Kapitel 10 VERTEILUNGEN
|
|
- Elvira Schneider
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 0 VERTEILUNGEN Fassug vo 3. Februar 2006 Prof. Dr. C. Porteier Prof. Dr. W. Groes Matheati für Huabiologe ud Biologe 39
2 0. Zufallsvariable 0. Zufallsvariable Häu g wird statt des Ergebisses! 2 eies Zufalls-Experiets eie zugeordete Zahl X (!) 2 R agegebe, z.b. sei ud für! 2 : Stichproberau eier Persoegruppe X (!) : Alter oder Körpergröße. BEISPIEL Wir betrachte ochals das uabhägiges Dreistufe-Experiet aus Beispiel Auf de Stichproberau = f+ + +; + + ; + +; + ; + +; + ; +; g de iert a für! 2 X (!) := falls Rh -al auftritt. Diese Futio erzeugt eie Eiteilug vo i 4 Klasse fx = g := f! 2 j X (!) = g, für = 0; ; 2; 3, älich die Ereigisse, dass Rh Die Wahrscheilicheite gerade -al auftritt. P (X = ) := P (fx = g) sid für = 3 ud = 2 scho berechet. Für = erhält a ud isgesat P (X = ) = P (+ + ) + P (+ +) + P ( + +) = 3 (0:85) 2 0:5 ' 0:325, P (X = ) 0:64 0:325 0:057 0:003. Diese Zahle a a auch i eie Histogra (oder Balediagra ) veraschauliche. DEFINITION Futio Sei ei Wahrscheilicheitsrau it Wahrscheilicheitsfutio P. Eie heißt Zufallsvariable. Die Futio X :! R :! 7! X (!) P X : X ()! R : x 7! P X (x) := P (X = x) := P (fx = xg), 40 VERTEILUNGEN Prof. Dr. C. Porteier Prof. Dr. W. Groes
3 Zufallsvariable 0. wobei fx = xg := f! 2 j X (!) = xg, heißt Verteilug vo X. Die Zahl P (X = x) ist die Wahrscheilicheit, daßx de Wert x ait. BEMERKUNG Bei viele Berechuge wird ur die Verteilug vo X ud icht die Wahrscheilicheite auf beötigt. BEMERKUNG 2 Die Mege X (!) ist it der Verteilug P X wieder ei Wahrscheilicheitsrau. Für die Teilege fx ; : : : ; x g X (!) gilt! [ X X P X (fx ; : : : ; x g) = P X fx j g = P X (x j ) = P (X = x j ), j= j= j= da für 6= l die Teilege fx g ud fx l g disjut sid. Prof. Dr. C. Porteier Prof. Dr. W. Groes VERTEILUNGEN 4
4 0.2 Erwartugswert ud Variaz 0.2 Erwartugswert ud Variaz DEFINITION Sei X eie Zufallsvariable auf de Wahrscheilicheitsrau it der Verteilug P X ud de Werte x ; x 2 ; ; x. Ma de iert ud Die Zahle p j := P X (x j ) = P (X = x j ) für j = ; 2; : : : ;. := E (X) := V ar (X) := X p j x j, j= X p j (x j ) 2 j= (X) := p V ar (X) heiße Erwartugswert, Variaz ud Stadard-Abweichug vo X. Nit die Zufallsvariable uedlich viele Werte a, so werde diese Größe etspreched durch uedliche Reihe de iert. Diese Zahle a a folgederaße iterpretiere : Der Erwartugswert gibt de Mittelwert der Werte vo X bei häu ger Wiederholug des Experiets. Die Variaz oder die Stadard-Abweichug ist ei Maßfür die Streuug u de Erwartugswert. BEISPIEL Wir betrachte ochals das uabhägige Dreistufe-Experiet i Beispiel 0.. Es gilt E (X) = 0: : : :003 3 = 0:449 ' 0:45. Die exate Rechug ergibt it p = 0:5 ud q = 0:85 E (X) = q q 2 p + 3 q p p 3 3 = = 3 p(q 2 + 2pq + q 2 ) = 3 p(q + p) 2 = Für die Variaz erhält a = 3 p = 0:45. V ar (X) = = 0:64 (0 0:45) 2 + 0:326 ( 0:45) 2 + 0:057 (2 0:45) 2 + 0:003 (3 0:45) 2 ' ' 0:38, ud ählich wie obe die exate Forel V ar (X) = 3pq = 0; VERTEILUNGEN Prof. Dr. C. Porteier Prof. Dr. W. Groes
5 Erwartugswert ud Variaz 0.2 Viele Zufallsvariable habe als Verteilug eie vo vier Stadard-Verteiluge : Gleich-, Bioial-, Poisso-, Noral-Verteilug. Beispiele zur Gleichverteilug de sich i de Beispiele 9.2. ud 9.2.3, die übrige Verteiluge werde i de ächste Abschitte behadelt. Prof. Dr. C. Porteier Prof. Dr. W. Groes VERTEILUNGEN 43
6 0.3 Bioial-Verteilug 0.3 Bioial-Verteilug DEFINITION Ei uabhägiges -Stufe-Experiet, bei de i jeder Stufe der gleiche Wahrscheilicheitsrau = A; A auftritt, heißt ei -stu ges Beroulli-Experiet. Der Stichproberau wird it bezeichet. Er besitzt 2 Eleete. Jedes Eleet! 2 ist ei Wort der Läge it de Buchstabe A ud A, das a i Baudiagra als Zweig darstelle a. Mit p := P (A) ud q := P A ( = p ) werde die eleetare Wahrscheilicheite bezeichet, ud it X die Zufallsvariable auf, die das Auftrete vo A i! zählt, d.h. X (!) = falls A i! -al auftritt. DEFINITION 2 Die Verteilug b ;p : f0; ; 2; : : : ; g! R : 7! b ;p () := P (X = ) heißt die Bioial-Verteilug. SATZ Für die Bioialverteilug gilt b ;p () = p q. Ist Y eie Zufallsvariable it Werte i f0; ; 2; : : : ; g, die bioialverteilt ist, so gilt E (Y ) = p ud V ar (Y ) = p q = p ( p). Ma vergleiche dazu die Berechuge i Beispiel 0.2. BEISPIEL Eie Bevölerugsgruppe habe zu 3 % die Erbalage E. Es werde 00 Persoe zufällig gewählt. Wie großist die Wahrscheilicheit, daßgeau 2 Persoe die Erbalage E habe? Es gilt ud p = 0:03 ; q = 0:97 00 P (X = 2) = b 00;0:03 (2) = 0:03 2 0:97 98 ' 0: Wie großist die Wahrscheilicheit, daßidestes 2 Persoe die Erbalage E habe? Ma betrachte das Gegeereigis fx < 2g : Es gilt also P (X < 2) = P (X = 0) + P (X = ) = = 0:03 0 0: :03 0:97 99 ' 0:95, 0 P (X > 2) = P (X < 2) ' 0: VERTEILUNGEN Prof. Dr. C. Porteier Prof. Dr. W. Groes
7 Bioial-Verteilug 0.3 Der Erwartugswert vo X ist E (X) = 00 0:03 = 3, d.h. i Mittel gibt es 3 Persoe, die die Erbalage E habe, we a ehrals eie Stichprobe vo 00 Persoe auswählt = 00 ud p = 0: = 00 ud p = 0: Prof. Dr. C. Porteier Prof. Dr. W. Groes VERTEILUNGEN 45
8 0.4 Poisso-Verteilug 0.4 Poisso-Verteilug BEISPIEL Ei radioatives Präparat sedet -Teilche (Heliuioe) aus ud wir wähle eie feste ud geügeg große Beobachtugszeit, die als Eiheit diee soll. Sei die ittlere Azahl gesedeter -Teilche pro Eiheit ud für 2 N sei das Eiheitsitervall [0; ] i Teilitervalle der Läge uterteilt. Ist viel größer als ( ), so öe wir aehe, daßi jede dieser Itervalle höchstes ei -Teilche gesedet wurde. Da es solche Itervalle gibt, i dee geau ei -Teilche gesedet wurde, ist die Wahrscheilicheit, daßi eie Zeititervall der Läge ei Teilche ausgesadt wird, gleich. Da diese -Teilche voeiader uabhägig ausgesadt werde, lässt sich deach das Aussede vo -Teilche i Eiheitsitervall [0; ] approxiativ als -stu ges Beroulli- Experiet iterpretiere. Die Wahrscheilicheit, daß Teilche i Eiheitsitervall [0; ] ausgesadt werde, ist soit ach Satz 0.3 approxiativ durch P (X = ) ' b ;p () = gegebe, ud zwar uso geauer, je größer 2 N wird. Da =! =! : : : ud li! = e gilt dait die vo D. Poisso staede Aussage : li! b ; () =! li! li! ( + ) : : : ( ) = : : : = =! e. () DEFINITION Die Verteilug heißt Poisso-Verteilug. N! R : 7! p () :=! e I obige Beispiel erhält a z.b. für = 0 P (X = 6) = p 0 (6) = 06 6! e 0 = 0: : : : ' 6:3% 46 VERTEILUNGEN Prof. Dr. C. Porteier Prof. Dr. W. Groes
9 Poisso-Verteilug 0.4 ud P (X = 0) = p 0 (0) = 00 0! e 0 ' 2:5% = = 0 SATZ so gilt Ist Y eie Zufallsvariable it Werte i N, die poissoverteilt ist, d.h. P (Y = ) = p () für alle 2 N. E (Y ) = ud V ar (Y ) =. Prof. Dr. C. Porteier Prof. Dr. W. Groes VERTEILUNGEN 47
10 0.4 Poisso-Verteilug BEMERKUNG Mit deselbe Überleguge wie i de Eigagsbeispiel erhält a, dass auch zufällig auf eier Fläche verteilte Partiel z.b. vo Wid verteilte Saeörer oder Blutörperche auf eie Objetträger poissoverteilt sid. BEISPIEL 2 Bei zufällig auf eier Fläche verteilte Partiel soll die Wahrscheilicheit berechet werde, dass auf eie Eiheitsquadrat Q idestes ei Partiel liegt. Statt P (X > ) ist es hier wesetlich güstiger, das Gegeereigis P (X < ) zu betrachte, a erhält dait P (X > ) = P (X < ) = P (X = 0) = 0 = 0! e = e. U zu erittel, uss ei Durchschittswert durch Auszähle aller Partiel auf eier größere Fläche berechet werde. Für = erhält a da z.b. P (X > ) = e ' 0:63. Ugefähr 63% aller Quadrate it derselbe Fläche wie Q ethalte zuidest eie Partiel. BEMERKUNG 2 Für die obige Forel () gilt folgede präzisere Aussage X jb ;p () p p ()j 6 2 p 2. =0 Ist 2 p 2 (z.b. = 00 ud p = 2% = 0:02, also 2 p 2 = 200 0:02 2 = 0:08 ), so a i sehr guter Näherug die Bioial-Verteilug b ;p () durch die Poisso-Verteilug p p () ersetzt werde. Letztere ist wesetlich eifacher zu bereche. 48 VERTEILUNGEN Prof. Dr. C. Porteier Prof. Dr. W. Groes
Kapitel 11 DIE NORMAL-VERTEILUNG
Kapitel DIE NORMAL-VERTEILUNG Fassug vom 7. Februar 006 Prof. Dr. C. Porteier Mathematik für Humabiologe ud Biologe 49 . De itio der Normal-Verteilug. De itio der Normal-Verteilug Bisher habe wir ur diskret
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
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
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
MehrVerteilungsfunktionen
Verteilugsfuktioe Wie sid zufällige Fehler verteilt? Wie sid Messwerte verteilt? Fehler Messwerte Verteilugsfuktioe: Maxwell-Boltza Feri-Dirac Bose-Eistei Placksche Verteilug Frage ist stets, wie groß
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
MehrAngStat1(Ue13-21).doc 23
3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also
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
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
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
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrBernoulli-Experiment und Binomialverteilung
IV Beroulli-Exerimet ud Biomialverteilug Beroulli-Exerimet ud Beroulliette Defiitio: Zufallsexerimete, bei dee ma sich ur für das Eitrete ( Treffer, Symbol ) oder das Nichteitrete ( Niete, Symbol 0 ) eies
MehrGrundlagen der Biostatistik und Informatik
Vergleich vo mehrere Stichprobe Grudlage der Biostatisti ud Iformati Hypotheseprüfuge III., Nichtparametrische Methode dr László Smeller Semmelweis Uiversität 0 Vergleich vo mehrere Stichprobe Boferroi
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
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
MehrZweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse
Ziel Überprüfug der Gleichheit der Erwartugswerte eies Merals i Utergruppe, die vo zwei Fatore erzeugt werde Fator A i a Stufe Fator B i b Stufe Ist jede Stufe vo Fator A it jeder vo Fator B obiiert, spricht
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
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
MehrUmrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung
.3. Prozetuale Häufigkeitsverteilug (HV) Die prozetuale Häufigkeitsverteilug erlaubt de Vergleich vo Auswertuge, dee uterschiedliche Stichprobegröße zugrude liege. Es köe auch uterschiedliche Stichprobegröße
Mehr( ) 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
MehrÜbungsaufgaben. Häufige Fehler: Banale Rechenfehler. Signifikante Stellen falsch. Unsaubere Arbeitsweise. Einheiten vergessen, Pi ist KEINE Einheit
Übugsaufgabe Häufige Fehler: Baale Rechefehler Sigifikate Stelle falsch Eiheite vergesse, Pi ist KEINE Eiheit Usaubere Arbeitsweise Rudugsfehler Eiheite falsch ugerechet T. Kießlig: Auswertug vo Messuge
MehrDie natürlichen, ganzen und rationalen Zahlen
ie atürliche, gaze ud ratioale Zahle Ihaltsverzeichis.1 ieatürlichezahle... 11. iegazezahle... 15.3 ieratioalezahle... 15.4 Aufgabe... 17 ie Zahleege N, Z, Q ud R der atürliche, gaze, ratioale ud reelle
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
MehrKapitel 2: Laplacesche Wahrscheinlichkeitsräume
- 12 - (Kapitel 2 : Laplacesche Wahrscheilicheitsräume) Kapitel 2: Laplacesche Wahrscheilicheitsräume Wie beim uverfälschte Müzewurf ud beim uverfälschte Würfel spiele Symmetrieüberleguge, die jedem Elemetarereigis
MehrProf. S. Krauter Kombinatorik. WS Blatt07.doc. (Quelle: M. Aigner; Diskrete Mathematik. Vieweg 1993.)
Prof. S. Krauter Kobiatorik. WS-05-06. Blatt07.doc (Quelle: M. Aiger; Diskrete Matheatik. Vieweg 1993.) 1. a) Bereche Sie i Pascal sche Zahledreieck die Sue der Bioialkoeffiziete lägs eier Diagoale, also
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:
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
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 ; : :
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
Mehr2. Verteilung der Primzahlen. Bertrands Postulat
O Forster: Prizahle 2 Verteilug der Prizahle Bertrads Postulat 21 Satz (Euklid Es gibt uedlich viele Prizahle Beweis Wir zeige, dass es zu jeder edliche Mege 1, 2,, vo Prizahle ier och eie weitere Prizahl
MehrÜbungsaufgaben. Häufige Fehler: Banale Rechenfehler. Unsaubere Arbeitsweise. Signifikante Stellen falsch. Einheiten vergessen.
Übugsaufgabe Häufige Fehler: Baale Rechefehler Sigifikate Stelle falsch Eiheite vergesse Usaubere Arbeitsweise Rudugsfehler Eiheite falsch ugerechet T. Kießlig: Auswertug vo Messuge ud Fehlerrechug - Verteilugsfuktioe
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
MehrZentraler Grenzwert Satz
Zetraler Grezwert Satz Aufgabe Aufgabe 1 Um ihr Studium zu fiaziere jobbe Sie ebebei als Iterviewer ud befrage bei eier ihrer Missioe zufällig Wahlberechtigte um das Wahlergebis eier bestimmte Partei vorherzusage.
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
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
MehrStatistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S
Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
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
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
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
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukture Prof. Dr. J. Esparza Lehrstuhl für Grudlage der Softwarezuverlässigkeit ud theoretische Iforatik Fakultät für Iforatik Techische Uiversität Müche http://www7.i.tu.de/u/courses/ds/ws0910
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
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
MehrFundamentale Prinzipien der Kombinatorik und elementare Abzählkoeffizienten Wolfram Koepf
Fudametale Prizipie der Kombiatori ud elemetare Abzähloeffiziete Wolfram Koepf Die abzählede Kombiatori beschäftigt sich vor allem mit der Auswahl eier Teilmege, die ma häufig eie Stichprobe et (aus Wahrscheilicheitsrechug
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
MehrKleines Matrix-ABC. Fachgebiet Regelungstechnik Leiter: Prof. Dr.-Ing. Johann Reger. 1 Elementares
4 6 Fachgebiet Regelugstechik Leiter: Prof. Dr.-Ig. Joha Reger Kleies Matrix-ABC 1 Eleetares Eie ( )-Matrix ist eie rechteckige Aordug vo reelle oder koplexe Zahle a ij (auch Skalare geat) ud besteht aus
MehrÜbungsaufgaben II. Übungsaufgaben II. f) Wie groß ist die Wahrscheinlichkeit, dass er mindestens 1 richtige Antworten. ankreuzt?
Berufsolleg Marieschule Lippstadt Schuljahr /7 Kurs: Mathemati AHR. Berufsolleg Marieschule Lippstadt Schuljahr /7 Kurs: Mathemati AHR. Aufgabe Ei Multiple-Choise-Test besteht aus Frage für die jeweils
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:
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
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
MehrKapitel Markov-Modelle mit unendlicher Population
Kapitel 3 3.2 Markov-Modelle it uedlicher Populatio Das M/M/ Modell Dabei hadelt es sich u ei Syste it gleichartige Server. Bei > Bedieer ist die Zeit bis zur ächste Akuft bzw. de ächste Abgag wieder expoetiell
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger IDUKTIVE STTISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUG - LÖSUGE erutatioe. zahl der erutatioe vo verschiedefarbige erle!! 0. zahl der erutatioe vo 0 uerierte Kugel! 0!.8.800
MehrEreignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)
Kapitel 10 Statistik 10.1 Wahrscheilichkeit Das Ergebis eier Messug oder Beobachtug wird Ereigis geat. Ereigisse werde mit de Buchstabe A, B,...bezeichet. Die Messug eier kotiuierliche Variable x gibt
MehrÜbungen zu QM III Mindeststichprobenumfang
Techische Hochschule Köl Fakultät für Wirtschafts- ud Rechtswisseschafte Prof. Dr. Arreberg Raum 221, Tel. 39 14 jutta.arreberg@th-koel.de Übuge zu QM III Mideststichprobeumfag Aufgabe 12.1 Sie arbeite
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Ihaltsverzeichis 1 Vorbemerkuge 1 Zufallsexperimete - grudlegede Begriffe ud Eigeschafte 3 Wahrscheilichkeitsaxiome 4 4 Laplace-Experimete 6 5 Hilfsmittel aus der Kombiatorik 7 6 Bedigte Wahrscheilichkeite
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
MehrDemo für www.mathe-cd.de
Wahrscheilichkeitsrechug Hypergeometrische Verteilug Themeheft ud Traiigsheft Datei r. 4211 Stad 17. April 2010 Friedrich W. Buckel Demo für ITERETBIBLIOTHEK FÜR SCHULMATHEMATIK 4211 Hypergeometrische
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrParameterschätzung. Numero, pondere et mensura Deus omnia condidit
Parameterschätzug Numero, podere et mesura Deus omia codidit Populatio, Zufallsvariable, Stichprobe Populatio Zufallsvariable X Stichprobe x eie"realisierug vo X (Beobachtug) alle mäliche Rekrute der US
Mehrs xy x i x y i y s xy = 1 n i=1 y 2 i=1 x 2 s 1 n x n i Streudiagramme empirische Kovarianz x=5,5 y=7,5
Streudiagramme für metrisch skalierte Variable paarweise Messwerte (x,y) x 5 7 y 7 5 7 5 5 7 Aussage zu Zusammehäge. empirische Kovariaz Stadardabweichug der WertPAARE x i x y Wert x Mittelwert aller x
MehrSind Sie mit unserem Angebot zufrieden? ja nein weiß nicht
STATISTIK Eiführug Statistik kommt vom italieische Wort statistica, was so viel wie Staatsma bedeutet. Früher verwedete ma de Begriff ur für eie Auswertug vo Date (Klima, Bevölkerug, Bräuche,...) eies
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
MehrKombinatorik. Systematisches Abzählen und Anordnen einer endlichen Menge von Objekten unter Beachtung vorgegebener Regeln.
Systematisches Abzähle ud Aorde eier edliche Mege vo Objekte uter Beachtug vorgegebeer Regel Permutatioe Variatioe Kombiatioe Permutatioe: Eie eieideutige (bijektive) Abbildug eier edliche Mege i sich
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
MehrK. Felten: Internet Network infrastucture Fachhochschule Kiel, Fachbereich IuE
Defiitio ach DIN4004 Als Zuverlässigkeit ( reliability ) gilt die Fähigkeit eier Betrachtugseiheit ierhalb vorgegebeer Greze dejeige durch de Awedugszweck bedigte Aforderuge zu geüge, die a das Verhalte
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
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
Mehr1 Randomisierte Bestimmung des Medians
Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser
MehrPflichtlektüre: Kapitel 10 Grundlagen der Inferenzstatistik
Pflichtlektüre: Kapitel 10 Grudlage der Iferezstatistik Überblick der Begriffe Populatio Iferezstatistik Populatiosparameter Stichprobeverteiluge Auch Stichprobekewerteverteiluge Wahrscheilichkeitstheorie
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
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrSchätzung der Kovarianzmatrix
Schätzug der Kovariazmatrix Aus eiem Esemble vo Beobachtuge {x i } ka die Kovariazmatrix (Zetralmomete) geschätzt werde: C = E{( x µ )( x µ ) } = R µ µ xx x x xx x x ˆ 1 C ˆ ˆ xx = xk µ x xk µ x k = 1
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1
D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)
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
MehrTeil II Zählstatistik
Teil II Zählstatistik. Aufgabestellug. Vergleiche Sie experimetelle Zählverteiluge mit statistische Modelle (POISSON-Verteilug ud Normalverteilug) 2. Theoretische Grudlage Stichworte zur Vorbereitug: Impulszahl,
MehrKapitel IV: Unendliche Reihen
Igeieurmathemati I WS 13/14 - Prof. Dr.. Mafred Leitz Kapitel IV: Uedliche Reihe 11: Uedliche Zahlereihe Kapitel IV: Uedliche Reihe 11 Uedliche Zahlereihe A Zum Begriff uedliche Zahlereihe B Uedliche Reihe
Mehr10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
Mehrh a 2 b 1 h a1 b 2 h a1 b 1 h a1. h a 2. h.b1 h ij h 11 h 12 h 21 a b h. j h 1. h 2. h.1 a b h i. =h i1 h i2... h i m h. j =h 1j h 2j... h k j h.
Kotigeztabelle / Kreuztabelle für 2 diskrete /omialskalierte Variable ethält: 1. absolute gemeisame Häufigkeite h 11 h 12 h 21 für Kombiatioe vo zwei Merkmale / Variable a b steht also für mit jeweils
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
MehrEigenschaften von Texten
Worthäufigkeite Eigeschafte vo Texte Eiige Wörter sid sehr gebräuchlich. 2 der häufigste Wörter (z.b. the, of ) köe ca. 0 % der Wortvorkomme ausmache. Die meiste Wörter sid sehr selte. Die Hälfte der Wörter
MehrStreuungsmaße. Prof. Dr. Paul Reuber. Institut für Geographie. Seminar Methoden der empirischen Humangeographie
Streuugsmaße Istitut für Geographie Streuugswerte (Streuugsmaße) Die Diskussio um die Mittelwerte hat die Vorteile dieser statistische Kewerte gezeigt, aber bereits, isbesodere beim arithmetische Mittel,
MehrÜbungen mit dem Applet erwartungstreu
Übuge mit dem Applet erwartugstreu Visualisierug vo erwartugstreu Begriffe ud statischer Hitergrud. Visualisieruge mit dem Applet..3. Zufallsstreuug der Eizelwerte...3. Mittelwerte 3.3 Variaz. 4.4 Variaz
MehrR. Brinkmann Seite
R. Brikma http://brikma-du.de Seite 1.0.014 Lösuge zur Biomialverteilug I Ergebisse: E1 E E E4 E E E7 Ergebis Ei Beroulli-Experimet ist ei Zufallsexperimet, das ur zwei Ergebisse hat. Die Ergebisse werde
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
MehrLösungsskizzen Mathematik für Informatiker 6. Aufl. Kapitel 4 Peter Hartmann
Lösugssizze Mathemati für Iformatier 6. Aufl. Kapitel 4 Peter Hartma Verstädisfrage 1. We Sie die Berechug des Biomialoeffiziete mit Hilfe vo Satz 4.5 i eiem Programm durchführe wolle stoße Sie schell
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF. DR. ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seiar für Theoretische Wirtschaftslehre Vorlesugsprogra 14.05.2013 Streuugsaße 1. Norierte Etropie 2. Spaweite, Quartilsabstad,
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrKapitel XI - Korrelationsrechnung
Istitut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökoometrie ud Statistik Kapitel XI - Korrelatiosrechug Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Seska Carlo Siebeschuh Aufgabe der Korrelatiosrechug
MehrEvaluation & Forschungsstrategien
Evaluatio & Forschugsstrategie WS2/2 Prof. Dr. G. Meihardt Johaes Guteberg Uiversität Maiz Prizipie des statistische Schliesses Samplig - Modellvorstellug Populatio Samplig Stichprobe Kewerte x Theoretische
Mehr24 Konvergente Teilfolgen und Cauchy-Kriterium
120 IV. Uedliche Reihe ud Taylor-Formel 24 Kovergete Teilfolge ud Cauchy-Kriterium Lerziele: Kozepte: Teilfolge, Häufugswerte, Limes superior ud iferior, Cauchy-Folge Resultate: Satz vo Bolzao-Weierstraß,
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
Mehr