Viele Verbesserungen und Ergänzungen

zf-statistik.tex

@@ -8,12 +8,14 @@
 \usepackage{amsmath, amsfonts, amssymb, amsthm}
 \usepackage{listings}
 \usepackage{xcolor}
+\usepackage[ngerman]{babel}
 \usepackage{graphicx}
 \usepackage{multirow}
+\usepackage{fontawesome}
 \usepackage{float}
 \usepackage[
     type={CC},
-    modifier={by-nc-sa},
+    modifier={by-sa},
     version={3.0},
 ]{doclicense}
 
@@ -85,8 +87,8 @@
 	}
 
 % Turn off header and footer
-\pagestyle{empty}
+\pagestyle{plain}
-
+\footskip{} % Left empty on purpose
 
 % Redefine section commands to use less space
 \makeatletter
@@ -139,7 +141,7 @@
      \Large{Statistik ZF} \\
 		 \small{Mathematik IV, zu VL von Jan Ernest} \\
 		 \small{Jannis Portmann 2020} \\
-     {\ccbyncsa}
+     {\ccbysa}
 \end{center}
 
 \begin{center}
@@ -181,8 +183,7 @@ $$P(A) = \sum_{\omega \in A} P(\{ \omega \})$$
 
 \subsubsection{Laplace-Modell (gleiche $P(\omega_i)$)}
 \label{section:laplace}
-$$P(E)=\frac{g}{m}$$
+$$P(A)=\frac{|A|}{|\Omega|} = \frac{\mathrm{günstig}}{\mathrm{möglich}}$$
-günstig/möglich
 
 \subsection{Unabhängigkeit}
 $A$ und $B$ sind stochastisch unabhängig, wenn gilt:
@@ -247,16 +248,29 @@ Zusammenhänge:
 	\item $X_1 \sim \mathrm{Bin}(n_1,\pi); X_2 \sim \mathrm{Bin}(n_2,\pi)$ unabhängig $\Rightarrow S := X_1 + X_2$, dann $S \sim \mathrm{Bin}(n_1+n_2,\pi)$
 \end{itemize}
 
-% TODO: Skript S. 22, E, Var, σ von Bernoulli und Binominal
-
 \subsubsection{Poisson-($\lambda$)-verteilung}
 $$P(X = x) = \mathrm{exp}(-\lambda)\frac{\lambda^x}{x!}, x \in \mathbb{N}_0$$
 Dabei sind $\mathbb{E}(X) = \lambda, \mathrm{Var}(X) = \lambda, \sigma(X) = \sqrt{\lambda}$ \\
-Für zwei unabhängige Poisson-Verteilungen $X \sim \mathrm{Poisson(\lambda_x)}, Y \sim \mathrm{Poisson}(\lambda_y)$ ist $X + Y \sim \mathrm{Poisson}(\lambda_x + \lambda_y)$
+Für zwei unabhängige Poisson-Verteilungen $X \sim \mathrm{Poisson(\lambda_x)}, Y \sim \mathrm{Poisson}(\lambda_y)$ ist $X + Y \sim \mathrm{Poisson}(\lambda_x + \lambda_y)$ \\
+Es gilt auch
+$$P(X > n) = P(X \leq n) = 1 - (P(X = 0) + P(X=1) + ... + P(X = n))$$
+
+\subsubsection{Geometrische Verteilung}
+Sei $X \sim \mathrm{Poisson}(\pi)$, dann ist
+$$Y = P(X=n) = \pi (1 - \pi)^{n-1}$$
+die Anzahl Fehlversuche bis zu einem erfogreichen Versuch.
 
 \subsubsection{Poisson-Approximation der Binomial-Verteilung}
 $X \sim \mathrm{Bin}(n, \pi)$ und $Y \sim \mathrm{Poisson}(\lambda)$, für kleine $\pi$ und grosse $n$ gilt:
 $$P(X=x)=\binom{n}{x}\pi^x(1-\pi^{n-x}) \approx P(Y = x)=\mathrm{exp}(-\lambda)\frac{\lambda^x}{x!}, x \in \mathbb{N}_0$$
+wobei $\lambda = n\pi$
+
+\begin{figure}[H]
+  \centering
+  \includegraphics[width=.15\textwidth]{poisson-approx.png}
+  \caption{Poisson Approximation der Binominalverteilung}
+  \label{fig:poisson-approx}
+\end{figure}
 
 \subsubsection{Diskrete Uniformverteilung}
 $$P(X = x_i) = \frac{1}{n}, i \in \mathbb{N}$$
@@ -267,10 +281,54 @@ Einfluss von entfernten Ereignissen auf Wahrscheinlichkeiten von neuen Ziehungen
 
 $$P(X = x)=\frac{\binom{m}{x}\binom{N-m}{n-x}}{\binom{N}{n}}$$
 
-Hier sind $\mathbb{E}(X) = \frac{nm}{N}$ und $\mathrm{Var}(X)=\frac{nm(N-m)(N-n)}{N^2(N-1)}$
-
 $X \sim \mathrm{Hyper}(N,n,m)$, dabei $N$ die total möglichen Ereignisse, $m$ die "Gewinne" und es wird $n$ gezogen.
 
+\subsection{Kennwerte}
+\subsubsection{Bernoulli-Verteilung}
+\begin{center}
+  \begin{tabular}{rl}
+    $\mathbb{E}(X) =$ & $\pi$ \\
+    Var$(X) =$ & $\pi(1-\pi)$ \\
+    $\sigma_X =$ & $\sqrt{\pi(1-\pi)}$
+  \end{tabular}
+\end{center}
+
+\subsubsection{Binomialverteilung}
+\begin{center}
+  \begin{tabular}{rl}
+    $\mathbb{E}(X) =$ & $n\pi$ \\
+    Var$(X) =$ & $n\pi(1-\pi)$ \\
+    $\sigma_X =$ & $\sqrt{n\pi(1-\pi)}$
+  \end{tabular}
+\end{center}
+
+\subsubsection{Poisson-Verteilung}
+\begin{center}
+  \begin{tabular}{rl}
+    $\mathbb{E}(X) =$ & $\lambda$ \\
+    Var$(X) =$ & $\lambda$ \\
+    $\sigma_X =$ & $\sqrt{\lambda}$
+  \end{tabular}
+\end{center}
+
+\subsubsection{Geometrische Verteilung}
+\begin{center}
+  \begin{tabular}{rl}
+    $\mathbb{E}(X) =$ & $\frac{1}{\pi}$ \\
+    Var$(X) =$ & $\frac{1-\pi}{\pi^2}$ \\
+    $\sigma_X =$ & $\frac{\sqrt{1-\pi}}{\pi}$
+  \end{tabular}
+\end{center}
+
+\subsubsection{Hypergeometrische Verteilung}
+\begin{center}
+  \begin{tabular}{rl}
+    $\mathbb{E}(X) =$ & $\frac{nm}{M}$ \\
+    Var$(X) =$ & $\frac{nm(N-m)(N-n)}{N^2(N-1)}$ \\
+    $\sigma_X =$ & $\sqrt{\frac{nm(N-m)(N-n)}{N^2(N-1)}}$
+  \end{tabular}
+\end{center}
+
 \begin{center}
 	\rule{.5\linewidth}{0.25pt}
 \end{center}
@@ -345,11 +403,12 @@ Idee: Wie gross muss eine Stichprobe sein, damit mit einer bestimmten Macht $\be
 \subsubsection{P-Wert}
 Der P-Wert ist ein Wert zwischen 0 und 1, der angibt, wie gut Nullhypothese und Daten zusammenpassen.
 
-\subsubsection{Vertrauensintervall}
+\subsubsection{Vertrauensintervall (VI)}
 \label{sec:vertrauensintervall}
 $$I:=\{\pi_0;\; \mathrm{Nullhypothese} \; H_0:\pi = \pi_0 \mathrm{wird \; beibehalten}\}$$
-
+Die Werte von $\pi_0$ bei denen $H_0: \pi = \pi_0$ nicht verworfen wird, ist ein $(1-\alpha)$-VI.
 $$P_\pi(\pi \in I(X) \gtrapprox 1-\alpha)$$
+Ein $(1-\alpha)$-VI, enthält den wahren Parameter $\pi$ mit einer Wahrscheinlichkeit von $(1-\alpha)$
 
 \begin{center}
 	\rule{.5\linewidth}{0.25pt}
@@ -387,6 +446,12 @@ wobei $s_{xy} = \frac{\sum_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{n-1}$
 \subsubsection{Grafische Methoden}
 \textbf{Histogramme} \\
 Einteilung in Klassen, auftragen der Beobachtugen je Klasse in Balkendiagramm
+\begin{figure}[H]
+  \centering
+  \includegraphics[width=.2\textwidth]{histogram.png}
+  \caption{Histogramm}
+  \label{fig:histogram}
+\end{figure}
 
 \textbf{Boxplot} \\
 Rechteck, vom 75\%- und 25\%-Quantil begrenzt
@@ -400,6 +465,13 @@ Rechteck, vom 75\%- und 25\%-Quantil begrenzt
 \textbf{Streudiagramm (Scatter-Plot)} \\
 Auftragen der Daten $(x_n,y_n)$
 
+\begin{figure}[H]
+  \centering
+  \includegraphics[width=.15\textwidth]{scatter.png}
+  \caption{Streudigramm}
+  \label{fig:scatter}
+\end{figure}
+
 \subsection{Stetige Zufallsvariablen und Wahrscheinlichkeitsverteilungen}
 Eine Zufallsvariable $X$ heisst stetig, falls deren Wertebereich $\mathbb{W}_X$ stetig ist \\
 Da Punktverteilung
@@ -409,6 +481,13 @@ $$P(X \in (a,b]) = P(a < X \leq b)$$
 \textbf{Kumulative Verteilungsfunktion}
 $$F(x) = P(X \leq x)$$
 
+\begin{figure}[H]
+  \centering
+  \includegraphics[width=.2\textwidth]{kumulative.png}
+  \caption{Kumulative Verteilungsfunktion}
+  \label{fig:kumulative}
+\end{figure}
+
 \subsubsection{(Wahrscheinlichkeits-)Dichte)}
 $$f(x) = \dot{F}(x) \Longleftrightarrow F(x) = \int_{-\infty}^xf(y)\mathrm{d}y$$
 
@@ -421,7 +500,7 @@ $$f(x) = \dot{F}(x) \Longleftrightarrow F(x) = \int_{-\infty}^xf(y)\mathrm{d}y$$
   \end{tabular}
 \end{center}
 
-\textbf{Qunatile}
+\subsubsection{Quantile}
 $$P(X \leq q(\alpha)) = \alpha$$
 $q(\alpha)$ ist der Punkt, an dem die Fläche unter der Dichtefunktion $f(x)$ von $-\infty$ bis $q(\alpha)$ gleich $\alpha$ ist. (z.B. beim Median ($\alpha = 50\%$) sind die Flächen darunter und darüber gleich gross)
 
@@ -584,7 +663,7 @@ Die Unabhängigkeit führt dazu, dass die Genauigkeit des arithmetischen Mittels
 
 \subsection{Statisitk für eine Stichprobe}
 % Wasn't able to fit it into the third-columns
-Siehe \textit{Fig. \ref{fig:tests}} im \hyperref[sec:anhang]{Anhang}.
+Siehe \textit{Abb. \ref{fig:tests}} im \hyperref[sec:anhang]{Anhang}.
 
 \subsubsection{Punktschätzung}
 Betrachtung von Daten $x_1, x_2, ...,x_n$ als Realisierungen von $X_1, X_2, ..., X_n$ i.i.d. \\
@@ -633,6 +712,7 @@ $$P_{\mu_0}(T \in K) = \alpha$$
 $$P_\mu(T \in K) = \mathrm{Macht}(\mu)$$
 
 \subsubsection{t-Test ($\sigma_X$ unbekannt)}
+\label{sec:ttest}
 \begin{enumerate}
   \item \textbf{Modell}: $X_i$ ist eine kontinuierliche Messgrösse und Annahme $X_1, X_2, ..., X_n \; \mathrm{i.i.d.} \; \mathcal{N}(\mu, \sigma_X^2)$
   \item \textbf{Nullhypothese}:
@@ -709,7 +789,76 @@ Für Berechnung benutze R (\ref{sec:wilcoxon})
 
 \subsection{Statisitk für zwei Stichproben}
 \subsubsection{Gepaarte Stichprobe}
-% TODO
+\label{sec:paired}
+Ligt vor falls:
+\begin{itemize}
+  \item beide Versuchsbedingungen an derselben Versuchseinheit eingesetzt werden
+  \item oder jeder Versuchseinheit aus der einen Gruppe genau eine Versuchseinheit aus der anderen Gruppe zugeordnet werden kann.
+\end{itemize}
+Die Daten entsprechen
+$$x_1,...x_n \mathrm{unter \; Versuchsbedingung \; 1}$$
+$$y_1,...y_n \mathrm{unter \; Versuchsbedingung \; 2}$$
+wobei dasselbe $n$ für beide nötig ist.
+
+\subsubsection{t-Test für gepaarte Stichproben}
+$$d_i = x_i - y_i, i \in \mathbb{N} \leq n$$
+$d_i$ seinen Realisierungen von $D_1,...D_n$ i.i.d. Somit vereinfacht sich die Betrachtung zu einer Variable auf welche wir den \textit{t-Test} aus \ref{sec:ttest} anwenden können.
+
+\subsubsection{Ungepaarte Stichproben}
+Falls eine Paarung wie in \ref{sec:paired} nicht möglich ist und die Daten
+$$X_1,...X_n \mathrm{i.i.d}$$
+$$Y_1,...Y_m \mathrm{i.i.d}$$
+entsprechen, wobei $m \neq n$ nicht zwingend notwendig ist. Entscheidend ist, dass $x_i$ und $yi$ zu verschiedenen Versuchseinheiten geören und als unabhängig angenommen werden können.
+
+\subsubsection{t-Test für ungepaarte Stichproben}
+\begin{enumerate}
+  \item \textbf{Modell}:
+    $$X_1,...X_n \mathrm{i.i.d} \sim \mathcal{N}(\mu_X,\sigma^2)$$
+    $$Y_1,...Y_m \mathrm{i.i.d} \sim \mathcal{N}(\mu_Y,\sigma^2)$$
+  \item \textbf{Nullhypothese}:
+    \begin{center}
+      \begin{tabular}{cll}
+        & $H_0:$ & $\mu_X = \mu_Y$
+      \end{tabular}
+    \end{center}
+    \textbf{Alternativhypothese}:
+    \begin{center}
+      \begin{tabular}{clll}
+        & $H_A:$ & $\mu_X \neq \mu_Y$ & zweiseitig \\
+        oder & $H_A:$ & $\mu_X > \mu_Y$ & einseitig \\
+        oder & $H_A:$ & $\mu_X < \mu_Y$ & einseitig \\
+      \end{tabular}
+    \end{center}
+    \item \textbf{Teststatistik}:
+      $$T = \frac{\bar{X_n}-\bar{Y_m}}{S_{pool}\sqrt{\frac{1}{n}+\frac{1}{m}}}$$
+      wobei
+      \begin{center}
+        \begin{tabular}{rl}
+          $\displaystyle S_{pool}$ & $\displaystyle = \sqrt{\frac{1}{n+m-2}\bigg(\sum_{i=1}^n(X_i-\bar{X_n})^2+\sum_{i=1}^m(Y_i-\bar{Y_m})^2\bigg)}$ \\
+          & $\displaystyle = \sqrt{\frac{1}{n+m-2}\bigg((n-1)\hat{\sigma_X}^2+(m-1)\hat{\sigma_Y}^2\bigg)}$
+        \end{tabular}
+      \end{center}
+      Verteilung der Teststatistik unter $H_0: T \sim t_{n+m-2}$
+    \item \textbf{Signifikanzniveau}: $\alpha$
+    \item \textbf{Verwerfungsbereich für die Teststatistik}:\\
+      $$K=\begin{cases}
+        (-\infty,-t_{n+m-2;1-\frac{\alpha}{2}}] \cup [t_{n+m-2;1-\frac{\alpha}{2}},\infty), \quad \;\; \mathrm{bei} \; H_A: \mu_X \neq \mu_Y \\
+        (-\infty,-t_{n+m-2;1-\frac{\alpha}{2}}], \qquad\qquad\qquad\qquad\kern 3.2em \mathrm{bei} \; H_A: \mu_X < \mu_Y \\
+        [t_{n+m-2;1-\frac{\alpha}{2}},\infty), \qquad\qquad\qquad\qquad\qquad\quad\kern 2em \mathrm{bei} \; H_A: \mu_X > \mu_Y
+      \end{cases}$$
+      \item \textbf{Testentscheid}:\\
+        Überprüfen ob der beobachtete Wert der Teststatistik im Verwerfungsbereich $K$ liegt.
+\end{enumerate}
+
+\subsubsection{Zwei-Stichproben Wilcoxon-Test (Mann-Whitney Test)}
+Seien zwei Stichproben
+$$X_1,...X_n \mathrm{i.i.d} \sim \mathcal{N}(\mu_X,\sigma^2)$$
+$$Y_1,...Y_m \mathrm{i.i.d} \sim \mathcal{N}(\mu_Y,\sigma^2)$$
+und $F_X$ eine beliebige Verteilungsfunktion.
+Wir definieren nun
+$$F_Y(x):=F_X(x-\delta)$$
+was einer verschobenen Funktion von $F_X$ entspricht.
+
 
 \begin{center}
 	\rule{.5\linewidth}{0.25pt}
@@ -723,6 +872,13 @@ $$y_i = \beta_0 + \beta_1x_i+E_i,$$
 wobei $i \in \mathbb{N} \leq n$, $E_i \sim \mathcal{N}(0,\sigma^2)$, $E_1,...E_n$ i.i.d., $\mathbb{E}(E_i) = 0$ und $\mathrm{Var}(E_i) = \sigma^2$ \\
 $Y$ bezeichnen wir als \textbf{Zielvariable (response variable)}, $x$ als \textbf{erklärende Variable (explanatory/predictor variable)} oder \textbf{Co-Variable (covariate)} und $E_i$ als Störfaktor (zufällig)
 
+\begin{figure}[H]
+  \centering
+  \includegraphics[width=.12\textwidth]{sreg.png}
+  \caption{Einfache lineare Regression mit Residuen}
+  \label{fig:sreg}
+\end{figure}
+
 \subsubsection{Parameterschätzung}
 Das Modell aus \ref{sec:regmod} mit der \textit{Methode der kleinsten Quadrate} liefert
 $$\hat{\beta_0},\hat{\beta_1} \mathrm{\; Minimierung \; von \;} \sum_{i=1}^n(Y_i-(\beta_0+\beta_1x_i))^2,$$
@@ -915,7 +1071,7 @@ $Y_i = \beta_0 + \beta_1\log(x_{i,2})+\beta_2\sin(\pi x_{i,3}) + E_i, i \in \mat
   \item Bei \textbf{multipler linearer Regression} ist $\beta_i$ die erwartete Zunahme der Zielgrösse bei Erhöhung von $x_i$ um eine Einheit - bei \textbf{Fixierung der anderen Variablen}.
 \end{itemize}
 
-\subsubsection{Parameterschätzung}
+\subsubsection{Parameterschätzung und t-Test}
 Auch hier benutzen wir die \textit{Methode der kleinsten Quadrate}. \\
 $$\hat{\beta_0},\hat{\beta_1},...,\hat{\beta}_{p-1} \mathrm{\; Minimierung \; von \;} \sum_{i=1}^n(Y_i-(\beta_0+\beta_1x_{i,1}+...+\beta_{p-1}x_{i,p-1}))^2,$$
 falls $p < n$
@@ -923,7 +1079,14 @@ $$\hat{\beta} = (X^TX)^{-1}X^TY.$$
 Für die Fehlervarianz
 $$\hat{\sigma} = \frac{1}{n-p}\sum_{i=1}^nR^2_i,R_i = Y_i - \bigg(\hat{\beta}_0+\sum_{j=1}^{p-1}\hat{\beta}_jx_{i,j}\bigg)$$
 
-% TODO: t-Test
+Den \textit{t-Test} können wir analog zur \textit{einfachen Regression} mit
+\begin{center}
+  \begin{tabular}{ll}
+    $H_0: \beta_j = 0$    &  \multirow{2}{*}{$, j \in \mathbb{N} \leq p-1$} \\
+    $H_A: \beta_i \neq 0$ &
+    \end{tabular}
+    \end{center}
+durchführen. Dabei misst $\beta_i$ den linearen Effekt der $i$-ten erklärenden Variable auf Zielvariable $Y$ \textbf{nach Elimination} der linearen Effekte auf $Y$ aller anderen Variablen. Es ist nicht möglich, durch direkte einfach lineare Regression von $Y$ zur $j$-ten erklärenden Variable $\beta_j$ zu erhalten!
 
 \subsubsection{F-Test}
 Prüft, ob es mindestens eine erklärende Variable gibt, die einen signifikanten Effekt auf die Zielvariable hat.
@@ -944,33 +1107,6 @@ $$R^2 = \hat{\rho}_{Y\hat{Y}}^2$$
 	\rule{.5\linewidth}{0.25pt}
 \end{center}
 
-\section{R}
-\subsection{Wahrscheinlichkeitsverteilungen}
-\lstinline{xxx} Name der Verteilung $X$ (z.B. \lstinline{binom} oder \lstinline{pois}): \\
-\lstinline{dxxx} berechnet $P[X=x]$ \\
-\lstinline{pxxx} berechnet $P[X\leq x]$ \\
-\lstinline{rxxx} liefert Zufallszahl gemäss $X$
-
-\subsection{Verteilungen}
-\lstinline{pt} für kumulative Verteilungsfunktion \\
-\lstinline{qt} für Quantile
-
-\subsection{Wilcoxon-Test}
-\label{sec:wilcoxon}
-\lstinline{x} ist Array von Daten, $\mu$ der Median
-\begin{lstlisting}
-  wilcox.test(x = x, alternative = "greater", mu = 80)
-\end{lstlisting}
-
-\subsection{Regression}
-\label{sec:rreg}
-\lstinline{x} und \lstinline{x} sind Arrays von Daten, \lstinline{lm} schätzt ein \textit{linear model} und \lstinline{summary()} gibt die Schätzwerte aus
-\begin{lstlisting}
-  fm <- lm(y ~ x)
-  summary(fm)
-\end{lstlisting}
-% TODO: Add sample output for parameters
-
 \begin{center}
 	\rule{\linewidth}{0.25pt}
 \end{center}
@@ -982,7 +1118,266 @@ $$R^2 = \hat{\rho}_{Y\hat{Y}}^2$$
 \newpage
 
 \begin{multicols*}{2}
-\section*{Anhang}
+  \section{R}
+  \subsection{diskrete Verteilungen}
+  \begin{lstlisting}
+    # d... berechnet P(X  = x)
+    # p... berechnet P(X <= x)
+    # q... berechnet Quantile der Verteilung
+    # r... zieht eine bestimmte Anzahl Realisierungen der gewaehlten Verteilung
+\end{lstlisting}
+
+\subsubsection{Binomialverteilung}
+  \begin{lstlisting}
+    dbinom(x = 5, size = 10, prob = 0.5)   # Berechnet P(X =  5) fuer X ~ Binomial(10, 0.5)
+    pbinom(q = 5, size = 10, prob = 0.5)   # Berechnet P(X <= 5) fuer X ~ Binomial(10, 0.5)
+    qbinom(p = 0.2, size = 10, prob = 0.5) # Berechnet das 20%-Quantil fuer X ~ Binomial(10, 0.5)
+    rbinom(n = 100, size = 10, prob = 0.5) # Zieht zufaellig n=100 Realisierungen von X ~ Binomial(10, 0.5)
+    # (fuehren Sie den oberen Befehl rbinom 2x aus, Sie erhalten andere Werte)
+\end{lstlisting}
+
+\subsubsection{Poissonverteilung}
+  \begin{lstlisting}
+    dpois(x = 5, lambda = 2)    # Berechnet P(X =  5) fuer X ~ Poisson(2)
+    ppois(q = 5, lambda = 2)    # Berechnet P(X <= 5) fuer X ~ Poisson(2)
+    qpois(p = 0.2, lambda = 2)  # Berechnet das 20%-Quantil fuer X ~ Poisson(2)
+    rpois(n = 100, lambda = 2)  # Zieht n=100 Realisierungen von X ~ Poisson(2)
+\end{lstlisting}
+
+\subsubsection{Binomialtest}
+  \begin{lstlisting}
+    ## Der Binomialtest kann in R mit dem Befehl binom.test(...) durchgefuehrt werden.
+    ## Die Argumente der Funktion sind:
+    ## - x:     Der beobachtete Wert der Teststatistik
+    ## - n, p:  Die Parameter der Verteilung der Teststatistik (Binomial(n,p)) unter der Nullhypothese
+    ## - alternative:
+    ##          Die Wahl der Alternativhypothese. Moegliche Optionen sind:
+    ##          - "less" fuer H_A: pi < pi_0
+    ##          - "greater" fuer H_A: pi > pi_0
+    ##          - "two.sided" fuer H_A: pi ungleich pi_0
+    ## - conf.level:
+    ##          Das Konfidenzniveau fuer das Vertrauensintervall. Entspricht (1 - Signifikanzniveau).
+
+    ## Beispiel:
+    ## Wir vermuten, dass ein Wuerfel zu viele 6er wuerfelt.
+    ## Wir haben in 50 Wuerfen 13 mal eine sechs gewuerfelt.
+    ## Wir moechten auf dem 1%-Signifikanzniveau testen, ob der Wuerfel zu viele 6er wuerfelt.
+    binom.test(x = 13, n = 50, p = 1/6, alternative = "greater", conf.level = 0.99)
+\end{lstlisting}
+
+\subsection{Kennzahlen}
+  \begin{lstlisting}
+    ## Wir haben folgende Daten beobachtet / gemessen
+    x <- c(1.1, 2.3, -2.4, 3.9, 5.1, -1.7, 2.0, -1.1, 3.4, 0.7)
+    y <- c(0.8, 2.1, -1.3, 1.0, 0.4, -3.2, 3.1, -0.1, 5.1, 4.3)
+
+    mean(x)     # arithmetisches Mittel
+    var(x)      # Varianz
+    sd(x)       # Standardabweichung
+
+    max(x)      # Maximum
+    min(x)      # Minimum
+
+    median(x)   # Median
+    quantile(x, probs = 0.25)  # empirisches 25%-Quantil
+
+    summary(x)  # Gibt Ueberblick ueber einige Kennzahlen
+
+    cor(x,y)    # Empirische Korrelatin von x und y
+\end{lstlisting}
+
+\subsection{Grafische Methoden}
+  \begin{lstlisting}
+    plot(x, y)            # Streudiagramm von x und y
+    hist(x)               # Histogramm Typ "Frequency" (siehe VL 8)
+    hist(x, freq = FALSE) # Histogramm Typ "Density"   (siehe VL 8)
+    hist(x, breaks = 10)  # mit breaks = ... kann die Anzahl Balken gesteuert werden, siehe Serie 8)
+    plot(ecdf(x))         # Empirische kumulative Verteilungsfunktion
+    boxplot(x)            # Boxplot
+
+    z <- rnorm(n = 100, mean = 2, sd = 1)
+    qqnorm(z)   # QQ-Plot, welcher mit den theoretischen Quantilen der N(0,1)-Verteilung vergleicht.
+\end{lstlisting}
+
+\subsection{Stetige Verteilungen}
+\subsubsection{Uniformverteilung}
+  \begin{lstlisting}
+  dunif(x = 2.5, min = 1, max = 3)  # Wert der Dichte f(x) von X ~ Uniform([1,3]) an der Stelle x=2.5
+  punif(q = 2.5, min = 1, max = 3)  # Wert der kum. Verteilungsfkt. F(x) von X ~ Uniform([1,3]) an der Stelle x=2.5
+  qunif(p = 0.2, min = 1, max = 3)  # 20%-Quantil von X ~ Uniform([1,3])
+  runif(n = 100, min = 1, max = 3)  # Zieht zufaellig 100 Realisierungen von X ~ Uniform([1,3])
+\end{lstlisting}
+
+\subsubsection{Exponentialverteilung}
+  \begin{lstlisting}
+    dexp(x = 2, rate = 1)    # Wert der Dichte f(x) von X ~ Exp(1) an der Stelle x = 2
+    pexp(q = 2, rate = 1)    # Wert der kum. Verteilungsfunktion F(x) von X ~ Exp(1) an der Stelle x = 2
+    qexp(p = 0.2, rate = 1)  # 20%-Quantil von X ~ Exp(1)
+    rexp(n = 100, rate = 1)  # Zieht zufaellig 100 Realisierungen von X ~ Exp(1)
+\end{lstlisting}
+
+\subsubsection{Normalverteilung}
+  \begin{lstlisting}
+    dnorm(x = 3, mean = 1, sd = sqrt(2))    # Wert der Dichte f(x) von X ~ N(1,2) an der Stelle x = 3
+    pnorm(q = 3, mean = 1, sd = sqrt(2))    # Wert der kum. VF F(x) von X ~ N(1,2) an der Stelle x = 3
+    qnorm(p = 0.2, mean = 1, sd = sqrt(2))  # 20%-Quantil von X ~ N(1,2)
+    rnorm(n = 100, mean = 1, sd = sqrt(2))  # Zieht zufaellig 100 Realisierungen von X ~ N(1,2)
+\end{lstlisting}
+
+\subsubsection{Standardnormalverteilung}
+  \begin{lstlisting}
+    dnorm(x = 3)    # Wenn man meam = ..., sd = ... nicht angibt, wird eine N(0,1)-Verteilung angenommen.
+    pnorm(q = 3)
+    qnorm(p = 0.2)  # entspricht Phi^{-1}(0.2)
+    rnorm(n = 100)
+\end{lstlisting}
+
+\subsection{Ein-Stichproben t-Test (gepaart)}
+  \begin{lstlisting}
+    ## Der Ein-Stichproben t-Test kann in R mit dem Befehl t.test(...) durchgefuehrt werden.
+    ## Die benoetigten Argumente der Funktion sind:
+    ## - x:     Der Vektor mit den beobachteten Werten
+    ## - mu:    Der Wert mu_0 der Nullhypothese
+    ## - alternative:
+    ##          Die Wahl der Alternativhypothese. Moegliche Optionen sind:
+    ##          - "less" fuer H_A: mu < mu_0
+    ##          - "greater" fuer H_A: mu > mu_0
+    ##          - "two.sided" fuer H_A: mu ungleich mu_0
+    ## - conf.level:
+    ##          Das Konfidenzniveau fuer das Vertrauensintervall. Entspricht (1 - Signifikanzniveau).
+
+    t.test(x = x, y = y, alternative = "greater", mu = 0, paired = TRUE, conf.level = 0.95)
+\end{lstlisting}
+
+\subsection{Zwei-Stichproben t-Test (ungepaart)}
+  \begin{lstlisting}
+    ## Um in R einen ungepaarten Zwei-Stichproben t-Test durchzufuehren, verwenden
+    ## Sie ebenfalls die Funktion t.test(...) mit den Argumenten
+
+    ## - x:     Der Vektor mit den beobachteten Werten der ersten Stichprobe
+    ## - y:     Der Vektor mit den beobachteten Werten der zweiten Stichprobe
+    ## - mu:    Der Wert mu_0 der Nullhypothese (typischerweise = 0, da Nullhypothese: "Es gibt keinen Unterschied")
+    ## - alternative:
+    ##          Die Wahl der Alternativhypothese. Moegliche Optionen sind:
+    ##          - "less" fuer H_A: mu_X - mu_Y < mu_0
+    ##          - "greater" fuer H_A: mu_X - mu_Y > mu_0
+    ##          - "two.sided" fuer H_A: mu_X - mu_Y ungleich mu_0
+    ## - paired = FALSE (ungepaarter Test)
+    ## - var.equal = TRUE (standardmaessig ist var.equal = FALSE, dann wird ein Welch-Test durchgefuehrt)
+    ## - conf.level:
+    ##          Das Konfidenzniveau fuer das Vertrauensintervall. Entspricht (1 - Signifikanzniveau).
+
+    t.test(x = x, y = y, alternative = "two.sided", mu = 80.00, paired = FALSE, conf.level = 0.95)
+\end{lstlisting}
+
+\newpage
+
+\subsection{Wilcoxon-Test}
+\label{sec:wilcoxon}
+\begin{lstlisting}
+  ## Ein- und Zwei-Stichproben Wilcoxon Tests stehen in R unter dem Befehl wilcox.test(...) zur Verfuegung.
+  ## Die Argumente der Funktion sind analog zu denjenigen der t-Tests.
+  wilcox.test(x = x, alternative = "greater", mu = 80)
+\end{lstlisting}
+
+\subsection{Verteilungen}
+  \lstinline{pt} für kumulative Verteilungsfunktion \\
+  \lstinline{qt} für Quantile
+
+  \subsection{Regression}
+  \label{sec:rreg}
+  \subsubsection{Einfache Lineare Regression}
+  \begin{lstlisting}
+    ## Um in R ein einfaches lineares Regressionsmodell anzupassen, verwendet man den R-Befehl lm(...).
+
+    ## Wir betrachten das Beispiel mit Buchpreis und Seitenzahl aus dem Vorlesungsskript.
+    x <- c(50, 100, 150, 200, 250, 300, 350, 400, 450, 500)  ## Seitenzahl, erklaerende Variable.
+    y <- c(9.9, 10.7, 13.3, 15.2, 16.4, 23.6, 23.5, 21.1, 28.9, 29.1)  ## Buchpreis, Zielvariable.
+\end{lstlisting}
+
+Eigentliche Regression:
+\begin{lstlisting}
+  ## Um das lineare Regressionsmodell Y_i = beta_0 + beta_1 x_i + E_i zu fitten, benutzt man
+  fit <- lm(y ~ x)
+
+  ## Man kann Achsenabschnitt und Steigung sehen, wenn man sich das Objekt 'fit' anschaut:
+  fit
+\end{lstlisting}
+oder
+  \begin{lstlisting}
+    fit <- lm(y ~ x)
+    summary(fit)
+\end{lstlisting}
+  liefert den Output
+  \begin{lstlisting}
+    Residuals:
+        Min      1Q  Median      3Q     Max
+    -3.6958 -0.5944 -0.2203  0.9300  3.3048
+
+    Coefficients:
+                Estimate Std. Error t value Pr(>|t|)
+    (Intercept) 6.793333   1.391060   4.884  0.00122 **
+    x           0.045006   0.004484  10.037 8.25e-06 ***
+    ---
+    Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
+
+    Residual standard error: 2.036 on 8 degrees of freedom
+    Multiple R-squared:  0.9264,	Adjusted R-squared:  0.9172
+    F-statistic: 100.8 on 1 and 8 DF,  p-value: 8.254e-06
+\end{lstlisting}
+somit $Y_i = 6.793333 + 0.045006x_i$
+
+\textbf{Weitere Plots}
+\begin{lstlisting}
+## Residuenplots erhaelt man einfach mittels
+plot(fit)  # man muss in der "Console" mehrmals die Eingabetaste dr¸cken, um die Plots zu sehen.
+
+## oder:
+plot(fit$fitted, fit$resid)  ## Tukey-Anscombe plot
+qqnorm(fit$residuals)        ## qq-Plot der Residuen
+
+## 95%-Vertrauensintervalle f¸r Koeffizienten (siehe VL 14, Slide 8)
+confint(fit)
+
+## 95%-Vertrauens-/Vorhersageintervalle (siehe VL 14, Slides 9 und 10)
+nd <- data.frame(x=1, y=NA)
+predict(fit, newdata = nd, interval = "confidence")   ## Vertrauensintervall
+predict(fit, newdata = nd, interval = "prediction")   ## Vorhersageintervall
+
+## Nehmen wir an, die Daten befinden sich in einem data.frame (anstelle von zwei Vektoren).
+Daten_Buch <- data.frame(Seitenzahl = x, Buchpreis = y)
+Daten_Buch
+
+## Dieselbe Regression wie oben kann man nun berechnen, indem man entweder schreibt:
+fit2 <- lm(Daten_Buch$Buchpreis ~ Daten_Buch$Seitenzahl)
+summary(fit2)
+
+## oder alternativ:
+fit3 <- lm(Buchpreis ~ Seitenzahl, data = Daten_Buch)
+summary(fit3)
+
+## Alle 3 Varianten (fit, fit2, fit3) liefern exakt dasselbe Resultat.
+\end{lstlisting}
+
+\subsubsection{Multiple lineare Regression}
+\begin{lstlisting}
+## Um in R ein multiples lineares Regressionsmodell anzupassen, verwendet man ebenfalls den R-Befehl lm(...).
+
+## Wir betrachten das Beispiel mit Buchpreis und Seitenzahl aus dem Vorlesungsskript, moechten nun jedoch
+## als zweite erklaerende Variable noch das Erscheinungsjahr des Buches ins Modell aufnehmen.
+
+x1 <- c(50, 100, 150, 200, 250, 300, 350, 400, 450, 500)  ## Seitenzahl, erklaerende Variable 1.
+x2 <- c(2017, 1999, 2013, 2004, 2001, 1979, 2018, 2008, 2015, 2002)  ## Erscheinungsjahr, erklaerende Variable 2.
+y <- c(9.9, 10.7, 13.3, 15.2, 16.4, 23.6, 23.5, 21.1, 28.9, 29.1)   ## Buchpreis, Zielvariable.
+
+## Das multiple lineare Regressionsmodell Y_i = beta_0 + beta_1 x_1 + beta_2 x_2 + E_i berechnet man
+## mit dem Befehl:
+fit <- lm(y ~ x1 + x2)
+
+## Die restlichen Befehle sind analog zur einfachen linearen Regression.
+\end{lstlisting}
+
+\section{Anhang}
 \label{sec:anhang}
 \begin{figure}[H]
   \begin{tabular}{l|llll|c|c}
@@ -1002,13 +1397,25 @@ $$R^2 = \hat{\rho}_{Y\hat{Y}}^2$$
 
 \section*{Referenzen}
 \begin{enumerate}
-	\item "Vorlesungsskript Mathematik IV für Agrarwissenschaften, Erdwissenschaften, Lebensmittelwissenschaften und Umweltnaturwissenschaften", Dr. Jan Ernest, HS19 \\
+	\item Skript "Vorlesungsskript Mathematik IV für Agrarwissenschaften, Erdwissenschaften, Lebensmittelwissenschaften und Umweltnaturwissenschaften", Dr. Jan Ernest, HS19 \\
 	\item Statistik\_MatheIV.pdf, scmelina, HS18
+  \item ZF\_Statistik\_ClemenceBoutry.pdf ,clboutry, FS16
 \end{enumerate}
 
-\url{https://n.ethz.ch/~jannisp} \\
+\section*{Bildquellen}
-Jannis Portmann, 2020 \\
+\begin{itemize}
-\doclicenseImage
+  \item Abb. \ref{fig:poisson-approx}: Skbkekas, \url{https://upload.wikimedia.org/wikipedia/commons/1/16/Poisson_pmf.svg}
+  \item Abb. \ref{fig:histogram}: DanielPenfield, \url{https://upload.wikimedia.org/wikipedia/commons/c/c3/Histogram_of_arrivals_per_minute.svg}
+  \item Abb. \ref{fig:boxplot}: towardsdatascience.com, \url{https://towardsdatascience.com/understanding-boxplots-5e2df7bcbd5}
+  \item Abb. \ref{fig:scatter}: DanielPenfield, \url{https://upload.wikimedia.org/wikipedia/commons/a/af/Scatter_diagram_for_quality_characteristic_XXX.svg}
+  \item Abb. \ref{fig:kumulative}: Skript
+  \item Abb. \ref{fig:sreg}: Skript
+\end{itemize}
+
+\doclicenseImage \\
+\faGlobe \kern 1em \url{https://n.ethz.ch/~jannisp} \\
+\faGit \kern 0.88em \url{https://git.thisfro.ch/thisfro/statistik-zf} \\
+Jannis Portmann, HS19
 \end{multicols*}
 
 \end{document}