;? 3 ; GKMNOGKMN GKPK GK NQ GIKL GIKL GH IJ GH IJ GH NK GIQJ GHPR GHHI GKMM GPKR GPKR GKPLSGKPL T!" GHHP GHPQ GIMJ GIMJ GHHIGHHLUGH II*GHQN GHQNVGH II GHHL T GHHI GPQN!" GHHP 6. Sitzung 32 S., SoSe Abbildung aus Kühnel/Krebs, 200: 65 2
3 Verteilungsfunktion der hypergeometrischen Verteilung 6. Sitzung 32 S., SoSe Erwartungswert und Varianz der Hypergeometrischen Verteilung 6. Sitzung 32 S., SoSe
4 Die Binomialverteilung Wahrscheinlichkeit der Häufigkeit eines binären Merkmals bei Einfacher Zufallsauswahl Mit Zurücklegen 6. Sitzung 32 S., SoSe Wahrscheinlichkeit der Stichprobenzusammensetzung: ( π ) *( π ) = ( π ) *( π ) n n n n-n 2 2 N=Anzahl der Elemente der Gesamtmenge N =Häufigkeit der Ausprägung N 2 =Häufigkeit der Ausprägung 0 π = N / N π = N 0 0 / N 6. Sitzung 32 S., SoSe
5 ;:98 ;: ;:98 ;: Binomialverteilung Die Wahrscheinlichkeit der Zufallsvariablen X Häufigkeit der Ausprägung bzw. 0 eines binären Merkmals in einer einfachen Zufallsauswahl mit Zurücklegen heißt Binomialverteilung. Die Realisierungswahrscheinlichkeit für die Häufigkeit n bei einer Binomialverteilung entspricht. P(X = n ) = n n π * * ( π ) n n n 6. Sitzung 32 S., SoSe ! " # $ %&'( )&* < =>?@? AN C +,- +,. +,/ +,0 OQ RQUOQ RQ +,- +,. +,/ +,0 ORST ORST OPQR OPQR +-2.3/4065 +D-E.D/F0D5FGIHFJFKL-+ OPPTOPVP ORW R OW RS OWSR OWPR ORRW OPVQ OP RR OPPWXOPPR < =>?@? ABC < =>?@? AM C +,- +,. +,/ +,0 +,- +,. +,/ +,0 +D-E.D/F0D5FGIHFJFKL-+ OPPROP RP OPVV ORRY OWPS OWVT OWPS ORRY OPVV OP RP OPPRZ Z +D-E.D/F0D5FGIHFJFKL-+ OPPR OPPR OPPR[OPP\]OPQY ORPQ OWPP OWTY OWQV ORW R OPW^ 6. Sitzung 32 S., SoSe Abbildung aus Kühnel/Krebs, 200: 70 5
6 Binomialverteilung Die Verteilungsfunktion (die kumulierte Wahrscheinlichkeitsverteilung) für die Binomialverteilung kann wie folgt berechnet werden: n n j n P( X n ) = * π *( π) j= 0 j j 6. Sitzung 32 S., SoSe 2003 Die Binomialverteilung Erwartungswert und Varianz der Binomialverteilung Erwartungswert : µ = n* π Varianz : n* π * ( π ) Die Bernoulliverteilung Spezialfall der Binomialverteilung Stichprobenumfang n = x 6. Sitzung 32 S., SoSe
7 Relative Häufigkeiten Der Erwartungswert für den Anteil p der Ausprägungen eines binären Merkmals ist gelich den Erwartungswert der absoluten Häufigkeiten, dividiert durch den Stichprobenumfang n: µ ( p ) = 0 + * *( n* ) n µ = n π = π x Bei einer einfachen Zufallsauswahl ist der Erwartungswert des Stichprobenanteils gleich dem Populationsanteil. Dies gilt für einfache Zufallsauswahlen mit und ohne Zurücklegen. 6. Sitzung 32 S., SoSe Relative Häufigkeit 2 Varianz eines Stichprobenanteils σ (p ) Bei einer einfachen Zufallsauswahl mit Zurücklegen (Binomialverteilung) 2 2 σ ( p ) = * σ 2 x = * ( n * π 2 * ( π ) = n n π * ( π ) = n 6. Sitzung 32 S., SoSe
8 σ Relative Häufigkeit Varianz eines Stichprobenanteils (p ) σ Bei einer einfachen Zufallsauswahl ohne Ersetzung (hypergeometrische Verteilung) p π *( π N n = σ = = n n N 2 2 ) ( ) *... * 2 X 2 6. Sitzung 32 S., SoSe Beziehungen hypergeometrischer Verteilung und Binomialverteilung Beide Verteilungen haben identische Erwartungswerte Die Varianzen nähern sich für große Stichproben aneinander an Verteilungen werden sich insgesamt für große Stichproben (bzw. Populationen) ähnlicher: Sog. Asymptotische Annäherung 6. Sitzung 32 S., SoSe
9 ! " # $ %'& " #(! ) *" # % " +,-". # / 0! " 324" #. " / 5$ %'6 & / "78/ +,-/ 6 59 " #. " / 5$ %? AN? A? A? A>?? > N B M >? C C < =>?@? ABC 6. Sitzung 32 S., SoSe Abbildung aus Kühnel/Krebs, 200: 76 Die Normalverteilung und verwandte Wahrscheinlichkeitsverteilungen Kennwertverteilungen von Mittelwerten und Varianzen 6. Sitzung 32 S., SoSe
10 Wahrscheinlichkeitsdichten kontinuierlicher Zufallsvariablen Diskrete Zufallsvariable Die Ausprägungen sind abzählbar also durch ganze Zahlen erfassbar. Z.B. die absolute Häufigkeit einer Ausprägung. Kontinuierliche Zufallsvariable Die Ausprägungen liegen beliebig dicht beieinander und können nur durch reelle Zahlen erfasst werden. Z.B. die exakt gemessene durchschnittliche Körpergröße in einer Population. 6. Sitzung 32 S., SoSe Dichte Häufigkeitsdichte Wird als Quotient aus der relativen Häufigkeit einer Klasse und der Klassenbreite berechnet. Wahrscheinlichkeitsdichte Die Wahrscheinlichkeitsverteilung einer kontinuierlichen Zufallsvariable kann in Intervalle aufgeteilt werden. Die Wahrscheinlichkeitsdichte ist definiert als die Höhe eines Intervalls dessen Breite gegen null geht. 6. Sitzung 32 S., SoSe
11 ?D =?A =?D =?A = I Dichte Über die Wahrscheinlichkeitsdichten können die Wahrscheinlichkeiten von Intervallen berechnet werden. P ( a x b ) = f ( x ) d x b a a m it f ( x ) d x = b estimm tes Integral von a bis b a ü b er die Dichte d er Zufallsvariablen X 6. Sitzung 32 S., SoSe ! # 0! " / 5/! " /. " $ & 6! # 0! " / 5/! " /. 0 & /!. " 30. ". / % " # $ # / 6 5"! " # $% & # ' & (! ( ' & ) ( * # % +,# (!-.! * / % E FG! * * (! (! #.! * / % # (! H ( (! * / % :C>?C< :B> :? : ;<= :C>?C< :B> :? : ;<= Sitzung 32 S., SoSe Abbildung aus Kühnel/Krebs, 200: 84
12 { O. - Verteilungsfunktion Die Verteilungsfunktion F(x) einer kontinuierlichen Zufallsvariable ist definiert als das bestimmte Integral der Wahrscheinlichkeitsdichte von minus unendlich bis zur Stelle x: x F( x) = P( X x) = f ( u) du 6. Sitzung 32 S., SoSe ŒŠ ˆƒ ƒ ~ ~ ~ ƒ ~ƒ }! &%&! ' ( " )*! #! + " #!, $ j T U V V X Ya WX^YZ[\ e a ^W] mnz` ^_` ]] Yaa ZX [Z`] b a ZY W[_ k [l`] a ST U V e a ^WX f YZ[\ a ^YaW] Z[V^_` X g ]_hv a ZX X [Z`] b YZibXa ZY W[_ cx d a ^_a RPQ /0 / /2 /3 /4 /5 /6 /7 /80 LHKJI ME FNI FGHI BCD EC ; A op op orp orq os os ot ot ou p q p q p 6% p q Žvu vt vs vr pwrxsytzu ::2:3 Ž r = Abbildung aus Kühnel/Krebs, 200: 86 š œ ž Ÿ = = = 6. Sitzung 32 S., SoSe
13 Erwartungswert und Varianz Erwartungswert einer kontinuierlichen Zufallsvariable: + µ x = x* f ( x) dx wobei µ x = Erwartungswert einer Zufallsvariablen X 6. Sitzung 32 S., SoSe Erwartungswert und Varianz Die Varianz einer stetigen Zufallsvariablen X ist gleich: X X σ = ( x µ ) * f ( x ) d x = + - w obei (x - µ ) 2 2 x X 2 f x d x µ x * ( ) 6. Sitzung 32 S., SoSe
14 H Normalverteilungen: Die Gauß sche Normalverteilung Symmetrische, unimodale, glockenförmige Verteilung, deren Ausprägungen von bis + reichen. Kennzeichnend: feste Realisierungswahrscheinlichkeiten in Intervallen, die +/- k σ x Standardabweichungen um den Erwartungswert µ x liegen; 6. Sitzung 32 S., SoSe !" # $ # % &, ' &+ ( &+ ' &* ( &* ' & ) ( & ) ' &' ( &' ' / 0 µ µ : ; < = ; > B.,. +. *. ) -' ) * E E C J K µ4 = µ476l= : M N O O P G B I G I F I A I E C E A F G E E C J K µ4 Q µ476lq : M M R = P A B Abbildung aus Kühnel/Krebs, 200: 90 I G I F I A I E C E A F G 6. Sitzung 32 S., SoSe
15 Wahrscheinlichkeitsdichte der Normalverteilung f ( x) = * e 2 2πσ π = Kreiskonstante Pi e = Eulersche Zahl x 2 x 2 x ( x µ ) 2σ (Basis des Natürlichen Logarithmus) 6. Sitzung 32 S., SoSe Standardnormalverteilung und Z-Transformation Jede Normalverteilte Zufallsvariable X kann mit Hilfe der Z-Transformation (auch Standardisierung genannt) in eine Standardnormalverteilte Variable überführt werden. Standardisierte (d.h. standardnormalverteilte) Variablen haben einen Erwartungswert µ x = 0, und eine Standardabweichung σ x = Die Wahrscheinlichkeitsdichte einer standardnormalverteilten Variablen wird mit Φ( z) bezeichnet. 6. Sitzung 32 S., SoSe
16 Z-Transformation Standardisiert eine normalverteilte Zufallsvariable (weist ihr einen Quantilwert der Standardnormalverteilung zu) z α = q α µ X σ x z q α α = Quantilwert der standardisierten Zufallsvariablen X = Quantilwert der normalverteilten Zufallsvariablen X 6. Sitzung 32 S., SoSe Quantilwerte und Quantilwahrscheinlichkeiten Quantilwerte können als Ausprägungen von Standardnormalverteilungen betrachtet werden Diesen Quantilwerten können Auftretenswahrscheinlichkeiten zugewiesen werden: Dies geschieht über die sogenannte Z- Tabelle der Quantile der Normalverteilung. (S.642-Kühnel/Krebs) 6. Sitzung 32 S., SoSe
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
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
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 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)
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, 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
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
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
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)
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
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..............................
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,
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
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
MehrVeranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME):
Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): MATRIKELNUMMER: Alte Prüfungsordnung/Neue Prüfungsordnung
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
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
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
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
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
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
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
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
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:
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........................
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
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....................
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
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
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
MehrGrundlagen Wahrscheinlichkeitsrechnung, Statistik
Grundlagen Wahrscheinlichkeitsrechnung, Statistik Was ist Statistik? Wahrscheinlichkeit Grundgesamtheit und Verteilung Verteilung von Stichprobenparametern und Intervallschätzung Werkzeug Varianzanalyse
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
MehrAnalyse klassierter Daten: Vor der Analyse fasst man jeweils mehrere Merkmalsausprägungen in (Merkmalswerte-)Klassen zusammen.
4. Analyse univariater Daten: Übersicht Mathematik ist die Wissenschaft der reinen Zahl, Statistik die der empirischen Zahl Von univariaten Daten spricht man, wenn bei der Datenerhebung nur ein Merkmal
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
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
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
MehrHauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg
Baden-Württemberg: Abitur 04 Pflichtteil www.mathe-aufgaben.com Hauptprüfung Abiturprüfung 04 (ohne CAS) Baden-Württemberg Pflichtteil Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com
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
Mehr1 Verteilungen und ihre Darstellung
GKC Statistische Grundlagen für die Korpuslinguistik Kapitel 2: Univariate Deskription von Daten 8.11.2004 Univariate (= eindimensionale) Daten bestehen aus Beobachtungen eines einzelnen Merkmals. 1 Verteilungen
MehrMotivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit
Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.
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?
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
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
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
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
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
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
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
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
MehrVarianzanalyse ANOVA
Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für
MehrAnleitung zum Physikpraktikum für Oberstufenlehrpersonen Fehlerrechnung und Statistik (FR) Herbstsemester 2015
Anleitung zum Physikpraktikum für Oberstufenlehrpersonen Fehlerrechnung und Statistik (FR) Herbstsemester 2015 Physik-Institut der Universität Zürich Inhaltsverzeichnis 12 Fehlerrechnung und Statistik
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
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
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
MehrPPL 10 Installationsanleitung
PPL 10 Installationsanleitung Stand Juli 2012!" Inhaltsverzeichnis Schritt 1: Installation Dongle Software... 3 Schritt 2: Überprüfung Installation Dongle Software... 6 Schritt 3: Überprüfung der JAVA
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
MehrDatenanalyse und Statistik
Datenanalyse und Statistik p. 1/44 Datenanalyse und Statistik Vorlesung 2 (Graphik I) K.Gerald van den Boogaart http://www.stat.boogaart.de Datenanalyse und Statistik p. 2/44 Daten Schätzung Test Mathe
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
MehrDeskriptive Statistik
Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche
MehrVon den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren
Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Michael Unrau HS WS 08/09 14 November 2008 HS 08/09 Monte-Carlo Methoden 14 November 2008 1 / 24
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 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
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?
Mehre d m m = D d (E e (m)) D d E e m f c = f(m) m m m 1 f(m 1 ) = c m m 1 m c = f(m) c m c m b b 0, 1 b r f(b, r) f f(b, r) := y b r 2 n, n = pq ggt (p, q) = 1 p q y n f K f(x + y) = f(x) + f(y) f(x y) =
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?.............................
MehrFaktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975)
Dass das Problem, die Primzahlen von den zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren zu zerlegen zu den wichtigsten und nützlichsten der ganzen Arithmetik gehört und den Fleiss
MehrStichwortverzeichnis. 3-of-a-Kind (Poker) 112, 114 4-of-a-Kind (Poker) 112, 114 50-50-Irrtum 348
3-of-a-Kind (Poker) 112, 114 4-of-a-Kind (Poker) 112, 114 50-50-Irrtum 348 50-50-Situation 36 α-stufe 249 λ 259, 264, 323 σ 190 A Abzählbar unendlich (Mengentyp) 40 Abzählproblem 106 Abzählregel 95 Additionsregel
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
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,
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
MehrKapitel 6: Statistische Qualitätskontrolle
Kapitel 6: Statistische Qualitätskontrolle 6. Allgemeines Für die Qualitätskontrolle in einem Unternehmen (produzierendes Gewerbe, Dienstleistungsunternehmen, ) gibt es verschiedene Möglichkeiten. Statistische
MehrModellbildung und Simulation
Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:
Mehr1. Einführung und statistische Grundbegriffe. Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik:
. Einführung und statistische Grundbegriffe Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik: Quantitative Information Graphische oder tabellarische Darstellung von Datenmaterial
MehrMesssystemanalyse (MSA)
Messsystemanalyse (MSA) Inhaltsverzeichnis Ursachen & Auswirkungen von Messabweichungen Qualifikations- und Fähigkeitsnachweise Vorteile einer Fähigkeitsuntersuchung Anforderungen an das Messsystem Genauigkeit
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)
MehrRegressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )
Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels
MehrStetige Verteilungsmodelle
Stetige Verteilungsmodelle Worum geht es in diesem Modul? Stetige Verteilungsfunktionen Quantile Dichtefunktion Maßzahlen stetiger Verteilungen Stetige Gleichverteilung Exponentialverteilung Überprüfung
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
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,...,
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
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
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:
MehrSkript zur Übung: Grundlagen der empirischen Sozialforschung - Datenanalyse
Skript zur Übung: Grundlagen der empirischen Sozialforschung - Datenanalyse Phasen des Forschungsprozesses Auswahl des Forschungsproblems Theoriebildung Theoretische Phase Konzeptspezifikation / Operationalisierung
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
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 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
MehrWörterbuch Statistik. Für Statistiker und solche, die es werden wollen oder müssen. die wichtigsten Begriffe mit Formeln
Für Statistiker und solche, die es werden wollen oder müssen Prof. Dr. Bianca Krol Prof. Dr. Karsten Lübke Wörterbuch Statistik die wichtigsten Begriffe mit Formeln Liebe Studierende, Anfang Mai 2011 hat
MehrNachholklausur STATISTIK II
Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrStatistik Rechnerübungen Beispiele für die Einführungsstunde mit Lösungsweg
Statistik Rechnerübungen Beispiele für die Einführungsstunde mit Lösungsweg Prof. Dr. Peter Plappert Fakultät Grundlagen Für alle Beispiele benötigen Sie die Datei einf_daten.xls. Für Beispiel 1 ist zusätzlich
MehrPortfolio Management
Kapitel 3 Portfolio Management Josef Leydold c 2006 Mathematische Methoden III Portfolio Management 1 / 45 Lernziele Konzept der modernen Portfolio-Theorie Capital Asset Pricing Model Optimieren eines
MehrÜberblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus
Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus Einleitung Ein Online-Algorithmus muss Ausgaben berechnen, ohne zukünftige Eingaben zu kennen. Für die Bewertung von
Mehra n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n
Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen
MehrEinführung in die schließende Statistik - Von der Wahrscheinlichkeit zur Hypothese mit Beispielen in R und SPSS
Einführung in die schließende Statistik - Von der Wahrscheinlichkeit zur Hypothese mit Beispielen in R und SPSS Version 0.9 (7.5.204) Haiko Lüpsen Universität zu Köln Regionales Rechenzentrum (RRZK) Kontakt:
MehrMusterlösung zum Projekt 3: Splice Sites
Statistik für Bioinformatiker SoSe 2003 Rainer Spang Musterlösung zum Projekt 3: Splice Sites Aufgabe 1. In Vorlesung 5 wurde die Donor Frequency Matrix behandelt. Konstruiere eine solche mit Hilfe der
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
Mehr