PVK Statistik Carlos Mora
|
|
- Karsten Kaufman
- vor 6 Jahren
- Abrufe
Transkript
1 PVK Statistik
2 Prüfung 1 Frage Binomialverteilung und/oder Poissonverteilung mit Test, Poisson-, Normalapproximation 1.Übungsblatt 1 Frage Normalverteilung, z-, t-test; Ein- und/oder zwei Stichproben 2. Übungsblatt 1 Frage Lineare Regression 3. Übungsblatt 1 Frage Gemischte Fragen 4. Übungsblatt PVK Statistik 2
3 Ziel dieses PVKs Auf die Prüfung vorzubereiten Repetition des Prüfungsstoffes Prüfungsaufgaben lösen Unklarheiten erkennen und beseitigen PVK Statistik 3
4 Richtig oder falsch? (1/2) 1. Eine Zufallsvariable X gibt die Wahrscheinlichkeit eines Ereignisses an. FALSCH: Eine Zufallsvariable ist eine Funktion, welcher jedem Ereignis eine Zahl zuordnet. 2. Die Binomialverteilung, Bernoulliverteilung und Poissonverteilung sind stetige Verteilungen. FALSCH: Es sind alles diskrete Verteilungen. 3. Ein zweiseitiger statistischer Test testet, ob die Beobachtung signifikant grösser ist als ein angenommener Wert. FALSCH: Ein zweiseitiger Test untersucht, ob die Beobachtung vom angenommenen Wert abweicht, das beschriebene Beispiel wäre ein einseitiger Test. 4. Die Macht eines Tests gibt an, wie hoch die Wahrscheinlichkeit ist, dass die Nullhypothese verworfen wird, wenn die Alternativhypothese zutrifft. Richtig PVK Statistik 4
5 Richtig oder falsch? (2/2) 5. Die kumulative Wahrscheinlichkeit P[X x] einer Normalverteilung kann ganz einfach mit dem Taschenrechner berechnet werden. FALSCH: Man muss Standardisieren und die z-tabelle benützen. 6. Ist die Standardabweichung von normalverteilten Messdaten nur geschätzt, muss der t-test durchgeführt werden. RICHTIG 7. Bei gepaarten Stichproben sind die Stichproben unabhängig voneinander. FALSCH: Sie sind zu Paaren geordnet und deshalb abhängig voneinander! 8. Anstatt des Verwerfungsbereichs eines zweiseitigen statistischen Tests auf 5% - Niveau wird der p-wert = angeben: die Alternativhypothese wird angenommen. RICHTIG PVK Statistik 5
6 Block 2 Block 1 Übersicht :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 30min inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
7 Block 4 Block 3 Übersicht :00 6. Zwei-Stichproben-Tests für stetige Verteilungen (2.Teil) Übung 2C 7. Lineare Regression 12:00 Übung 3 Mittag 13:00 8. Verschiedenes Übung 4 ca.16:00 PVK Statistik 7
8 Block 5 Übersicht :00 8. Lösen von Prüfungen aus früheren Jahren 12:00 PVK Statistik 8
9 Block 2 Block 1 Übersicht :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 1h inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
10 1. Grundlegendes 1.1 Zufallsvariable X Definition: Die Zufallsvariable ist eine Funktion, die jedem Elementarereignis eines Zufallsexperiments eine Zahl x zuordnet. Diskrete Zufallsvariable Eine diskrete Zufallsvariable kann nur abzählbaren Ereignissen eine Zahl zuordnen, d.h. X = [0,1,2,3 ] Stetige Zufallsvariable Eine stetige Zufallsvariable ordnet nicht abzählbaren Ereignissen eine Zahl zu, d.h. X = [3.12, usw.] Bsp.: Sei X die Anzahl kaputter Gläser in einer Lieferung, kommt das Ereignis kaputte Gläser in einer Lieferung 3 mal vor, so ist X = 3. Bsp.: Sei X die Grösse eines Menschen, so ordnet X jedem zufällig ausgewählten Menschen seine Grösse zu. PVK Statistik 10
11 1. Grundlegendes 1.2 Wahrscheinlichkeitsverteilung der Zufallsvariable X Eine Verteilung ist eine Auflistung aller Wahrscheinlichkeiten für alle ganzen Zahlen x, -> diskrete Verteilung, -> ist ein Balkendiagramm reellen Zahlen x, -> stetige Verteilung, -> ist eine stetige Funktion welche die Zufallsvariable annehmen kann. Bsp. Stetige Verteilung: Liste der Wahrscheinlichkeiten für alle möglichen Grössen der Menschen Binomialverteilung (diskret) Normalverteilung (stetig) PVK Statistik 11
12 1. Grundlegendes 1.3 Parameter einer Verteilung Erwartungswert E(X) einer Zufallsvariable X Der Erwartungswert beschreibt die mittlere Lage der Verteilung. Die Wahrscheinlichkeit für den Erwartungswert ist am grössten. Standardabweichung σ(x) Berschreibt die Streuung der Verteilung, d.h. die Streuung um den Erwartungswert. σ(x) Varianz Var(X) Standardabweichung im Quadrat, einfacher zum Berechnen. E(X) PVK Statistik 12
13 Block 2 Block 1 Übersicht :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 1h inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
14 2. Verteilungen von diskreten Zufallsvariablen 2.1 Bernoulliverteilung Definition: Ein Versuch mit nur zwei möglichen Ereignissen: Erfolg oder Nicht- Erfolg. Bsp. Was ist die Wahrscheinlichkeit bei 1x Münze (gefälscht) werfen, dass der Kopf oben liegt. X = Erfolg (Kopf -> 1 Erfolg, Zahl -> 0 Erfolge) p(kopf) = 0.6 X ~ Bernoulli(0.6) X ~ Binom(1,0.6) P[X=x] = p x * (1-p) n-x n=1 Anwendung: Spezialfall der Binomialverteilung mit n=1 PVK Statistik 14
15 2. Verteilungen von diskreten Zufallsvariablen 2.2 Binomialverteilung (Zusammenfassung S.1) Definition: Limitierte Serie von gleichartigen, unabhängigen Versuchen, wobei die Anzahl Erfolge (Treffer) beschrieben wird. n 1 Anwendung: Qualitätskontrolle, Erfolg/Misserfolg bei Behandlungen/Experimenten, Glücksspielen usw. PVK Statistik 15
16 2. Verteilungen von diskreten Zufallsvariablen 2.3 Binomialverteilung Bsp.: 20 x Münze (gefälscht) werfen X = Anzahl Erfolge (Kopf) p(kopf) = 0.6 X ~ Bin(20, 0.6) Was ist: P[X=2] = P[X < 2] = P[X >18] = 3.4 * 10-7 PVK Statistik 16
17 2. Verteilungen von diskreten Zufallsvariablen 2.4 Poissonverteilung einer Zufallsvariable X Hat keine Obergrenze an Versuchen (kein definiertes n) und gilt also für unbeschränkte Zähldaten, z.b. Schadenmeldungen eines Versicherten pro Jahr. Bsp.: Im Durchschnitt werden bei der Radarfalle an der Hohlstrasse in Zürich 10 Autos pro Stunde geblitzt, also λ X =10. X ist die Anzahl geblitzter Autos pro Stunde. Was ist die Wahrscheinlichkeit, dass nur 8 Autos in einer Stunde geblitzt werden? P[X=8] = Formel mit λ X =10 und x=8. Poisson-Prozess: Was ist die Wahrscheinlichkeit, dass in 5 Stunden 45 Autos geblitzt werden? Y = Anzahl geblitzter Autos pro 5 Stunden, λ Y = 5* λ X = 50 P[Y=45] = Formel mit λ Y =50 und y=45 17
18 2. Verteilungen von diskreten Zufallsvariablen Poissonapproximation (Zusammenfassung S.1) Für die Annäherung (Approximation) der Binomialverteilung geeignet. Bsp.: Die W keit für Komplikationen bei der Operation Z liegt bei 3%. Was ist die W keit, dass von 100 Patienten mind. eine Person eine Komplikation hat? X = Anzahl Personen mit Komplikationen; n=100 X~Binom 100, 0.03 P X 1 = Poissonapproximation X = Anzahl Personen mit Komplikationen; λ = = 3 X Poisson 3 P X 1 = PVK Statistik 18
19 2. Verteilungen von diskreten Zufallsvariablen 2.5 Überblick diskrete Verteilungen (Zusammenfassung S.1) PVK Statistik 19
20 Block 2 Block 1 Übersicht :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 1h inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
21 3. Statistischer Test für diskrete Verteilungen Übersicht PVK Statistik 21
22 3. Statistischer Test für diskrete Verteilungen 3.1 Binomialtest (Zusammenfassung S.5) PVK Statistik 22
23 3. Statistischer Test für diskrete Verteilungen 3.1 Binomialtest - Beispiel Bsp.: Test auf Hellsehefähigkeit Vreni wird 10 mal die Rückseite einer rein zufällig gewählten Jasskarte gezeigt. Sie muss die Farbe bestimmen. Vreni hat 5 mal richtig getippt (x=5). 1. Schritt: Was ist die Zufallsvariable X und das richtige Modell? X = Anzahl richtige Treffer X~Binom(n,p) 2. Schritt: Null- und Alternativhypothese bestimmen: Nullhypothese H 0 : p = 0.25 Alternativhypothese H A : p > Schritt: Teststatistik ->X ~Bin(10, 0.25), Signifikanzniveau α = 0.05 Testresulat a) P-Wert: P[X 5] < 0.05? -> P[X 5] = P[X=5]+ P[X=6]+ P[X=7]+ P[X=8]+ P[X=9]+ P[X=10]= Nullhypothese wird nicht verworfen. PVK Statistik 23
24 3. Statistischer Test für diskrete Verteilungen 3.1 Binomialtest - Fortsetzung b) Verwerfungsbereich: K = [c o, n] -> P[X c o ] 0.05 Liste: P[X 4] = 1 - P[X 3] = 1 - (P[X=0]+ + P[X=3]) = 0.22 P[X 5] = P[X 6] = < 0.05 c o = 6 P[X 7] = < 0.05 K= [6, 10] Die Nullhypothese wird nicht verworfen P[X 6] = P[K] 0.05!! K PVK Statistik 24 c o
25 3. Statistischer Test für diskrete Verteilungen Fehler 1. Art eines Tests P[Fehler 1. Art]: Wahrscheinlichkeit, dass die Nullhypothese fälschlicherweise verworfen wird, obwohl sie zutrifft. P[Fehler 1.Art] = α (= 0.05) P K = α = P X c 0 = P[Fehler 1. Art] K PVK Statistik 25
26 3. Statistischer Test für diskrete Verteilungen Fehler 2. Art P[Fehler 2. Art]: Wahrscheinlichkeit, dass die Nullhypothese nicht verworfen wird, obwohl die Alternativhypothese zutrifft. Die Wahrscheinlichkeit für den Fehler 2. Art wird immer für ein bestimmtes als wahr angenommenes p wahr berechnet Bin(n, p wahr ) Wandtafel!!! Vreni kann die Farbe mit p wahr = 0.4 voraussehen. Mit welcher W keit erkennt der Test nicht, dass Vreni hellsehen kann? Bin(10,0.4) -> P[X< c o ] = P[X< 6] = P[X 5] = 0.83 Mit 83% W keit erkennt man nicht, dass Vreni hellsehen kann, falls sie es (ein bisschen) könnte. Wird Fehler 1. Art kleiner, vergrössert sich der Fehler 2. Art. Problem in der Wissenschaft!! PVK Statistik 26
27 3. Statistischer Test für diskrete Verteilungen 3.2 Macht eines Tests Fehler 2. Art umgekehrt: Wie hoch ist die Wahrscheinlichkeit, dass die Nullhypothese verworfen wird, wenn die Alternativhypothese für p wahr = 0.4 zutrifft. 1- P[Fehler 2. Art] = = 0.17 Das heisst, dass man merkt, dass Vreni hellsehen kann, beträgt nur 17%! -> Dieser Test erkennt also keine Personen, welche nur ein wenig hellsehen können. PVK Statistik 27
28 3. Statistischer Test für diskrete Verteilungen 3.3 Zweiseitiges approximatives 95% Vertrauensintervall für p Man benötigt die Anzahl Versuche n und die Beobachtung x. Für was braucht man das 95% Vertrauensintervall (=Konfidenzintervall)? Bsp: Beobachtung 5 von 100 Fahrgästen fahren schwarz. Schätzung p = 0.05 In welchem Bereich liegt das wahre p? Schwarzfahren: I [0.0073, ] Ist es plausibel, dass 12% aller Fahrgäste schwarz fahren? Nein. Wie könnte man das Vertrauensintervall genauer (kleiner) machen? PVK Statistik 28
29 Übung 1 (1.Teil) 1. Übungsblatt A) C) lösen min Pause 15 min PVK Statistik 29
30 Grundlegendes Wahrscheinlichkeitsverteilung der Zufallsvariable X Eine Verteilung ist eine Auflistung aller Wahrscheinlichkeiten für alle ganzen Zahlen x, -> diskrete Verteilung, -> ist ein Balkendiagramm reellen Zahlen x, -> stetige Verteilung, -> ist eine stetige Funktion welche die Zufallsvariable annehmen kann. Bsp. Stetige Verteilung: Liste der Wahrscheinlichkeiten für alle möglichen Grössen der Menschen Binomialverteilung (diskret) Normalverteilung (stetig) PVK Statistik 30
31 Block 2 Block 1 Übersicht :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 1h inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
32 4. Verteilungen von stetigen Zufallsvariablen 4.1 Allgemein Die Verteilungsfunktion f(x) ist stetig (ununterbrochen), heisst nun Dichtefunktion und ist die 1. Ableitung der kumulativen Verteilung F(x). z.b. Exponentialverteilung: F(x) = 1-exp(-λ*x); x 0 f(x) = λ*exp(-λ*x); x 0 Da P[X=x] 0 kann man nur Bereiche von Wahrscheinlichkeiten (kumulative Wahrscheinlichkeiten!!!) bestimmen: z.b. P[1 X 4] = P[1<X<4]= P[X<4]-P[X<1] z.b. P[- <X<4] = P[X<4]-P[X<- ] = P[X<4] PVK Statistik 32
33 4. Verteilungen von stetigen Zufallsvariablen 4.2 Uniforme und Exponentialverteilung (Zusammenfassung S.2) PVK Statistik 33
34 4. Verteilungen von stetigen Zufallsvariablen 4.3 Normalverteilung (Zusammenfassung S.3) PVK Statistik 34
35 4. Verteilungen von stetigen Zufallsvariablen 4.4 Standardnormalverteilung (Zufallsvariable Z) 0 Die kumulativen Wahrscheinlichkeiten Φ(z) der Standardnormalverteilung sind tabelliert in der z-tabelle. Was ist P Z < 0.45 = Φ 0.45? Φ = Was ist Φ = z? z = 0.44 PVK Statistik 35
36 4. Verteilungen von stetigen Zufallsvariablen 4.5 Standardisieren Bsp: X ist die Grösse eines Menschen in cm; X ~ Normal(170, 81) Was ist die Wahrscheinlichkeit, dass jemand grösser ist als 160cm? P[X>160]= 1 - P[X<160] Umweg: Negativ! P[X<160] = P[Z< x μ ] = P[Z< ] = P[Z< -1.11] = 1 - P[Z< 1.11] = (Z-Tabelle) σ 81 = = P[X>160]=1-P[X<160] = Was ist die W keit, dass jemand kleiner ist als 185cm? Selber ausrechnen! P[X<185] = P[Z<( )/9]= P[Z<1.67] = PVK Statistik 36
37 Block 2 Block 1 Übersicht :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 1h inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
38 5. Ein-Stichproben-Tests für stetige Verteilungen Übersicht PVK Statistik 38
39 5. Ein-Stichproben-Tests für stetige Verteilungen 5.1 Normal Q-Q plot Normalverteilt oder nicht normalverteilt? normalverteilt Nicht normalverteilt PVK Statistik 39
40 5. Ein-Stichproben-Tests für stetige Verteilungen Übersicht PVK Statistik 40
41 5. Ein-Stichproben-Tests für stetige Verteilungen 5.2 z-test (Zusammenfassung S.6) PVK Statistik 41
42 5. Ein-Stichproben-Tests für stetige Verteilungen Bsp. z-test Salatgurken im Garten Annahme: X=Länge [cm] der Gurken und X~Normal(μ,σ 2 ) 10 Gurken sind gewachsen Gurken von Migros sind durchschnittlich 42.5 cm lang und in der internationalen Gurkendatenbank steht, dass die Streuung der Länge von Salatgurken 7cm beträgt. Sind meine Gurken länger als die von der Migros (α = 0.05)? Z-Test, 2. Hypothese: 3. Teststatistik: PVK Statistik 42
43 5. Ein-Stichproben-Tests für stetige Verteilungen Fortsetzung Bsp. z-test 4. Testentscheid: z = Nullhypothese wird nicht verworfen! 5. Verwerfungsbereich K = 1. 64,, z = K PVK Statistik 43
44 5. Ein-Stichproben-Tests für stetige Verteilungen Übersicht PVK Statistik 44
45 5. Ein-Stichproben-Tests für stetige Verteilungen 5.3 Normalapproximation (Zusammenfassung S.5) Für was braucht man Approximationen (=Annäherungen) an die Normalverteilung (am häufigsten verwendete Verteilung für Approx., Alternative: Poissonverteilung)? Um mit Verteilungen (z.b. Binomialverteilung, usw.) zu rechnen, mit denen man sonst nur schwer von Hand arbeiten kann! Vorgehen ist sehr einfach siehe Zusammenfassung S.1, Bsp. Binomialverteilung PVK Statistik 45
46 5. Ein-Stichproben-Tests für stetige Verteilungen 5.3 Normalapproximation der Binomialverteilung, Bsp. Bsp.: Heidi werden die Rückseiten von 800 Jasskarten gezeigt, sie muss die Jasskartenfarbe bestimmen. a) Mit welcher Verteilung ist X = Anzahl richtig getippte Jasskartenfarbe unter der Nullhypothese, dass Heidi keine Hellseherin ist, verteilt? X ~ Binom(800, 0.25) b) Was ist die Wahrscheinlichkeit, dass Heidi mehr als 210 Jasskarten richtig tippt? Berechnen sie die Wahrscheinlichkeit mit einer geeigneten Approximation! E(X) = 800 * 0.25 = 200; Var(X)= 800 * 0.25 * 0.75 = 150 X Normal(200,150) P[X>210] 1 P[X<210] = 1- P[Z< ] = 1- P[Z<0.82] = = PVK Statistik 46
47 5. Ein-Stichproben-Tests für stetige Verteilungen 5.3 Normalapproximation der Binomialverteilung, Test Normalapproximation: Für n gross Bsp.: Heidi werden die Rückseiten von 800 Jasskarten gezeigt, sie tippt 230mal richtig. 1. Modell: X = Anzahl richtig getippter Jasskarten X ~ Binom(n, p) 2. Nullhypothese H 0 : p = 0.25 Alternativhypothese H A : p > Teststatistik -> X ~Binom(800, 0.25) E(X) = 800*0.25 = 200 Var(X) = 800*0.25*0.75= 150 X Normal(200,150) -> Standardabweichung bekannt Z-Test Was ist das Testergebnis? Was ist der Verwerfungsbereich? z = 2.44 > 1.64 Nullhypothese wird verworfen, Heidi kann tatsächlich hellsehen!! Was ist der Verwerfungsbereich? K = [c o, n] = [221, 800] PVK Statistik 47
48 Übung 1 (2.Teil) 1. Übungsblatt D) - F) (~45-60 min) Mittagessen Nochmals 15min Zeit PVK Statistik 48
49 Block 2 Block 1 Übersicht :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 1h inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
50 5. Ein-Stichproben-Tests für stetige Verteilungen Übersicht PVK Statistik 50
51 5. Ein-Stichproben-Tests für stetige Verteilungen 5.4 t-test (Zusammenfassung S.7) PVK Statistik 51
52 5. Ein-Stichproben-Tests für stetige Verteilungen Bsp. t-test Salatgurken im Garten 2.0 Annahme: X=Länge [cm] der Gurken und X~Normal(μ,σ 2 ) 10 Gurken sind gewachsen Gurken von Migros sind durchschnittlich 42.5 cm lang und in der internationalen Gurkendatenbank steht, dass die Streuung der Länge von Salatgurken 7cm beträgt. Sind meine Gurken länger als die von der Migros (α = 0.05)? t-test, 2. Hypothese: 3. Teststatistik PVK Statistik 52
53 5. Ein-Stichproben-Tests für stetige Verteilungen Fortsetzung Bsp. t-test 4. Testentscheid: t-tabelle nachschauen! t = Nullhypothese wird nicht verworfen! 5. Verwerfungsbereich K = ,, t = K PVK Statistik 53
54 5. Ein-Stichproben-Tests für stetige Verteilungen Übersicht PVK Statistik 54
55 5. Ein-Stichproben-Tests für stetige Verteilungen 5.5 Vorzeichentest (Zusammenfassung S.8) PVK Statistik 55
56 5. Ein-Stichproben-Tests für stetige Verteilungen 5.5 Vorzeichentest Modell: X i ~beliebige stetige Verteilung mit n unabhängigen Stichproben (Messungen) Annahme: μ = Median X i P X μ = % der Daten liegen jeweils über- und unterhalb des Medians! Bemerkung: Für unser Wissensniveau nehmen wir der Einfachheit halber immer an, dass die beliebige Verteilung symmetrisch ist (wie auch die Normalverteilung), das heisst: E X i = Median X i = μ Teststatistik: V: Anzahl X i mit X i > μ 0 Treffer (Anzahl «+» = Messungen grösser als μ 0 ) werden gezählt V ist binomialverteilt!!! V~Bin(n, 0. 5) Binomialtest, P-Wert, Verwerfungsbereich K PVK Statistik 56
57 5. Ein-Stichproben-Tests für stetige Verteilungen Vorzeichentest, Bsp. 2. Hypothese: 3. Teststatistik V: Anzahl X i mit X i > μ 0 v = 7 4. Testresultat P-Wert = P V 7 = P V = P V = 10 = H 0 wird nicht verworfen!! Verwerfungsbereich K = [c o, 10] P V 7 = P V 8 = P V 9 = c o =9 K = 9, 10, v K PVK Statistik 57
58 Übung 2A 2. Übungsblatt A) (~15-20min) Pause 15 min PVK Statistik 58
59 Block 2 Block 1 Übersicht :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 1h inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
60 6. Zwei-Stichproben-Tests für stetige Verteilungen Übersicht PVK Statistik 60
61 6. Zwei-Stichproben-Tests für stetige Verteilungen 6.1 Gepaart oder ungepaart? Gepaart Beide Stichproben bilden ein Paar. Ungepaart Es gibt keine Paare. Beide Stichproben sind abhängig voneinander, z.b. gleiche Messung an derselben Person. Beide Stichproben sind unabhängig voneinander. WICHTIG: n ist für beide Stichprobengruppen gleich gross! WICHTIG: Die Anzahl Stichproben muss für beide Stichprobengruppen nicht gleich gross sein! PVK Statistik 61
62 6. Zwei-Stichproben-Tests für stetige Verteilungen Gepaart oder ungepaart? Man weiss, dass männliche C57BL/6 Labormäuse mehr Testosteron produzieren als männliche BALB/c Mäuse. Zeigt sich dies in ihrem Verhalten? Es wird beschlossen, eine direkte Konkurrenzsituation herbeizuführen. Man bildet 20 Paare aus je einer männlichen C57BL/6 und einer BALB/c Maus, steckt je ein Paar in einen Käfig und misst nach einer Woche, wie viel Gewicht jede Maus zugenommen hat. Daraus will man ableiten, welcher Mausstamm aggressiver ist. gepaart, Paarbildung Ein neues Medikament gegen Fettsucht, ANTIFETT, soll auf Wirksamkeit getestet werden. Dazu wird eine Doppelblindstudie durchgeführt (der Arzt und der Patient wissen beide nicht, welches das echte und das Placebo-Medikament ist, nur der Studienkoordinator weiss es). 28 fettleibigen Personen wird ein Placebo, 32 fettleibigen Personen das echte Medikament abgegeben. ungepaart, unabhängige Gruppen, unterschiedliche Grösse der Gruppen PVK Statistik 62
63 6. Zwei-Stichproben-Tests für stetige Verteilungen X 3 X 3 Transgene Pflanzen Kontrolle PVK Statistik 63
64 6. Zwei-Stichproben-Tests für stetige Verteilungen H 0 : μ transgen = μ Kontrolle H A : μ transgen < μ Kontrolle PVK Statistik 64
65 Block 2 Block 1 Rückblick :15 1. Grundlegendes 2. Verteilungen von diskreten Zufallsvariablen 3. Statistischer Test für diskrete Verteilungen Übung 1 (1.Teil) 1h 15min inkl. Pause 4. Verteilungen von stetigen Zufallsvariablen 5. Ein-Stichproben-Tests für stetige Verteilungen (1.Teil) 12:00 13:00 Mittag Übung 1 (2.Teil) 5. Ein-Stichproben-Tests für stetige Verteilungen (2.Teil) 1h, anschl. Mittag Übung 2A 1h inkl. Pause 6. Zwei-Stichproben-Tests für stetige Verteilungen (1.Teil) ca.15:30-16:00 Übung 2B 15min
66 Block 4 Block 3 Übersicht :00 6. Zwei-Stichproben-Tests für stetige Verteilungen (2.Teil) Übung 2C 7. Lineare Regression 12:00 Übung 3 Mittag 13:00 8. Verschiedenes Übung 4 ca.16:00 PVK Statistik 66
67 Übung 2B 2. Übungsblatt B) (~15min) Ende Tag 1 Danke für Eure Aufmerksamkeit!!! PVK Statistik 67
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
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
MehrLösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001 1. Sensitivität und Spezifität In einer medizinischen Ambulanz haben 30 % der Patienten eine akute Appendizitis. 80 % dieser Patienten haben
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrBiostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
MehrDer Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.
Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
MehrVorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrÜber den Autor 7. Teil Beschreibende Statistik 29
Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:
MehrMathematik für Biologen
Mathemati für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 22. Dezember 2010 1 Binomialtests Einseitiger unterer Binomialtest Zweiseitiger Binomialtest Beispiel BSE Normalapproximation
MehrKeine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
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,
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übungen für die kompetenzbasierte Abschlussprüfung 1. 60 Äpfel wurden gewogen und die Ergebnisse in einem Boxplot-Diagramm dargestellt. Ergänzen Sie die folgenden
MehrSchleswig-Holstein Kernfach Mathematik
Aufgabe 5: Stochastik Der Schokoladenhersteller Nikolaus Hase produziert für namhafte Discounter Ostereier. Auf Grund langjähriger Erfahrungen ist davon auszugehen, dass 95 % der Produktion der Norm entsprechen
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
MehrProf. Dr. Günter Hellmig. Aufgabenskript Induktive Statistik
rof. Dr. Günter Hellmig Aufgabenskript Induktive Statistik Inhalt:.Kombinatorik: Variation und Kombination, jeweils ohne Wiederholung 2.Rechnen mit Wahrscheinlichkeiten: Additions- und Multiplikationssätze
MehrKlausur: Einführung in die Statistik
1 Lösungen immer unter die jeweiligen Aufgaben schreiben. Bei Platzmangel auf die Rückseite schreiben (dann Nummer der bearbeiteten Aufgabe mit anmerken!!!). Lösungen, die nicht auf den Aufgabenblättern
MehrProzentsatzes fehlerhafter Einheiten von einem Sollprozentsatz fehlerhafter Einheiten feststellen zu können. Der Assistent führt automatisch eine
Dieses White Paper ist Teil einer Reihe von Veröffentlichungen, welche die Forschungsarbeiten der Minitab-Statistiker erläutern, in deren Rahmen die im Assistenten der Minitab 17 Statistical Software verwendeten
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
Mehr11 Tests zur Überprüfung von Mittelwertsunterschieden
11 Tests zur Überprüfung von Mittelwertsunterschieden 11.1 Der z Test (t Test) für verbundene Stichproben 11.2 Der z Test (t Test) für unabhängige Stichproben 11.3 Fehler 1. Art und 2. Art 11.4 Typische
MehrLiteratur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill.
Statistik Literatur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill. Maxwell, S.E. & Delaney, H.D. (2000). Designing Experiments and Analyzing Data. Mahwah, NJ: Erlbaum. Das Grundproblem
MehrForschungsmethodik II Mag.rer.nat. M. Kickmeier-Rust Karl-Franzens-Universität Graz. Lisza Gaiswinkler, Daniela Gusel, Tanja Schlosser
Kolmogorov-Smirnov-Test Forschungsmethodik II Mag.rer.nat. M. Kickmeier-Rust Karl-Franzens-Universität Graz 1 Kolmogorov- Smirnov Test Andrei Nikolajewitsch Kolmogorov * 25.4.1903-20.10.1987 2 Kolmogorov-
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrProf. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2016
Prof. Dr. Christoph Karg 5.7.2016 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2016 Name: Unterschrift: Klausurergebnis Aufgabe 1 (15 Punkte) Aufgabe 3
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,
Mehr5. Stochastische Modelle I: Diskrete Zufallsvariablen
5. Stochastische Modelle I: Diskrete Zufallsvariablen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Zufallsgrößen Eine Zufallsgröße X ist eine Größe, deren Wert wir nicht exakt kennen
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
Mehr2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrKategorielle Daten. Seminar für Statistik Markus Kalisch
Kategorielle Daten Markus Kalisch 1 Phase 3 Studie: Wirksamer als Placebo? Medikament Placebo Total Geheilt 15 9 24 Nicht geheilt 10 11 21 Total 25 20 45 Grundfrage: Sind Heilung und Medikamentengabe unabhängig?
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
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
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Taubertsberg R. 0-0 (Persike) R. 0-1 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet0.sowi.uni-mainz.de/
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrAufgaben zur Wahrscheinlichkeitsrechnung
Aufgaben zur Wahrscheinlichkeitsrechnung August Mistlbacher 17. Oktober 2010 1 2 Binomialverteilung 1 Bei einem Quiz werden 3 Fragen gestellt. Bei jeder Frage stehen 4 Antworten zur Auswahl, von denen
MehrAufgabe 50. Ein Schießbudenbesitzer hat festgestellt, dass die Trefferwahrscheinlichkeit in den späten Abendstunden 0;1 pro Schuss beträgt.
Aufgabe 0 Ein Schießbudenbesitzer hat festgestellt, dass die Trefferwahrscheinlichkeit in den späten Abendstunden 0;1 pro Schuss beträgt. a) Wie hoch ist die Wahrscheinlichkeit, bei Schüssen mindestens
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
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,
Mehr7.3 Chi-Quadrat-Streuungstest und F-Test
7.3 Chi-Quadrat-Streuungstest und F-Test Alle bisher besprochenen Statistischen Tests sind sog. Tests über die Mittelwerte; denn ihre Nullhypothesen handeln vom Vergleich entweder zweier Mittelwerte oder
Mehr825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden?
1. Aufgabe: Eine Bank will die jährliche Sparleistung eines bestimmten Kundenkreises untersuchen. Eine Stichprobe von 12 Kunden ergab folgende Werte: 825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170
Mehr