2 Induktive Statistik
|
|
- Emma Ursler
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 2 Iduktive Statistik Seite 19 2 Iduktive Statistik 2.1 Grudprizipie der iduktive Statistik 2.2 Puktschätzug Schätzfuktioe Defiitio 2.1 Sei X 1,...,X i.i.d. Stichprobe. Eie Fuktio heißt Schätzer oder Schätzfuktio. T = g(x 1,...,X ) Adere Notatio i der Literatur: ˆϑ Schätzer für ϑ Gütekriterie Erwartugstreue, Bias: Gegebe sei eie Stichprobe X 1,...,X ud eie Schätzfuktio T = g(x 1,...,X ) (mit existieredem Erwartugswert). T heißt erwartugstreu für de Parameter ϑ, falls gilt für alle ϑ. Die Größe E ϑ (T) = ϑ Bias ϑ (T) = E ϑ (T) ϑ heißt Bias (oder Verzerrug) der Schätzfuktio. Erwartugstreue Schätzfuktioe habe per Defiitio eie Bias vo 0. Die korrigierte Stichprobevariaz S 2 = 1 1 ist erwartugstreu für σ 2. i=1 (X i X) 2 = 1 1 i=1 X 2 i 1 ( X) 2
2 Kapitel 2 Iduktive Statistik Seite Effiziez Effiziez Gegebe seie zwei erwartugstreue Schätzfuktioe T 1 ud T 2 für eie Parameter ϑ. Gilt Var ϑ (T 1 ) Var ϑ (T 2 ) für alle ϑ ud so heißt T 1 effizieter als T 2. Var ϑ (T 1 ) < Var ϑ (T 2 ) für midestes ei ϑ Eie für ϑ erwartugstreue Schätzfuktio T heißt UMVU-Schätzfuktio für ϑ(uiformly miimum v ariace ubiased), falls Var ϑ (T) Var ϑ (T ) für alle ϑ ud für alle erwartugstreue Schätzfuktioe T. MSE MSE ϑ (T) := E ϑ (T ϑ) 2 = Var ϑ (T)+(Bias ϑ (T)) Asymptotische Gütekriterie Asymptotische Erwartugstreue Eie Schätzfuktio heißt asymptotisch erwartugstreu, falls bzw. gelte. lim E(ˆϑ) = ϑ lim Bias(ˆϑ) = 0 Ei Schätzer heißt (MSE-)kosistet oder kosistet im quadratische Mittel, we gilt lim (MSE(T)) = Kostruktiosprizipie guter Schätzer Die Methode der kleiste Quadrate Das Maximum-Likelihood-Prizip Defiitio 2.2 Gegebe sei die Realisatio x 1,...,x eier i.i.d. Stichprobe. Die Fuktio i ϑ P ϑ (X i = x i ) falls X i diskret L(ϑ x 1,...,x ) = i=1 f ϑ (x i ) falls X i stetig. i=1
3 Kapitel 2 Iduktive Statistik Seite 21 heißt Likelihood des Parameters ϑ bei der Beobachtug x 1,...,x. Derjeige Wert ˆϑ = ˆϑ(x 1,...,x ), der L(ϑ) maximiert, heißt Maximum-Likelihood-Schätzwert; die zugehörige Schätzfuktio T(X 1,...,X ) Maximum-Likelihood-Schätzer. Praktische Berechug Für die praktische Berechug maximiert ma statt der Likelihood typischerweise die Log- Likelihood l(ϑ x 1,...,x ) = l(l(ϑ)) = l P ϑ (X i = x i ) = i=1 bzw. l(ϑ x 1,...,x ) = l f ϑ (x i ) = lf ϑ (x i ). i=1 i=1 lp ϑ (X i = x i ) i=1 2.3 Itervallschätzug Motivatio ud Hiführug Kofidezitervalle: Defiitio Defiitio 2.3 Gegebe sei eie i.i.d. Stichprobe X 1,...,X zur Schätzug eies Parameters ϑ ud eie Zahl γ (0;1). Ei zufälliges Itervall C(X 1,...,X ) heißt Kofidezitervall zum Sicherheitsgrad γ (Kofideziveau γ), falls für jedes ϑ gilt: Kofidezitervalle: Kostruktio P ϑ (ϑ C(X 1,...,X ) ) γ. }{{} zufälliges Itervall Praktische Vorgehesweise: Suche Zufallsvariable Z ϑ, die de gesuchte Parameter ϑ ethält ud dere Verteilug aber icht mehr vo dem Parameter abhägt, ( Pivotgröße, dt. Agelpukt). Da wähle de Bereich C Z so, dass P ϑ (Z ϑ C Z ) = γ ud löse ach ϑ auf. Kofidezitervall für de Mittelwert eies ormalverteilte Merkmals bei bekater Variaz: [ X z1+γ 2 σ, X +z1+γ 2 ] [ σ = X ±z1+γ 2 ] σ
4 Kapitel 2 Iduktive Statistik Seite 22 bei ubekater Variaz: [ X ±t1+γ( 1) S ] 2 Defiitio 2.4 (t-verteilug) Gegebeseieiei.i.d.StichprobeX 1,...,X mitx i N(µ,σ 2 ). Da heißt die Verteilug vo Z = X µ S t-verteilug (oder Studet-Verteilug) mit ν = 1 Freiheitsgrade. I Zeiche: Z t(ν) Approximatives Kofidezitervall für de Ateil π eies biomialverteilte Merkmals { 1 Seie X 1,...,X i.i.d. mit X i = ud P(X i = 1) = π. 0 Da gilt approximativ für großes X π π (1 π) a N(0,1) ud damit für das Kofidezitervall: [ X ±z1+γ 2 ] X(1 X) Bestimmug des Stichprobeumfags für die Ateilsschätzug γ: Kofideziveau b max : Schrake für die Geauigkeit Auflöse ach : 2.4 Hypothesetests z1+γ 2 X(1 X) b max 1 b 2 z 2 1+γ max 2 X(1 X) Grudprizipie statistischer Hypothesetests Kostruktio eies parametrische statistische Tests Typische Tests I: Tests auf Lageparameter Gauß Test Situatio: X 1,...,X i.i.d. Stichprobe, wobei X i jeweils ormalverteilt sei mit ubekatem Mittelwert µ ud bekater Variaz σ 2.
5 Kapitel 2 Iduktive Statistik Seite 23 t Test Statistische Hypothese: Testgröße: Falls µ = µ 0 gilt: Kritische Regio: Fall 1: H 0 ablehe, falls: Fall 2: H 0 ablehe, falls: Fall 3: H 0 ablehe, falls: Fall 1: H 0 : µ µ 0 gege H 1 : µ > µ 0 Fall 2: H 0 : µ µ 0 gege H 1 : µ < µ 0 Fall 3: H 0 : µ = µ 0 gege H 1 : µ µ 0 T := X µ 0 σ T = X µ 0 σ N(0,1). T z 1 α bzw. X [µ 0 +z 1 α ) σ ; T z 1 α bzw. X ( ;µ 0 z 1 α σ ] T z 1 α 2 oder T z 1 α 2, also T z 1 α 2. Situatio: X 1,...,X i.i.d. Stichprobe, wobei X i jeweils ormalverteilt sei mit ubekatem Mittelwert µ ud ubekater Variaz σ 2 Statistische Hypothese: Testgröße: Falls µ = µ 0 gilt: Kritische Regio: Fall 1: H 0 : µ µ 0 gege H 1 : µ > µ 0 Fall 2: H 0 : µ µ 0 gege H 1 : µ < µ 0 Fall 3: H 0 : µ = µ 0 gege H 1 : µ µ 0 T = X µ 0 S T = X µ 0 S Fall 1: H 0 ablehe, falls T t 1 α ( 1) Fall 2: H 0 ablehe, falls T t 1 α ( 1) t( 1) Fall 3: H 0 ablehe, falls T t 1 α 2 ( 1) oder T t 1 α 2 ( 1)
6 Kapitel 2 Iduktive Statistik Seite 24 Approximative Tests für Hypothese über Ateilswerte Situatio: X 1,...,X i.i.d. Stichprobe, wobei X i = ubekat sei. Statistische Hypothese: { 1 0 gelte ud P(X i = 1) = π Fall 1: H 0 : π π 0 gege H 1 : π > π 0 Fall 2: H 0 : π π 0 gege H 1 : π < π 0 Fall 3: H 0 : π = π 0 gege H 1 : π π 0 Testgröße: Falls π = π 0 gilt: X π 0 π 0 (1 π 0 ) X π 0 π 0 (1 π 0 ) a N(0,1), Kritische Regio: Fall 1: H 0 ablehe, falls T z 1 α Fall 2: H 0 ablehe, falls T z 1 α Fall 3: H 0 ablehe, falls T z 1 α 2 oder T z 1 α 2
7 Kapitel 2 Iduktive Statistik Seite Typische Tests II: Lagevergleiche aus uabhägige Stichprobe X 1,...,X i.i.d. Stichprobe aus Gruppe A, Y 1,...,Y m i.i.d. Stichprobe aus Gruppe B X i N(µ X ;σ 2 X) Y i N(µ Y ;σ 2 Y). Statistische Hypothese: Fall 1: H 0 : µ X µ Y Fall 2: H 0 : µ X µ Y Fall 3: H 0 : µ X = µ Y gege H 1 : µ X > µ Y gege H 1 : µ X < µ Y gege H 1 : µ X µ Y Zwei-Stichprobe-Gauß Test Die Variaze σ 2 X ud σ2 Y Testgröße: werde als bekat ageomme. T = X Ȳ σ 2 X + σ2 Y m Falls µ X = µ Y ist, gilt T N(0,1) Kritische Regio: Fall 1: H 0 ablehe, falls T z 1 α Fall 2: H 0 ablehe, falls T z 1 α Fall 3: H 0 ablehe, falls T z 1 α 2 oder T z 1 α 2 Zwei-Stichprobe-t-Test Die Variaze σ 2 X ud σ2 Y seie ubekat. Variate I Ist bekat, dass die Variaze gleich sid, so schätzt ma sie mittels S 2 X ud S2 Y. Testgröße: T = (1 + 1 m X Ȳ ) ( 1)S 2 X +(m 1)S 2 Y +m 2 Falls µ X = µ Y gehorcht T eier t-verteilug mit (+m 2) Freiheitsgrade. Kritische Regio: Fall 1: H 0 ablehe, falls T t 1 α (+m 2) Fall 2: H 0 ablehe, falls T t 1 α (+m 2) Fall 3: H 0 ablehe, falls T t 1 α 2 (+m 2) oder T t 1 α 2 (+m 2)
8 Kapitel 2 Iduktive Statistik Seite 26 Variate II Köe die Variaze icht als gleich ageomme werde, so ka für großes ud großes m mit folgeder Testgröße gerechet werde: Testgröße: X Ȳ T = SX 2 + S2 Y m T ist für µ X = µ Y approximativ stadardormalverteilt ud ka auch agewedet werde, we keie Normalverteilug vorliegt. Kritische Regio: Fall 1: H 0 ablehe, falls T z 1 α Fall 2: H 0 ablehe, falls T z 1 α Fall 3: H 0 ablehe, falls T z 1 α 2 oder T z 1 α Gauß Test ud t-test für verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Eiheite erhobe werde. Zum Teste vo Hypothese der Form X 1,...,X i.i.d. N(µ X,σ 2 X) Y 1,...,Y i.i.d. N(µ Y,σ 2 Y) Fall 1 H 0 : µ X µ Y Fall 2 H 0 : µ X µ Y Fall 3 H 0 : µ X = µ Y gege H 1 : µ X > µ Y gege H 1 : µ X < µ Y gege H 1 : µ X µ Y betrachtet ma die Differez D i = X i Y i. Für de Erwartugswert µ D gilt µ D = E(D i ) = µ X µ Y ud für die Variaz σ 2 D σ 2 D = σ 2 X +σ 2 Y 2σ XY mit σ XY = Cov(X,Y) Wege D i N(µ D,σ 2 D ) mit µ D = µ X µ Y ud σ 2 D = σ2 X +σ2 Y 2σ XY sid obige Hypothese äquivalet zu de Hypothese Fall 1 H 0 : µ D 0 gege H 1 : µ D > 0 Fall 2 H 0 : µ D 0 gege H 1 : µ D < 0 Fall 3 H 0 : µ D = 0 gege H 1 : µ D 0, ud ma ka umittelbar die Tests aus awede. Sid die Variaze ubekat, so ka ma σ D aus de Differeze D i, i = 1,..., schätze. Zur Prüfug ist da die t-verteilug herazuziehe.
9 Kapitel 2 Iduktive Statistik Seite χ2-tests am Beispiel des χ2-uabhägigkeitstests χ2-uabhägigkeitstest (X 1,Y 1 ),...,(X,Y ) i.i.d. Stichprobe des zwei-dimesioale Merkmals (X,Y). Statistische Hypothese: H 0 : Es herrscht Uabhägigkeit. H 1 : Es herrscht keie Uabhägigkeit. d.h. H 0 : P(X = x i,y = y j ) = P(X = x i ) P(Y = y j ) für alle Paare i,j gege H 1 : P(X = x i,y = y j ) P(X = x i ) P(Y = y j ) für midestes ei Paar i,j Teststatistik: T = = k i=1 j=1 k ( m h ij h i h j m i=1 j=1 h i h j ) 2 = (f ij f i f j ) 2 f i f j k m i=1 j=1 ( hj h i h j 2 ) 2 h i h j 2 Uter H 0 gehorcht T approximativ eier sogeate χ 2 Verteilug mit (k 1) (m 1) Freiheitsgrade. Kritische Regio: H 0 ablehe, falls T > χ 2 1 α((k 1) (m 1)), wobei χ 2 1 α ((k 1) (m 1)) das (1 α)-quatil der χ2 -Verteilug mit (k 1)(m 1) Freiheitsgrade bezeichet.
10 Kapitel 2 Iduktive Statistik Seite Zur praktische Awedug statistischer Tests Testetscheiduge ud Statistik-Software, p-wert Dualität vo Test ud Kofidezitervall Sigifikaz versus Relevaz Multiple Testprobleme Nichtparametrische Tests 2.5 Lieare Regressiosmodelle Wiederholug aus Statistik I Lieare Eifachregressio Statistische Sichtweise Wahres Modell: y i = β 0 +β 1 x i Gestört durch zufällige Fehler ǫ i : Beobachtug vo Datepaare (X i,y i ), i = 1,..., mit Y i = β 0 +β 1 X i +ǫ i, wobei ǫ i N(0,σ 2 ) σ 2 für alle i gleich ǫ i1,ǫ i2 stochastisch uabhägig für i 1 i 2 Maximum Likelihood Schätzer ˆβ 1 = (Xi X)(Y i Ȳ) i=1 (X i X) 2, ˆβ 0 = Ȳ ˆβ 1 X, ˆσ 2 = 1 2 ˆε 2 i mit de geschätzte Residue ˆε i = Y i ˆβ 0 ˆβ 1 X i i=1
11 Kapitel 2 Iduktive Statistik Seite 29 Kostruktio vo Kofidezitervalle ud Tests Mit ˆσˆβ0 := ˆσ i=1 X2 i i=1 (X i X) 2 gilt ˆβ 0 β 0 ˆσ ˆβ0 t( 2) ud aalog mit ˆσˆβ1 := ˆσ i=1 (X i X) gilt 2 ˆβ 1 β 1 ˆσ ˆβ1 t( 2). Kofidezitervalle zum Sicherheitsgrad γ: für β 0 : für β 1 : [ˆβ0 ± t ˆσˆβ0 1+ γ ( 2)] 2 [ˆβ1 ± t1+γ( 2) ] ˆσˆβ1 2 Hypothese ud kritische Regio: Hypothese kritische Regio Fall 1: H 0 : β 1 β1 gege β 1 > β1 T β 1 t 1 α ( 2) Fall 2: H 0 : β 1 β1 gege β 1 < β1 T β 1 t 1 α ( 2) Fall 3: H 0 : β 1 = β1 gege β 1 β1 T β 1 t 1 α 2 mit der Teststatistik T β 1 = ˆβ 1 β 1 ˆσ ˆβ1 (aalog für ˆβ 0 ).
12 Kapitel 2 Iduktive Statistik Seite 30 Typischer SPSS-Output Koeffiziete a Stadardisierte Koeffiziete β Stadardfehler Beta T Sigifikaz Kostate ˆβ0 ˆσˆβ0 5) 1) 3) Uabhägige Variable ˆβ1 ˆσˆβ1 6) 2) 4) a abhägige Variable 1) Wert der Teststatistik T β 0 = ˆβ 0 ˆσˆβ0. zum Teste vo H 0 : β 0 = 0 gege H 1 : β ) Aalog: Wert vo T β 1 = ˆβ 1 ˆσˆβ1 zum Teste vo H 0 : β 1 = 0 gege H 1 : β ) p-wert zu 1) 4) p-wert zu 2) 5), 6) hier icht vo Iteresse Multiple lieare Regressio Modellierugsasatz: Y i = β 0 +β 1 X i1 +β 2 X i β p X ip +ǫ i Es gilt für jedes j = 0,...,p ˆβ j β j ˆσˆβj t( p 1) ud ma erhält wieder Kofidezitervalle für β j : sowie etsprechede Tests. [ˆβ j ± ˆσˆβj t 1+ γ 2 ( p 1)]
13 Kapitel 2 Iduktive Statistik Seite Variazaalyse (Aalysis of Variace, ANOVA) Beobachtuge: Y ij j = 1,...,J Faktorstufe i = 1,..., j Persoeidex i der j-te Faktorstufe Zwei äquivalete Modellformulieruge: Modell i Mittelwertdarstellug: mit Testproblem: Y ij = µ j +ǫ ij j = 1,...,J, i = 1,..., j, µ j faktorspezifischer Mittelwert ǫ ij zufällige Störgröße N(0,σ 2 ), ǫ 11,ǫ 12,...,ǫ JJ uabhägig. ǫ ij H 0 : µ 1 = µ 2 =...µ J gege H 1 : µ l µ q für midestes ei Paar (l,q) Modell i Effektdarstellug: wobei α j so, dass Y ij = µ+α j +ǫ ij J j α j = 0. j=1 µ globaler Erwartugswert α j Effekt i der j-te Faktorstufe, faktorspezifische systematische Abweichug vom gemeisame Mittelwert µ Testproblem: H 0 : α 1 = α 2 =...α J = 0 gege H 1 : α j 0 für midestes ei j Die beide Modelle sid äquivalet: setze µ j := µ+α j.
14 Kapitel 2 Iduktive Statistik Seite 32 Streuugszerlegug Mittelwerte: Ȳ Ȳ j Gesamtmittelwert i der Stichprobe Mittelwert i der j-te Faktorstufe Es gilt (vgl. Statistik I) die Streuugszerlegug: Hypothese: J j (Y ij Ȳ ) 2 = j=1 i=1 beziehugsweise J j=1 j (Ȳ j Ȳ ) 2 } {{ } SQE + J j j=1 i=1 (Y ij Ȳ j) 2 } {{ } SQR H 0 : µ 1 = µ 2 =...µ J gege H 1 : µ l µ q für midestes ei Paar (l,q) H 0 : α 1 = α 2 =...α J = 0 gege H 1 : α j 0 für midestes ei j Testgröße: F = SQE/(J 1) SQR/( J) Falls H 0 wahr ist, ist T F-verteilt mit (J 1) ud ( J) Freiheitsgrade. Kritische Regio: H 0 ablehe, falls T > F 1 α (J 1, J), mit dem etsprechede (1 α)-quatil der F-Verteilug mit (J 1) ud ( J) Freiheitsgrade.
15 Verteilugstabelle Seite 33 Stadardormalverteilug Tabelliert sid die Werte der Verteilugsfuktio Φ(z) = P(Z z) für z 0. Ablesebeispiel: Φ(1.75) = Fuktioswerte für egative Argumete: Φ( z) = 1 Φ(z) Die z-quatile ergebe sich über die Umkehrfuktio. Beispielsweise ist z = 1.75 ud z =
16 Verteilugstabelle Seite 34 Studets t-verteilug Tabelliert sid die Quatile für Freiheitsgrade. Für das Quatil t 1 α (ν) gilt F(t 1 α (ν)) = 1 α. Liks vom Quatil t 1 α (ν) liegt die Wahrscheilichkeitsmasse 1 α. Ablesebeispiel: t 0.99 (20) = Die Quatile für 0 < 1 α < 0.5 erhält ma aus t α (ν) = t 1 α (ν) Approximatio für ν > 30: t α (ν) z α (z α ist das (α)-quatil der Stadardormalverteilug) ν
17 Verteilugstabelle Seite 35 χ2-verteilug Tabelliert sid die Quatile für Freiheitsgrade. Für das Quatil χ 2 1 α, gilt F(χ2 1 α, ) = 1 α. Liks vom Quatil χ 2 1 α, liegt die Wahrscheilichkeitsmasse 1 α. Ablesebeispiel: χ ,10 = Approximatio für > 30: χ 2 α() 1 2 (z α + 2 1) 2 (z α ist das 1 α-quatil der Stadardormalverteilug)
Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
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
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)
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
Mehr3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-
MehrKapitel 12. Schätzung von Parametern
Kapitel 12 Schätzug vo Parameter Die Verteilug eier Zufallsvariable hägt i der Regel vo eiem oder mehrere Parameter ab. Bei der Poissoverteilug ist dies der Parameter λ, währed es bei der Normalverteilug
Mehr2.4.1 Grundprinzipien statistischer Hypothesentests
86 2.4. Hypothesetests 2.4 Hypothesetests 2.4.1 Grudprizipie statistischer Hypothesetests Hypothese: Behauptug eier Tatsache, dere Überprüfug och aussteht (Leuter i: Edruweit, Trommsdorff: Wörterbuch der
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
MehrFormelsammlung zur Vorlesung Statistik I/II für Statistiker, Mathematiker und Informatiker (WS 08/09)
Departmet für Statistik, LMU Müche Statistik I/II für Statistiker, Mathematiker ud Iformatiker Prof. Gerhard Tutz, Adreas Groll WS 08/09 1 EINDIMENSIONALE MERKMALE Formelsammlug zur Vorlesug Statistik
MehrGüteeigenschaften von Schätzern
KAPITEL 6 Güteeigeschafte vo Schätzer Wir erier a ie Defiitio es parametrische Moells Sei {h θ : θ Θ}, wobei Θ R m, eie Familie vo Dichte oer Zählichte Seie X 1,, X uabhägige u ietisch verteilte Zufallsvariable
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
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
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
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrVereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung
. Marktpreisrisiko Motivatio der VaR-Ermittlug Vereiheitlichug Eiheitlicher Maßstab der Risikoeischätzug Limitierug / Steuerug Messug ud Limitierug ist fudametal für die Steuerug Kapitaluterlegug Zur Deckug
MehrIntervallschätzung II 2
Itervallschätzug Kofidezitervall für die Variaz Kofidezitervall für de Ateilswerte Kofidezitervall für die Differez zweier Ateile Bestimmug des Stichrobeumfags Itervallschätzug II Bibliografie Bleymüller
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:
Mehr2.3 Kontingenztafeln und Chi-Quadrat-Test
2.3 Kotigeztafel ud Chi-Quadrat-Test Die Voraussetzuge a die Date i diesem Kapitel sid dieselbe, wie im voragegagee Kapitel, ur dass die Stichprobe hier aus Realisieruge vo kategorielle Zufallsvariable
Mehr8. Intervallschätzung
8. Itervallschätzug 8.1 Begriff des Kofidezitervalls Mit uterschiedliche Stichprobe lasse sich verschiedee Puktschätzer θ für de Parameter der Grudgesamtheit erziele. We m Stichprobe aus der Grudgesamtheit
MehrEinführung in die mathematische Statistik
Kapitel 7 Eiführug i die mathematische Statistik 7.1 Statistische Modellierug Bei der Modellierug eies Zufallsexperimets besteht oft Usicherheit darüber, welche W-Verteilug auf der Ergebismege adäquat
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:
MehrKapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung
Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier
MehrEinführung in die Statistik
Eiführug i die Statistik Dr. C.J. Luchsiger 7 Crash-Course i Statistics II: Schätztheorie ud Kofidezitervalle Literatur Kapitel 7 * Statistik i Cartoos: Kapitel 6 ud 7 * Kregel: 4 ud 13 * Storrer: 43 7.1
Mehr4 Punkt- und Intervallschätzung
W. Timischl, Agewadte Statistik - Formel (Agewadte Statistik Bachelor-Bioegieerig/Biotechologie) 4 Pukt- ud Itervallschätzug 4. Mittelwert ud Variaz Zufallsstichprobe der metrische Variable X vom Umfag
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
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
MehrStandard Normalverteilung Dichtefunktion von Standard Normal Verteilung. Grenzwertsatz. Normalverteilung. Andere wichtige Verteilungen: Anwendungen
Statistik. Vorlesug, September, 00 f() 0.0 0. 0. 0.3 0.4 Stadard Normalverteilug Dichtefuktio vo Stadard Normal Verteilug -4-0 4 Der Erwartugswert: mittlere Wert E ( = f( ) d=0 für die Stadard Normal Verteilug
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 ; : :
MehrFormelsammlung Grundzüge der Statistik für die Veranstaltungen Statistik I und Statistik II im Grundstudium
Formelsammlug Grudzüge der Statistik für die Verastaltuge Statistik I ud Statistik II im Grudstudium Prof. Dr. Claudia Becker Lehrstuhl für Statistik Ihaltsverzeichis 1 Summezeiche 5 2 Häufigkeitsverteiluge
MehrKorrelationsanalyse zwischen kategorischen Merkmalen. Kontingenztabellen. Chi-Quadrat-Test
Kotigeztabelle. Chi-Quadrat-Test Korrelatiosaalyse zwische kategorische Merkmale Beispiel 1 ohe Frau 8 75 1 Ma 48 49 97 76 14? Häufigkeitstabelle (Kotigeztabelle): eie tabellarische Darstellug der gemeisame
Mehr(4) = 37,7 % mit 37,7 % Wahrscheinlichkeit sind es höchstens 4 Fahrräder, das ist recht hoch; man kann also die Behauptung nicht wirklich ablehnen.
Schülerbuchseite 98 1 Lösuge vorläufig IV Beurteilede Statistik S. 98 p S. 1 p w a t Tabelle Tabelle dowloadbar im Iteretauftritt 1 Teste vo Hypothese 1 a) Erwartugswert μ = 5 ud Stadardabweichug σ = 1,6;
MehrVariiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen.
3. Variazaalyse Die Variazaalyse mit eier quatitative abhägige Variable ud eier oder mehrerer qualitativer uabhägiger Variable wird auch als ANOVA (Aalysis of Variace) bezeichet. Mit eier Variazaalyse
MehrGrundproblem der Inferenzstatistik
Grudproblem der Iferezstatistik Grudgesamtheit Stichprobeziehug Zufalls- Stichprobe... "wahre", ubekate Ateil icht zufällig p... beobachtete Ateil zufällig? Statistik für SoziologIe 1 Iferezschluss Kofidezitervall
MehrFormelsammlung. zur Klausur. Beschreibende Statistik
Formelsammlug zur Klausur Beschreibede Statistik Formelsammlug Beschreibede Statistik. Semester 004/005 Statistische Date Qualitative Date Nomial skalierte Merkmalsauspräguge (Uterscheidugsmerkmale) köe
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
MehrStatistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S
Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere
MehrPflichtlektüre: Kapitel 10 Grundlagen der Inferenzstatistik
Pflichtlektüre: Kapitel 10 Grudlage der Iferezstatistik Überblick der Begriffe Populatio Iferezstatistik Populatiosparameter Stichprobeverteiluge Auch Stichprobekewerteverteiluge Wahrscheilichkeitstheorie
MehrSatz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.
Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,
MehrVorlesung Einführung in die mathematische Statistik
Vorlesug Eiführug i die mathematische Statistik Prof. A. Atille Sommersemester 2004 Literatur P.J. Bickel K.A. Doksum, Mathematical Statistics: Basic Ideas ad Selected Topics Holde-Day, 1977. L. Breima,
Mehr2.2.1 Lagemaße. Exkurs: Quantile. und n. p n
Ekurs: Quatile Ausgagspukt : Geordete Urliste Jeder Wert p, mit 0 < p
Mehr6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment
103 66 Grudzüge der Fehler- ud Ausgleichsrechug 661 Fehlerarte- Aufgabe der Fehler- ud Ausgleichsrechug Jedes physikalisch-techische Experimet liefert gewisse gemessee Werte x Bei dem Messvorgag verwede
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
MehrA = Ereignisraum = σ-algebra (Sigma-Algebra) = Menge aller messbaren Ergebnisse über eine definierte Grundmenge Ω
Statistik Theorie Defiitioe Ω = Grudmege = Ergebismege = Mege aller mögliche Ergebisse A = Ereigisraum = σ-algebra (Sigma-Algebra) = Mege aller messbare Ergebisse über eie defiierte Grudmege Ω P(Ω) = Potezmege
MehrDer natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier
Der atürliche Werkstoff Holz - Statistische Betrachtuge zum uiaxiale Zugversuch am Beispiel vo Furier B. Bellair, A. Dietzel, M. Zimmerma, Prof. Dr.-Ig. H. Raßbach Zusammefassug FH Schmalkalde, 98574 Schmalkalde,
MehrKapitel 6: Statistische Qualitätskontrolle
Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle
MehrMusterlösung zu Übungsblatt 2
Prof. R. Padharipade J. Schmitt C. Schießl Fuktioetheorie 25. September 15 HS 2015 Musterlösug zu Übugsblatt 2 Aufgabe 1. Reelle Fuktioe g : R R stelle wir us üblicherweise als Graphe {(x, g(x)} R R vor.
MehrTestumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen
Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige
MehrStatistik I für Studierende der Soziologie und Nebenfachstudierende
Name: Matrikelummer: Formelsammlug zur Vorlesug Statistik I für Studierede der Soziologie ud Nebefachstudierede Prof Dr Helga Wager Dipl-Soz MSc Julia Kopf, Dipl Stat Gero Walter WS 2010/11 Zur Klausur
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrLösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I
Uiversität des Saarlades Fakultät für Mathematik ud Iformatik Witersemester 2003/04 Prof. Dr. Joachim Weickert Dr. Marti Welk Dr. Berhard Burgeth Lösuge der Aufgabe zur Vorbereitug auf die Klausur Mathematik
MehrStatistik I/Empirie I
Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass
MehrFehlerrechnung. 3. Genauigkeit von Meßergebnissen am Beispiel der Längenmessung
1 Gie 11/000 Fehlerrechug 1. Physikalische Größe: Zahlewert ud Eiheit. Ursache vo Meßfehler 3. Geauigkeit vo Meßergebisse am Beispiel der Lägemessug 4. Messug eier kostate Größe ud Mittelwert 5. Messug
MehrStatistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html
Statistik Prof. Dr. K. Melzer kari.melzer@hs-esslige.de http://www.hs-esslige.de/de/mitarbeiter/kari-melzer.html Ihaltsverzeichis 1 Eileitug ud Übersicht 3 2 Dategewiug (kurzer Überblick) 3 2.1 Plaugsphase
MehrMonte Carlo-Simulation
Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil
MehrAT AB., so bezeichnet man dies als innere Teilung von
Teilverhältisse Aus der Geometrie der Dreiecke ket ma die Aussage, dass der Schwerpukt T eies Dreiecks die Seitehalbierede im Verhältis : teilt. Für die Strecke AT ud TM gilt gemäß der Abbildug AT : TM
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
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
MehrWeitere Lagemaße: Quantile/Perzentile II. Weitere Lagemaße: Quantile/Perzentile I. Weitere Lagemaße: Quantile/Perzentile IV
3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile I 3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile II Für jede Media x med gilt: Midestes
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
Mehr2. Diophantische Gleichungen
2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze
MehrMathematische und statistische Methoden I
Methodelehre e e Prof. Dr. G. Meihardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstude jederzeit ach Vereibarug ud ach der Vorlesug. Mathematische ud statistische Methode I Dr. Malte Persike persike@ui-maiz.de
MehrStatistik (OSTA) - Tutoriumsaufgaben
Seite 1 Statistik (OSTA) - Tutoriumsaufgabe Aufgabe (Häufigkeite, diskret) I der folgede Tabelle ist agegebe, wieviel Tore Eitracht Frakfurt i der Saiso 00 / 003 geschosse hat. 4 0 0 4 3 0 1 1 1 1 0 1
MehrNennenswertes zur Stetigkeit
Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit
MehrBeschreibende Statistik Kenngrößen in der Übersicht (Ac)
Beschreibede Statistik Kegröße i der Übersicht (Ac) Im folgede wird die Berechugsweise des TI 83 (sowie vo SPSS, s. ute) verwedet. Diese geht auf eie Festlegug vo Moore ud McCabe (00) zurück. I der Literatur
MehrInhaltsverzeichnis Office Excel 2003 - Themen-Special: Statistik I
W-EX2003S Autor: Christia Müster Ihaltliches Lektorat: Peter Wies Überarbeitete Ausgabe vom 23. Mai 2007 by HERDT-Verlag für Bildugsmedie GmbH, Bodeheim Microsoft Office Excel 2003 für Widows Theme-Special:
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrVerbesserung von Datengüte und Analysemöglichkeiten durch den Einsatz visueller Analogskalen in Onlineumfragen
Gemeisame Tagug des DVPW-Arbeitskreises Empirische Methode der Politikwisseschaft ud der DGS-Sektio Methode der Empirische Sozialforschug m Thema Olieforschug Maheim, 27. ud 28. Mai 2011 Verbesserug vo
MehrAllgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable
Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex
MehrInnerbetriebliche Leistungsverrechnung
Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der
MehrHallo, kurze Anmerkung: Diese Scripte stammen von 1999. Ich kann leider dazu. keine Fragen mehr beantworten! : ( Euch trotzdem viel Erfolg!
Hallo, kurze Amerkug: Diese Scripte stamme vo 999. Ich ka leider dazu keie Frage mehr beatworte! : ( Euch trotzdem viel Erfolg! Dorthe dorthe@luebbert.et Statistik-C Skript ud Diplomklausurvorbereitug
MehrLerneinheit 2: Grundlagen der Investition und Finanzierung
Lereiheit 2: Grudlage der Ivestitio ud Fiazierug 1 Abgrezug zu de statische Verfahre Durchschittsbetrachtug wird aufgegebe Zeitpukt der Zahlugsmittelbewegug explizit berücksichtigt exakte Erfassug der
MehrStatistik IV. Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II
Statistik IV Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II Prof. Dr. Torsten Hothorn Institut für Statistik Ludwig Maximilians Universität München L A
MehrDatenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007
Dateauswertug Prof. Dr. Josef Brüderl Uiversität Maheim Frühjahrssemester 007 Methode-Curriculum B.A. Soziologie Basismodul: Methode ud Statistik: VL Dateerhebug (): 5 ÜK (): 3 ----------------------------------------------------------
Mehr1.2. Taylor-Reihen und endliche Taylorpolynome
1.. aylor-reihe ud edliche aylorpolyome 1..1 aylor-reihe Wir köe eie Fuktio f() i eier Umgebug eies Puktes o gut durch ihre agete i o: t o () = f(o) + f (o) (-o) aäher: Wir sehe: Je weiter wir vo o weg
MehrSUCHPROBLEME UND ALPHABETISCHE CODES
SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich
MehrParameter von Häufigkeitsverteilungen
Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige
Mehrhttp://www.statistik.lmu.de/~kraemer/kw10/index.html Aufgabe 1 (Punkt- und Intervallschätzung für ein metrisches Merkmal)
tatistik für Kouikatioswisseschaftler Witerseester 010/011 Vorlesug Prof. Dr. Nicole Kräer Übug Nicole Kräer, Corelia Oberhauser, Moia Mahlig Lösug Thea Hoepage zur Verastaltug: http://www.statistik.lu.de/~kraeer/kw10/idex.htl
MehrZufallsstreubereiche und Vertrauensbereiche
HTL Saalfelde Zufallsstreu- ud Vertrauesbereiche Seite 1 vo 1 Wilfried Rohm, HTL Saalfelde wilfried.rohm@schule.at Zufallsstreubereiche ud Vertrauesbereiche Mathematische / Fachliche Ihalte i Stichworte:
Mehr... a ik) i=1...m, k=1...n A = = ( a mn
Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,
MehrKapitel 6: Quadratisches Wachstum
Kapitel 6: Quadratisches Wachstum Dr. Dakwart Vogel Ui Esse WS 009/10 1 Drei Beispiele Beispiel 1 Bremsweg eies PKW Bremsweg Auto.xls Ui Esse WS 009/10 Für user Modell des Bremsweges gilt a = a + d a =
MehrMathematik für Maschinenbauer, Bauingenieure und Umwelttechniker III. R. Verfürth
Mathematik für Maschiebauer, Bauigeieure ud Umwelttechiker III Vorlesugsskriptum WS 001/0 - WS 00/03 überarbeitet September 008 R. Verfürth Fakultät für Mathematik, Ruhr-Uiversität Bochum Ihaltsverzeichis
MehrStatistik und Wahrscheinlichkeitslehre
Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug
MehrZur Ableitung zulässiger Messunsicherheiten
Zur Ableitug zulässiger Messusicherheite aus Toleraze bei Igeieurvermessuge a Krabahe Has Schulz Vo de jeweilige Herstelltoleraze ist für die Vermessug ei bestimmter Ateil die Vermessugstoleraz vorzusehe,
MehrGrundzüge der Stichprobentheorie. Statistisches Bundesamt
Grudzüge der Stichprobetheorie Grüde für Stichprobeerhebug - deutlich gerigere Koste - größere Awedugsbreite - kürzere Erhebugs- ud Auswertugszeite - i der Regel größere Geauigkeit der Ergebisse Begriffsbestimmug
Mehrh i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert
Deskriptive Statistik dimesioale Date Date ud Häufigkeite Seite Nomial Ordial Metrisch (Kardial Metrisch klassiert Beschreibug: Date habe keie atürliche Reihefolge. Bsp: Farbe, Religio, Geschlecht, Natioalität...
MehrLV "Grundlagen der Informatik" Programmierung in C (Teil 2)
Aufgabekomplex: Programmiere i C (Teil vo ) (Strukturierte Datetype: Felder, Strukture, Zeiger; Fuktioe mit Parameterübergabe; Dateiarbeit) Hiweis: Alle mit * gekezeichete Aufgabe sid zum zusätzliche Übe
MehrStatistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.
Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste
MehrDiplomarbeit. Stochastische Modelle für Schadenabwicklungsschemata unter Berücksichtigung von Reservenbildung
- - Prof. Dr. Dietmar Pfeifer Uiversität Hamburg Fachbereich Mathematik Istitut für Mathematische Stochastik Diplomarbeit Stochastische Modelle für Schadeabwicklugsschemata uter Berücksichtigug vo Reservebildug
MehrDie zu den Zufallswerten x gehörigen Wahrscheinlichkeiten fasst man in einer Tabelle zusammen:
0 Statistik 0. Wahrscheilichkeitsfuktio ud optische Darstellug Bei der Auswertug vo Zufallsexperimete ist oft gar icht das eizele Ergebis vo Iteresse, soder vielmehr eie Zahlegröße (Zufallsgröße X), die
MehrVersuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE
Versuch 3/ NEWTONSCHE INTERFERENZRINGE Blatt NEWTONSCHE INTERFERENZRINGE Die Oberfläche vo Lise hat im allgemeie Kugelgestalt. Zur Messug des Krümmugsradius diet das Sphärometer. Bei sehr flacher Krümmug
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Istitut für tochastik Prof. Dr. N. Bäuerle Dipl.-Math.. Urba Lösugsvorschlag 9. Übugsblatt zur Vorlesug Fiazmathematik I Aufgabe Ei euartiges Derivat) Wir sid i eiem edliche, arbitragefreie Fiazmarkt,
Mehr( ) Formelsammlung. Kombinatorik. Permutation: ohne Wiederholung. n! = n (n - 1) (n - 2)... 3 2 1 n= alle Elemente. Permutation: mit Wiederholung
Formelsammlug Kombiatori Permutatio: ohe Wiederholug! = ( - 1) ( - 2).... 3 2 1 = alle Elemete Permutatio: mit Wiederholug!! P, = = usw. = gleiche Elemete! 1! K 2! Stichprobe (SP) = geordete Auswahl Geordete
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
Mehr3. Tilgungsrechnung. 3.1. Tilgungsarten
schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
Mehr1. Aufgabenblatt zur Vorlesung Monte Carlo-Algorithmen
22.04.14 1. Aufgabeblatt zur Vorlesug 1. Mache Sie sich mit der Beutzug des Mersee Twisters ud ggf. weiterer Geeratore aus Ihrer Stadard-Software vertraut. 2. Welche Eigeschafte erwarte Sie vo Zufallszahle?
MehrEin kleines Einmaleins über Mittelwertbildungen
Vorlesugsergäzug zur Igeieurmathematik R.Brigola Ei kleies Eimaleis über Mittelwertbilduge Grudlage über arithmetische Mittel, geometrische Mittel, harmoische Mittel, quadratische Mittel ud das arithmetisch-geometrische
MehrChangepoint-Analyse für Kenngrößen der Telekommunikation: Theorie und Simulationen
Chagepoit-Aalyse für Kegröße der Telekommuikatio: Theorie ud Simulatioe DISSERTATION zur Erlagug des Doktorgrades der Naturwisseschafte Dr. rer. at., dem Fachbereich Mathematik ud Iformatik der Philipps-Uiversität
Mehr2 Vollständige Induktion
8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes
Mehr