Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
|
|
- Catrin Zimmermann
- vor 6 Jahren
- Abrufe
Transkript
1 Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07. Februar 203 Dauer: 80 Minuten Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 a b c d a b c d e a b c a b Aufgabe 5 Aufgabe 6 Aufgabe 7 a b c d e a b c a b c Note ACHTUNG: Alle Antworten sind zu begründen bzw. herzuleiten, soweit nicht anders angegeben! Vereinfachen Sie die Ergebnisse soweit wie möglich. Geben Sie die Ergebnisse so exakt wie möglich an (z.b. als Bruch), runden Sie ggf. auf 3 Nachkommastellen. Als Hilfsmittel sind zugelassen: Skriptum zur Vorlesung, Vorlesungsmitschrift, Taschenrechner (nicht vernetzbar), Wörterbuch Hinreichend zum Bestehen der Klausur sind 30 Punkte. VIEL ERFOLG!
2 Verteilungsfunktion Φ(x) der Standard Normalverteilung N (0, ) x
3 p-quantile χ 2 k;p der χ2 Verteilung mit k Freiheitsgraden p k p-quantile der t-verteilung mit s Freiheitsgraden In der Zeile zu s = stehen die Quantile Φ (p) der N (0, )-Verteilung. p s
4 Aufgabe (0 Punkte) Gegeben sei eine Urliste mit den folgenden Paaren (x, y ),..., (x 0, y 0 ) : j x j y j a) Berechnen Sie die Stichprobenmittel x, ȳ, die Stichproben-Standardabweichungen s x, s y und den empirischen Korrelationskoeffizienten r xy. Hinweis: 0 j= x j = 28.5, 0 j= y j = 8.7, 0 j= x 2 j = 86.33, 0 j= y 2 j = 37.7, 0 j= x j y j = b) Bestimmen Sie die zugehörige Regressionsgerade y = a + b x von y auf x. c) Bestimmen Sie das 0.22-getrimmte Stichprobenmittel von (y,..., y 0 ). d) Bestimmen Sie den Median, das untere und obere Quartil sowie den Quartilsabstand von (x,..., x 0 ). Lösungsvorschlag: a) Es ist (mit den Hinweisen und n = 0) x = n x i = 0 x i = 28.5 = 2.850, ȳ = y i = y i = 8.7 =.870, n 0 0 s x = ( ) (x i x) n 2 = x 2 i n n x2 = s y = ( ) (y i ȳ) n 2 = yi 2 n nȳ2 = ( n ) (x n i x)(y ȳ)) x n i y i n xȳ r xy = = = s x s y s x s y 9 ( ) 0.753, 9 ( ) 0.552, ( ) b) Es gilt b s y = r xy = s x , a = ȳ b x =.87 ( 0.732) c) Die geordnete Stichprobe ist y () = (0.9,.4,.5,.6,.6, 2.0, 2.3, 2.4, 2.4, 2.6) und k = [nα] = [0 0.22] = [2.2] = 2. Damit ist das 0.22-getrimmte Mittel ȳ 0.22 = ( ) =
5 d) Der Median ist das 0.5-Quantil. Da k = [nα] = [5] = 5 und nα N gilt x 0.5 = 2 (x (5) + x (6) ) = Da und / N, berechnen sich das obere und untere Quartil zu x 0.75 = x (8) = 3.3, x 0.25 = x (3) = 2.2, und der Quartilsabstand ist x 0.75 x 0.25 = =.. 4
6 Aufgabe 2 ( Punkte) Seien X und Y zwei diskrete Zufallsvariablen mit gemeinsamer Zähldichte f(i, j) := P(X = i, Y = j). In folgender Tabelle sind die Werte von f(i, j), i = 0,, 2, j =, aufgeführt: j = j = i = 0 i = i = a) Bestimmen Sie die Zähldichten von X und Y. b) Berechnen Sie E[X], E[Y ], E[XY ] und C(X, Y ). c) Welche der folgenden Aussagen sind richtig? Kreuzen Sie die richtige Antwort an. Begründungen sind NICHT erforderlich. Die Zufallsvariablen X und Y sind unkorreliert. korreliert. Die Zufallsvariablen X und Y sind unabhängig. nicht unabhängig. d) Berechnen Sie die bedingte Wahrscheinlichkeit P(X > 0 Y < 0). e) Geben Sie in der folgenden Tabelle die Zähldichte von min(x, Y ) an. Begründungen sind NICHT erforderlich. k 0 P(min(X, Y ) = k) Lösungsvorschlag: a) Es ist P(X = 0) = P(X = 0, Y = ) + P(X = 0, Y = ) = 6. Analog berechnet man Weiter gilt P(X = ) = 3 24 und P(X = 2) = P(Y = ) = P(X = 0, Y = ) + P(X =, Y = ) + P(X = 2, Y = ) = 2 5
7 und analog P(Y = ) = 2. b) Es ist E[X] = 0 P(X = 0) + P(X = ) + 2 P(X = 2) = 9 8 E[Y ] = ( ) P(Y = ) + P(Y = ) = 0. Außerdem gilt E[XY ] = 0 ( ) P(X = 0, Y = ) + 0 P(X = 0, Y = ) + ( ) P(X =, Y = ) + P(X =, Y = ) + 2 ( ) P(X = 2, Y = ) + 2 P(X = 2, Y = ) = 24 und damit C(X, Y ) = E[XY ] E[X]E[Y ] = E[XY ] = 24. c) Die Zufallsvariablen X und Y sind unkorreliert. korreliert. Die Zufallsvariablen X und Y sind unabhängig. nicht unabhängig. d) Es ist P(X > 0 Y < 0) = = P(X > 0, Y < 0) P(Y < 0) /6 + 5/24 = 3 /2 4. = P(X =, Y = ) + P(X = 2, Y = ) P(Y = ) e) Es ist P(min(X, Y ) = ) = P(Y = ) = 2, P(min(X, Y ) = 0) = P(X = 0, Y = ) = 24, P(min(X, Y ) = ) = P(X =, Y = ) + P(X = 2, Y = ) = 24. 6
8 Aufgabe 3 (7 Punkte) Tom will im Karlsruher Zoo zur Eisbärenanlage. Er kann hierfür nach rechts (richtiger Weg) oder nach links (falscher Weg) gehen. Fragt er einen Besucher des Zoos mit Tageskarte nach dem Weg dorthin, so erhält er mit Wahrscheinlichkeit 2/3 die richtige Antwort und mit Wahrscheinlichkeit /3 eine falsche Antwort. Fragt er einen Dauerkartenbesitzer nach dem Weg dorthin, so erhält er stets die richtige Antwort. Antworten und Eintrittskarten von verschiedenen Personen sind unabhängig. Die Wahrscheinlichkeit, dass eine zufällig angesprochene Person eine Dauerkarte besitzt, sei /0. a) Tom fragt einen Besucher B nach dem Weg zur Eisbärenanlage. Mit welcher Wahrscheinlichkeit erhält er eine richtige Antwort? b) Wie groß ist die bedingte Wahrscheinlichkeit, dass der Besucher B eine Dauerkarte besitzt, wenn er die richtige Antwort gegeben hat? c) Tom fragt einen weiteren Besucher B2 nach dem Weg zur Eisbärenanlage. Mit welcher Wahrscheinlichkeit geben B und B2 dieselbe Antwort? Hinweis: Sie dürfen die wie folgt definierten Ereignisse verwenden: R := {Tom erhält die richtige Antwort}, F := {Tom erhält die falsche Antwort}, D := {befragte Person ist Dauerkartenbesitzer}, T := {befragte Person besitzt eine Tageskarte}. Lösungsvorschlag: Es seien die Ereignisse R, F, T, D wie folgt definiert: R := {Tom erhält die richtige Antwort} F := {Tom erhält die falsche Antwort} D := {befragte Person ist Dauerkartenbesitzer} T := {befragte Person hate eine Tageskarte} Die bekannten Wahrscheinlichkeiten sind dann: P(R T ) = 2/3, P(F T ) = /3, P(R D) =, P(F D) = 0, P(D) = /0, P(T ) = 9/0. a) Gesucht ist P(R). Mit der Formel von der totalen Wahrscheinlichkeit erhält man P(R) = P(R T )P(T ) + P(R D)P(D) = 2 3 b) Gesucht ist P(D R). Mit der Bayes-Formel erhält man P(D R) = P(R D)P(D) P(R) = /0 7/ = 7 0. c) Seien R, R 2, F, F 2 die Ereignisse, dass B bzw. B 2 die richtige bzw. falsche Antwort gibt. Dann ist = 7 P(gleiche Antwort) = P(R R 2 ) + P(F F 2 ) = (P(R)) 2 + (P(F )) 2 ( ) 2 ( ) = + =
9 Aufgabe 4 (0 Punkte) Die stetige Funktion f sei gegeben durch { 3 4 f(x) = (x2 4x + 3), x 3, 0, sonst. a) Zeigen Sie: Die Funktion f ist die Dichte einer Zufallsvariablen, also eine Wahrscheinlichkeitsdichte. b) Sei X eine Zufallsvariable mit Dichte f. i) Bestimmen Sie die Verteilungsfunktion F X von X. ii) Berechnen Sie die Wahrscheinlichkeit P(0 < log X ). iii) Geben Sie den Median von X an. (Sie müssen hier nicht rechnen!) Lösungsvorschlag: a) Damit f eine Dichte ist, muss gelten f(x) dx =, () f(x) 0 für alle x R. (2) Die Bedingung (2) ist erfüllt. Wir zeigen nun (). Es ist 3 f(x) dx = 3 4 (x2 4x + 3) dx = 3 [ 4 3 x3 2x 2 + 3x = 3 ( ) = 3 ( 4 4 ) =. 3 b) i) Es ist F X (t) = t f(x) dx. Also gilt F (t) = 0 für t < und F (t) = für t > 3. Für t 3 gilt F X (t) = 3 t x 2 4x + 3 dx = 3 [ ] t x3 2x 2 + 3x = 3 ( 4 3 t3 2t 2 + 3t 4 ) = 3 4 t t2 9 4 t +. Zusammengefasst ii) Es ist 0, t < F X (t) = 4 t t2 9t +, t 3 4, t > 3. P(0 < log X ) = P(e 0 < X e) = F X (e) F X () = F X (e) = 4 e e2 9 4 e + iii) Da f symmetrisch zur Geraden x = 2 ist, gilt F (/2) = 2. ] 3 8
10 Aufgabe 5 (4 Punkte) Ein Quader mit quadratischer Grundfläche (siehe Bild) hat die Solllängen a = 50 und b = 70. b a a Man weiß, dass die bei der Herstellung entstehenden zufälligen Abweichungen X, Y zwischen den tatsächlichen Längen A := a + X, B := b + Y und den Solllängen hinreichend genau normalverteilt sind, nämlich X N (0, ) und Y N (0, 4). Die zufälligen tatsächlichen Längen A und B sind dabei unabhängig. a) Bestimmen Sie die Verteilung von A, B und der Gesamtlänge L := 8A + 4B aller Kanten. b) Berechnen Sie die Wahrscheinlichkeit, dass die Gesamtlänge L um mehr als deren Standardabweichung von der Solllänge 680 abweicht. c) Berechnen Sie die Kovarianz C(2A, A + 2B). d) Die zufällige Oberfläche des Quaders ist O := 2A 2 + 4AB = 2A(A + 2B). Berechnen Sie den Erwartungswert E[O]. e) Frau Bern hat leider die Parameter der Verteilung der Abweichung von b vergessen. Sie weiß nur, dass Y N (µ, σ 2 ), µ R und σ 2 > 0 unbekannt, gilt. Um Näheres über den Erwartungswert herauszufinden, misst sie 0 Längen verschiedener (unabhängig voneinander hergestellter) Quader und erhält als Stichprobe der Abweichungen y = ( 2.25, 0.68, 0.20,.09,.90, 0.9, 0.69,.67,.9, 2.53). Hinweis: 0 y i =.530 und 0 (y i ȳ) i) Geben Sie für diese Situation ein zweiseitiges ( α) Konfidenzintervall für den Erwartungswert von Y an. ii) Helfen Sie Frau Bern, indem Sie das 0.95-Konfidenzintervall aus i) für die Stichprobe y berechnen. Lösungsvorschlag: a) Es ist also A N (a, ), B N (b, 4), L N (8a + 4b, ), A N (50, ), B N (70, 4), L N (680, 28). b) Es ist P( L 680 > 28) = P( L EL > V (L)) = P( L EL V (L)) = (2Φ() ) = 2 2Φ() =
11 c) Es ist C(2A, A + 2B) = 2C(A, A) + 4C(A, B) = 2V (A) + 0 = 2. d) Mit C(X, Y ) = E[XY ] E[X]E[Y ] = E[XY ] = C(X, Y ) + E[X]E[Y ] ergibt sich ALTERNATIV: E[O] = E[2A(A + 2B)] = C(2A, A + 2B) + E[2A] E[A + 2B] = 2 + 2E[A](E[A] + 2E[B]) = ( ) = 9002 E[O] = 2E[A 2 ] + 4E[A]E[B] = 2(V (A) + E[A] 2 ) + 4E[A]E[B] = 2 ( ) = 9002 e) Wir sind hier in der Situation Y,..., Y n unabhängig und Y i N (µ, σ 2 ), wobei die Parameter unbekannt sind. i) Dann ist laut Vorlesung ein ( α) Konfidenzintervall für µ gegeben durch [ ] ˆσ n ˆσ C(Y ) = Ȳ n t n ; α/2 n, n Ȳn + t n ; α/2, n wobei t n ; α/2 das ( α/2) Quantil der t Verteilung mit n Freiheitsgraden ist. ii) In der Situation von Frau Bern ist nun ȳ 0 = 0.53, ˆσ und t 9;0.975 = Damit ergibt sich C(y) = [ 0.946;.252]. 0
12 Aufgabe 6 (0 Punkte) Eine Zufallsvariable X habe die Dichte x f ϑ (x) := { 0, x 0, x e x ϑ 2 ϑ, x > 0, wobei ϑ > 0 ein unbekannter Parameter ist. Hinweis: Sie können ohne Nachweis verwenden, dass E ϑ [X] = 2ϑ und V ϑ (X) = 2ϑ 2 gilt. a) Es sei x = (x,..., x n ), wobei x i > 0 für alle i =,..., n. Zeigen Sie, dass für die unabhängigen Stichprobenvariablen X,..., X n mit der Dichte f ϑ ein Maximum-Likelihood- Schätzwert für ϑ zur Stichprobe x gegeben ist durch n ˆϑ(x,..., x n ) = x i. b) Ist der Schätzer ˆϑ aus Teilaufgabe a) erwartungstreu für ϑ? Begründen Sie Ihre Antwort und kreuzen Sie an! erwartungstreu: ja nein c) Ist die Schätzfolge (ˆϑ n ) konsistent für ϑ? Begründen Sie Ihre Antwort und kreuzen Sie an! konsistent: ja nein Lösungsvorschlag: a) Zur Bestimmung des Maximum-Likelihood-Schätzers stellen wir zunächst die Likelihood- Funktion auf. Es ist n n x i L x (ϑ) = f ϑ (x i ) = ϑ x i 2 e ϑ n = x i e n ϑ x i. Als nächstes wird die Log-Likelihood-Funktion bestimmt. M x (ϑ) = log(l x (ϑ)) = log(x i ) log ϑ ϑ ϑ Diese Funktion wird nun maximiert. Hierzu fordern wir M x(ϑ) = ϑ +! x ϑ 2 i = 0. Damit ist der Kandidat für den Maximum-Likelihood-Schätzer ˆϑ(X,..., X n ) = X i. Da M x(ϑ) = ϑ 2 ( ϑ + ) x i x= 0 x i. x i ϑ, ist ˆϑ wirklich eine Maximumsstelle und ˆϑ der Maximum-Likelihood-Schätzer für ϑ.
13 b) Es ist [ E ϑ [ ˆϑ(X,..., X n )] = E ϑ ] X i x= = = 2 E ϑ[x ] = 2ϑ = ϑ. 2 E ϑ [X i ] Damit ist der Schätzer erwartungstreu für ϑ. c) Die Schätzfolge ist konsistent, denn es gilt mit dem Gesetz großer Zahlen ( ) ( lim P ϑ X i ϑ n ε [ ] ) X i = lim P ϑ n n 2 E X ϑ 2 ε = 0. Alternativ lässt sich die Konsistenz mit Hilfe der Tschebyschev-Ungleichung zeigen: ( ) ( [ ] ) P ϑ X i ϑ ε = P ϑ X i E ϑ X i ε ( ) ε V 2 ϑ X i = V ε 2 4n 2 ϑ (X i ) = V ϑ(x ) 4nε 2 = 2ϑ2 4nε 2 n 0. 2
14 Aufgabe 7 (3 Punkte) Ein Kreisel mit fünfeckiger Grundfläche (siehe Bild) wird n mal in unabhängiger Folge gedreht (n N) Dabei bezeichne X i die Zahl, die bei der i ten Drehung unten ist. Die Zufallsvariable Y n := bezeichne die nach n Drehungen erzielte Zahlen-Summe. Nehmen Sie zunächst an, dass die Grundfläche ein regelmäßiges Fünfeck ist. a) Berechnen Sie den Erwartungswert und die Varianz von Y n. b) Approximieren Sie mit Hilfe des Zentralen Grenzwertsatzes von Lindeberg-Lévy die Wahrscheinlichkeit P(275 < Y 00 < 325). c) Herr Franz glaubt nicht an die mit dem regelmäßigen Fünfeck verbundene Laplace-Annahme und führt deshalb ein Experiment durch. Er dreht den Kreisel 50 mal in unabhängiger Folge. Dabei treten die Zahlen,..., 5 in den Häufigkeiten 22, 36, 40, 24, 28 auf. Nun möchte Herr Franz einen Test durchführen, um seine Behauptung, der Kreisel habe KEIN regelmäßiges Fünfeck als Grundseite, statistisch nachzuweisen. i) Wie wählt Herr Franz die Hypothese bzw. Alternative? Welchen aus der Vorlesung bekannten Test muss Herr Franz nun anwenden? ii) Wie lautet die Testgröße? Berechnen Sie die Testgröße aus den Daten. iii) Wie lautet der Testentscheid zum Niveau α? iv) Kann Herr Franz die Hypothese der Regelmäßigkeit des Fünfecks verwerfen, wenn er eine Wahrscheinlichkeit von 0.05 für den Fehler. Art toleriert? X i Lösungsvorschlag: Da wir zunächst annehmen, dass das Fünfeck regelmäßig ist, gilt P(X i = k) =, für k =,..., 5 und i N. 5 a) Es ist [ ] E[Y n ] = E X i = E[X i ] = n E[X ] = n ( ) = 3n 5 3
15 und da die X i unabhängig sind ( ) V (Y n ) = V X i = V [X i ] = n V (X ) = n (E(X 2 ) E[X ] 2 ) = n ( 3 2 ) =. b) Es gilt ( P(275 < Y 00 < 325) = P < Y ) < ( ) ( 25 Φ 0 Φ 25 ) 2 0 Φ(.768) Φ(.768) 2 = Φ(.768) ( Φ(.768)) = 2Φ(.768) = = c) i) Wir sind hier in der Situation eines Chi-Quadrat-Anpassungstests, der aus der Vorlesung bekannt ist. Da Herr Franz die Behauptung P(X i = k) statistisch nachweisen 5 möchte, ist die Hypothese bzw. Alternative H 0 : p j = 5 H : p j 5. ii) Die Testgröße ist χ 2 n(k,..., k s ) = s (k i n π i ) 2 n π i. Mit n = 50, s = 5, (k,..., k 5 ) = (22, 36, 40, 24, 28) und π i = 5 sich 5 χ 2 (k i 30) 2 50(22, 36, 40, 24, 28) = = iii) Der Test zum Niveau α lautet für i 5 ergibt H 0 wird verworfen, falls χ 2 n(k,..., k s ) χ 2 s ; α kein Widerspruch zu H 0, falls χ 2 n(k,..., k s ) < χ 2 s ; α wobei χ 2 s ; α das ( α) Quantil der χ 2 Verteilung mit s Freiheitsgraden ist. iv) Es ist χ 2 4;0.95 = 9.49 > 8 = χ 2 50(22, 36, 40, 24, 28). Damit stehen die Daten nicht im Widerspruch zu H 0. 4
Scheinklausur 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
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.
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
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............
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
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........................
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
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
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
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
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
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
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
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
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
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
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,
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
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
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
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
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
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
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
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
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.
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
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
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
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
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
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
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
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 =
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 )
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
MehrBegriffe aus der Informatik Nachrichten
Begriffe aus der Informatik Nachrichten Gerhard Goos definiert in Vorlesungen über Informatik, Band 1, 1995 Springer-Verlag Berlin Heidelberg: Die Darstellung einer Mitteilung durch die zeitliche Veränderung
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
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:
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
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
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
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
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,
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!
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
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
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
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
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
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
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
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
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
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
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
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
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
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrAufgaben zu Kapitel 38
Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus
Mehr5. Statistische Schätztheorie
5. Statistische Schätztheorie Problem: Sei X eine Zufallsvariable (oder X ein Zufallsvektor), die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X (oder
MehrWürfel-Aufgabe Bayern LK 2006
Würfel-Aufgabe Bayern LK 2006 Die Firma VEGAS hat ein neues Gesellschaftsspiel entwickelt, bei dem neben Laplace-Würfeln auch spezielle Vegas-Würfel verwendet werden, die sich äußerlich von den Laplace-Würfeln
MehrStatistik II. Sommersemester PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie. Universität Augsburg
Statistik II Sommersemester 2005 PD Dr. Michael Krapp Institut für Statistik und Mathematische Wirtschaftstheorie Klausur und Unterlagen Klausur: Spielregeln : Wie Statistik I Nachholklausur im WS 2005
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
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
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
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
MehrGrundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik
INSTITUT FÜR STOCHASTIK WS 07/08 UNIVERSITÄT KARLSRUHE Blatt 4 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen Aufgabe
MehrFormelsammlung Statistik II (SS 2010) 1. 1 Numerische und graphische Zusammenfassung quantitativer
TU Kaiserslautern 40700 FB Mathematik Prof Dr Jörn Saß Formelsammlung Statistik II (SS 00) umerische und graphische Zusammenfassung quantitativer Daten Beobachtet werden Daten x,, x Die Ordungsstatistiken
Mehre) Beim klassischen Signifikanztest muß die Verteilung der Prüfgröße unter der Nullhypothese
9 Hypothesentests 1 Kapitel 9: Hypothesentests A: Übungsaufgaben: [ 1 ] Bei Entscheidungen über das Ablehnen oder Nichtablehnen von Hypothesen kann es zu Irrtümern kommen. Mit α bezeichnet man dabei die
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
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
MehrStatistik für Maschinenbauer (Teil II)
Statistik für Maschinenbauer (Teil II) Die Statistik versucht auf Grund einer relativ kleinen Stichprobe von Daten Aussagen über eine große Menge von Daten (die Gesamtpopulation) zu machen. Zum Beispiel
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrDr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen Hochschule Esslingen Übungsblatt 2. Statistik
Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen 6.10.2016 Hochschule Esslingen Übungsblatt 2 Statistik Stichworte: arithmetischer Mittelwert, empirische Varianz, empirische Standardabweichung, empirischer
MehrLösung Aufgabe 19. ( ) = [Mio Euro]. Empirische Varianz s 2 = 1 n
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 4 Gerhard Tutz, Jan Ulbricht, Jan Gertheiss WS 07/08 Lösung Aufgabe 9 (a) Lage und Streuung: Arithmetisches Mittel x = n i=
MehrModulklausur Multivariate Verfahren
Name, Vorname Matrikelnummer Modulklausur 31821 Multivariate Verfahren Datum Punkte Note Termin: 28. März 2014, 9.00-11.00 Uhr Erstprüfer: Univ.-Prof. Dr. H. Singer Hinweise zur Bearbeitung der Modulklausur
MehrDr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar Klausur zur Veranstaltung Erhebungstechniken
Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar 2009 Klausur zur Veranstaltung Erhebungstechniken im Wintersemester 2008 / 2009 Name, Vorname: Studiengang (Bachelor/Diplom):
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
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
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,
MehrAngewandte Wahrscheinlichkeitstheorie
Skript zur Vorlesung Angewandte Wahrscheinlichkeitstheorie SS 04 Georg Hoever Fachbereich Elektrotechnik und Informationstechnik FH Aachen Inhaltverzeichnis i Inhaltsverzeichnis. Grundlagen.. Wahrscheinlichkeiten
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
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
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
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
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
MehrKlausur Entscheidungstheorie WS 2010/2011 S. 1 von 11
Klausur Entscheidungstheorie WS 2010/2011 S. 1 von 11 Fach: Prüfer: Veranstaltung: Finanzierung und Investition Prof. Dr. Dr. A. Löffler W2263 Entscheidungstheorie Name Vorname Matrikelnummer Punkte Beachten
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrVorlesung Wissensentdeckung
Gliederung Vorlesung Wissensentdeckung Additive Modelle Katharina Morik, Weihs 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung.6.015 1 von 33 von 33 Ausgangspunkt: Funktionsapproximation Aufteilen der
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Einführung 2 Deskriptive Statistik
Mehr