Biostatistik, Sommer 2017
|
|
- Josef Schulz
- vor 6 Jahren
- Abrufe
Transkript
1 1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke 9. Vorlesung:
2 2/39 Inhalt 1 Asymptotik Gesetz der großen Zahl Zentraler Grenzwertsatz 2 Schließende Statistik: Grundlagen Einführendes Beispiel Formaler Rahmen Schätzproblem
3 3/39 Fragestellung Asymptotik Seien X 1, X 2,... unabhängige reelle Zufallsvariablen. Welche Regelmäßigkeiten findet man für die Summe für große n? S n = X X n
4 Asymptotik Gesetz der großen Zahl Seien X 1, X 2,... unabhängige reelle Zufallsvariablen mit gleicher Verteilung und mit Erwartungswert µ = E[X 1 ]. Sei Satz (Gesetz der großen Zahl) Es gilt S n lim n n Für jedes ε > 0 gilt S n = X X n. = µ mit Wahrscheinlichkeit 1. Grob gesagt gilt also: lim P[ S n /n µ > ε ] = 0. n S n µn für große n. Dieser Satz rechtfertigt die Bedeutung des Erwartungswertes als Lagemaß. 4/39
5 5/39 Asymptotik Gesetz der großen Zahl Beispiel Seien X 1, X 2,... die Augenzahlen unabhängiger Würfelwürfe. Dann gilt E[X 1 ] = 3.5. Wir erwarten also für 1000 Würfe und für Würfe S S
6 6/39 Asymptotik Gesetz der großen Zahl Beispiel Würfelwürfe (Fortsetzung) Mit R kann man zwanzig Würfelwürfe erzeugen: > sample(c(1,2,3,4,5,6), c(1/6,1/6,1/6,1/6,1/6,1/6), replace=true, size=20) [1] Kurzform > sample(1:6, replace=true, size=20) [1] Gefälschter Würfel: > sample(c(1,2,3,4,5,6), c(1/10,1/10,1/10,1/10,1/10,1/2), replace=true, size=20) [1]
7 7/39 Asymptotik Gesetz der großen Zahl Beispiel Würfelwürfe (Fortsetzung/2) 1000 Würfe: > n < > sum(sample(1:6, replace=true, size = n)) / n [1] Nochmal... > sum(sample(1:6, replace=true, size = n)) / n [1] Würfe > n < > sum(sample(1:6, replace=true, size = n)) / n [1] Nochmal... > sum(sample(1:6, replace=true, size = n)) / n [1]
8 8/39 Asymptotik Gesetz der großen Zahl Beispiel Würfelwürfe (Fortsetzung/3) R-Befehl für Partialsummen: > cumsum( 1:10 ) [1] Gemittelte Partialsummen > n <- 10 > cumsum( 1:n )/(1:n) [1] Gemittelte Partialsummen beim fachen Würfelwurf S 1 /1, S 2 /2, S 3 /3,..., S /10000: > n < > plot( cumsum( sample(1:6, replace=true, size = n) ) / ( 1:n ))
9 Asymptotik Gesetz der großen Zahl Würfelsumme, Würfe, S n /n S n n Anzahl Wuerfe 9/39
10 Asymptotik Gesetz der großen Zahl Würfelsumme, Würfe, Versuche /39
11 Asymptotik Gesetz der großen Zahl Würfelsumme, Würfe, Versuche /39
12 Asymptotik Gesetz der großen Zahl Würfelsumme, Würfe, Versuche /39
13 13/39 Asymptotik Gesetz der großen Zahl Erzeugung Histogramme der letzten Folien Mit replicate wird der nachfolgende Befehl mehrfach ausgeführt. Anwendung: 10 Versuche mit 500 Würfelwürfen: > m <- 10 > n <- 500 > ww <- replicate(m, sum( sample(1:6, replace=true, size=n) )) > ww [1] > sum(ww<1730) # Anzahl der Werte <1730 [1] 2 > sum(ww>1740 & ww<=1750) # Logisches UND [1] 4
14 14/39 Asymptotik Gesetz der großen Zahl Erzeugung Histogramme der letzten Folien Versuche mit 1000 Würfelwürfen: > m < > n < > ww <- replicate(m, sum( sample(1:6, replace=true, size=n) )) > hist(ww) # Erzeugt ein Histogramm Mittelwert > mean(ww) [1] Standardabweichung > sd(ww) [1]
15 15/39 Asymptotik Zentraler Grenzwertsatz Seien X 1, X 2,... unabhängige reelle Zufallsvariablen mit gleicher Verteilung, mit Erwartungswert µ = E[X 1 ] und Varianz σ 2 = Var[X 1 ]. Sei S n = X X n und S n := S n µn nσ 2. Sei Φ die Verteilungsfunktion der Standardnormalverteilung. Satz (Zentraler Grenzwertsatz) Für jedes x R gilt lim n P[S n x] = Φ(x). Grob gesprochen ist also S n ungefähr N 0,1 -verteilt und S n ist ungefähr N µn,σ 2 n-verteilt.
16 16/39 Asymptotik Zentraler Grenzwertsatz Beispiel: Augensumme S 1000 bei 1000 Würfelwürfen X 1,..., X 1000 unabhängig, P[X i = k] = 1 für k = 1,..., 6. Also 6 µ = E[X 1 ] = 7/2 und E[X 2 1 ] = 6 k k=1 = = 91 6 und σ 2 = Var[X 1 ] = E[X 2 1 ] E[X 1 ] 2 = 91 6 ( 7 2 ) 2 = Also ist S 1000 ungefähr normalverteilt mit Mittelwert 1000 µ = 3500 und Varianz 1000 σ 2 = 35000/12 = Also mit Streuung 1000 σ 2 = 54.
17 Asymptotik Zentraler Grenzwertsatz Vergleich: Würfelsumme, Würfe - Normalverteilung /39
18 18/39 Asymptotik Zentraler Grenzwertsatz Beispiel (Fortsetzung) Wie groß ist die Wahrscheinlichkeit, bei 1000 Würfelwürfen eine Augensumme von höchstens 3400 zu erhalten? Es ist σ = 35/12, also S1000 = S n Somit /12 [ P[S ] = P S1000 Symmetrie: Φ(x) = 1 Φ( x) liefert ] Φ( 100/54) = Φ( 1.85). P[S ] 1 Φ(1.85) = = Die Wahrscheinlichkeit ist also etwa 3.2%.
19 Asymptotik Zentraler Grenzwertsatz Anteil Würfelsumme Würfe, Durchgänge Anteil /39
20 20/39 Asymptotik Empirisches Vorgehen Zentraler Grenzwertsatz Versuche mit 1000 Würfelwürfen: > m < > n < > ww <- replicate(m, sum( sample(1:6, replace=true, size=n) )) Anteil der Versuche mit Augensumme 3400: > sum( ww<=3400 ) / m [1] Anteil der Versuche mit Augensumme 3420 oder 3580: > sum(ww<=3420 ww >= 3580) / m # Logisches ODER [1]
21 21/39 Asymptotik Zentraler Grenzwertsatz Beispiel (Fortsetzung) Wie groß ist die Wahrscheinlichkeit, bei 1000 Würfelwürfen eine Augensumme zu erhalten, die um mindestens 80 von 3500 abweicht? P[ S ] [ ] = P S [ + P S1000 ] Φ( 80/54) + 1 Φ(80/54) = 2 (1 Φ(1.48)). Tabelle: Φ(1.48) = Also P[ S ] 2( ) = Die Wahrscheinlichkeit ist also etwa 13.9%.
22 Asymptotik Zentraler Grenzwertsatz Anteil Würfelsumme 3420 oder Würfe, Durchgänge Anteil /39
23 23/39 Schließende Statistik: Grundlagen Einführendes Beispiel Beispiel: Kindergarten Familie mit zwei Kindern im Kindergartenalter. Beim Packen der Kindergartentasche eines Kindes vergisst der Vater in 10% die Mutter in 40% der Fälle, das Pausenbrot mitzugeben. Der Kindergärtner findet eines der beiden Kinder ohne Pausenbrot. War heute Vater oder Mutter zuständig?
24 24/39 Schließende Statistik: Grundlagen Beispiel: Kindergarten Einführendes Beispiel Idee: Aus einer Menge von plausiblen Hypothesen Θ = {Vater, Mutter} diejenige auswählen, unter der die Beobachtung am wahrscheinlichsten ist. Mögliche Beobachtungen (Anzahl der fehlenden Pausenbrote) X = {0, 1, 2}. Tatsächliche Beobachtung: x = 1. Annahme: Das Pausenbrot wird bei beiden Kindern unabhängig vergessen. Dann ist X = 0 X = 1 X = 2 p Vater = = = 0.01 p Mutter = = = 0.16
25 25/39 Schließende Statistik: Grundlagen Beispiel: Kindergarten Einführendes Beispiel X = 0 X = 1 X = 2 p Vater = = = 0.01 p Mutter = = = 0.16 Ergebnis: Unter der Hypothese ϑ =Mutter ist die Beobachtung x = 1 (hungrige Kinder) wahrscheinlicher (0.48) als unter der Hypothese ϑ =Vater (0.18).
26 26/39 Schließende Statistik: Grundlagen Beispiel: Kindergarten Einführendes Beispiel Die Schlussfolgerung hängt stark an den Modellannahmen. Nehmen wir an, dass die Mutter mit Wahrscheinlichkeit 40% vergisst, beiden Kindern das Pausenbrot mitzugeben, sonst aber beiden eines mitgibt,- der Vater hingegen unabhängig voneinander die beiden Pausenbrote vergisst, so erhalten wir X = 0 X = 1 X = 2 p Vater p Mutter In diesem Fall wäre die Beobachtung x = 1 unter der Hypothese ϑ = Mutter unmöglich, also müsste man wohl ϑ = Vater annehmen.
27 27/39 Schließende Statistik: Grundlagen Beispiel: Kindergarten Einführendes Beispiel Die Vermutung ϑ = Mutter gibt nicht die wahrscheinlichste Hypothese zu einer gegebenen Beobachtung an, sondern diejenige Hypothese, bei der die Beobachtung am wahrscheinlichsten auftritt. Man nennt dies das Likelihood-Prinzip.
28 28/39 Schließende Statistik: Grundlagen Einführendes Beispiel Beispiel: Kindergarten Irrtumswahrscheinlichkeit Irrtumswahrscheinlichkeit? Darüber kann man grundsätzlich keine Aussage machen, wenn man keine Vorurteile zur Wahrscheinlichkeit der Hypothesen hat.
29 29/39 Schließende Statistik: Grundlagen Beispiel: Kindergarten Irrtumswahrscheinlichkeit Einführendes Beispiel Angenommen, der Vater ist an 75% der Tage für die Kinder zuständig. Bayes sche Formel liefert P[Mutter X = 1] P[X = 1 Mutter] P[Mutter] = P[X = 1 Mutter] P[Mutter] + P[X = 1 Vater] P[Vater] = = In 47% der Fälle, in denen exakt ein hungriges Kind im Kindergarten ist, war also die Mutter schuld.
30 30/39 Schließende Statistik: Grundlagen Beispiel: Kindergarten Einführendes Beispiel Wir halten fest: Aussagen über die Wahrscheinlichkeit, dass eine Hypothese wahr ist, lassen sich nur treffen, wenn man Vorurteile über die Wahrscheinlichkeiten der Hypothesen hat (Bayes sche Statistik). Ein Teil der Vorurteile fließt stets in die Auswahl des Modells, also bei der Festlegung der Menge plausibler Hypothesen ein. (Es könnte ja auch die Oma gewesen sein.)
31 31/39 Schließende Statistik: Grundlagen Statistisches Modell Formaler Rahmen X Menge möglicher Beobachtungswerte der gesamten Stichprobe. Oft: n einzelne Stichproben mit Werten in einer Menge W. Dann X = W n = { x = (x 1,..., x n ) : x 1,..., x n W }. Θ = Parametermenge für die Wahrscheinlichkeitsverteilungen p ϑ, ϑ Θ, (=Hypothesen), die für die Beobachtungen auf X in Frage kommen. Ein statistisches Modell ist durch die Angabe von X und (p ϑ ) ϑ Θ festgelegt.
32 32/39 Schließende Statistik: Grundlagen Formaler Rahmen Beispiel Im Kindergartenbeispiel ist X = {0, 1, 2}, Θ = { Vater, Mutter} und p Vater = b 2, 0.1, p Mutter = b 2, 0.4.
33 33/39 Schätzer Schließende Statistik: Grundlagen Schätzproblem Statistisches Modell mit X und (p ϑ ) ϑ Θ. Zu einer Beobachtung x X wollen wir das plausibelste ϑ = ˆϑ(x) Θ angeben. Definition Ein solches ˆϑ(x) nennen wir Schätzwert. Die Abbildung ˆϑ : X Θ heißt Schätzer.
34 34/39 Schließende Statistik: Grundlagen Likelihood Prinzip Schätzproblem Ist X diskret, so ist p ϑ (x) die Wahrscheinlichkeit, dass die Beobachtung x X gemacht wird, falls die Hypothese ϑ Θ richtig ist. Dann heißt ϑ L x (ϑ) = p ϑ (x) die Likelihoodfunktion für die Beobachtung x. Ist X = R und f ϑ (x) die Dichte der Verteilung p ϑ, so ist L x (ϑ) = f ϑ (x) die Likelihoodfunktion für die Beobachtung x. Maximum Likelihood Prinzip Wähle Schätzwert ϑ = ˆϑ(x) so, dass L x (ϑ) maximal wird.
35 Schließende Statistik: Grundlagen Likelihood Prinzip Schätzproblem Beispiel: Gartenkresse X = {0, 1,..., 100} mögliche Beobachtungen. ϑ Θ = [0, 1] Keimungswahrscheinlichkeit Unabhängigkeitsannahme: p ϑ = b 100,ϑ. Likelihood ( ) 100 L x (ϑ) = ϑ x (1 ϑ) 100 x x maximal, wenn Ableitung L x(ϑ) = 0 ist. Rechnung: L x(ϑ) = 0 =... = ϑ = x 100. Der plausibelste Schätzwert (Maximum Likelihood) für die Keimungswahrscheinlichkeit ist also der Anteil der gekeimten Samen. 35/39
36 36/39 Unverzerrtheit Schließende Statistik: Grundlagen Schätzproblem Oft ist Θ R. Dann können wir Erwartungswerte bilden. Definition Ein Schätzer ˆϑ heißt unverzerrt oder erwartungstreu, wenn für die zufällige Beobachtung X gilt Die Differenz E ϑ [ ˆϑ(X)] = ϑ für jedes ϑ Θ. E ϑ [ ˆϑ(X)] ϑ heißt Bias (oder Verzerrung) des Schätzers.
37 37/39 Schließende Statistik: Grundlagen Schätzproblem Unverzerrtheit Beispiel: Gartenkresse Die zufällige Beobachtung X ist binomialverteilt b 100,ϑ, wenn ϑ [0, 1] wahr ist. Daher ist E ϑ [ ˆϑ(X)] = E ϑ [X/100] = 100ϑ/100 = ϑ. Also ist der Maximum-Likelihood Schätzer ˆϑ(x) = x 100 ein unverzerrter Schätzer für die Keimungswahrscheinlichkeit.
38 Also ist ˆµ unverzerrt. 38/39 Schließende Statistik: Grundlagen Schätzproblem Unverzerrtheit Beispiel: Normalverteilung Seien X 1,..., X n unabhängig und normalverteilt N µ,σ 2 mit bekanntem σ 2 und unbekanntem µ. Wir wollen µ aus der Beobachtung schätzen. Formal: X = R n, Θ = R und für µ Θ sind X 1,..., X n unabhängig N µ,σ 2. Man kann zeigen, dass der Mittelwert ˆµ(x 1,..., x n ) = x = x x n n der Maximum-Likelihood Schätzer ist. Außerdem ist [ ] 1( E µ [ˆµ(X 1,..., X n )] = E µ X = Eµ [X 1 ] E µ [X n ] ) = µ. n
39 39/39 Schließende Statistik: Grundlagen Schätzproblem Unverzerrtheit Beispiel: Normalverteilung Seien X 1,..., X n unabhängig und normalverteilt N µ,σ 2 mit unbekanntem σ 2 und unbekanntem µ. Wir wollen σ 2 aus der Beobachtung schätzen. ˆσ 2 (x 1,..., x n ) = 1 n 1 n (x i x) 2 ist ein unverzerrter Schätzer für σ 2. Dies erklärt den anfangs überraschenden Nenner n 1 statt n. i=1
Beispiel 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.
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
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)
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
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
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
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
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
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Vergleich zweier Stichproben, nichtparametrische Tests Prof. Dr. Achim Klenke http://www.aklenke.de 11. Vorlesung: 27.01.2012 1/86 Inhalt 1 Tests t-test 2 Vergleich zweier
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
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
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
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.
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,
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
MehrFragestellungen der Schließenden Statistik
Fragestellungen der Schließenden Statistik Bisher: Teil I: Beschreibende Statistik Zusammenfassung von an GesamtheitM N {e,,e N } erhobenem Datensatz x,,x N durch Häufigkeitsverteilung und Kennzahlen für
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
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 [
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
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
MehrGrundlagen Wahrscheinlichkeitsrechnung, Statistik
Grundlagen Wahrscheinlichkeitsrechnung, Statistik Was ist Statistik? Wahrscheinlichkeit Grundgesamtheit und Verteilung Verteilung von Stichprobenparametern und Intervallschätzung Werkzeug Varianzanalyse
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
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
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
MehrStatistik I für Betriebswirte Vorlesung 11
Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
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
MehrJetzt lerne ich Stochastik für die Oberstufe
Jetzt lerne ich Stochastik für die Oberstufe von Dr. rer. nat. Marco Schuchmann, Dipl.-Math. - 2 - - 3 - Vorwort In diesem Buch werden Anwendungen der Stochastik in der Oberstufe mit vielen Beispielen
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,
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..............................
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
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
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
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrSozialwissenschaftliche Methoden und Statistik I
Sozialwissenschaftliche Methoden und Statistik I Universität Duisburg Essen Standort Duisburg Integrierter Diplomstudiengang Sozialwissenschaften Skript zum SMS I Tutorium Von Mark Lutter Stand: April
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
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
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
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
MehrRisiko und Symmetrie. Prof. Dr. Andrea Wirth
Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie
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
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
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
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
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?
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
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........................
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
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
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
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
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
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,...,
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
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
MehrVerteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35
Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man
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
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
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
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
Mehr1. Einführung in die Statistik. 2. Wohin geht die Reise? Worum geht es?
Leitfragen zu Abschnitt Was soll im Kurs gelernt werden? Wie ist der Kurs organisiert? Wo sind weitere Informationen zu finden?. Einführung in die Statistik 2. Wohin geht die Reise? Leitfragen zu Abschnitt
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?
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
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
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
Mehr3.8 Wahrscheinlichkeitsrechnung III
3.8 Wahrscheinlichkeitsrechnung III Inhaltsverzeichnis ufallsgrössen Der Erwartungswert 3 3 Die Binomialverteilung 6 4 Die kumulierte Binomialverteilung 8 4. Die Tabelle im Fundamentum (oder Formeln und
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
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
Mehr27. Statistische Tests für Parameter. Was ist ein statistischer Test?
27. Statistische Tests für Parameter Wenn du eine weise Antwort verlangst, musst du vernünftig fragen Was ist ein statistischer Test? Ein statistischen Test ist ein Verfahren, welches ausgehend von Stichproben
MehrEinführung in Statistik und Messwertanalyse für Physiker
Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1
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:
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
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
MehrElementare statistische Methoden
Elementare statistische Methoden Vorlesung Computerlinguistische Techniken Alexander Koller 28. November 2014 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen? Ziel
MehrTextmining Klassifikation von Texten Teil 1: Naive Bayes
Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive
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
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
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
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
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
MehrKlassische Risikomodelle
Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
Mehr3.3. Aufgaben zur Binomialverteilung
.. Aufgaben zur Binomialverteilung Aufgabe 1: Ziehen mit Zurücklegen und Binomialverteilung Ein sechsseitiger Würfel wird zehnmal geworfen. a) Wie groß ist die Wahrscheinlichkeit, nur beim ersten Mal die
MehrEinfache Statistiken in Excel
Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum
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
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.
MehrBachelorarbeit: Ein diskretes Modell für Finanzmärkte
Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Die Finanzmathematik ist momentan eine der wichtigsten Anwendungender. Hier soll ein grundlegendes Modell erörtert werden, das auf der Entwicklung
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
MehrParametrische Statistik
Statistik und ihre Anwendungen Parametrische Statistik Verteilungen, maximum likelihood und GLM in R Bearbeitet von Carsten F. Dormann 1. Auflage 2013. Taschenbuch. xxii, 350 S. Paperback ISBN 978 3 642
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
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
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
Mehr