1. Grundbegri e der Stochastik
|
|
- Hildegard Hauer
- vor 6 Jahren
- Abrufe
Transkript
1 Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis, ; das unmögliche Ereignis. B Operationen mit Ereignissen A; B; A ; A ; : : : A [ B Ereignis A oder B tritt ein A \ B Ereignisse A und B treten ein AnB Ereignis A tritt ein, nicht aber B S n i= A i = A [ A [ : : : [ A n mindestens eines der Ereignisse A i tritt ein T n i= A i = A \ A \ : : : \ A n alle A i treten ein na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt. A \ B = ; bedeutet, dass die Ereignisse A und B unvereinbar sind. Axiome nach Kolmogorov: P (A) heißt Wahrscheinlichkeit des zufälligen Ereignisses, falls () für alle Ereignisse A gilt: 0 P (A). Wahrscheinlichkeiten liegen zwischen 0 und. () P () = : (3) Für unvereinbare Ereignisse A ; A ; : : : ; A n, d.h. A i \ A j = ; für i 6= j, gilt: P! n[ A i = i= P (A i ). i= Dies gilt auch für unendlich viele Ereignisse n =. B Daraus lassen sich weitere Formeln ableiten: (4) P (;) = 0 (5) Falls A \ B = ; erfüllt ist, =) P (A [ B) = P (A) + P (B) (6) P ( A) = P (A) (7) P (A [ B) = P (A) + P (B) P (A \ B) = P (A \ B) + P ( A \ B) + P (A \ B)
2 (8) P (A) = P (A \ B) + P (A \ B) B Vierfeldertafel: B B A P (A \ B) P (A \ B) P (A) A P ( A \ B) P ( A \ B) P ( A) P (B) P ( B) Zeilensummen bzw. Spaltensummen nach (8), unterste Zeile und letzte Spalte nach (6) Definition: Es seien A; B Ereignisse mit P (B) > 0. Dann heißt P (A j B) = P (A \ B) P (B) die bedingte Wahrscheinlichkeit von A unter der Bedingung B. Definition: Die Ereignisse A und B heißen unabhängig, wenn P (A \ B) = P (A)P (B): B A und B sind genau dann unabhängig, wenn P (A j B) = P (A): Die Bayessche Formel Gegeben seien Ereignisse A; B; P (A) > 0; P (B) > 0. Formel der totalen Wahrscheinlichkeit P (A) = P (A j B) P (B) + P (A j B) P ( B) P (B j A) = P (A j B)P (B) P (A) B Gegeben seien Ereignisse A; B ; : : : ; B n, P (A) > 0; P (B i ) > 0. Die B i bilden ein vollständiges System von Ereignissen: = S n i= B i, B i \ B j = ; für i 6= j, d.h. die B i sind unvereinbar und schöpfen alle Möglichkeiten in aus. Das bedeutet, dass immer genau ein B i eintritt.
3 Formel der totalen Wahrscheinlichkeit P (A) = P (A j B i )P (B i ) i= Bayessche Formel P (B i j A) = P (A j B i)p (B i ) P (A) = P (A j B i)p (B i ) P (A j B j )P (B j ) j= 3
4 . Zufallsgrößen Diskrete Zufallsgrößen Verteilungstabelle: Wert x x : : : x r Wahrscheinlichkeit p p p r evtl. unendlich viele Werte p i = P (X = x i ) Bedingungen: 0 < p i < ; rx p i = i= Diskrete Verteilungen Verteilung Parameter Einzelwktn. Gleichverteilung n N (i = : : : n) n Poisson-Verteilung > 0 Binomialverteilung n N; p (0; ) p i i i! e (i = 0; ; : : :) n i p i ( p) n i (i = 0; : : : ; n) Verteilung Erwartungs- Varianz wert E(X) n+ Gleichverteilung Poisson-Verteilung Var(X) n Binomialverteilung np np( p) Kenngrößen diskreter Verteilungen Erwartungswert: Varianz (Streuung): E (X) = rx x i p i i= Var (X) = rx (x i E (X)) p i = i= rx x i p i (E (X)) i= Standardabweichung: (X) = p Var (X) 4
5 Stetige Zufallsgrößen B Verteilungsfunktion: F (x) = P (X x) Eigenschaften der Verteilungsfunktion einer stetigen Zufallsgröße: (a) lim F (x) = 0; lim F (x) = x! x! (b) F ist monoton wachsend, d.h. F (x) F (y) für x < y. (c) F ist stetig, d.h. lim F (x) = F (x 0 ) für alle x 0 : x!x 0 B Wahrscheinlichkeitsdichte (Dichtefunktion) der Zufallsgröße: f(x) = F 0 (x) =) P (a X b) = P (X a) = P (X b) = Z a Z b Z b a f(x) dx = F (b) f(x) dx = F (a) f(x) dx = F (b) F (a) Das Argument x, für das f(x) maximal wird, heißt Modalwert. B Eine Funktion f ist Dichte einer Zufallsgröße, falls ) f(x) 0, ) Z f(x) dx = Stetige Verteilungen Verteilung Parameter Dichtefunktion f(x) Gleichverteilung auf [a,b] a; b R; a < b (x [a; b]) b a Normalverteilung N (; ) R; (x ) > 0 p exp (x R) Exponentialverteil. Exp() > 0 e x (x > 0) Gammaverteilung p; > 0 p (p) xp e x= (x > 0) Weibullverteilung ; > 0 x e (x=) (x > 0) (n+)= t-verteilung ((n + )=) n N n Freiheitsgrade (n=) p + x (x R) n n exp(x) bedeutet e x ; Chiquadratverteilung n entspricht Gammaverteilung mit = ; p = n Normalverteilung N (0; ) ist die standardisierte Normalverteilung ist Verteilungsfunktion der standardisierten Normalverteilung!Tabelle 5
6 Verteilung Verteilungs- Erwartungswert Varianz funktion F (x) E(X) Var(X) x a a + b Gleichverteilung [a,b] b a x Normalverteilung Exponentialverteilung e x (b a) > 0 Gammaverteilung nicht explizit p p Weibullverteilung exp( (x=) ) n-verteilung nicht explizit n n t n -Verteilung nicht explizit 0 n n (p) ist Gammafunktion!Tabelle; (m) = (m )! für m N; ( ) = p ; () = ; ( 3 ) = p ; () = ; ( 5 ) = 3 4p B Wahrscheinlichkeiten der Normalverteilung: X N (; ) a P (X a) = b P (a X b) = Beachte: ( x) = (x) für alle x, (0) = 0:5 b ; P (X b) = a Satz: Ist X N (; ), dann Y = ax + b N (a + b; a ): ; ; Erwartungswert: E(X) = Varianz: Var(X) = Z Kenngrößen stetiger Verteilungen Z (x E(X)) f(x) dx = xf(x) dx Z x f(x) dx (E(X)) 6
7 Standardabweichung: s Z (X) = (x E(X)) f(x) dx Schiefe: (X) = R (x E(X))3 f(x) dx p (Var (X)) 3 (X) > 0 bedeutet rechtsschiefe Verteilung, Modalwert liegt i.a. links neben E(X) (X) < 0 bedeutet linksschiefe Verteilung, Modalwert liegt i.a. rechts neben E(X) (X) = 0 symmetrische Verteilung Schiefe spezieller Verteilungen: Normalverteilung N (; )! (X) = 0 Exponentialverteilung Exp()! (X) = Definition: Eine Zahl q heißt Quantil der Ordnung der stetigen Zufallsgröße X mit der Verteilungsfunktion F, falls F (q ) = Dies bedeutet: P (X q ) = Z q f(x) dx = Median: m = q 0:5 P (X m) = P (X > m) = 0:5 z() Quantil der Standardnormalverteilung N (0; ), t n () Quantil der t n -Verteilung, n() Quantil der n-verteilung Unabhängigkeit von Zufallsgrößen Definition: Zwei Zufallsgrößen X und Y heißen unabhängig, falls gilt: P (X A; Y B) = P (X A) P (Y B) für alle Mengen A; B R. für stetige Zufallsgrößen P (X x; Y y) = P (X x) P (Y y) 8x; y R für diskrete Zufallsgrößen P (X = i; Y = j) = P (X = i)p (Y = j) 8i; j N 7
8 Rechenregeln für Wahrscheinlichkeiten und Kenngrößen B Seien X; Y zwei Zufallsgrößen. Dann gilt für reelle Zahlen a; b: () E(X + Y ) = E(X) + E(Y ) () E(aX) = ae(x) (3) E(XY ) = E(X) E(Y ), falls X und Y unabhängig (4) Var(X) = E(X E(X)) = EX (EX) (5) Var(aX) = a Var(X) (6) Var(X + Y ) = Var(X) + Var(Y ), falls X und Y unabhängig (7) Var(X) = 0 () P (X = a) = für ein a: =) E(aX + b) = ae(x) + b Var(aX + b) = a Var(X) (a; b R) 3. Statistik - Punktschätzungen Stichprobe X ; : : : ; X n unabhängiger Zufallsgrößen X i hat Verteilungsfunktion F. E(X i ) = ; Var(X i ) = B Stichprobenmittel (Mittelwert) B Stichprobenvarianz S X = n i= X = n i= X i X i X = n! Xi i= Satz: Bei X i N (; ) besitzt X n eine N (; =n)-verteilung. Ist X i nicht normalverteilt, dann nähert sich asymptotisch (n! ) die Verteilung von X n einer N (; =n)-verteilung. Satz: X i N (; ) =) n S n besitzt eine n -Verteilung. Maximum-Likelihood-Schätzer zu bestimmen sind Schätzer für die Parameter ~ = ( ; : : : ; k ) einer beliebigen stetigen Verteilung mit Dichte f ~ (x), Parametermenge 8
9 Likelihoodfunktion: L(x ; : : : ; x n j ~ ) = f ~ (x )f ~ (x ) : : : f ~ (x n ) Definition: Wir nennen ^ einen Maximum-Likelihood-Schätzer für den Parameter ~, falls die Likelihood-Funktion für ^ maximal wird. Bestimmung der Schätzer: ) Logarithmieren von L ) L(X ; : : : ; X n j ^) = max ~ L(X ; : : : ; X n j i ln L(x ; : : : ; x n j ) = 0 8i = : : : k; Normalverteilung N (; ) Schätzer für spezielle Verteilungen ^ = X n = n i= X i ; ^ = S n = n (X i Xn ) i= Exponentialverteilung mit Parameter Poissonverteilung mit Parameter ^ = Xn = n i= X i ^ = X n = n i= X i Binomialverteilung mit Parameter p und vorgegebenem Parameter N ^p = nn i= X i 4. Kon denzbereiche Gegeben Stichprobe X ; X ; : : : ; X n unabhängiger Zufallsgrößen, Grundgesamtheit X X n Mittelwert, S n Stichprobenvarianz 9
10 Kon denzniveau " = Z n; X N (0; ), X und Z unabhängig. Die Zufallsgröße Y = X q Z n besitzt dann eine t-verteilung mit n Freiheitsgraden (n, Symbol: Y t n ). X N (; ) Kon denzintervall für den Erwartungswert bei bekannter Varianz J = X n z ( =) p ; Xn + z ( =) p n n P ( J) = Kon denzintervall für den Erwartungswert bei unbekannter Varianz J = X n t n ( =) S n p ; Xn + t n ( =) S n p n n P ( J) = Kon denzintervalle für die Varianz (n )Sn zweiseitig: J = n ( =) ; (n )Sn n (=) einseitig: J = 0; (n )Sn n () P ( J) = 5. Statistische Tests Stichprobe X ; X ; : : : ; X n unabhängiger Zufallsgrößen Verteilung mit Parameter, Parametermenge, 0
11 Nullhypothese H 0 : 0. H :, Teilmenge von n 0, heißt Alternativhypothese. B Schritte beim statistischen Test: ) Nullhypothese H 0, Alternativhypothese H, Voraussetzungen, Signi kanzniveau ) Auswahl des Tests, Berechnung der Testgröße T 3) Entscheidung zur Ablehnung/Nichtablehnung der Nullhypothese Wahrer Sachverhalt Entscheidung H 0 richtig und H falsch H 0 falsch und H richtig H 0 wird nicht richtige Fehler. Art abgelehnt, T = K Entscheidung H 0 wird abgelehnt Fehler. Art richtige T K Entscheidung K kritischer Bereich der Testgröße B Signi kanztest: P (T K ) für 0 Signi kanzniveau im Folgenden X N (; ). Tests für normalverteilte Grundgesamtheiten Gauß-Test bekannt, 0 vorgegeben Hypothese: a) H 0 : = 0, H : 6= 0 b) H 0 : 0, H : > 0 c) H 0 : 0, H : < 0 Testgröße: X T = n 0 p n Testentscheidung: H 0 wird also abgelehnt, falls: a) jt j > z( =); b) T > z( ), c) T < z( ): t-test unbekannt, 0 vorgegeben
12 Hypothese: a) H 0 : = 0, H : 6= 0 b) H 0 : 0, H : > 0 c) H 0 : 0, H : < 0 Testgröße: Testentscheidung: H 0 wird abgelehnt, falls: X T = n 0 p n S n a) jt j > t n ( =), b) T > t n ( ), c) T < t n ( ): Varianz-Test 0 vorgegeben Hypothese: a) H 0 : = 0, H : 6= 0 b) H 0 : 0, H : > 0 c) H 0 : 0, H : < 0 Testgröße: T = (n Testentscheidung: H 0 wird also abgelehnt, falls: ) S n 0 a) T > n ( =) oder T < n (=) b) T > n ( ), c) T < n (). Nun zwei Stichproben. Stichprobe: X ; X ; : : : ; X n, X i N ( X ; X ) Mittelwert X n, Stichprobenvarianz S X. Stichprobe: Y ; Y ; : : : ; Y m, Y i N ( Y ; Y ) Mittelwert Y m, Stichprobenvarianz S Y doppelter t-test X und Y unbekannt, X = Y Hypothese: a) H 0 : X = Y, H : X 6= Y b) H 0 : Y X, H : Y > X c) H 0 : Y X, H : Y < X Testgröße: mit S = T = r n m m + n Y m S Xn s (n )S X + (m )S Y n + m Testentscheidung: Die Hypothese H 0 wird abgelehnt, falls: a) jt j > t n+m ( =), b) T > t n+m ( ), c) T < t n+m ( ):
13 B Bei X 6= Y ist der sogenannte Welch-Test zu verwenden. Welch-Test X und Y unbekannt Hypothese: a) H 0 : X = Y, H : X 6= Y b) H 0 : Y X, H : Y > X c) H 0 : Y X, H : Y < X Testgröße: T = Y X q n S X + m S Y Testentscheidung: Die Hypothese H 0 wird abgelehnt, falls: a) jt j > t f ( =), b) T > t f ( ), c) T < t f ( ), Anzahl der Freiheitsgrade: F-Test f = Hypothese: H 0 : X = Y, H : X 6= Y Testgröße: n S X + m S Y n (n ) S4 X + m (m T = S X S Y ) S4 Y Testentscheidung: Die Hypothese H 0 wird abgelehnt, falls: T > F n ;m ( =) oder T < F m ;n ( =). 3
Zufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
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
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
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........................
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............
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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,
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
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
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
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
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
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
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
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
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrMögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter
Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter Was für Kenngrößen von Verteilungen kennst du? Ortsparameter (Arithmetisches Mittel, Median, MedMed,
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
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
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
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrZusammenfassung Stochastik I + II
Zusammenfassung Stochastik I + II Stephan Kuschel Vorlesung von Dr. Nagel Stochastik I: WS 007/08 Stochastik II: SS 008 zuletzt aktualisiert: 7. Juli 009 Da diese Zusammenfassung den Menschen, die sie
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
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.
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
MehrMesstechnik und Analytik
VE 2: Grundlagen der Wahrscheinlichkeitsberechnung und Statistik Zufällige Ereignisse Häufigkeit und Wahrscheinlichkeit Zufallsgrößen Grundgesamtheit Verteilungen Stichprobenparameter Klaus-Dieter Sommer
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
MehrGrundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler
Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler Von Professor Dr. Gert Heinrich 3., durchgesehene Auflage R.Oldenbourg Verlag München Wien T Inhaltsverzeichnis
MehrKapitel 1: Elemente der Statistik
1 Kapitel 1: Elemente der Statistik 1.1 Beispiel Ein Elektromarkt erhält eine Lieferung von N = 10000 Glühbirnen. Darunter ist eine unbekannte Anzahl h defekt, wobei h 0 1 = {0, 1,..., N}. Um Kenntnisse
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
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
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
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
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
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrStatistische Methoden für Bauingenieure WS 13/14. Einführungsbeispiel
Statistische Methoden für Bauingenieure WS 13/14 Einheit 2: Statistische Schätzverfahren Univ.Prof. Dr. Christian Bucher Einführungsbeispiel Wir wollen Beton mit einer vorgegebenen Festigkeitsklasse produzieren
Mehr6. Statistische Hypothesentests
6. Statistische Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von
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:
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrInhaltsverzeichnis. Teil I Einführung
Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
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
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
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
MehrI. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
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
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 =
MehrVertiefung der. Wirtschaftsmathematik. und Statistik (Teil Statistik)
Selbstkontrollarbeit 1 Vertiefung der Wirtschaftsmathematik und Statistik (Teil Statistik) 18. Januar 2011 Aufgaben Aufgabe 1 Gegeben sei eine binomialverteilte Zufallsvariablen X mit den Parametern N
MehrEinführung in die computergestützte Datenanalyse
Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL
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
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
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. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt
Mehr1.8 Kolmogorov-Smirnov-Test auf Normalverteilung
1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie
Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Martin Hutzenthaler & Dirk Metzler 11. Mai 2011 Inhaltsverzeichnis 1 Deterministische und zufällige
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/453
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/453 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrBiostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
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:
Mehr2. Zufallsvariable, Verteilungsfunktion, Erwartungswert,
2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, momentenerzeugende Funktion Ziel des Kapitels: Mathematische Präzisierung der Konzepte Zufallsvariable Verteilungsfunktion Dichtefunktion Erwartungswerte
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
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
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
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
MehrÜber den Autor 7 Über den Fachkorrektor 7. Einführung 19
Inhaltsverzeichnis Über den Autor 7 Über den Fachkorrektor 7 Einführung 19 Über dieses Buch 19 Törichte Annahmen über den Leser 20 Wie dieses Buch aufgebaut ist 20 Teil I: Ein paar statistische Grundlagen
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
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrÜbungen zur Stochastik, Blatt Nr. 1
Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. ) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. a) Schreiben Sie alle Elemente des Grundraums in Form einer Matrix auf. b) Wie
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrLösungen zu den Übungsaufgaben
Lösungen zu den Übungsaufgaben SS 004 Dr. H. Grunert Franzstraße 49, 06406 Bernburg Tel. 03471-66493, Fax 03471-66496 email: grunert @ mws-bbg.de Der Einfachheit halber werden alle Wahrscheinlichkeiten
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Mehr