Auswertung von Messungen Teil II
|
|
- Joachim Harald Geisler
- vor 6 Jahren
- Abrufe
Transkript
1 Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler Grenzwertsatz 4. Konfidenzintervalle 4.1 Vertrauensbereich des Mittelwerts / σ ist bekannt 4. Standardabweichung der Einzelmessung 4.3 Vertrauensbereich des Mittelwerts / σ ist nicht bekannt 4.4 Grenzwerte der STUDENT-Verteilung 4.5 Beispiel zu 4.3 1
2 1. Grundgesamtheit und Stichprobe 30 Häufigkeit H 0 10 Streuung Aspekte: Mit Grundgesamtheiten kann man gut rechnen. Aber: In Wirklichkeit hat man aber nur wenige Messwerte = Stichprobe Mittelwert Experiment s = Messwert Theorie x µ (x x) n 1 s = x x (x μ ) σ = n σ = x μ
3 . Grundgesamtheit - Modellverteilung.1 Normalverteilung Gx (, σ, μ) 1 = e σ π ( x μ ) σ - Verteilung ist symmetrisch (zu x-µ) - Parameter sind Mittelwert µ und Varianz σ - einfache mathematische Behandlung ist möglich 3
4 .1 Normalverteilung Standardnormalverteilung x µ Normierung der Normalverteilung: ( ) z = σ 1 f ( z) = e π z Berechnung des Mittelwerts: μ = x f( x) dx 4
5 .1 Normalverteilung Die Dichte f(z) der Standardnormalverteilung 0,4 0,3 f(z) 0, 0,1 0, z Einige typische Werte f(z) der Standardnormalverteilung ,0044 0,0540 0,40 0,3989 0,40 0,0540 0,0044 5
6 .1 Normalverteilung Kumulierte Standardnormalverteilung F(z): ( Gaußsches Fehlerintegral ) ζ z F( z) = e d 1 π ζ F(z) 1,0 0,8 0,6 0,4 0, 0,0 Die kumulierte Standardnormalverteilung F(z) (Linksseitige Flächenanteile F(z) unter der Dichte f(z)) z F(0) = ½ F(-z) = 1 - F(z) F(z) - F(-z) = 1- F(-z) F(z) ist tabelliert Aber beachte! error function erf(z) z ζ erf ( z) = e dζ 0 π 6
7 .1 Normalverteilung Frage nach dem Anteil A einer Messgröße: z < L A = F(L) z > L A = 1 - F(L) L 1 < z < L A = F(L ) F(L 1 ) zum Beispiel: 0,4 A soll 95% betragen! L 1 = -1,96 L = 1,96 0, Fläche = Fläche = L = 1.96 L 1 =
8 . Binomialverteilung Galton-Brett Gesucht ist die Wahrscheinlichkeit B dafür, eine Kugel im Kasten k zu finden, wenn es bei insgesamt n -1 Nagelreihen n Kästen gibt. Die Wahrscheinlichkeit für Fall nach links soll p sein. 1 n-1 n k Bkn (, ; p) = p (1 p) k n k 1 k n 8
9 . Binomialverteilung B(k, 0; 0.5) B(k, 0; 0.5) Mittelwert: Varianz: k = p n σ = p (1 p) n 9
10 . Binomialverteilung B(k, 0; 0.5) B(k, 0; 0.8) Mittelwert: Varianz: k = p n σ = p (1 p) n 10
11 . Binomialverteilung Beispiel: Wurf mit einer fairen Münze Gesucht ist die Wahrscheinlichkeit W für x Kopf bei 6 Würfen! n k n k Mit k =, n = 6, p = ½ wird W = Bkn (, ; p) = p (1 p) k W = B( ;6;0.5) = = 64 Gesucht ist die Wahrscheinlichkeit W für mindestens 4 x Kopf bei 6 Würfen Mit k > 3, n = 6, p = ½ wird W: W = B( k;6;0.5) = = k= 4 k= 4 k 3 11
12 . Binomialverteilung Die Normalverteilung entsteht aus der Binomialverteilung, wenn n sehr groß wird. 0.3 lim Gk (, σ, μ ) = Bknp (,, ) n B(k, 10; 100;0.5) 0.5) B(k, 50; 0,0.5) 0.5) G(10) G(50) G(100)
13 .3 Poissonverteilung Grenzfall der Binominalverteilung für den Fall von selten auftretenden Ereignissen, z.b. - Telefonanrufe pro Zeit, - Ausschussteile bei einer Großserie, - radioaktiver Zerfall, - Thermoemission von Elektronen μ = n p selten heißt hier: n > 50 und n p < 5 k μ P( k; μ) = lim B( k, n; p) = e p 0 k! np μ μ σ = μ 13
14 .3 Poissonverteilung 0,5 0, σ = μ 0,15 Mittelwert 10 Mittelwert 100 Mittelwert 3 0,1 0,
15 .3 Poissonverteilung Die Normalverteilung entsteht aus der Poissonverteilung, wenn der Mittelwert µ sehr groß wird. lim Gk (, σ, μ) = Pk (, μ) μ Poisson 100 Gauss 100 Poisson 5 Gauss
16 .4 Näherung von Binomial- und Poissonverteilung durch die Normalverteilung Gx (, σ, μ) 1 = e σ π ( x μ ) σ Die Parameter μ und σ der Normalverteilung ermöglichen es, dass unterschiedliche Modellverteilungen näherungsweise durch die Normalverteilung beschrieben werden können. Binomialverteilung: σ = (1-p) µ Poissonverteilung: σ = μ 16
17 3. Zentraler Grenzwertsatz Fragestellung: Wie sieht die Verteilung einer Größe aus, auf die verschiedene unabhängige Einflussgrößen einwirken, deren einzelne Verteilungsfunktion nicht bekannt ist? Als Beispiel betrachten wir die Verteilung der Augenzahlsumme beim Würfeln mit mehreren Würfeln 17
18 3. Zentraler Grenzwertsatz 1 Würfel: Kopfzahl Häufigkeit , 1 0,8 0,6 0,4 0,
19 3. Zentraler Grenzwertsatz Würfel: Kopfzahl Häufigkeit Häufigkeit Kopfzahl 19
20 3. Zentraler Grenzwertsatz 3 Würfel: Häufigkeit Kopfzahl Häufigkeit Kopfzahl 0
21 3. Zentraler Grenzwertsatz 10 Würfel: Häufigkeit Kopfzahl 1
22 3. Zentraler Grenzwertsatz 10 Würfel: Häufigkeit Kopfzahl Ergebnis: Obwohl die Augenzahl eines Würfels gleichverteilt ist, ist die Summe der Augenzahlen bei vielen Würfeln annähernd normalverteilt.
23 Zentrale Grenzwertsatz: 3. Zentraler Grenzwertsatz Die Summe von (vielen) stochastisch unabhängigen Zufallsvariablen ist annähernd normalverteilt. Das heisst: Für Stichproben von genügend großem Umfang n mit Mittelwert x und Varianz s sind deren Mittelwerte normalverteilt mit der Varianz s X = s n ohne dass man etwas über die Verteilung von X voraussetzen muss ( n sollte nach einer groben Faustformel mindestens 30 sein ) 3
24 4. Vertrauensbereich (Konfidenzintervall) Frage: Wie gut (sicher) repräsentiert ein Stichprobenkennwert den Mittelwert oder die Varianz der Grundgesamtheit? Die Sicherheitswahrscheinlichkeit wird durch die Konfidenzzahl* ) 1-α ausgedrückt. Der mögliche Bereich der z-werte heißt Vertrauensbereich bzw. Konfidenzintervall. *) wir lernen später α als Signifikanzzahl kennen Wir wollen mit der Sicherheitswahrscheinlichkeit 1-α behaupten dürfen, dass der wahre Wert μ im Intervall x t σ liegt. Also ist der Faktor t zu finden! n μ x+ t σ n 4
25 4. Vertrauensbereich (Konfidenzintervall) 4.1 Gesucht ist der Vertrauensbereich für Mittelwert, wenn die Varianz σ der Messung bekannt ist n Messwerte, Sicherheitswahrscheinlichkeit soll (1-α) 100% sein! z x µ = σ / n gesucht ist z 1-α/. Dieses kann aus der Tabelle F(z) abgelesen werden. z,.b. 1-α = 0,95 F(z 1-α/ )- F(z -α/ ) = 0,95 z 1-α/ = t = 1,96 σ x 1.96 μ x n σ n 5
26 4. Vertrauensbereich (Konfidenzintervall) 4. Gesucht ist Stichprobenumfang für vorgegebene Konfidenz 1-α Bestimmung des Stichprobenumfangs, um ein vorgegebenes Konfidenzintervall zu erhalten: x µ Mit z1 α / = findet man für die Anzahl notwendiger Messungen: σ / n n z 1 α / = x μ σ 6
27 4. Vertrauensbereich (Konfidenzintervall) 4.3 Gesucht ist Vertrauensbereich für Mittelwert, wenn die Varianz σ nicht bekannt ist (sondern aus Messwerten berechnet werden muss) z = x µ Anstelle von kennt man jetzt σ / n t x µ = s/ n z ist normalverteilt, t hingegen folgt der STUDENT-Verteilung: v=1 v=9 0.4 ϕ (t,v) = v + 1 Γ π v Γ(v / ) (1+ t / v) (v + 1) / Freiheitgrade v = n -1 Phi (t,v) t Achtung: Sowohl die t-verteilung als auch die kumulierte t-verteilung hängen vom Parameter v ab! Beide Funktionen sind tabelliert. 7
28 4.4 Grenzwerte der Studentverteilung Freiheitsgrade f 0,90 0,95 0,975 0,99 0,995 Kumulierte Studentverteilung: Flächen F(t) 0, ,08 6,31 1,71 31,8 63,66 318,9 1,89,9 4,30 6,96 9,9,33 3 1,64,35 3,18 4,54 5,84 10,1 4 1,53,13,78 3,75 4,60 7,17 5 1,48,0,57 3,36 4,03 5,89 6 1,44 1,94,45 3,14 3,71 5,1 7 1,41 1,89,36 3,00 3,50 4,79 8 1,40 1,86,31,90 3,36 4,50 9 1,38 1,83,6,8 3,5 4, ,37 1,81,3,76 3,17 4, ,34 1,75,13,60,95 3,73 0 1,33 1,7,09,53,85 3, ,9 1,66 1,98,36,63 3, ,9 1,65 1,97,35,60 3, ,8 1,65 1,96,33,58 3,09 1-α/ 8
29 4.5 Beispiel zu 4.3: Für die Außendurchmesser von PVC-Rohren liegen unten stehende folgend Stichprobenwerte vor: Durchmesser von PVC-Rohren [mm] 44,4 44, 44,3 44, 44,6 44,4 44,7 44,3 44,5 43,9 Berechnen Sie Vertrauensintervalle für den Mittelwert dieser Stichprobe. Lösung: x n s 44,350 mm 10 0,73 mm 1-α Vertrauensbereiche VB für den Mittelwert α 0,9 0,1 0,95 0,05 0,99 0,01 9 Freiheitsgrade f 9 α/ 0,05 0,05 0,005 1-α/ 0,95 0,975 0,995 t α/ t 1-α/ a X-a X+a 9
30 4.4 Grenzwerte der Studentverteilung Freiheitsgrade Flächen F(t) f 0,90 0,95 0,975 0,99 0,995 0, ,08 6,31 1,71 31,8 63,66 318,9 1,89,9 4,30 6,96 9,9,33 3 1,64,35 3,18 4,54 5,84 10,1 4 1,53,13,78 3,75 4,60 7,17 5 1,48,0,57 3,36 4,03 5,89 6 1,44 1,94,45 3,14 3,71 5,1 7 1,41 1,89,36 3,00 3,50 4,79 8 1,40 1,86,31,90 3,36 4,50 9 1,38 1,83,6,8 3,5 4, ,37 1,81,3,76 3,17 4, ,34 1,75,13,60,95 3,73 0 1,33 1,7,09,53,85 3, ,9 1,66 1,98,36,63 3, ,9 1,65 1,97,35,60 3, ,8 1,65 1,96,33,58 3,09 1-α/ 30
31 4.5 Beispiel zu 4.3: Für die Außendurchmesser von PVC-Rohren liegen unten stehende folgend Stichprobenwerte vor: Durchmesser von PVC-Rohren [mm] 44,4 44, 44,3 44, 44,6 44,4 44,7 44,3 44,5 43,9 Berechnen Sie Vertrauensintervalle für den Mittelwert dieser Stichprobe. Lösung: x n s f 44,350 mm 10 0,73 mm 9 1-α α/ Vertrauensbereiche VB für den Mittelwert α a 0,9 0,1 0,05 0,13 0,95 0,05 0,05 0,163 0,99 0,01 0,005 1-α/ 0,95 0,975 0,995 t α/ -1,83 -,6-3,50 t 1-α/ 1,83,6 3,50 0,34 Vertrauensbereiche für den Mittelwert der Durchmesser von PVC-Rohren 44,18 44,350 44,48 44,187 44,350 44,513 44,116 44,350 44, ,9 0,95 0,99 x-a x+a 44, 44,48 44,19 44,51 44,1 44,58 44,0 44,1 44, 44,3 44,4 44,5 44,6 44,7 [mm] 31
32 Literatur H.Gränicher, Messung beendet was nun?, Teubner 1994.R.Spiegel, L.J.Stephens, Statistik, McCraw_Hill 1999 T.Elser, Statistik für die Praxis, Wiley 004 L.Squires, Meßergebnisse und ihre Auswertung, 1971 J.Mandel, The statistical analysis of experimental data, 1984 M.Drosg, Umgang mit Unsicherheiten, facultas 006 L.Kirkup, B.Frenkel, Uncertainty in Measurements, Cambridge 006 J.R.Taylor, Fehleranalyse VCH 1988 DIN 1319, Teil 3 und 4 DIN 55350, Teil 13 Messunsicherheiten Messunsicherheiten 3
Auswertung von Messungen Teil III
Auswertung von Messungen Teil III 1. Nichtlineare Regression 1.1 Mehrfach-lineare Regression 1. Allgemeines Vorgehen bei nichtlinearen Funktionen. Entscheidungstheorie.1 Signifikanzzahl Signifikanzniveau.
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
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
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
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............
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 )
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
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
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
MehrBeispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es
Beispiel für Anwendung: z-tabelle kann genutzt werden, um z.b. Poissonverteilung näherungsweise zu integrieren. Beispiel: wie wahrscheinlich ist es beim radioaktiven Zerfall, zwischen 100 und 110 Zerfälle
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
MehrVon der Normalverteilung zu z-werten und Konfidenzintervallen
Von der Normalverteilung zu z-werten und Konfidenzintervallen Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH
MehrKonfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005
Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit
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
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
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
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
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
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
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........................
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,
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.
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,
Mehr12 Die Normalverteilung
12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen
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
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
MehrDer Zentrale Grenzwertsatz
QUALITY-APPS Applikationen für das Qualitätsmanagement Der Zentrale Grenzwertsatz Autor: Dr. Konrad Reuter Für ein Folge unabhängiger Zufallsvariablen mit derselben Verteilung und endlichem Erwartungswert
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
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
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
2013-11-13 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL I Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Literatur Eindimensionaler Fall: Grundbegriffe Wahrscheinlichkeitsverteilungen:
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
MehrEinführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
MehrVon der Binomialverteilung zur Normalverteilung
Von der Binomialverteilung zur Normalverteilung Wir interessieren uns für Binomialverteilungen mit grossen Werten für n. Als Beispiele können wir uns das Experiment vorstellen, dass ein idealer Würfel
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
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
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
MehrDas Konfidenzintervall (Confidence Interval CI) Vertrauen schaffen, Signifikanz erkennen Autor: Beat Giger
QUALITY APPs Applikationen für das Qualitätsmanagement Testen und Anwenden Das Konfidenzintervall (Confidence Interval CI) Vertrauen schaffen, Signifikanz erkennen Autor: Beat Giger Das Konfidenzintervall
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
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
MehrMessungen und Messfehler
Messungen und Messfehler B. Schönfeld LMPT, ETH Zürich September 2007 1 Einleitung Messfehler sind (meistens) keine Fehler, sondern Messunsicherheiten. Was man in Messungen bestimmt, sind Schätzwerte,
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+
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
MehrGrenzen für x -s-regelkarten
Normalverteilte Fertigung: Stichproben aus der Fertigung: σ σ Eine normalverteilte Fertigung hat den Mittelwert µ und die Standardabweichung σ. Stichproben aus der Fertigung haben zufällig abweichende
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
MehrM13 Übungsaufgaben / pl
Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr
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
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.
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
MehrInstitut für Physik Physikalisches Grundpraktikum. Einführung in die Messung, Auswertung und Darstellung experimenteller Ergebnisse in der Physik
Institut für Physik Physikalisches Grundpraktikum Einführung in die Messung, Auswertung und Darstellung experimenteller Ergebnisse in der Physik (Fortsetzung) Schätzung von Messunsicherheiten für eine
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
MehrHydrologie und Flussgebietsmanagement
Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik
MehrBiometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen
Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe
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
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
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
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
MehrKapitel 8. Signifikanzanalysen. 8.1 Einführung
Kapitel 8 Signifikanzanalysen 8.1 Einführung In den vorhergehenden Kapiteln haben wir Methoden kennengelernt, um aus Messungen Hypothesen abzuleiten, die mit den Daten verträglich sind. Es kann sich dabei
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
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
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
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
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
MehrPoissonverteilung und Binomialverteilung
Kapitel 9 Poissonverteilung und Binomialverteilung 9.1 Allgemeines über Zufallsvariable mit Wertebereich in Z In medizinischen Untersuchungen zählt man unter dem Mikroskop die Anzahl k bestimmter Zellen
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
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
Mehr1 1. Übung. Einleitung. 1.1 Urnenmodelle. 1.2 Beispiele. 1.3 Aufgaben
Einleitung Dieses sind die kompletten Präsenzaufgaben, die bei der Übung zur Vorlesung Einführung in die Stochastik im Sommersemester 2007 gerechnet wurden. Bei Rückfragen und Anmerkungen bitte an brune(at)upb.de
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-Übungsaufgaben
Statistik-Übungsaufgaben 1) Bei der Produktion eine Massenartikels sind erfahrungsgemäß 20 % aller gefertigten Erzeugnisse unbrauchbar. Es wird eine Stichprobe vom Umfang n =1000 entnommen. Wie groß ist
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
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
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
MehrÜbungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten
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:
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:
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
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
MehrStatistische Methoden der Datenanalyse Beispielsammlung
Statistische Methoden der Datenanalyse Beispielsammlung R. Frühwirth Institut für Hochenergiephysik der Österreichischen Akademie der Wissenschaften A-1050 Wien, Nikolsdorfer Gasse 18 Wintersemester 2011/2012
MehrHochschule Bremerhaven Medizintechnik Mathcad Kapitel 6
6. Diagramme mit Mathcad In diesem Kapitel geht es um andere, als X Y Diagramme. 6.. Kreisdiagramme. Schritt: Die darzustellende Funktion muß zunächst als Funktion definiert werden, zum Beispiel f(x):=
MehrStatistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
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
MehrOperations Research (OR) II
Operations Research (OR) II Fortgeschrittene Methoden der Wirtschaftsinformatik 27. Juni 2007 Michael H. Breitner, Hans-Jörg von Mettenheim und Frank Köller 27.06.2007 # 1 Stochastische Inputgrößen Stochastische
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
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
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
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
Mehrdiskrete und kontinuierliche Verteilungen
Vorlesung: Computergestützte Datenauswertung Wahrscheinlichkeit, Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik diskrete und kontinuierliche Verteilungen SS '16 KIT Die Forschungsuniversität
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
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
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
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.
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
MehrBeschreibende Statistik und der Übergang zur beurteilenden Statistik
Beschreibende Statistik und der Übergang zur beurteilenden Statistik Guido Herweyers KHBO Campus Oostende K.U.Leuven 1. Vorwort Der Einsatz des Voyage 200 erleichert die Verarbeitung von Daten und erlaubt
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
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
MehrElementäre Bausteine m = 10 micron. Blutzelle Atom 1800 D.N.A Elektron m = 0.1 nanometer Photon 1900
Was ist Physik? Das Studium der uns umgebenden Welt vom Universum bis zum Atomkern, bzw. vom Urknall bis weit in die Zukunft, mit Hilfe von wenigen Grundprinzipien. Diese gesetzmäßigen Grundprinzipien
MehrMathematik für MolekularbiologInnen. Vorlesung IX Ausgewählte Kapitel der Statistik
Mathematik für MolekularbiologInnen Vorlesung I Ausgewählte Kapitel der Statistik Übersicht Statistische Stichproben- und Schätztheorie Entscheidungstheorie (Signifikanztests) Theorie der kleinen Stichproben,
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.
MehrSigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
Mehr