1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
|
|
- Walther Koch
- vor 6 Jahren
- Abrufe
Transkript
1 Ihaltsverzeichis 1 Vorbemerkuge 1 Zufallsexperimete - grudlegede Begriffe ud Eigeschafte 3 Wahrscheilichkeitsaxiome 4 4 Laplace-Experimete 6 5 Hilfsmittel aus der Kombiatorik 7 6 Bedigte Wahrscheilichkeite ud Uabhägigkeit vo Ereigisse 10 7 Zufallsvariable ud Verteilugsfuktio 16 8 Diskrete Zufallsvariable 18 9 Stetige Zufallsvariable 8 10 Fuktioe vo eier oder mehrere Zufallsvariable Grezwertsätze 46 1 Parameterschätzuge ud Schätzfuktioe Kofidezitervalle 51
2 11 Grezwertsätze Bei viele i der Praxis vorkommede Zufallsvariable ka ma davo ausgehe, dass sie additiv aus viele uabhägige ichtdomiierede Eizeleiflüsse zusammegesetzt sid. I diesem Zusammehag iteressiert die Wahrscheilichkeitsverteilug der Summe Z = X 1 + X X. Gilt E(X i ) = µ ud V ar(x i ) = für alle i = 1,,...,, so gilt E(Z ) = µ ud V ar(z ) =. Für sid dies uedliche Größe (falls µ 0 bzw. 0). Ma betrachtet daher die stadardisierte Zufallsvariable womit da Y = Z E(Z ) V ar(z ) = Z µ, E(Y ) = 0 ud V ar(y ) = 1 gilt. Der folgede zetrale Grezwertsatz besagt, dass Y äherugsweise ormalverteilt ist. Die Normalverteilug spielt daher i der Statistik eie besodere Rolle Satz (Zetraler Grezwertsatz) Die Zufallsvariable X 1, X,..., X seie für jedes N uabhägig mit derselbe Verteilug, d. h. isbesodere E(X i ) = µ ud V ar(x i ) = für alle i. Da gilt für die Verteilugsfuktio der sogeate stadardisierte Summe Y = X i µ = Z µ 11. Bemerkug lim P (Y x) = Φ(x) = 1 x e u du π Für große (Faustregel 30) ist Y ugefähr N(0, 1)-verteilt, die Summe Z = X i ugefähr N(µ, )-verteilt ud das arithmetische Mittel X = 1 X i ugefähr N(µ, )-verteilt Beispiel Ei Autohaus hat ermittelt, dass bei eier Stadardabweichug vo = 1, 6 durchschittlich alle, 4 Werktage ei PKW des Typs Fiasko verkauft wird. Mit welcher Wahrscheilichkeit werde im Laufe eies Quartals (75 Werktage) midestes 35 Fiaskos verkauft? Sei X i, i = 1,,...,, die zufällige Zeitspae zwische dem Verkauf des (i 1)-te ud des i-te Fiaskos. Da ist Z = X i die zufällige Zeitspae bis zum Verkauf des -te Fiaskos. Gesucht ist also P (Z 35 75). Wir gehe davo aus, dass die X i uabhägig sid. Es gilt E(Z 35 ) = 35, 4 = 84 ud V ar(z 35 ) = 35 1, 6 = 89, 6. Wege = 35 köe wir ach Bemerkug 11. aehme, dass Z 35 äherugsweise N(84; 89, 6)-verteilt ist. Somit ist P (Z 35 75) = Φ( ) Φ( 0, 95) 0, , 6 Für grobe Abschätzuge ohe große Voriformatioe diet die folgede Tschebyscheffsche Ugleichug. 46
3 11.4 Satz (Tschebyscheffsche Ugleichug) Sei X Zufallsvariable mit E(X) = µ ud V ar(x) =. Da lässt sich für jedes c > 0 die Wahrscheilichkeit für die Abweichug vom Erwartugswert abschätze durch P ( X µ c) c de: Für eie stetige Zufallsvariable X mit der Dichte f(x) gilt: V ar(x) = Der Beweis für de diskrete Fall geht aalog Beispiel = (x µ) f(x) dx }{{} 0 {x: x µ c} c {x: x µ c} = c P ( X µ c) (x µ) f(x) dx }{{} c f(x) dx Der Newert der Kapazität vo Kodesatore sei 300µF. Die tatsächliche Kapazitäte X streue jedoch mit eier Stadardabweichug vo = 1µF um de Newert. Eie obere Schrake für die Wahrscheilichkeit, dass die Kapazität um midestes 5% vom Newert abweicht ist P ( X ) 1 = 0, Wisse wir, dass die Kapazität N(300, 1 )-verteilt ist, so erhalte wir für die Wahrscheilichkeit eier Abweichug vo midestes 5% P ( X ) = 1 P ( 15 X ) = 1 P ( 15 1 X ) = 1 (Φ(1, 5) Φ( 1, 5)) = Φ(1, 5) 0, 113 Ma sieht, dass die zusätzliche Ketis der Wahrscheilichkeitsverteilug mit erheblichem Iformatiosgewi verbude ist. Wege des folgede schwache Gesetzes der große Zahle liegt für große das arithmetische Mittel (aus Messuge, Stichprobe) i der Nähe des Erwartugswertes. Ma immt daher das arithmetische Mittel auch als Schätzwert für de Erwartugswert Satz (Schwaches Gesetz der große Zahle) Die Zufallsvariable X 1, X,..., X seie alle utereiader uabhägig mit gleichem Erwartugswert µ ud gleicher Variaz. Da gilt für jedes ε > 0 0 P ( 1 X i µ ε) ε 47
4 ud damit lim P ( 1 X i µ ε) = Beispiel Jemad geht a 50 Tage stets zu eiem zufällig gewählte Zeitpukt zur Bushaltestelle. Die zufällige Wartezeit X i am i-te Tag bis zum Eitreffe des ächste Busses habe de Erwartugswert µ = 3 Miute ud eie Variaz vo = 1, 5 Miute. Gesucht ist eie utere Schrake für die Wahrscheilichkeit, dass die mittlere Wartezeit zwische, 5 ud 3, 5 Miute liegt P ( X i 3 < 0, 5) = 1 P ( X i 3 0, 5) , 5 = 0, , 5 48
5 1 Parameterschätzuge ud Schätzfuktioe Für ubekate Parameter, z. B. Erwartugswert, Variaz, Erfolgswahrscheilichkeit etc., solle ausgehed vo eier kokrete Stichprobe Schätzwerte kostruiert werde. Dies geschieht mit Hilfe vo Schätzfuktioe. Ist θ ei ubekater Parameter, {X 1, X,..., X } eie mathematische Stichprobe ud {x 1, x,..., x } eie kokrete Realisierug eier solche Stichprobe, so bezeiche wir mit ˆθ = ˆθ(X 1, X,..., X ) die zufällige Schätzfuktio ud mit ˆθ = ˆθ(x 1, x,..., x ) de auf der Grudlage der kokrete Stichprobe berechete Schätzwert. Vo eier Schätzfuktio erwartet ma, daß ihre Realisieruge im Mittel um de Erwartugswert streue ud icht eiseitige Abweichuge ach obe oder ute aufweise. Das führt zu folgeder Defiitio. 1.1 Defiitio Eie Schätzfuktio ˆθ für de Parameter θ heißt erwartugstreu, we gilt. Sie heißt asymptotisch erwartugstreu, we E(ˆθ(X 1, X,..., X )) = θ lim E(ˆθ(X 1, X,..., X )) = θ Wir gebe im folgede eie tabellarische Übersicht. Ubekater Schätzfuktio Schätzwert für Parameter für ubekate ubekate Parameter Parameter (aus kokreter Stichprobe) Mittelwert der kokrete Erwartugswert E(X) X = 1 X i Stichprobe x 1, x,..., x x = 1 x i Variaz der kokrete Variaz V ar(x) S = 1 1 (X i X) Stichprobe x 1, x,..., x s = 1 1 (x i x) Erfolgswahrscheilich- ˆP = X, wobei X die Relative Häufigkeit für keit p bei eiem zufällige Azahl der Erfolg bei -facher Beroulli-Experimet Erfolge bei -facher Ausführug eies Beroulli- Ausführug eies Exp. ˆp = k mit k Azahl Beroulli-Exp. bez. der Erfolge 1. Beispiel Mit drei verschiedee Würfel wird je 50 mal gewürfelt. Die Verteilug der Augezahle ud die Schätzwerte für die jeweilige Erwartugswerte sid i der folgede Tabelle agegebe Schätzwert Würfel x = 3, 98 Laplace Würfel Würfel x = 3, 4 E(X) = 3, 5 Würfel x = 3, 34 Geht es um die Frage, ob eie 6 gewürfelt wurde oder icht, so habe wir folgede Zusammehäge. 6 keie 6 Schätzwert Würfel ˆp = = 0, 8 Laplace Würfel Würfel ˆp = = 0, p = 1 6 = 0, 16 Würfel ˆp = 7 43 = 0, 14 49
6 1.3 Bemerkug X, S ud ˆP sid erwartugstreu, S = S als Schätzfuktio für die Stadardabweichug ist icht erwartugstreu. I der folgede Tabelle sid die Schätzwerte für die Parameter spezieller Wahrscheilichkeitsverteiluge, die isbesoders für techische Aweduge wichtig sid zusammegestellt. Verteilug/Dichte Schätzwert Bemerkuge Biomialverteilug Parameter k: Azahl der Erfolge bei p i = ( i) p i (1 p) ( i) ˆp = k -facher Durchführug i = 0, 1,..., eies Beroulli-Experimetes Poisso-Verteilug Erwartugswert x: Mittelwert der p i = λi i! e λ, i=0,1,... ˆλ = x Stichprobe Expoetialverteilug Parameter λ x: Mittelwert der f(x) = λe λx, x 0 ˆλ = 1 x Stichprobe Normalverteilug Erwartugswert x: Mittelwert der ˆµ = x Stichprobe f(x) = 1 π e (x µ) Variaz s : Variaz der ˆ = s Stichprobe 1.4 Beispiel Die Lebesdauer T eies elektroische Bauteils sei expoetialverteilt mit dem ubekate Parameter λ. Es liege folgede Stichprobe vom Umfag 8 vor. Bauteil i Lebesdauer t i i Stude Der Mittelwert für die Lebesdauer beträgt t = t i = 1050, der Schätzwert für λ somit ˆλ = 1 t = , Beispiel Wir gebe eie Schätzug für de Ausschußateil p bei der Serieproduktio vo Glühlampe. Bei Stichprobe vom Umfag = 300 ware k = 6 defekt. Somit ist ˆp = k = 6 = 0, 0 = %
7 13 Kofidezitervalle Schätzuge für die Parameter ud Werte vo Wahrscheilichkeitsverteiluge etstehe i der Regel aus Stichprobe. Ei Schätzwert ka daher (isbesodere bei zu kleiem Stichprobeumfag) erheblich vom tatsächliche Wert abweiche. Ma kostruiert daher sogeate Itervallschätzuge, d. h. es werde Itervalle bestimmt, bei dee ma mit eier gewisse Wahrscheilichkeit davo ausgehe ka, daß sie de tatsächliche Parameterwert ethalte. Wir iteressiere us z. B. für eie bestimmte Parameter θ der Wahrscheilichkeitsverteilug eier Zufallsvariable X. Ziel ist es, auf der Grudlage eier Stichprobe {X 1, X,..., X } zufällige Greze G u ud G o zu kostruiere, so daß θ [G u, G o ] mit eier vorgegebee Wahrscheilichkeit 1 α Defiitio (Kofidezitervall) Ei Itervall [G u, G o ] mit der Eigeschaft P (G u θ G o ) = 1 α heißt zufälliges Kofidez- oder Vertrauesitervall für de Parameter θ zum Kofideziveau 1 α. G u ud G o heiße utere ud obere Kofidez- oder Vertrauesgreze. L = G o G u ist die Läge des Kofidezitervalls. Mit α bezeichet ma die Irrtumswahrscheilichkeit ud mit (1 α) die Sicherheitswahrscheilichkeit. 13. Beispiel Ist für de mittlere Durchmesser θ vo Kugel [G u, G o ] = [100, 103] zum Kofideziveau 0.9, so bedeutet dies: Der wahre Wert vo θ liegt mit eier Sicherheitswahrscheilichkeit vo 90% im Itervall [100, 103]. Kofidezitervalle lasse sich folgedermaße iterpretiere. Kostruiert ma viele solcher Itervalle (durch voeiader uabhägige, uter gleiche Voraussetzuge erhobee Stichprobe), so ethalte durchschittlich 90% der so kostruierte Itervalle de wahre Wert vo θ. Kofidezitervalle werde mit Hilfe zufälliger Stichprobe kostruiert. Die jeweilige Wahrscheilichkeitsverteilug muß bekat sei. Wir betrachte im folgede kokrete Fragestelluge, wobei sich 1. bis 4. auf ormalverteilte ud 5. auf biomialverteilte Zufallsvariable beziehe. a) Kofidezitervall für de Erwartugswert bei bekater Variaz (ormalverteilte Zufallsvariable) Die Zufallvariable X 1, X,..., X seie alle N(µ, )- verteilt mit bekatem ud ubekatem µ. Das Ziel ist die Bestimmug eies Kofidezitervalls für de Erwartugswert µ zum Kofideziveau 1 α bei vorgegebeem α, d. h. eies Itervalls, i dem mit eier Sicherheitswahrscheilichkeit vo 1 α der tatsächliche Parameter µ ethalte ist. X i ist N(µ, Das arithmetische Mittel X = 1 X µ )-verteilt d. h. (vgl. Satz 9.6) U = ist N(0, 1)-verteilt. q ε ud q 1 ε seie das ε- ud das (1 ε)-quatil der Stadardormalverteilug, d. h. es gilt Φ(q ε ) = ε ud Φ(q 1 ε ) = 1 ε. Wege der Symmetrie der Dichte der Stadardormalverteilug gilt q 1 ε = q ε. Wir setze für das folgede zweckmäßigerweise u ε = q ε = q 1 ε für 0 < ε < 1/. Für ε = α/ gilt u: Durch Ersetze vo U erhält ma: P ( u α U u α ) = Φ(u α ) Φ( u α ) = 1 α P ( u α X µ u α ) = P (X u α = 1 α µ X + u α ) 51
8 Also ist [X u α, X + u α ] ei Kofidezitervall für de Parameter µ zum Kofideziveau 1 α. Die Läge des Kofidezitervalls beträgt: u α Wege des Faktors 1 muß also zur Halbierug der Läge des Kofidezitervalls der Stichprobeumfag vervierfacht werde Beispiel (Zahlewerte Quatile) α = 0, 1 : u 0,05 = q 0,95 1, 64 Irrtumswahrscheilichkeit: 10% α = 0, 05 : u 0,05 = q 0,975 1, 96 5% α = 0, 01 : u 0,005 = q 0,995, 58 1% 13.4 Beispiel (Schmelzpukt ubekate Legierug) Die Messuge des Schmelzpuktes eier ubekate Legierug i C ergabe folgede Werte: 464, 4 469, 7 469, 469, 5 461, 8 468, 7 469, 5 463, 9 Die Variaz = 6, 5 sei bekat. Der Schätzwert für µ für die kokrete Stichprobe vom Umfag 8 beträgt x 467, 09. Für die Bestimmug des Kofidezitervalls zum Kofideziveau 0, 95 ergibt sich: α = 0, 05, u α = u 0,05 1, 96, d. h. g u = x u α 6, 5 467, 09 1, , 36 8 g o = x + u α 6, 5 467, , , 8 8 Isgesamt erhalte wir somit das Kofidezitervall mit eier Sicherheitswahrscheilichkeit vo 95% Bemerkug [465, 36; 468, 8] I der Praxis ket ma üblicherweise auch die Variaz icht ud muß sich mit eiem etsprechede Schätzwert behelfe, d. h. wir betrachte τ 1 = X µ S, wobei eie Schätzfuktio für die Variaz ist. S = 1 1 (X i X) Für die folgede Überleguge beötige wir zuächst och weitere Verteiluge, die bisher och icht behadelt wurde. 5
9 Chi-Quadrat-Verteilug Eie Zufallsvariable χ geügt eier Chi-Quadrat-Verteilug (χ -Verteilug) mit Freiheitsgrade, we sie die Gestalt χ = X 1 + X + + X hat, wobei X 1, X,..., X uabhägige N(0, 1)-verteilte Zufallsgröße sid Bemerkug i) Die Dichte der χ -Verteilug ist defiiert durch wobei K = 1 f χ (x) = { K x e x falls x > 0 0 sost Γ( ) mit Γ(α) = e t t α 1 dt, α > 0. Für N ist speziell: Γ( + 1) =! ii) Die Quatile der χ -Verteilug sid für verschiedee Werte vo tabelliert. iii) E(χ ) =, da V ar(x i ) = 1 = E(Xi ) (E(X i )), }{{} =0 also E(Xi ) = 1 für alle i = 1,,...,. t-verteilug vo Studet Diese Verteilug stammt vo dem Mathematiker Gosset, wurde vo ihm aber uter dem Pseudoym Studet veröffetlicht. Eie Zufallsvariable τ geügt eier t-verteilug (Studet-Verteilug), we sie vo der Form τ = X χ ist. Dabei sid X ud χ uabhägige Zufallsvariable, X ist N(0, 1)-verteilt ud χ ist χ - verteilt mit Freiheitsgrade Bemerkug i) Die Dichte der t-verteilug ist gegebe durch: f τ (t) = 0 +1 Γ( ) 1 Γ( ) (1 + t π ) +1 ii) Die Quatile der t-verteilug sid i Abhägigkeit vo tabelliert. iii) E(τ ) = 0 für ud V ar(τ ) = für 3 iv) Für kovergiert die t-verteilug gege die N(0, 1)-Verteilug. Faustregel: Für > 100 ka ma die Stadardormalverteilug statt der t-verteilug beutze. v) Die Dichte der t-verteilug ist symmetrisch zur y-achse Satz Die obe defiierte Zufallsvariable τ 1 = X µ S geügt eier t-verteilug mit 1 Freiheitsgrade. (ohe Beweis) 53
10 b) Kofidezitervall für de Erwartugswert bei ubekater Variaz Sei u τ 1 = X µ S. Wir gehe geauso vor wie im Fall der bekate Variaz. Setze t 1, α = q 1 α mit dem (1 α )-Quatil q 1 α. Da ist t 1, α = q α Somit: P (X t 1, α P ( t 1, α X µ S S µ X + t 1, α t 1, α ) = 1 α S ) = 1 α Also ist [X t 1, α S, X + t 1, α S ] ei Kofidezitervall für de Parameter µ zum Kofideziveau 1 α. Für > 100 (vgl. Bemerkug 13.7) ka ma u α statt t 1, α verwede Beispiel (Fortsetzug vo Beispiel 13.4) x = 467, 09 s = 1 8 (x i x) 10, 1 = s 3, 18 7 t 7;0,05 = q 0,975 =, 365 d. h. das Kofidezitervall ist [464, 44; 469, 74] mit eier Sicherheitswahrscheilichkeit vo 95%. Das Kofidezitervall ist durch die Schätzug der Variaz breiter. c) Eiseitige Kofidezitervalle Machmal möchte ma wisse, ob der Erwartugswert eie bestimmte Wert icht uter- oder überschreitet (z. B. Midestlebesdauer eier Glühlampe). Die Aufgabe ist i solche Fälle die Bestimmug eier utere bzw. obere Schrake für E(X), d. h. eies Kofidezitervalls der Form [G u, ) bzw. (, G o ]. Uteres (ach ute beschräktes) eiseitiges Kofidezitervall für de Erwartugswert bei ubekater Variaz mit Kofideziveau 1 α ist [X t 1,α S ; ). Oberes (ach obe beschräktes) eiseitiges Kofidezitervall für de Erwartugswert bei ubekater Variaz mit Kofideziveau 1 α ist ( ; X + t 1,α S ] Beispiel (Fortsetzug vo Beispiel 13.4) Bestimme uteres eiseitiges Kofidezitervall mit 95% Sicherheitswahrscheilichkeit. x 467, 09 s 3, 18 t 7;0,05 = q 0,95 = 1, 895 Also ist [464, 96; ) ei uteres eiseitiges Kofidezitervall mit 95% Sicherheitswahrscheilichkeit. 54
11 d) Kofidezitervall für die Variaz eier N(µ, )- verteilte Zufallsvariable Sei X N(µ, )-verteilt. Da ist χ 1 = ( 1)S eie χ -verteilte Zufallsvariable mit 1 Freiheitsgrade (ohe Beweis). Seie χ 1, bzw. χ α 1,1 das α α - bzw. (1 α )-Quatil der χ - Verteilug. Da gilt P (χ ( 1)S 1, α χ 1,1 α ) = 1 α Umformug der Ugleichug im Argumet vo P ergibt: χ 1, α ( 1)S ( 1)S ud χ 1,1 α ( 1)S ( 1)S χ ud 1, χ α 1,1 α Also ( 1)S P ( χ ( 1)S 1,1 χ ) = 1 α α 1, α Also ist das Kofidezitervall zum Kofideziveau 1 α für die Variaz: [ ( 1)S χ ; 1,1 α Für die Stadardabweichug erhält ma: [ ( 1)s χ 1,1 α ; ( 1)S χ 1, α ] ] ( 1)s χ 1, α e) Kofidezitervall für die Erfolgswahrscheilichkeit Hierbei geht es um de Parameter p bei Beroulli-Experimete. Die Schätzfuktio ist ˆP = X, wobei X die Azahl der Erfolge bei -facher Durchführug eies Beroulli-Experimetes bezeichet. X ist biomialverteilt mit de Parameter ud p ud (vgl. Kap. 8) E(X) = p, V ar(x) = p(1 p). Im folgede setze wir eie umfagreiche Stichprobe voraus. Wege des zetrale Grezwertsatzes ist X äherugsweise N(p, p(1 p))-verteilt, d. h. U = X p ist äherugsweise N(0, 1)-verteilt. p(1 p) Mit der Schätzfuktio ˆP = X ist also U = ˆP p ugefähr N(0, 1)-verteilt. p(1 p) Wir bestimme ei Kofidezitervalls für U mit Kofideziveau 1 α. Sei u α = q 1 α das (1 α )- Quatil vo Φ. Da ist P ( u α U u α ) 1 α P ( u α ( ˆP p) p(1 p) u α ) 1 α Wir brige die Ugleichug im Argumet vo P i die Form G u p G o. Zur Abkürzug schreibe wir im folgede u statt u α. 1.Fall: ˆP p 0 Da ist die erste Ugleichug automatisch erfüllt. Die zweite Ugleichug ist äquivalet zu ( ˆP p) u p(1 p) ˆP p ˆP + p u p u p p (1 + u ) p( ˆP + u ) + ˆP 0 55
12 Die like Seite beschreibt eie ach obe geöffete Parabel, d. h. die Ugleichug ist für diejeige p-werte erfüllt, die zwische de Nullstelle der like Seite der Ugleichug liege. Wir bestimme daher diese Nullstelle. p p ˆP + u 1 + u }{{} = ˆP +u +u p 1, = 1 ˆP + u + u ± { 1 p 1, = + u p 1, = 1 + u { + ˆP 1 + u }{{} = ˆP +u 1 ˆP + u ± ˆP + u ± u = 0 4 ( ˆP + u ) ( + u ) ˆP + u ˆP + ˆP u + u4 ˆP (1 ˆP ) + u 4. Fall: ˆP p < 0 Aaloge Betrachtuge wie im 1. Fall führe auf dieselbe Werte für p. 4 ˆP ˆP u } Isgesamt erhält ma also als (ugefähres) Kofidezitervall [P, P + ] für die Erfolgswahrscheilichkeit p zum Kofideziveau 1 α mit 1 P ± = + u α ˆP + u α ± u α ˆP (1 ˆP ) + u α 4 } Für großes ( 1000) ka ma äherugsweise mit P± = ˆP ± u α ˆP (1 ˆP ) reche Beispiel Ei Würfel zeigt bei 1000 Würfe 188 mal die 6. Gesucht ist ei Kofidezitervall für die Wahrscheilichkeit eie 6 zu würfel zum Kofideziveau vo 80% (d. h. 1 α = 0, 8; α = 0, ). Es gilt ˆp = = 0, 188, u 0,1 = q 0,9 = 1, 8 d. h Bemerkug [p, p + ] = [0, 1770; 0, 043] bzw. [p, p +] = [0, 1719; 0, 0381] Bei eiem homogee Würfel ist p = 0, 16. Bei eiem Kofideziveau vo 99% (d. h. 1 α = 0, 99; α = 0, 01) erhält ma mit u 0,005 = q 0,995 =, 58 [p, p + ] = [0, 158; 0, 190] bzw. [p, p +] = [0, 1561; 0, 1988] Bei eiem Kofideziveau vo 99% würde ma icht behaupte, daß der Würfel ufair ist Bemerkug Auch hier köe wieder utere bzw. obere Kofidezitervalle [P, 1], [0, P + ] bzw. [P, 1], [0, P +] bestimmt werde. Für ei Kofideziveau vo 1 α ist da aber wieder u α zu ehme. 56
Vl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrKAPITEL 9. Konfidenzintervalle
KAPITEL 9 Kofiezitervalle Sei {h θ (x) : θ Θ} eie Familie vo Dichte bzw Zählichte I iesem Kapitel ist Θ = (a, b) R ei Itervall Seie X,, X uabhägige u ietisch verteilte Zufallsvariable mit Dichte bzw Zählichte
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
MehrTESTEN VON HYPOTHESEN
TESTEN VON HYPOTHESEN 1. Grudlage Oft hat ma Vermutuge zu Sachverhalte ud möchte diese gere durch Experimete bestätige. Dabei ka es sich i der Praxis zum Beispiel um Verteiluge vo gewisse Zufallsgröße
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrEreignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)
Kapitel 10 Statistik 10.1 Wahrscheilichkeit Das Ergebis eier Messug oder Beobachtug wird Ereigis geat. Ereigisse werde mit de Buchstabe A, B,...bezeichet. Die Messug eier kotiuierliche Variable x gibt
Mehr10. Intervallschätzung 10.1 Begriff des Konfidenzintervalls
10. Itervallschätzug 10.1 Begriff des Kofidezitervalls Mit uterschiedliche Stichprobe werde verschiedee Puktschätzer für de Parameter der Grudgesamtheit erzielt. We m Stichprobe aus der Grudgesamtheit
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
MehrÜbungen mit dem Applet erwartungstreu
Übuge mit dem Applet erwartugstreu Visualisierug vo erwartugstreu Begriffe ud statischer Hitergrud. Visualisieruge mit dem Applet..3. Zufallsstreuug der Eizelwerte...3. Mittelwerte 3.3 Variaz. 4.4 Variaz
MehrÜbungsblatt 9 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 9 zur Vorlesug Statistische Methode Schätztheorie ud Kofidezitervalle Herausgabe des Übugsblattes: Woche 8, Abgabe der Lösuge: Woche 9 (bis Freitag, 65 Uhr), Besprechug:
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrGütefunktion und Fehlerwahrscheinlichkeiten Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = Interpretation von Testergebnissen I
6 Hypothesetests Gauß-Test für de Mittelwert bei bekater Variaz 6.3 Gütefuktio ud Fehlerwahrscheilichkeite Rechtsseitiger Test (µ 0 = 500) zum Sigifikaziveau α = 0.30 6 Hypothesetests Gauß-Test für de
MehrInduktive Statistik. Formelsammlung. Prof. Dr. W. Assenmacher. Stichprobenraum: Ω = {ω 1, ω 2,...,ω m }
Prof. Dr. W. Assemacher Statistik ud Ökoometrie Uiversität Duisburg-Esse Campus Esse Iduktive Statistik Formelsammlug Stichproberaum: Ω = {ω 1, ω,...,ω m } Vollstädiges System vo Ereigisse {A 1,..., A
MehrÜbungen zu QM III Mindeststichprobenumfang
Techische Hochschule Köl Fakultät für Wirtschafts- ud Rechtswisseschafte Prof. Dr. Arreberg Raum 221, Tel. 39 14 jutta.arreberg@th-koel.de Übuge zu QM III Mideststichprobeumfag Aufgabe 12.1 Sie arbeite
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrKapitel 11 DIE NORMAL-VERTEILUNG
Kapitel DIE NORMAL-VERTEILUNG Fassug vom 7. Februar 006 Prof. Dr. C. Porteier Mathematik für Humabiologe ud Biologe 49 . De itio der Normal-Verteilug. De itio der Normal-Verteilug Bisher habe wir ur diskret
MehrFakultät für Wirtschafts- und Rechtswissenschaften
F A C H H O C H S C H U L E K Ö L N Fakultät für Wirtschafts- ud Rechtswisseschafte F O R M E L S A M M L U N G Deskriptive Statistik Iduktive Statistik Herausgeber: c 2004 Fachgruppe Quatitative Methode
MehrAufgaben zu Kapitel 40
Aufgabe zu Kapitel 40 Aufgabe zu Kapitel 40 Verstädisfrage Aufgabe 40 Es seie X,,X iid-gleichverteilt im Itervall [a,b] Wie sieht die Likelihood-Fuktio L a,b aus? Aufgabe 40 Sie kaufe Lose Sie gewie mit
MehrDer χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?
Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
Mehr7. Grenzwertsätze Grenzwertsätzen Zentraler Grenzwertsatz Gesetz der großen Zahlen Tschebyscheffsche Ungleichung
7. Grezwertsätze Bei de Grezwertsätze geht es um Aussage, die ma sogar da treffe ka, we keierlei Iformatioe über de Verteilugs-Typ der betrachtete Zufallsvariable vorliege. Zetraler Grezwertsatz Aussage
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
MehrAussage über die Verteilung Summen und Durchschnitte beliebig verteilter Zufallsvariablen
7. Grezwertsätze Die Grezwertsätze bilde de Abschluss der Wahrscheilichkeitsrechug ud sid vo zetraler Bedeutug vor allem für die iduktive Statistik. Gesetz der große Zahle Aussage über die Geauigkeit der
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrMethoden zur Konstruktion von Schätzern
KAPITEL 5 Methode zur Kostruktio vo Schätzer 5.1. Parametrisches Modell Sei (x 1,..., x ) eie Stichprobe. I der parametrische Statistik immt ma a, dass die Stichprobe (x 1,..., x ) eie Realisierug vo uabhägige
MehrEvaluation & Forschungsstrategien
Evaluatio & Forschugsstrategie WS2/2 Prof. Dr. G. Meihardt Johaes Guteberg Uiversität Maiz Prizipie des statistische Schliesses Samplig - Modellvorstellug Populatio Samplig Stichprobe Kewerte x Theoretische
MehrStatistische Tests zu ausgewählten Problemen
Eiführug i die statistische Testtheorie Statistische Tests zu ausgewählte Probleme Teil : Tests für Erwartugswerte Statistische Testtheorie I Eiführug Beschräkug auf parametrische Testverfahre Beschräkug
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 8.1 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12.075, p-wert: 0.0168 f χ
Mehr2 ISO/BIPM-Leitfaden Guide to the Expression of Uncertainty in Measurement, GUM (2008 überarbeitet, die deutsche Fassung ist [3])
I- Messusicherheite: Lit.: Prof. Dr. Gerz Wahrscheilichkeitsrechug ud Usicherheitsberechug IO/BIPM-Leitfade Guide to the Epressio of Ucertaity i Measuremet, GUM (008 überarbeitet, die deutsche Fassug ist
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
MehrX in einer Grundgesamtheit vollständig beschreiben.
Prof. Dr. Rolad Füss Statistik II SS 008. Puktschätzug vo Parameter eier Grudgesamtheit Nur durch eie Totalerhebug ka ma die Verteilug eier Zufallsvariable X i eier Grudgesamtheit vollstädig beschreibe.
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrStochastik für Physiker: Aufgaben und Lösungsvorschläge
Stochastik für Physiker: Aufgabe ud Lösugsvorschläge Simo Stützer Stad: 4. Februar 9 Aufgabe : Vergleiche Sie die Wahrscheilichkeit, beim Spiel mit eiem Würfel i 4 Würfe midestes eimal 6 zu würfel, mit
MehrSBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur
MehrAngewandte Stochastik II
Vorlesugsskript Agewadte Stochastik II Dr. Katharia Best Witersemester 2010/2011 Ihaltsverzeichis 1 Grudidee der statistische Dateaalyse 5 1.1 Stichprobe..............................................
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrProf. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5
Prof. Dr. Holger Dette Musterlösug Statistik I Sommersemester 009 Dr. Melaie Birke Blatt 5 Aufgabe : 4 Pukte Sei X eie Poissoλ verteilte Zufallsvariable mit λ > 0, ud die Verlustfuktio L sei defiiert durch
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrheilihkeittheorie, Shätz- ud Tetverfahre ÜBUNG 0 - LÖSUNGEN. Kofidezitervall für de Mittelwert eier ormalverteilte Grudgeamtheit bei gegebeer Variaz a. Gegebe id
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
MehrInduktive Schlussweise. Schätzfunktionen und Schätzverfahren. Bibliografie
Auswertug uivariater Datemege -iduktiv - Iduktive Schlussweise Schätzfuktioe ud Schätzverfahre Schätzug I Bibliografie Prof. Dr. Kück Uiversität Rostock Statistik, Vorlesugsskript Abschitt 7..; 7.. Bleymüller
Mehr10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
MehrWahrscheinlichkeit und Statistik Zusammenfassung
Wahrscheilichkeit ud Statistik Zusammefassug Fabia Hah, Dio Werli 9. September 008 Wahrscheilichkeitstheorie Grudlegede Kombiatorik Die folgede Tabelle bezieht sich auf das Uremodell: ziehe aus k geordet
MehrWörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
MehrKörpergröße x Häufigkeit in [m] 1.50 1.60 1 1.60 1.70 5 1.70 1.80 49 1.80 1.90 53 1.90 2.00 15 2.00 2.10 1
8 Kofidezitervalle 1 Kapitel 8: Kofidezitervalle A: Beispiele Beispiel 1: Im WS 2000/01 wurde im Rahme der Statistik Vorlesug 124 Studete u.a. zu ihrer Körpergröße befragt. Ma erhielt folgedes Ergebis:
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrTests statistischer Hypothesen
KAPITEL 10 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrPraktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle
Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
MehrKonfidenzintervall_fuer_pi.doc Seite 1 von 6. Konfidenzintervall für den Anteilswert π am Beispiel einer Meinungsumfrage
Kofidezitervall_fuer_pi.doc Seite 1 vo 6 Kofidezitervall für de Ateilswert π am Beispiel eier Meiugsumfrage Nach eier Meiugsumfrage der Wochezeitug Bezirksblatt vom März 005, ei halbes Jahr vor de Ladtagswahle
MehrNormalverteilung. Standardnormalverteilung. Intervallwahrscheinlichkeiten. Verteilungsfunktion
Normalverteilug Stadardormalverteilug Normalverteilug N(μ, ) mit ichte : Gaußche Glockekurve μ μ μ+ μ >, f ( ) = ( μ) WS 6/7 Prof. r. J. Schütze, FB GW NV π Eigechafte der ichte: - Maimum i μ - mmetrich
MehrMathematik IV für Maschinenbau und Informatik
UNIVERSITÄT ROSTOCK Mathematik IV für Maschiebau ud Iformatik Stochastik Prof. Dr. Friedrich Liese Sommersemester 2007 2 Mathematik IV für Maschiebau ud Iformatik INHALT Ihalt... 2 Vorlesugsverzeichis...
MehrNormalverteilung. Voraussetzung und verwandte Themen. Einführung. Ziel und Nutzen. Grundlagen
h Normalverteilug Voraussetzug ud verwadte Theme Für diese Beschreibuge sid Grudlage der Statistik ud isbesodere der statistische Verteiluge vorteilhaft. Weiterführede Theme sid: www.versuchsmethode.de/verteilugstests.pdf
Mehr5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
Mehr5.4.2 Die empirische Verteilungsfunktion als Ausgangspunkt
Tests 9 5.4 Der Kolmogorov Smirov Test Grudlage für de Kolmogorov Smirov Apassugs Test ist ei Satz vo Kolmogorov, die asymptotische Verteilug eier Statistik Δ betreffed. Aus Δ ergibt sich durch Modifikatio
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
Mehr14 Statistische Beziehungen zwischen nomi nalen Merkmalen
14 Statistische Beziehuge zwische omi ale Merkmale 14.1 Der Chi Quadrat Test auf Uabhägigkeit für Vier Feldertafel 14.2 Der Chi Quadrat Test auf Uabhägigkeit für r s Kotigeztafel 14.3 Zusammmehagsmaße
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
MehrMathematische Statistik
Mathematische Statistik Skript Prof. Dr. Zakhar Kabluchko Uiversität Müster Istitut für Mathematische Statistik Ihaltsverzeichis Vorwort 1 Literatur 1 Kapitel 1. Stichprobe ud Stichprobefuktio 1.1. Wahrscheilichkeitstheorie
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
MehrX n = 10 j Y j. i.w. i.w. i.v.
3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9},
MehrBernoulli-Experiment und Binomialverteilung
IV Beroulli-Exerimet ud Biomialverteilug Beroulli-Exerimet ud Beroulliette Defiitio: Zufallsexerimete, bei dee ma sich ur für das Eitrete ( Treffer, Symbol ) oder das Nichteitrete ( Niete, Symbol 0 ) eies
MehrTeil II Zählstatistik
Teil II Zählstatistik. Aufgabestellug. Vergleiche Sie experimetelle Zählverteiluge mit statistische Modelle (POISSON-Verteilug ud Normalverteilug) 2. Theoretische Grudlage Stichworte zur Vorbereitug: Impulszahl,
MehrÖkonometrie Formeln und Tabellen
Ökoometrie Formel ud Tabelle Formelsammlug 1 Lieares Modell ud KQ-Schätzug 11 Eifachregressio Lieares Modell: Y i = β 0 + β 1 x i + U i, i = 1,2,, Aahme des lieare Modells: A1: E[U i ] = 0 für alle i =
Mehr