7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
|
|
- Mathilde Bergmann
- vor 5 Jahren
- Abrufe
Transkript
1 7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e)
2 Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe 13 b), c) Aufgabe 14 a) Die Anzahl der gedruckten Seiten kann niemals exakt normalverteilt sein, weil es keine negativen Seitenzahlen gibt. (Der Wertebereich der Normalverteilung geht von - bis +, auch wenn die Wahrscheinlichkeiten an den Rändern der Verteilung jeweils sehr gering sind). b) Aus der Stichprobentheorie folgt, dass das Stichprobenmittel x = 1 N X i i eine erwartungstreue Schätzung von E(X) = μ ist, denn es gilt: E(X ) = μ. Ebenso gilt für die Stichprobenvarianz S mit S = 1 N 1 (X i X ) i dass S eine erwartungstreue Schätzung von σ ist (wegen E(S ) = σ ). Zur Lösung der Aufgabe werden diese beiden Schätzfunktionen benutzt und alle gegebenen Werte X i eingesetzt. x = 1 N X i i = 1 ( ) 6 = =
3 Der Schätzwert des Erwartungswertes beträgt Für die Schätzung der Stichprobenvarianz muss formal zuerst x aus den Stichprobendaten geschätzt werden. Da dies bereits im ersten Teil der Aufgabe getan wurde, kann x in folgende Formel eingesetzt werden: S = 1 N 1 (X i X ) i S = [( ) + ( ) + ( ) ( ) ] = = Der Schätzwert der Varianz ergab S = c) Hierfür muss die richtige Formel für das Konfidenzintervall des Erwartungswertes μ aufgeschrieben werden. Da die Varianz der Grundgesamtheit unbekannt ist (sie musste ja gerade geschätzt werden) kommt dafür nur folgende Formel in Frage: P (X t 1,df s N μ t 1,df bzw. das genaue Intervall als: [X t 1,df s N ; X + t 1,df s N ] s N ) = 1 d) Nachdem in Teilaufgabe c) die Formel für das Konfidenzintervall angegeben werden musste, bekommt man nun die zusätzliche Information, dass das Konfidenzniveau 95% ist: Konfidenzniveau = 1 = 0,95 Und dass sich ihre Intervallschätzung auf die Stichprobe aus der Aufgabenstellung beziehen soll. Um das Konfidenzintervall zu bestimmen, werden die Werte der in Teilaufgabe c) genannten Formel eingesetzt. Gegeben: x = 3100 s = s = = 16,79 N = 6 1 = 0,95 = 0,05 df = N 1 = 5
4 Bestimmen Sie nun das Quantil der t-verteilung t 1,df aus der Verteilungstabelle. t 1,df = t 1 0,05,df=5 = t 1 0,05,df = t 0,975,df=5 =,571 [X t 1,df s N ; X + t 1,df s N ] = [3100,571 16,79 16,79 ; ,571 ] = [87,01; 337,99] 6 6 Das gesuchte 95% Konfidenzintervall beträgt [87,01; 337,99]. e) Mit einer Sicherheit von 95% überdeckt das Konfidenzintervall zwischen g u = 87,01 und g o = 337,99 Seiten den bekannten Parameter μ für den Anzahl der mit einem neuen Toner bedruckbaren Seiten. f) Formel der Länge des Intervalls für diese Schätzung: l = t 1,df s N In der Formal stehen genau 5 Parameter, die vor der Untersuchung nicht bestimmt sind:, df, t 1,df, s, N. - s die Realisierung einer Zufallsvariablen aufgrund der Stichprobenziehung (also zufällig) - t 1,df ist selbst nur von 1 und den Freiheitsgraden df abhängig. - df = N 1 (also von N abhängig) Die Länge des Schätzintervalls kann nur durch die Größe der Stichprobe N und das vorgegebene Konfidenzniveau beeinflusst werden. g) In diesem Fall müsste die andere Formal für das Konfidenzintervall des Erwartungswertes bei bekannter Varianz benutzt werden: P (X z 1 σ N μ X + z 1 σ N ) = 1 Nehmen wir einmal an, dass die nun bekannte Varianz σ wirklich den Wert von s hätte. Dann wird ersichtlich, dass sich für das Konfidenzintervall nur der Faktor t 1,df zu z 1 ändert, d. h. anstatt t 1,df =,576 müsste hier der Faktor dann z 1 = z 0,975 = 1,96 an dieser Stelle in die Formel eingesetzt werden. In die Formel des Konfidenzintervalls eingesetzt ergibt sich dann:
5 [3100 1,96 16,79 16,79 ; ,96 ] = [96,53; 373,47] 6 6 Man sieht, dass das Konfidenzintervall aufgrund des kleineren Faktors z 1 jeden Fall kleiner wird. h) Gesucht wird hier der notwendige Stichprobenumfang. Gesucht ist die Anzahl der Toner N, für die mit einer Sicherheitswahrscheinlichkeit von 90% der wahre Mittelwert der gedruckten Seiten um maximale 50 Seiten (Schätzfehler) abweicht, wenn zusätzlich bekannt ist, dass die wahre Standardabweichung 50 [Seiten] beträgt. Gegeben: 1 = 0,90 σ = 50 [Seiten] e = 50 [Seiten] Gesucht: N, sodass gilt: P( X μ e) = 1 Genau, dieses N bestimmt jedoch der notwendige Stichprobenumfang mit N σ z 1 e Bestimmen Sie z 1. 1 = 0,90 = 0,1 z 1 = z 0,1 1 = z 0,95 = 1,64 auf N 50 1,64 50 N 67,4 Da es nur ganzzahlige Stichprobenumfänge N gibt, muss an dieser Stelle N auf die nächste ganze Zahl aufgerundet werden: Es müssen 68 Toner verbraucht werden.
6 i) i) Y = Gesamtzahl der Seiten der 4 Diplomarbeiten Gegeben: 4 x i X i ~N(μ, σ) = N(80, 5) für alle i (jede Diplomarbeit ist näherungsweise normalverteilt mit μ = 80 und σ = 5) Da Y eine Linearkombination normalverteilter Zufallsgrößen ist, gilt: Y ist normalverteilt mit: 4 μ Y = μ i = μ 1 + μ + μ 3 + μ 4 = = 4 80 = 30 4 σ Y = σ i = = 4 5 = 900 Y~N(30; 900) = N(30; 30) ii) Gesucht: P(Y 350) P(Y 350) = 1 P(Y 350) = 1 Φ (Z = = 1 Φ(1) = 1 0,8413 = 0, ) 30 Nur mit einer Wahrscheinlichkeit von 15,87% müssen mindestens 350 Seiten gelesen werden. Aufgabe 15 a) Die Maximum-Likelihood-Schätzfunktion eines Parameters p ist genau die gemeinsame Wahrscheinlichkeitsfunktion der X i für eine konkrete Stichprobe x 1, x,..., x N, die für p den höchsten Wert der gemeinsamen Wahrscheinlichkeitsfunktion annimmt. Zu bestimmen ist also die gemeinsame Wahrscheinlichkeitsfunktion als Produkt der Wahrscheinlichkeiten der x i in Abhängigkeit vom Parameter p.
7 Für den allgemeinen Fall müssen sich deshalb formal eine Stichprobe von Umfang N definieren. In der Stichprobe soll a mal x 1, b mal x und c mal x 3 vertreten sein. Es gelten dann folgende Wahrscheinlichkeiten für die Verteilung (unter der Annahme der Unabhängigkeit der einzelnen Ereignisse X = x). a Anzahl der x 1 b Anzahl der x c Anzahl der x 3 a + b + c = N f(x = a) = (1 p) a f(x = b) = p b f(x = c) = p c Die Likelihhodfunktion als gemeinsame Wahrscheinlichkeitsverteilung einer vorliegenden Stichprobe ergibt sich dann zu: L(θ) = L(θ x 1, x,..., x N ) = f(x i θ) N L(p) = L(x 1, x,..., x N p) = f(x = a p) f(x = b p) f(x = c p) L(p) = (1 p) a p b p c Zu bestimmen ist nun das Maximum der Likelihoodfunktion. L(p) = (1 p) a p b p c logarithmieren ln(l(p)) = ln((1 p) a p b p c ) ln(l(p)) = a ln(1 p) + b ln(p) + c ln(p) ln(l(p)) = a ln(1 p) + (b + c) ln(p) Differenzieren nach p ln(l(p)) p = a b + c ( ) + 1 p p Ableitung Null setzen für Maximum 0 = a b + c ( ) + 1 p p Mit (1 p)p multiplizieren 0 = ap + (b + c)(1 p) 0 = ap + b + c pb pc 0 = p(a + b + c) + b + c p(a + b + c) = b + c
8 b + c p = (a + b + c) Auf die Kontrolle, ob die Nullstelle der 1. Ableitung wirklich ein Maximum darstellt (. Ableitung <0), soll hier verzichtet werden. Damit ist p Maximum- Likelihood-Schätzer von p. b) Gegeben: Stichprobe: x 3, x 3, x, x, x 3, x, x 1, x, x 3, x 3 Aufgrund der Stichprobe ergibt sich a = 1, b = 4, c = 5. Dieser Werte werden in die in Teilaufgabe a) berechnete Formel eingesetzt. p = b + c (a + b + c) = ( ) = 9 0 = 0,45 Für die vorliegende Stichprobe ergibt sich p = 0,45. Aufgabe 16 a) Zur Bestimmung des allgemeinen Maximum-Likelihood-Schätzwertes für eine Stichprobe vom Umfang N wird zunächst die Likelihoodfunktion bestimmt, indem man die einzelnen Wahrscheinlichkeiten der Stichprobe miteinander multipliziert: L(θ) = L(θ x 1, x,..., x N ) = f(x i θ) N L(λ) = f(x = x 1 ) f(x = x )... f(x = x N ) Z(λ) = (λ e λx 1) (λ e λx )... (λ e λx N) L(λ) = λ N e λ N x i Logarithmieren der Likelihoodfunktion: ln L(λ) = N ln λ λ x i N Maximieren: ln L(λ) = N 1 λ λ x i N = 0 λ = N N x i = 1 x
9 b) Für die Stichprobe ergibt sich somit: x = 0 λ = 1 x = 0,05 Aufgabe 17 a) Im vorliegenden Fall muss eine Hypothese bzgl. Des Erwartungswertes aufgestellt werden: Nullhypothese: H 0 μ = 50 [Liter] Da es keine spezifische Zusatzinformationen gibt, welche die Richtung der Alternativhypothese vorgibt, muss ein zweiseitiger Test durchgeführt werden. Die Alternativhypothese lautet deshalb: Alternativhypothese: H 1 μ 50 [Liter] b) x ist die Stichprobenfunktion des Erwartungswertes μ. x bedeutet: Der mittlere Wasserverbrauch der alten Waschmaschine [in Liter] bei einer Zufallsstichprobe von N = 10 Durchgängen x i ist der Wasserverbrauch [in Liter] im i-ten Durchgang X = 1 N X i i c) Unter der Annahme der Richtigkeit von H 0 ist x normalverteilt mit μ = 50 [Liter] und σ x = σ N = σ 10 Da σ unbekannt ist, muss es über die Stichprobenvarianz s geschätzt werden. d) Gesucht wird die Testfunktion für einen Test für den Erwartungswert, wobei zusätzlich zu berücksichtigen ist, dass σ unbekannt ist. Die Testfunktion lautet T = X μ 0 S N
10 und ist unter H 0 t-verteilt mit df = N 1 Freiheitsgraden. e) Der Ablehnungsbereich eines Testes wird über den kritischen Wert des Tests bestimmt. Bei einer t-verteilten Testgröße und zweiseitige Fragestellung ist dieser kritische Testwert t 1,df sowohl abhängig von der Irrtumswahrscheinlichkeit, als auch vom Stichprobenumfang (zur Berechnung der Freiheitsgrade). Aus der Aufgabenstellung ist die Irrtumswahrscheinlichkeit und die Stichprobengröße zu ermitteln, die beide vorgegeben sein müssen. N = 10 df = N 1 = 9 = 0,05 1 = 0,975 Bestimmung des kritischen Wertes t 1,df der t-verteilung mit Hilfe der oben berechneten Werte: t 1,df = t 0,975;9 =,6 Für den Ablehnbereich eines zweiseitigen Tests muss gelten: T > t krit Der Ablehnbereich bestimmt sich deshalb zu: [T < t 1,df oder T > t 1,df] [T <,6 oder T >,6] Während für den Nichtablehnbereich gilt: [,6 T,6] f) Gefordert wird die Berechnung der Testgröße für die vorliegende Stichprobe und die Überprüfung, ob der Testwert in den Ablehnbereich oder den Nichtablehnbereich der Nullhypothese bei gegebenem fällt. T = X μ 0 S N Gegeben: μ 0 = 50 [Liter] N = 10 Berechnung von X und S: X = 1 N X i i = 1 ( ) = 57 10
11 S = 1 (x N 1 i i x ) = [(55 57) + (69 57) (59 57) ] = = 10 9 Durch Einsetzen dieser Daten wird nun die Testgröße T bestimmt: T = X μ 0 S N = Es gilt T =,14 < t krit =, =,14 10 Da T=,14 im Nichtablehnbereich der Nullhypothese liegt, kann die Nullhypothese H 0 μ = 50 [Liter] für die vorliegende Stichprobe bei einem = 0,05 nicht abgelehnt werden. g) Es kann dabei der Fehler. Art begangen werden, d. h. die Nullhypothese wird nicht abgelehnt, obwohl der wahre Parameter nicht μ 0 = 50 beträgt. h) Hier müssen einseitige Testhypothesen formuliert werden, hier nicht nur angenommen wird, dass die Waschmaschine genau 64 Liter Wasser verbraucht, sondern 64 oder mehr Liter. Bei solch einer Fragestellung ändert sich dann der Ablehnbereich. H 0 μ μ 0 = 50 [Liter] H 1 μ > μ 0 = 50 [Liter] (rechtsseitiger Test, einseitiges Testproblem) Bestimmung von t krit : t krit = t 1,df = t 0,95;9 = 1,833 Ablehnbereich: [T > t 1,df = 1,833] Nichtablehnbereich: [T t 1,df = 1,833] T = X μ 0 S N = =,14 10 Da T=,14 im Ablehnbereich der Nullhypothese liegt, muss die Nullhypothese H 0 μ 50 [Liter] für die vorliegende Zufallsstichprobe bei einer vorgegebenen Irrtumswahrscheinlichkeit von = 0,05 abgelehnt werden. i) Bei dieser Testentscheidung (Ablehnung der Nullhypothese) kann der Fehler 1. Art aufgetreten sein, d. h. die Nullhypothese wurde abgelehnt, obwohl sie richtig
12 ist. Die Wahrscheinlichkeit, diesen Fehler zu begehen, entspricht etwa dem vorgegebenem = 0,05. j) Die Irrtumswahrscheinlichkeit von 5% gibt an, wie groß die Wahrscheinlichkeit ist, den Fehler 1. Art zu begehen. Mit dieser a priori gegebenen Irrtumswahrscheinlichkeit kann es passieren, dass die Nullhypothese: Der Durchschnittsverbrauch der alten Waschmaschine liegt bei höchstens 50 Litern abgelehnt wird, obwohl sie in der Grundgesamtheit (des Wasserverbrauches der alten Waschmaschine bei unabhängigen Durchgängen) wahr ist, d. h. der Durchschnittsverbrauch wirklich höchstens Liter beträgt und die vorliegende Stichprobe ein seltenes (unwahrscheinliches) Ereignis darstellt (was zum Ablehnen der Nullhypothese führte).
DWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
Mehr7. Übung. Einfache statistische Schätzverfahren. Aufgabe 1. Mögliche Parameter der Grundgesamtheit sind. a) S. c) N. d) n.
7. Übung Einfache statistische chätzverfahren Aufgabe 1 Mögliche Parameter der Grundgesamtheit sind a) b) σ c) N d) n e) μ Aufgabe 2 Eigenschaften guter chätzfunktionen sind: a) Konsistenz b) Konfidenz
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
Mehr1. Grundbegri e der Stochastik
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
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
MehrLösungen zum Aufgabenblatt 14
Lösungen zum Aufgabenblatt 14 61. Das Gewicht von Brötchen (gemessen in g) sei zufallsabhängig und werde durch eine normalverteilte Zufallsgröße X N(µ, 2 ) beschrieben, deren Varianz 2 = 49 g 2 bekannt
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrDWT 314/460 csusanne Albers
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schatzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schatzvariablen fur Parameter von Verteilungen. Sei ~X = (X 1 ; : : : ; X n ):
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
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
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
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
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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
MehrAufgabe (12 Punkte) Sei A A eine σ-algebra. (a) Man zeige: Ist X : Ω R A -messbar, dann ist X A-messbar. (b) Gilt die Umkehrung von (a)?
Am 5. Mai 2007 wurde zum dritten Mal eine stochastische Eingangsprüfung durchgeführt. Insgesamt konnten maximal 56 Punkte erreicht werden, zum Bestehen der Prüfung waren mindestens 26 Punkte notwendig.
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
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
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
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
MehrDr. H. Grunert Schließende Statistik Vorlesungscharts. Vorlesung 7. Schätzverfahren
Vorlesungscharts Vorlesung 7 Schätzverfahren Konstruktion von Konfidenzintervallen Konfidenzintervalle für den Erwartungswert normalverteilter Grundgesamtheiten Konfidenzintervalle für Anteilswerte Seite
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
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:
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
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
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
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
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. 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 X 350 Bisher:
MehrKapitel 3 Schließende Statistik
Bemerkung 3.34: Die hier betrachteten Konfidenzintervalle für unbekannte Erwartungswerte sind umso schmaler, je größer der Stichprobenumfang n ist, je kleiner die (geschätzte) Standardabweichung σ (bzw.
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStatistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik
Statistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik 1. I Ein Personalchef führt so lange Vorstellungsgespräche durch bis der erste geeignete Bewerber darunter ist und stellt diesen an.
Mehr3 Statistische Schätzungen
3 Statistische Schätzungen In der Wahrscheinlichkeitstheorie geht es darum, über Modelle Ereignisse zu bewerten bzw. Voraussagen über ihr Eintreten zu treffen. Sind nun umgekehrt Daten bekannt, und wollen
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
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 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
MehrBeispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil V Induktive Statistik Induktive Statistik
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
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.
MehrPrüfungsklausur zur Stochastik (LMG)/ Elementare Wahrscheinlichkeitstheorie und Statistik
B. Schmalfuß Jena, den 20.02.2018 Prüfungsklausur zur Stochastik (LMG)/ Elementare Wahrscheinlichkeitstheorie und Statistik Allgemeine Hinweise: Zur Verfügung stehende Zeit: 90 min. Hilfsmittel: keine.
MehrT-Test für den Zweistichprobenfall
T-Test für den Zweistichprobenfall t-test (unbekannte, gleiche Varianzen) Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten, aber gleichen Varianzen durch Vergleich der
MehrStatistik-Notfallkit für Schüler und Lehrer
Statistik-Notfallkit für Schüler und Lehrer Jan Kallsen Christian-Albrechts-Universität zu Kiel 3. Dezember 2018 Zusammenfassung Schließende Statistik ist konzeptionell nicht einfach. Hier sind einige
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.
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrNachklausur Mathematik für Biologen WS 08/09
Aufgabe 1: (5 Punkte) In einer diploiden Population beobachten wir die Ausprägung eines bestimmten Gens, das zwei Allele V und W annimmt. Somit besitzt jedes Individuum V V, V W oder W W als Genotyp. Die
MehrNachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester Oktober 2011
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester 2011 28. Oktober 2011 Prof. Dr. Torsten Hothorn Institut für Statistik Nachname: Vorname: Matrikelnummer: Anmerkungen: ˆ Schreiben
MehrÜbungsaufgaben zu Kapitel 12 bis 14
Hochschule für Technik und Wirtschaft Dresden Wintersemester 0/6 Fakultät Informatik/Mathematik Prof. Dr. B. Jung Übungsaufgaben zu Kapitel bis Hinweis: Die Berechnung evtl. auftretender Integrale kann
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrKLAUSUR_MAI_08 LÖSUNGEN Stat2. 1. Eine Einkommensstatistik (Jahresbruttoeinkommen, klassiert), zeigte folgende Ergebnisse: (in 1000 Euro)
1. Eine Einkommensstatistik (Jahresbruttoeinkommen, klassiert), zeigte folgende Ergebnisse: (in 1000 Euro) 10 bis unter 20 20 30 30 40 über 40 bis 100 U (Unselbständige) 46 89 90 45 S (Selbständige) 63
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
MehrI N F E R E N Z S T A T I S T I K Terminologie
Seite 1 von 70 I N F E R E N Z S T A T I S T I K Terminologie i.i.d. independent and identically distributed bedeutet, unabhängig und in gleicher Weise verteilt, d.h., der gleichen Verteilung unterworfen.
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 5
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik Lösungsblatt zu Nr. 5 1.a) Um diese
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Mehr