Formelsammlung Stochastik
|
|
- Lioba Roth
- vor 6 Jahren
- Abrufe
Transkript
1 Formelsammlug Stochasti Adrea Katharia Fuchs 31. Jauar Wahrscheilicheit Ω... Ereigisraum, Grudraum ω... Elemetarereigis A, B, C... Ereigis, Teilmege vo Ω Schittmege: A B heisst A ud B Vereiigug: A B heisst A oder B Komplemet: A c = A = AΩ heisst icht A Laplace Modell: P [A] = AzahlA AzahlΩ uiforme Verteilug: P [ω] = 1/Ω für alle ω De Morga: (A B c = A c B c (A B c = A c B c 1.1 Recheregel P [A c ] = 1 P [A] (P [A c ] + P [A] = 1 P [A B] = P [A] + P [B] P [A B] 1 P [A] 0, P [Ω] = 1 P [A B] c = P [A c ] P [B c ] P ( m i=1 A i = P [A 1... A m ] P [A 1 ] P [A m ] 1. Uabghägigeit we A, B uabhägig: P [A B] = P [A] P [B] uabhägig = disjut: falls A B = (leere Mege P [A B C] = P [A] P [B] P [C] etc. 1.3 Kombiatori : # i Grudmege : # i Elemete Reihefolge wesetlich, Wiederholug gestattet: v(, = Reihefolge wesetlich, Wiederholug icht gestattet: v(, =! (! Reihefolge ( uwesetlich, Wiederh. icht gestattet:! v(, = =!(! Zufallsvariable ud Wahrscheilicheitsverteilug X... Zufallsvariable X : Ω R, ω X(ω X disret, falls W = X(Ω disret X stetig, falls a, b : W = X(Ω ]a, b[.1 Verteilugsfutio Def: F x (b = P [X b] 1. F x ist mooto steiged: F x (x 1 F x (x x > x 1. F x ist rechtsstetig: lim h 0 F x (x + h = F x (x 3. lim x F x (x = 1 ud lim x 0 F x (x = 0. Wahrscheilicheitsfutio p(x i = P [X = x i ] p(x i 0 ud p(x i = 1.3 Erwartugswert ud Variaz Erwartugswert: (mea E(X= µ x = g(x i p(x i = x i p(x i Variaz: V ar(x= σ x = E[(X E(X ] = (x i µ i p(x i = E[X ] E[X] Stadardabweichug: σ x = V ar(x.4 Disrete Verteilug p i = 1 Falls die Mege W der mögliche Werte vo X edlich oder abzählbar ist Biomialverteilug X BI(, p Poissoverteilug X P OI(λ geometrische Verteilug X GEO(p Reihefolge ( uwesetlich, Wiederholug gestattet: + 1 v(, = 1
2 3 Stetige W eitsverteilug P [X b] = F x (b = b f x(udu F x... Verteilugsfutio vo X f x... Dichtefutio vo X f(b = F (b = lim h 0 P [x b x+h] h E[X] = µ x = x f(xdx V ar(x = σ x = (x µ x f(xdx f(x ist Dichtefutio, we: 1. f(x 0. f(xdx = Quatile q(α P [X q(α] = α q(α = F 1 (α 4 Mehrere Zufallsvariable ud Futioe davo 4.1 Die i.i.d. Aahme idepedet ad idetically distributed A 1,..., A sid uabhägig, Uabh.eit der Ereigissse P [A 1 ] =... = P [A ] = P [A] gleiche Wahrsch.eite X 1,..., X sid uabhägig alle X i habe dieselbe Verteilug Somit gilt: P [A B] = P [A] P [B] F x1 = F x P (x 1 t = P (x t E[X 1 X ] = E[X 1 ] E[X ] 4. Futioe vo Zufallsvariable Y = g(x 1,...X ud X 1,...X stets i.i.d. Media we α = 1/: q(1/ 3. Wichtige stetige Verteiluge uiforme Verteilug X UNI(a, b Expoetialverteilug X EXP (α We die Zeite zwische de Ausfälle eies Systems Expoetial(λ-verteilt sid, da ist die Azahl Ausfälle i eiem Itervall der Läge t Poisso(λ t-verteilt. Normalerteilug (Gauss X N(µ, σ 3..1 Trasformatio Y = g(x g liear: g(x = a + b X = Y E[Y ] = E[a + bx] = a + b E[X] V ar(y = V ar(a + bx = b V ar(x ud σ y = b σ x F y (x = F x ( x a b ud f y(x = 1 b f x( x a b Allgemei: E[Y ] = E[g(x] = g(x f(xdx V ar(y = E[Y ] E[Y ] F y (b = F x (g 1 1 (b g (g 1 (b Logormalverteilt: Y LOG(µ, σ log(y N(µ, σ Y = e x aus X N(µ, σ Es gilt: E[Y ] = exp( µ+σ E[l(X] = µ P [a < X < b] = P [l a < l X < l b] = Ψ Ψ ( l a µ σ Paretoverteilt: Y = e x aus X EXP (α P [X x] = x α f y (x = α x (α+1 F y (x = 1 x α ( l b µ σ Summe: S = X X arithmetisches Mittel: X = S Ausahme vo S mit eifacher Bestimmug: 1. We X i {0, 1}, da ist S BI(, p mit p = P [X i = 1]. We X i P OI(λ, da ist S P OI( λ 3. We X i N(µ, σ, da ist S N ( µ, σ E[S ] = E[X i ] V ar(s = V ar(x i σ S = σ Xi E[X ] = E[X i ] V ar(x = V ar(x i / σ X = σ Xi / lim V ar(barx = Das Gesetz der Grosse Zahle X 1,..., X i.i.d. mit Erwartugswert µ, da: X µ ( Spezialfall davo: f [A] P [A] ( 4.4 Der Zetrale Grezwertsatz X 1,..., X i.i.d. mit Erwartugswert µ ud Variaz σ, da: S N ( µ, σ für grosse X N (µ, σ / für grosse 4.5 Chebychev Ugleichug P [ X µ > c] σ c Mit dieser ist ma stets auf der sichere Seite, dafür aber meistes ziemlich grob.
3 5 Gemeisame ud bedigte Wahrscheilicheit 5.1 Bedigte Wahrscheilicheit Die Bedigte Wahrscheilicheit vo A gegebe B: P [A B] = P [A B] P [B] aalog: P [A B c ] = P [A Bc ] P [B c ] Falls A ud B uabhägig: P [A B] = P [A B c ] = P [A] 5. Satz der totale Wahrscheilicheit Gegebe: P [B], P [A B], P [A B c ] Satz I: P [A] = P [A B]+P [A B c ] = P [A B] P [B]+P [A B c ] P [B c ] Satz II: P [A] = i=1 P [A B i] P [B i ] 5.3 Satz vo Bayes P [B i A] = P [A B i] P [B i] P [A B 1] P [B 1]+...+P [A B ] P [B ] 5.4 Gemeisame ud bedigte disrete Verteiluge Radverteilug: P [X = x i ] ud P [Y = y j ] Gemeisame Verteilug: P [X = x i, Y = y j ] BedigteVerteilug: P [Y = y j X = x i ] 6 Gemeisame ud bedigte stetige Verteiluge 6.1 Gemeisame Dichte Gemeisame Dichte f X,Y (.,. vo zwei stetige Zufallsvariable X ud Y: P [x X x + dx, y Y y + dy] = f X,Y (x, ydxdy Daraus abgeleitete allgemeie Wahrscheilicheit: P [(X, Y A] = A f X,Y (x, ydxdy mit A R Raddichte ud bedigte Dichte Raddichte vo X, bzw. vo Y: f X (x = f X,Y (x, ydy f Y (y = f X,Y (x, ydx Bedigte Dichte, we X = x gegebe: f Y (y X = x = f X,Y (x,y f X (x Bei Uabghägigeit vo X ud Y: f X,Y (x, y = f X (x f Y (y 6. Erwartugswert bei mehrere Zufallsvariable E[g(X, Y ] = g(x, y f X,Y (x, ydxdy Im disrete Fall: E[g(X, Y ] = i j g(x i, y j P [X = x i, Y = y j ] Erwartugswert der eie Zufallsvariable Y gegebe X = x: E[Y X = x] = yf Y (y X = xdy 6.3 Kovariaz ud Korrelatio Kovariaz: Cov(X, Y = E[(X µ X (Y µ Y ] Korrelatio: Corr(X, Y = ρ XY = Cov(X,Y σ X σ Y Recheregel: E[X + Y ] = E[X] + E[Y ] für beliegige, auch abhägige Zufallsvariable Cov(X, Y = E[XY ] E[Y ] E[Y ] Cov(X, Y = 0 falls X ud Y uabhägig Cov(a + bx, c + dy = b d Cov(X, Y Cov(a + bx, c + dy = sig(b sig(d Cov(X, Y V ar(x + Y = V ar(x + V ar(y + Cov(X, Y Die Korrelatio misst Stäre ud Richtug der lieare Abhägigeit zwische X ud Y. Corr(X, Y = +1 geau da we Y = a + bx für ei a R ud ei b > 0 Corr(X, Y = 1 geau da we Y = a+bx für ei a R ud ei b < 0 We X,Y uabhägig: Corr(X, Y = 0 3
4 6.4 Lieare Progose Lieare Progose vo Y gestützt auf X, Asatz: Ŷ = a + bx: Ŷ = µ Y + Cov(X,Y V ar(x (X µ X E[(Y Ŷ ] = (1 ρ XY V ar(y 6.5 Zwei-dimesioale Normalverteilug Kovariaz-Matrix: ( V ar(x Cov(X, Y Cov(X, Y V ar(y Normalverteilug: ( X Y Dichte: f X,Y (x, y = 1 π detσ e (( µx N, Σ µ Y 1 (x µ X,y µ Y Σ Mehr als Zufallsvariable 7 Desriptive Statisti 7.1 Kezahle Arithmetisches Mittel: x = 1 (x x Empirische Variaz: s = 1 1 i=1 (x i x x µ X y µ Y Empirisches α-quatil: x ( mit die leiste gaze Zahl > α bei geordetee Werte x (1 x (... x ( Quartilsdifferez: Uterschied zwische 5%- ud 75%-Quatil 7. Histogramm, Boxplot ud Q-Q Plot 1 A 8 Schliessede Statisti 8.1 Das Testproblem Nullhypothese: H 0 : p = p 0 Alterative: p p 0 (zweiseitig p > p 0 (eiseitig ach obe p < p 0 (eiseitig ach ute We wir a der Abweichug ach obe iteressiert sid, da lehe wir die Nullhypthese ab, falls x c. Wir ehme eimal a, dass die Nullhypthese stimmt, da ist die Wahrscheilicheit, die Nullhypthese fälschlicherweise abzulehe (Fehler 1. Art: P p0 [X c] = =c ( p 0(1 p 0 Fehler. Art: ei Verwerfe der Nullhypthese, obwohl sie falsch ist: P p0 [X c] α Zweiseitig: ( verwerfe Nullhypothese, falls c 1 x ud c x c1 =0 p 0(1 p 0 α ( =c p 0(1 p 0 α Ablauf eies Testes 1. Lege Nullhypothese fest. Verüftige Alterative, zweiseitig oder eiseitig, obe oder ute 3. Sigifiaziveau, α = 0.05(üblich oder Kostruiere Verwerfugsbereich für H 0, so dass: P [F ehler1.art] α 5. Erst jetzt: betrachte ob Beobachtug x i de Verwerfugsbereich fällt. Falls ja, verwerfe Nullhypothese 8. P-Wert Es gibt ei Niveau, wo H 0 gerade och verworfe wird. Der P- Wert ist das leiste Sigifiaziveau wo H 0 verworfe wird. 8.3 Vertrauesitervalle Vertrauesitervall für p, falls X Biom(, p: x ± Φ 1 (1 α x (1 x 1 Vertrauesitervall für λ, falls X P oisso(λ: x ± Φ 1 (1 α x Histogramm: Berechug der Häufigeit eizeler Werte im Itervall, proportiaale Bale Boxplot: Rechtec begrezt durch das 5%- ud 75%-Quatil, Liie vo gršsstem bis leistem ormale Wert (1.5 mal die Quartilsdifferez, Ausreisser: Stere Q-Q-Plot: Quatil-Quatil-Plot, bei Normalverteulug: Gerade, jedoch icht durch Null ud icht im 45 Grad Wiel Vertrauesitervall für ˆλ: ˆλ ± Φ 1 (1 α ˆλ Vertrauesitervall für ˆp: ˆp ± Φ 1 (1 α ˆp 4
5 9 Statisti bei ormalverteilte Date 9.1 Schätzuge Putschätzuge: µ = X = 1 i=1 X i σ = S = 1 1 i=1 (X i µ Erwartugswert der Schätzer: E( µ = µ E( σ = σ 9. Teste z-test σ beat, Date sid Normalverteilt H 0 verwerfe, falls: X µ 0 > σ Φ 1 (1 α Betrag bei zweiseitigem Test, ohe bei eiseitigem, > bei ach obe, < bei ach ute Z = X µ 0 σ/ N (0, 1 Vertrauesitervall [ zweiseitig: X σ Φ 1 (1 α, X ] + σ Φ 1 (1 α Verwerfugsbereich eiseitig: [ Φ 1 (1 α, ] obe [, Φ 1 (α ] ute alle mögliche Tests ist, falls die Beobachtuge ormalverteilt sid. Bei icht-ormalverteilte Beobachtuge öe adere Tests sehr viel besser sei. 10 Putschätzuge: allgemeie Methode Die Verteilug vo X i sei beat bis auf eie ubeate Parameter θ, dabei a θ auch mehrere Kompoete habe ud ist da ei Parametervetor Mometemethode Ubeater Parameter mit Hilfe der Momete µ = E[X ] ausdrücbar: θ j = g j (µ 1,...µ p Mometeschätzer ersetzt wahre µ durch empirische Aaloga: ˆθ j = g j (ˆµ 1,..., ˆµ p ˆµ = 1 i=1 X i 10. Maximum-lielihood Schätzer Wählt als Schätzer Parameterwert, der die log-lielihood- Futio maximiert für disrete X i : l(θ = für stetige X i : l(θ = i=1 log(p θ(x i i=1 log(f θ(x i t-test σ ubeat, Date sid Normalverteilt H 0 verwerfe, falls: zweiseitig: T = x µ0 S x > t 1,1 α eiseitig: T = x µ0 S x > t 1,1 α Vertrauesitervall [ zweiseitig: X S x t 1,1 α, X + Sx Verwerfugsbereich eiseitig: [t 1,1 α, ] obe [, t 1,α ] ute 9..1 Macht eies Tests t 1,1 α Macht: 1 β(µ = P [Test verwirft richtigerweise H 0 für ei µ H A ] mit Wahrscheilicheit eies Fehler. Art: β(µ = P [Test azeptiert H 0 obscho ei µ H A stimmt] Die Macht beschreibt die Kapazität wie gut ei Test eie Parameter im Bereich der Alterative richtigerweise etdece a. Deshalb a die Macht als Güteriterium gebraucht werde, um optimale Tests zu charaterisiere. Ma a zeige, dass der t-test der optimale Test uter ] 5
6 11 Vergleich zweier Stichprobe 11.1 Gepaarte ud ugepaarte Stichprobe Radomisierug: Zufällig gewählte Reihefolge der Versuche, verschiedee Versuchseiheite uter zwei verschiedee Versuchbediguge ergebe eie ugepaarte Stichprobe. Eizele Tests müsse icht gleiche Stichprobegrösse habe. X Ȳm > t +m,1 α bei Alterative H S pool 1/+1/m A : µ X µ Y X Ȳm > t +m,1 α bei Alterative H A : µ X > µ Y S pool 1/+1/m mit: Spool = ( 1 +m i=1 (X i X + i=1 (Y i Ȳm V ar( X Ȳm = σ ( m Gepaarte Stichprobe: beide Versuchsbediguge a derselbe Versuchseiheit getestet. Notwedigerweise müsse die beide Stichprobegrösse gleich sei. 11. Gepaarte Vergleiche Differez ierhalb der Paare: u i = x i y i Besteht ei Uterschied zwische de Versuchsreihe: E[U i ] = 0 Nullhypthese ud Alterative aufstelle Verschiedee mögliche Tests: 1. t-test. Vorzeiche-Test 3. Wilcoxo-Test Vorzeiche-Test Aahme: NUR i.i.d, eie ormalverteilte Date Date: X 1,..., X ud Z i = X i µ Vorzeiche: sig(z 1,...sig(Z wobei: sig(z i > 0 = 1 ud sig(z i 0 = 1 Teststatisti: V=Azahl pos. Beobachtuge Verteilug vo V: BIN(, p = P [Z i > 0] 11.. Wilcoxo-Test Kompromiss: setzt weiger vorraus als t-test, ützt Date aber besser aus als Vorzeiche-Test. 1. Räge bilde: Rag( U i = z.b. = 1 für leiste Differez U. We eizele U i zusammefalle, teilt ma die Räge auf. V i ist Idiator, ob U i positiv ist: V (U > 0 = 1 ud V (U < 0 = 0 3. Verwerfug der Nullhypothese falls W = i=1 Rag( U i V i zu gross, zu lei oder beides ist. Eigeschafte: U hält das Niveau α exat, falls F symm. (um 0 ud x i i.i.d Fehler.Art vo t-test ist oft viel grösser als Fehler.Art vo U. Wilcoxo-Test ist i der Praxis dem t- oder Vorzeiche-Test vorzuziehe, ausser z.b. die Date sid gut mit eier Normalverteilugbeschriebe (da t-test Zwei-Stichprobe Tests Ugepaarte Stichprobe, uabhägige Zufallsvariable X i N(µ X, σ Y i N(µ Y, σ Nullhypothese H 0 : µ X = µ Y verwerfe, falls: 6
( ) Formelsammlung. Kombinatorik. Permutation: ohne Wiederholung. n! = n (n - 1) (n - 2)... 3 2 1 n= alle Elemente. Permutation: mit Wiederholung
Formelsammlug Kombiatori Permutatio: ohe Wiederholug! = ( - 1) ( - 2).... 3 2 1 = alle Elemete Permutatio: mit Wiederholug!! P, = = usw. = gleiche Elemete! 1! K 2! Stichprobe (SP) = geordete Auswahl Geordete
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
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
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrProf. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5
Prof. Dr. Holger Dette Musterlösug Statistik I Sommersemester 009 Dr. Melaie Birke Blatt 5 Aufgabe : 4 Pukte Sei X eie Poissoλ verteilte Zufallsvariable mit λ > 0, ud die Verlustfuktio L sei defiiert durch
Mehr1 Ereignisse und ihre Wahrscheinlichkeit
Wahrscheilicheitsrechug ud Statisti - Formelsammlug (Revisio : 610 - powered by LATEX Seite 1 vo 11 1 Ereigisse ud ihre Wahrscheilicheit 1.1 Kombiatori Sachs S. 66 Art der Auswahl bzw. Zusammestellug Azahl
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
MehrKlassifizierung der Verteilungen. Streuung der diskreten Verteilung
Wichtigste Verteiluge der Biostatisti Disrete Zur Erierug Klassifizierug der Verteiluge Kotiuierliche Disrete Gleichverteilug Kotiuierliche Gleichverteilug Biomialverteilug Normalverteilug Poisso Verteilug
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrX in einer Grundgesamtheit vollständig beschreiben.
Prof. Dr. Rolad Füss Statistik II SS 008. Puktschätzug vo Parameter eier Grudgesamtheit Nur durch eie Totalerhebug ka ma die Verteilug eier Zufallsvariable X i eier Grudgesamtheit vollstädig beschreibe.
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
MehrPrimer WaSt2 1. Primer WaSt2. 1. Grundlagen der Wahrscheinlichkeitstheorie
Primer WaSt Primer WaSt. Grudlage der Wahrscheilicheitstheorie I diesem Kapitel werde die statistische Grudlage, die für die Behadlug vo stochastische Prozesse beötigt werde, urz aufgeführt. Für eie detailliertere
MehrVereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung
. Marktpreisrisiko Motivatio der VaR-Ermittlug Vereiheitlichug Eiheitlicher Maßstab der Risikoeischätzug Limitierug / Steuerug Messug ud Limitierug ist fudametal für die Steuerug Kapitaluterlegug Zur Deckug
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
MehrStatistische Tests zu ausgewählten Problemen
Eiführug i die statistische Testtheorie Statistische Tests zu ausgewählte Probleme Teil : Tests für Erwartugswerte Statistische Testtheorie I Eiführug Beschräkug auf parametrische Testverfahre Beschräkug
MehrI. Deskriptive Statistik
Statisti Prof. Dr. Fra Adreas Schittehelm I. Desriptive Statisti. Grudbegriffe der Dateerhebug Die wichtigste Grudbegriffe der beschreibede Statisti solle ahad der folgede Beispiele erläutert werde: Begriff
MehrSBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur
MehrEvaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
Mehr(4) = 37,7 % mit 37,7 % Wahrscheinlichkeit sind es höchstens 4 Fahrräder, das ist recht hoch; man kann also die Behauptung nicht wirklich ablehnen.
Schülerbuchseite 98 1 Lösuge vorläufig IV Beurteilede Statistik S. 98 p S. 1 p w a t Tabelle Tabelle dowloadbar im Iteretauftritt 1 Teste vo Hypothese 1 a) Erwartugswert μ = 5 ud Stadardabweichug σ = 1,6;
MehrÜbungsblatt 9 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 9 zur Vorlesug Statistische Methode Schätztheorie ud Kofidezitervalle Herausgabe des Übugsblattes: Woche 8, Abgabe der Lösuge: Woche 9 (bis Freitag, 65 Uhr), Besprechug:
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
MehrBeschreibende Statistik Kenngrößen in der Übersicht (Ac)
Beschreibede Statistik Kegröße i der Übersicht (Ac) Im folgede wird die Berechugsweise des TI 83 (sowie vo SPSS, s. ute) verwedet. Diese geht auf eie Festlegug vo Moore ud McCabe (00) zurück. I der Literatur
MehrKapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung
Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier
MehrKapitel 6: Statistische Qualitätskontrolle
Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle
MehrSeminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
MehrMethoden zur Konstruktion von Schätzern
KAPITEL 5 Methode zur Kostruktio vo Schätzer 5.1. Parametrisches Modell Sei (x 1,..., x ) eie Stichprobe. I der parametrische Statistik immt ma a, dass die Stichprobe (x 1,..., x ) eie Realisierug vo uabhägige
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete
MehrA Ω, Element des Ereignisraumes
ue biostatisti: grudlegedes zur wahrscheilicheit ud ombiatori 1/6 WAHRSCHEINLICHKEIT / EINIGE BEGRIFFE Ereigisraum Ω Elemetarereigis A: Ω ist die Mege aller mögliche Elemetarereigisse A Ω, Elemet des Ereigisraumes
MehrFormelsammlung. zur Klausur. Beschreibende Statistik
Formelsammlug zur Klausur Beschreibede Statistik Formelsammlug Beschreibede Statistik. Semester 004/005 Statistische Date Qualitative Date Nomial skalierte Merkmalsauspräguge (Uterscheidugsmerkmale) köe
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 8
Übug zur Vorlesug Statistik I WS 2013-2014 Übugsblatt 8 9. Dezember 2013 Aufgabe 25 (4 Pukte): Sei X B(, p) eie biomial verteilte Zufallsvariable. Schreibe Sie i R eie Fuktio PWert, die für jedes Ergebis
MehrDer χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?
Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrZahlenfolgen, Grenzwerte und Zahlenreihen
KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:
MehrWir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
MehrFormelsammlung Grundzüge der Statistik für die Veranstaltungen Statistik I und Statistik II im Grundstudium
Formelsammlug Grudzüge der Statistik für die Verastaltuge Statistik I ud Statistik II im Grudstudium Prof. Dr. Claudia Becker Lehrstuhl für Statistik Ihaltsverzeichis 1 Summezeiche 5 2 Häufigkeitsverteiluge
MehrKapitel 11. Zentrale Grenzwertsätze Lokaler Grenzwertsatz von Moivre-Laplace
Kapitel 11 Zetrale Grezwertsätze Viele zufällige Größe i der Natur, Wirtschaft ud Gesellschaft sid das Ergebis eier Überlagerug zahlreicher leier zufälliger Eiflüsse, die weitgehed uabhägig voeiader wire.
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)
MehrWahrscheinlichkeitsrechnung
Kapitel 7 Wahrscheilichkeitsrechug 7. Kombiatorik Def. 7..:a) Für eie beliebige atürliche Zahl m bezeichet ma das Produkt aus de Zahle vo bis m mit m Fakultät: m! := 2 3 m, 0! :=. b) Für zwei beliebige
Mehr3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-
MehrStochastik I (Statistik)
Stochastik I (Statistik) Skript Ju.-Prof. Dr. Zakhar Kabluchko Uiversität Ulm Istitut für Stochastik L A TEX-Versio vo Judith Schmidt Ihaltsverzeichis Vorwort Literatur Kapitel. Stichprobe ud Stichprobefuktio..
MehrStatistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html
Statistik Prof. Dr. K. Melzer kari.melzer@hs-esslige.de http://www.hs-esslige.de/de/mitarbeiter/kari-melzer.html Ihaltsverzeichis 1 Eileitug ud Übersicht 3 2 Dategewiug (kurzer Überblick) 3 2.1 Plaugsphase
MehrMonte Carlo-Simulation
Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil
MehrTESTEN VON HYPOTHESEN
TESTEN VON HYPOTHESEN 1. Grudlage Oft hat ma Vermutuge zu Sachverhalte ud möchte diese gere durch Experimete bestätige. Dabei ka es sich i der Praxis zum Beispiel um Verteiluge vo gewisse Zufallsgröße
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
MehrBINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008
Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe
MehrMathematik für Maschinenbauer, Bauingenieure und Umwelttechniker III. R. Verfürth
Mathematik für Maschiebauer, Bauigeieure ud Umwelttechiker III Vorlesugsskriptum WS 001/0 - WS 00/03 überarbeitet September 008 R. Verfürth Fakultät für Mathematik, Ruhr-Uiversität Bochum Ihaltsverzeichis
Mehr2 Vollständige Induktion
8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
MehrStatistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.
Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste
MehrElementare Wahrscheinlichkeitsrechnung und Statistik
CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar
MehrSeminar De Rham Kohomologie und harmonische Differentialformen - 2. Sitzung
Semiar De Rham Kohomologie ud harmoische Differetialforme - 2. Sitzug Torste Hilgeberg 26. April 24 1 Orietierug Defiitio: Zwei Karte heiße orietiert verbude, we das Differetial des Kartewechsels positive
MehrTestumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen
Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrStatistik und Wahrscheinlichkeitslehre
Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug
Mehr3 Elementare Wahrscheinlichkeitstheorie
3 Elemetare Wahrscheilichkeitstheorie 3. Eiführug Bisher habe wir gesehe, daß Date, Meß- ud Beobachugsergebisse schwake. Schwakuge habe wir graphisch ud quatitativ dargestellt. Um solche Beobachtuge verstehe
MehrEinige wichtige Ungleichungen
Eiige wichtige Ugleichuge Has-Gert Gräbe, Leipzig http://www.iformatik.ui-leipzig.de/~graebe 1. Februar 1997 Ziel dieser kurze Note ist es, eiige wichtige Ugleichuge, die i verschiedee Olympiadeaufgabe
MehrInnerbetriebliche Leistungsverrechnung
Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der
MehrAuch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.
Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger
MehrParameter von Häufigkeitsverteilungen
Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige
MehrEinführung in die Wahrscheinlichkeitstheorie
WS 2014/15 Eiführug i die Wahrscheilichkeitstheorie Prof. Dr. Nia Gatert 7. Februar 2015 Ihaltsverzeichis 0 Eileitug 3 1 Diskrete Wahrscheilichkeitsräume 4 1.1 Grudbegriffe..................................
MehrGüteeigenschaften von Schätzern
KAPITEL 6 Güteeigeschafte vo Schätzer Wir erier a ie Defiitio es parametrische Moells Sei {h θ : θ Θ}, wobei Θ R m, eie Familie vo Dichte oer Zählichte Seie X 1,, X uabhägige u ietisch verteilte Zufallsvariable
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
Mehr2.3 Kontingenztafeln und Chi-Quadrat-Test
2.3 Kotigeztafel ud Chi-Quadrat-Test Die Voraussetzuge a die Date i diesem Kapitel sid dieselbe, wie im voragegagee Kapitel, ur dass die Stichprobe hier aus Realisieruge vo kategorielle Zufallsvariable
Mehr5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
MehrEinführung in die Grenzwerte
Eiführug i die Grezwerte Dieser Text folgt hauptsächlich der Notwedigkeit i sehr kurzer Zeit eie Idee ud Teile ihrer Awedug zu präsetiere, so dass relativ schell mit dieser Idee gerechet werde ka. Der
Mehr2.2.1 Lagemaße. Exkurs: Quantile. und n. p n
Ekurs: Quatile Ausgagspukt : Geordete Urliste Jeder Wert p, mit 0 < p
MehrWeitere Lagemaße: Quantile/Perzentile II. Weitere Lagemaße: Quantile/Perzentile I. Weitere Lagemaße: Quantile/Perzentile IV
3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile I 3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile II Für jede Media x med gilt: Midestes
MehrMathematik Funktionen Grundwissen und Übungen
Mathematik Fuktioe Grudwisse ud Übuge Potezfuktio Hyperbel Epoetialfuktio Umkehrfuktio Stefa Gärter 004 Gr Mathematik Fuktioe Seite Grudwisse Potezfuktio Defiitio Durch die Zuordugsvorschrift f: Æ mit
MehrA = Ereignisraum = σ-algebra (Sigma-Algebra) = Menge aller messbaren Ergebnisse über eine definierte Grundmenge Ω
Statistik Theorie Defiitioe Ω = Grudmege = Ergebismege = Mege aller mögliche Ergebisse A = Ereigisraum = σ-algebra (Sigma-Algebra) = Mege aller messbare Ergebisse über eie defiierte Grudmege Ω P(Ω) = Potezmege
MehrFehlerrechnung. 3. Genauigkeit von Meßergebnissen am Beispiel der Längenmessung
1 Gie 11/000 Fehlerrechug 1. Physikalische Größe: Zahlewert ud Eiheit. Ursache vo Meßfehler 3. Geauigkeit vo Meßergebisse am Beispiel der Lägemessug 4. Messug eier kostate Größe ud Mittelwert 5. Messug
MehrEinführung in die mathematische Statistik
Kapitel 7 Eiführug i die mathematische Statistik 7.1 Statistische Modellierug Bei der Modellierug eies Zufallsexperimets besteht oft Usicherheit darüber, welche W-Verteilug auf der Ergebismege adäquat
MehrÜbungen mit dem Applet Fourier-Reihen
Fourier-Reihe 1 Übuge mit dem Applet Fourier-Reihe 1 Mathematischer Hitergrud... Übuge mit dem Applet... 3.1 Eifluss der Azahl ud der Sprugstelle...3. Eifluss vo y-verschiebug ud Amplitude...4.3 Eifluss
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,
MehrPflichtlektüre: Kapitel 10 Grundlagen der Inferenzstatistik
Pflichtlektüre: Kapitel 10 Grudlage der Iferezstatistik Überblick der Begriffe Populatio Iferezstatistik Populatiosparameter Stichprobeverteiluge Auch Stichprobekewerteverteiluge Wahrscheilichkeitstheorie
Mehr6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $
Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrSchätzen. Mehrdimensionale Zufallsvariablen Kovarianz und Korrelation Statistiken BLUE Konsistenz Arithmetisches Mittel vs.
Schätze Mehrdimeioale Zufallvariable Kovariaz ud Korrelatio Statitike BLUE Koitez Arithmetiche Mittel v. Media Quiz Eie Fuktio : Ω R ordet edem ω Ω geau eie reelle Zahl x zu. Eie Fuktio : Ω R ordet edem
MehrHaszonits Iris Theoriefragen und interessante Beispiel
Schätze sie X als lieare Fuktio bzw. aufgrud vo Y Regressio Wie stark hägt X mit Y zusamme? Korrelatio Güte der Schätzug, Welcher Ateil der Variaz vo X wird durch Y erklärt Bestimmtheitsmaß (Quadrat der
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
Mehrα : { n Z n l } n a n IR
1 KAPITEL VI. ZAHLENFOLGEN UND REIHEN 1) REELLE ZAHLENFOLGEN: i) Jede Abbildug α : IN a IR heiÿt 'reelle Zahlefolge' bzw. 'Folge i IR'. Ma otiert diese i der Form α = a ) IN = a ) =0 = a 0, a 1, a 2,...)
MehrDatenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007
Dateauswertug Prof. Dr. Josef Brüderl Uiversität Maheim Frühjahrssemester 007 Methode-Curriculum B.A. Soziologie Basismodul: Methode ud Statistik: VL Dateerhebug (): 5 ÜK (): 3 ----------------------------------------------------------
MehrStatistische Formelsammlung Begleitende Materialien zur Statistik - Vorlesung des Grundstudiums im Fachbereich IK
Statistische Formelsammlug Begleitede Materialie zur Statistik - Vorlesug des Grudstudiums im Fachbereich IK Erstellt im Rahme des studierede Projektes PROST Studiejahr 00/00 uter Aleitug vo Frau Prof.
MehrPraktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle
Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht
MehrStandard Normalverteilung Dichtefunktion von Standard Normal Verteilung. Grenzwertsatz. Normalverteilung. Andere wichtige Verteilungen: Anwendungen
Statistik. Vorlesug, September, 00 f() 0.0 0. 0. 0.3 0.4 Stadard Normalverteilug Dichtefuktio vo Stadard Normal Verteilug -4-0 4 Der Erwartugswert: mittlere Wert E ( = f( ) d=0 für die Stadard Normal Verteilug
MehrLösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I
Uiversität des Saarlades Fakultät für Mathematik ud Iformatik Witersemester 2003/04 Prof. Dr. Joachim Weickert Dr. Marti Welk Dr. Berhard Burgeth Lösuge der Aufgabe zur Vorbereitug auf die Klausur Mathematik
MehrStatistik I/Empirie I
Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass
Mehr