Statistik 1: Einführung

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Statistik 1: Einführung"

Transkript

1 Seite Stat- Statistik : Einführung Die mathematische Disziplin der Stochastik, die die Teilgebiete Wahrscheinlichkeitstheorie und mathematische Statistik umfaßt, beschäftigt sich mit der Beobachtung, Aufzeichnung und mathematischen Modellierung "zufälliger" Erscheinungen. Die Wahrscheinlichkeitstheorie stellt mathematische Grundlagen, Methoden und Hilfsmittel zur Konstruktion mathematischer Modelle für Systeme, in denen Zufall eine Rolle spielt, zur Verfügung. In der mathematischen Statistik im engeren Sinne arbeiten wir mit solchen Modellen, entwickeln Methoden zum Vergleich zwischen mathematischen Modellen und beobachteter Realität sowie Techniken zur Analyse und Prognose zufallsbestimmter Erscheinungen anhand mathematischer Modelle. Der Statistik liegt die Erfahrungstatsache zugrunde, die besagt, daß zufallsbestimmte Erscheinungen dem empirischen Gesetz der großen Zahl unterliegen, das wir gleich formulieren werden. Zuvor müssen einige Begriffe eingeführt werden: Zufallsexperiment. Unter einem Zufallsexperiment verstehen wir ein unter reproduzierbaren Bedingungen wiederholbares Experiment mit mehreren möglichen Ausgängen, dessen Ausgang im Einzelfall nicht mit Sicherheit vorausgesagt werden kann. Das heißt nicht, daß nicht im Prinzip der Ausgang des Zufallsexperimentes durch physikalische oder sonstige Gesetzmäßigkeiten bestimmt wird. Aber die Möglichkeiten der exakten Vorhersage finden auch bei physikalischen Experimenten irgendwann eine Grenze, wenn die Fülle der dabei Einfluß nehmenden Effekte oder Parameter und deren Messung die Möglichkeiten der praktischen Untersuchung übersteigt. Zum Beispiel ist es unmöglich, alle Effekte beim Wurf einer Münze derart genau zu erfassen, daß man mit Sicherheit vorhersagen kann, ob die Münze auf der Kopf- oder Zahlseite landen wird. Ereignis. Mit dem Begriff Ereignis wollen wir einen Ausgang eines Zufallsexperimentes kennzeichnen, der durch ein oder mehrere festgelegte Merkmale gekennzeichnet ist. Beim Wurf eines Würfels sind mögliche Ereignisse beispielsweise "gerade Zahl" oder "Würfeln einer Sechs". Häufigkeit. Führt man ein bestimmtes Zufallsexperiment n-mal durch, so kann man die Anzahl derjenigen Versuche, die einen bestimmten Ausgang E hatten, zählen. Die Anzahl der Versuche mit Ausgang E wird als absolute Häufigkeit H n (E) des Ereignisses E in der betrachteten Versuchsreihe bezeichnet. Damit können wir auch die relative Häufigkeit des Ereignisses h n (E)=H n (E)/n ermitteln. Empirisches Gesetz der großen Zahl. Eine Erfahrungstatsache besagt, daß die relative Häufigkeit eines Ereignisses E in einer Versuchsreihe aus n Zufallsexperimenten für ausreichend großes n nahezu unabhängig von n ist, wir also schreiben können h n ( E) E) für ausreichend großes n. Die Zahl E) wollen wir sodann Wahrscheinlichkeit des Ereignisses E nennen. Die hier formulierte Definition der Wahrscheinlichkeit ist nicht als mathematischer Satz aufzufassen, als Grundlage der mathematischen Modellierung von zufälligen Ereignissen ist sie ungeeignet. Wir suchen daher einen mathematischen Zugang zum Begriff "Wahrscheinlichkeit". Der mathematische Wahrscheinlichkeitsbegriff soll jedoch so definiert werden, daß er mit der anschaulichen empirischen Vorstellung von Wahrscheinlichkeit nicht im Widerspruch steht. Grundlagen aus der Mengenlehre. Um zu einer mathematischen Definition von Wahrscheinlichkeit zu kommen, müssen wir zunächst einen kleinen Exkurs in die

2 Seite Stat-2 Mengenlehre unternehmen. Mit Hilfe der Mengenlehre können wir präzise mathematische Definitionen der oben anschaulich eingeführten Begriffe geben. Ergebnis, Ergebnismenge. Im Sinne der Mengenlehre sehen wir jedes mögliche Ergebnis eines Zufallsexperimentes als Element einer Menge Ω an. Die Menge Ω aller möglichen Ergebnisse eines Zufallsexperimentes wird als Ergebnismenge oder Ergebnisraum bezeichnet. Für ein einzelnes Element einer Ergebnismenge verwenden wir das Zeichen ω. Ein einzelnes Element einer Ergebnismenge wird entweder als Ergebnis oder auch als Elementarereignis bezeichnet. Beim Würfeln mit einem Würfel könnte man beispielsweise die Ergebnismenge Ω = {,2,3,4,5,} verwenden, wobei die Zahlen für die erzielte Augenzahl des jeweiligen Ergebnisses stehen. Diese Ergebnismenge enthält endlich viele Elemente und wird daher als endliche Ergebnismenge bezeichnet. Beim Wurf einer Münze bietet sich die Ergebnismenge Ω = { K, Z} an, wobei das Ergebnis K für den Wurf der Kopfseite und das Ergebnis Z für das Resultat "Zahl" steht. Würfelt man mit zwei Würfeln gleichzeitig und interessiert man sich für die Augensumme der beiden Würfel, so könnte man die Ergebnismenge Ω = {2,3,...,2} verwenden. Sind die beiden Würfel unterscheidbar, z.b. rot und blau, und interessiert man sich für die jeweils einzelne Augenzahl jedes Würfels, so wäre die Ergebnismenge Ω = {(,), (,2),...,(,), (2,),...,(,)} zur Beschreibung der möglichen Ausgänge des Zufallsexperimentes geeignet, wobei die jeweils erste Zahl jeweils die Augenzahl des roten und die zweite Zahl die Augenzahl des blauen Würfels bezeichnen möge. Will man beispielsweise die Lebensdauer einer Glühbirne beschreiben, so umfaßt die Ergebnismenge alle nichtnegativen reellen Zahlen, also unendlich viele Elemente. Man spricht von einer unendlichen Ergebnismenge, die überabzählbar unendlich viele Elemente enthält. Häufig treten auch Ergebnismengen auf, die zwar nur diskrete Elemente enthalten, aber unendlich viele davon. Dieser Fall liegt beispielsweise vor, wenn man das Zufallsexperiment "Solange würfeln, bis eine Sechs kommt", beschreiben will. Dann ist Ω = {,2, K}, enthält also abzählbar unendlich viele Elemente. Ereignis. Ereignisse sind Teilmengen der Ergebnismenge eines Zufallsexperimentes. Auch ein einzelnes Element einer Menge ist eine Teilmenge der Menge. Ein Ereignis, das aus nur einem einzigen Element einer Ergebnismenge besteht, wird als Elementarereignis bezeichnet. Würfelt man mit einem Würfel und verwendet man die Ergebnismenge Ω = {,2,3,4,5, }, so wären die Ereignisse, 2,..., Elementarereignisse. Das Ereignis A="Wurf einer geraden Zahl" könnten wir mit Hilfe der Mengenlehre beschreiben als A={2,4,}. Das Ereignis B="Wurf einer Zahl größer drei" könnten wir mathematisch formulieren als B={4,5,}. Disjunkte Ereignisse. Zwei Ereignisse, deren Ergebnismengen keine gemeinsamen Elemente enthalten, werden als disjunkt bezeichnet. Zum Beispiel sind beim Würfeln mit einem Würfel die beiden Ereignisse A="Wurf einer geraden Zahl" und B="Augenzahl 5" disjunkt, denn die Mengen A={2,4,} und B={5} haben kein gemeinsames Element. Unmögliches Ereignis. Das unmögliche Ereignis ist ein Ereignis, das niemals eintreten kann. Es wird mit den Mitteln der Mengenlehre durch die leere Menge {} bezeichnet. Sicheres Ereignis. Ein Ereignis, das auf jeden Fall bei jeder Durchführung des Zufallsexperimentes eintreten wird, wird als sicheres Ereignis bezeichnet. Mathematisch können wir das sichere Ereignis S schreiben als S = Ω. Potenzmenge. Die Menge aller möglichen Teilmengen einer Ergebnismenge Ω wird als Potenzmenge bezeichnet. Sie hat bei einer endlichen Menge Ω mit n Elementen (bei einer

3 Seite Stat-3 Menge der Mächtigkeit n) genau 2 n Ω Elemente. Wir schreiben die Potenzmenge auch als 2. Zum Beispiel haben wir beim einmaligen Würfeln mit einem Würfel folgende möglichen Ereignissse: {,2},{,3},{,4},{,5},{,}, { },{2},{3},{4},{5},{} {2,3},{2,4},{2,5},{2,}, {3,4},{3,5},{3,}, {4,5},{4,} {5,} {,2,3},{,2,4},{,2,5},{,2,}, {,2,3,4},{,2,3,5},{,2,3,}, {,3,4},{,3,5},{,3,}, {,4,5},{,4,}, {,5,}, {2,3,4},{2,3,5},{2,3,}, {2,4,5},{2,4,}, {2,5,}, {3,4,5},{3,4,}, {3,5,}, {4,5,} {,2,3,4,5}, {,2,3,4,}, {,2,3,5,}, {,2,4,5,}, {,3,4,5,}, {,2,4,5},{,2,4,}, {,2,5,}, {,3,4,5},{,3,4,}, {,3,5,}, {,4,5,} {2,3,4,5},{2,3,4,}, {2,3,5,}, {2,4,5,} {3,4,5,} {,2,3,4,5,} {} {2,3,4,5,} Das sind insgesamt 2 =4 mögliche Ereignisse. Zum Beispiel steht {2,4,} für das Ereignis "Würfeln einer geraden Zahl", während wir {,2,3,4,5,} als "Würfeln einer Zahl kleiner 7" verbal beschreiben können. Verbundereignisse. Ereignisse sind Teilmengen des Ergebnisraums und können durch die folgenden logischen Operatoren verknüpft werden: A B Vereinigungsmenge der Mengen A und B Die Vereinigungsmenge zweier Mengen A und B enthält alle Elemente, die entweder in A oder in B enthalten sind. Beispielsweise ist die Vereinigung von A={2,4,} ("gerade Augenzahl beim Würfeln") und B={5} ("Augenzahl 5") die Menge A B = {2,4,5, }. A B Schnittmenge der Mengen A und B Die Schnittmenge zweier Mengen A und B enthält alle Elemente, die in A und zugleich in B enthalten sind. Zum Beispiel ist beim Würfeln die Schnittmenge von A={2,4,} ("gerade Augenzahl") und B={4,5,} ("Augenzahl größer drei") gegeben durch A B = {4,}. A Komplement (Negation) des Ereignisses A Das Komplement von A enthält alle Elemente, die nicht in A enthalten sind. Mit Hilfe der BOOLESCHEN Operatoren können aus einzelnen Ereignissen neue gebildet werden. Wir bezeichnen solche Ereignisse als Verbundereignisse. Disjunkte Ereignisse können wir jetzt also bezeichnen als Ereignisse, deren Schnittmenge leer ist: A B = {} A und B sind disjunkt.

4 Seite Stat-4 Sind zwei Ereignisse A und B disjunkt, so wird bei der Bildung der Vereinigungsmenge auch das Zeichen + verwendet: A B = A + B falls A, B disjunkt. Anstelle von A B wird manchmal auch AB geschrieben. Man beachte, daß der Operator "Schnittmenge" eigentlich überflüssig ist, da man das gewünschte Ergebnis auch mit Hilfe der Operatoren "Vereinigung" und "Komplement" erreichen kann: A B = A B. Dennoch wird der Bequemlichkeit halber der Schnittmengenoperator verwendet. Bei der nachfolgenden Definition einer BOOLESCHEN Algebra wird er jedoch nicht benötigt. BOOLESCHE Algebra. Ein System A von Teilmengen A einer Menge Ω heißt BOOLESCHE Algebra über Ω, wenn folgende Voraussetzungen erfüllt sind: I. Ω A und {} A, es gibt ein neutrales Element II. A, B A A B A Abgeschlossenheit bezüglich des Vereinigungsoperators III. A A A A Abgeschlossenheit bezüglich des Komplementoperators Die Abgeschlossenheit bezüglich des Schnittmengenoperators muß nicht extra gefordert werden, da die Schnittmenge, wie oben gezeigt, durch Vereinigungsmenge und Komplementbildung erzeugt werden kann. Hintergrund. Die BOOLESCHE Algebra ist ähnlich konstruiert wie beispielsweise die Algebra, die von den ganzen Zahlen bezüglich der Operatoren + (Addition) und (Änderung des Vorzeichens) gebildet wird. Das neutrale Element ist dabei die Null, und die Subtraktion kann durch Addition einer negativen Zahl ersetzt werden. Jedes Ergebnis der Verknüpfung zweier ganzer Zahlen bezüglich der Operatoren + und ist wieder eine ganze Zahl, zu jeder ganzen Zahl gibt es eine zugeordnete Zahl mit umgekehrtem Vorzeichen. Diese Abgeschlossenheitseigenschaften sind sehr wichtig. Beispielsweise ist die Menge der ganzen Zahlen bezüglich der Division nicht abgeschlossen. Um eine Algebra zu definieren, die auch die Operation "Division" mit umfaßt, müssen die rationalen Zahlen eingeführt werden. Ereignisse aus einem Ergebnisraum Ω bilden also eine BOOLESCHE Algebra, die im speziellen Fall als Ereignisalgebra bezeichnet wird. Wir sind jetzt in der Lage, eine formale mathematische Definition der Wahrscheinlichkeit zu geben. Die mathematische Definition des Wahrscheinlichkeitsbegriffs geht von Axiomen aus. Axiome sind in der Mathematik Grundvoraussetzungen, deren Existenz einfach ohne Beweis gefordert wird. Ob das darauf errichtete Gebäude nachher für praktische Anwendungen nützlich ist, hängt von der Wahl der Axiome ab. KOLMOGOROFF hat nach vergeblichen vorausgegangenen Versuchen anderer Mathematiker 933 die Axiome benannt, die der mathematischen Definition der Wahrscheinlichkeit zugrundeliegen. Sie sind so konstruiert, daß der daraus abgeleitete Wahrscheinlichkeitsbegriff dem empirisch aus dem "Gesetz der großen Zahl" gewonnenen Wahrscheinlichkeitsbegriff nicht widerspricht und wir überdies auch für unendliche Ergebnismengen Ω einen sinnvollen Wahrscheinlichkeitsbegriff angeben können. KOLMOGOROFF-Axiome. Als Wahrscheinlichkeit bezeichnen wir eine Funktion P auf der BOOLESCHEN Algebra A der Ereignisse, die folgende Eigenschaften besitzt: I. 0 P ( für alle A A (Positivitätseigenschaft) II. P ( Ω) = (sicheres Ereignis)

5 Seite Stat-5 III. P ( A + für disjunkte Ereignisse A, B A, d.h. A B = {}. Jede Wahrscheinlichkeitsfunktion, die wir konstruieren, muß sich also an diesen "Minimalforderungen" messen lassen. Rechenregeln. Aus den KOLMOGOROFF-Axiomen ergeben sich direkt einige Rechenregeln, die wir hier zusammenstellen wollen: Komplementärereignisse. Aus A A = Ω (Abgeschlossenheit der Algebra bezüglich Komplementbildung) folgt in Verbindung mit Axiom II sofort: =, und im speziellen Fall A = Ω erhalten wir das unmögliche Ereignis P ({}) = 0. Isotonie. Ist A eine Teilmenge eines Ereignisses B, so läßt sich B darstellen als A (. Damit finden wir +, weil A und A B disjunkte Ereignisse sind (Axiom III). Da P ( 0 (Axiom I), erhalten wir also folgende Regel: A B Summen von Ereignissen. Sind endlich viele Ereignisse A, A 2,..., A n paarweise disjunkt, d.h. A A = {} für i j, so addieren sich die Wahrscheinlichkeiten: i j U n n Ak ) = A k k = k = ) Diese Rechenregel folgt direkt durch rekursive Anwendung aus Axiom III. Additionsregel für beliebige Ereignisse. Für die Vereinigungsmenge beliebiger Ereignisse A und B können wir schreiben: A B = ( ( ( Wir haben also das Ereignis A B durch drei disjunkte Ereignisse dargestellt, auf die wir die Summationsregel anwenden können: A + + Nun beachten wir, daß ( A bzw. ( B. Somit gilt nach der Regel für Isotonie von Teilmengen: + + Setzen wir die somit gefunden Ausdrücke und in unsere Formel ein, so finden wir A + + und somit schließlich: P ( A + LAPLACE-Wahrscheinlichkeit. P. S. LAPLACE ( ) legte 82 in seiner Théorie Analytique des Probabilités die Zusammenfassung des damaligen Standes der Wahrscheinlichkeitstheorie vor; unter anderem gab er eine Definition von Wahrscheinlichkeit an, die die praktische Ermittlung von Wahrscheinlichkeiten anhand von Rechenvorschriften ermöglichte. LAPLACE zielte auf Zufallsexperimente mit endlicher Ergebnismenge Ω. Läßt

6 Seite Stat- sich eine solche Ergebnismenge aus lauter gleichwahrscheinlichen Elementarereignissen zusammensetzen, d.h. ω i ) ω) = p = für alle i =,2,..., Ω (hier bezeichnet Ω die Ω Mächtigkeit der Menge Ω, also die Anzahl der in der Menge enthaltenen Elemente), so kann man die Wahrscheinlichkeit eines Ereignisses A einfach durch Abzählen der in A enthaltenen Elementarereignisse bestimmen: Anzahl günstiger Fälle P ( = A = Ω Anzahl möglicher Fälle Diese einfache Rechnung ist möglich, da P ( Ω) = vorausgesetzt wurde. Anwendungsbeispiele für LAPLACE-Wahrscheinlichkeiten. Die LAPLACE-Definition eignet sich hervorragend, um Glücksspiele wie Würfeln, Lotto usw. zu untersuchen. Will man beispielsweise die Wahrscheinlichkeit untersuchen, mit zwei Würfeln ein Pasch zu erzielen (gleiche Augenzahl auf beiden Würfeln), so bietet sich zur Untersuchung dieser Frage folgender Ergebnisraum Ω an, der sich aus gleichwahrscheinlichen Elementarereignissen zusammensetzt: Ω = {(,),(,2),...,(,),(2,),...,(,)} Es ist wichtig, daß wir in diesem Ergebnisraum die Elementarereignisse (i,k) und (k,i) unterscheiden, auch wenn unsere beiden Würfel unter Umständen garnicht unterscheidbar sind. Sonst haben wir keinen Ergebnisraum aus gleichwahrscheinlichen Elementarereignissen vorliegen, und die Anwendungsvoraussetzungen für LAPLACE-Wahrscheinlichkeiten sind nicht gegeben! Die Mächtigkeit des Ergebnisraums ist 3. Das uns interessierende Ereignis beschreiben wir nun durch A = {(,),(2,2),(3,3),(4,4),(5,5),(,)} Die Mächtigkeit von A beträgt. Somit finden wir P ( = A = = Ω 3 Kombinatorik. Es ist manchmal garnicht so einfach, die Mächtigkeiten der Mengen Ω und A zu ermitteln. Mit dem Abzählen dieser Mengen beschäftigt sich die Kombinatorik. Wir geben hier nur die wichtigsten Formeln aus der Kombinatorik kurz als Referenz an: Permutationen: Es sind n! verschiedene Anordnungen von n Objekten möglich. Kombinationen: Auswahl von k Objekten aus einer Menge von n Objekten: n n! ohne Zurücklegen: = (sogenannte Binomialkoeffizienten). k k! ( n k)! n + k mit Zurücklegen: k "mit Zurücklegen" bedeutet, daß dieselben Elemente mehrfach in der Auswahl vorkommen können. Variationen: Kombinationen unter zusätzlicher Berücksichtigung der Anordnung: n! n ohne Zurücklegen: = k! ( n k)! k n (es gibt k! Permutationen der Kombinationen) k mit Zurücklegen: k n ω i

7 Seite Stat-7 Diese Rechenregeln werden u.a. in Zusammenhang mit den sogenannten Urnenmodellen (zufälliges Ziehen von Kugeln aus Urnen, wie beim Lottospiel) benötigt. Bedingte Wahrscheinlichkeit. Zu den wichtigsten Rechenregeln der Wahrscheinlichkeitsrechnung (nicht nur bei LAPLACE-Experimenten) zählt die Berechnung der bedingten Wahrscheinlichkeit. Unter der bedingten Wahrscheinlichkeit eines Ereignisses A unter einer Bedingung B versteht man die Wahrscheinlichkeit, daß A eintritt, wenn B bereits eingetreten ist. Solche Situationen kommen insbesondere bei mehrstufigen Zufallsexperimenten (zum Beispiel beim Entnehmen mehrerer Kugeln hintereinander aus einer Urne) vor. Die bedingte Wahrscheinlichkeit berechnen wir auf einer Ereignisalgebra A mit dem Ergebnisraum Ω für zwei Ereignisse A, B A mit >0 nach folgender Formel: A : = Man kann leicht nachprüfen, daß für festes B die so definierte Funktion P auf A die KOLMOGOROFF-Axiome erfüllt. Daraus folgt sofort der sogenannte Multiplikationssatz A Diese Rechenregel kann man sich insbesondere bei der Untersuchung mehrstufiger Zufallsexperimente zunutze machen, wobei man die bedingten Wahrscheinlichkeiten unmittelbar aus dem Versuchsaufbau ablesen kann. Eine weitere wichtige Rechenregel findet man mit A B B und somit für >0, >0 A B = Bedingte Wahrscheinlichkeiten können im Fall von LAPLACEExperimenten öfters direkt durch Abzählen ermittelt werden, wie folgende Beispiele zeigen: Beispiel Würfeln. Ein Beispiel für die Berechnungsformel für die Wahrscheinlichkeit bedingter Ereignisse zeigen wir anhand des Würfelns ( Ω = { ω, ω 2, ω 3, ω 4, ω5, ω } ). Sei das Ereignis A="Würfeln einer geraden Zahl", während das Ereignis B="Würfeln einer Zahl >4" sein soll. Wir wollen die Ereignisse bezeichnen durch A = ω, ω, } und B = ω 5, ω }. { 2 4 ω { 3 Die Wahrscheinlichkeit von A ergibt sich durch Abzählen zu P ( = A = =. Die Ω 2 Wahrscheinlichkeit des Ereignisses C, eine gerade Zahl und zugleich eine Zahl größer 4 zu würfeln, ergibt sich zu P C) { ω, ω, ω } { ω, ω }) { ω }) /. Damit haben wir ( = / P ( B = = = / 2 3 Wenn wir also über ein Experiment bereits wissen, daß das Experiment zum Wurf einer geraden Zahl geführt hat, so können wir mit der Wahrscheinlichkeit /3 sagen, daß die gewürfelte Zahl größer als 4 gewesen ist. Dieses Ergebnis entspricht natürlich genau der Anschauung. Beispiel Lotto. Beim Lottospiel " aus 49" werden nacheinander sechs Kugeln aus einer Urne gezogen, die anfangs 49 durchnumerierte Kugeln enthält. Die Wahrscheinlichkeit, sechs vorher bestimmte Zahlen (in beliebiger Reihenfolge, ohne Zurücklegen) zu ziehen (also "sechs Richtige zu tippen"), läßt sich mit dem Wahrscheinlichkeitsmodell von LAPLACE in Verbindung mit den Rechenregeln der bedingten Wahrscheinlichkeit bestimmen:

8 Seite Stat-8 Beim ersten Zug befinden sich insgesamt 49 Kugeln in der Urne, von denen für uns "günstig" sind. Wir ordnen dem Ereignis, beim ersten Zug eine "richtige" Zahl zu ziehen, also die Wahrscheinlichkeit P ( A ) = 49 zu. Beim zweiten Zug befinden sich nurmehr 48 Kugeln in der Urne. War das erste Ereignis günstig, so sind unter diesen 48 Kugeln nur noch 5 weitere "Richtige". Dem Ereignis A 2 ="Ziehen einer richtigen Zahl beim zweiten Zug" unter der Bedingung, daß beim ersten Zug bereits eine richtige Zahl gezogen worden ist, also A 2 A, ordnen wir somit wiederum durch Abzählen die Wahrscheinlichkeit 5 P ( A2 A ) = 48 zu. In analoger Weise fahren wir bis zum sechsten Zug fort. Durch Anwendung des Multiplikationssatzes finden wir dann die Formel ! P ( A A2... A ) = = = = & ! 43! 49 Will man nun auch noch die Wahrscheinlichkeiten bestimmen, bei insgesamt sechs gezogenen Zahlen fünf Richtige, vier Richtige usw. zu erzielen, so muß man einerseits beachten, daß es jeweils Möglichkeiten gibt, k Zahlen aus den Richtigen auszuwählen, k und muß andererseits die Anzahl der Möglichkeiten berücksichtigen, aus den 43 "falschen" Zahlen die restlichen k Zahlen hinzuzuwählen. Exemplarisch wollen wir noch den Fall "Fünf Richtige" erläutern (k=5). Wir haben = Möglichkeiten, 5 richtige Zahlen aus den 5 insgesamt richtigen auszuwählen. Die Möglichkeiten, aus den 43 falschen Zahlen eine 43 auszuwählen, sind = 43. Somit ist die Wahrscheinlichkeit, genau fünf Richtige zu tippen, gegeben durch 43 = & Analog fährt man mit den übrigen Fällen "genau vier Richtige", "genau drei Richtige" usw. fort. Dabei kann man wiederum für das Ziehen der "falschen" Zahlen den Multiplikationssatz anwenden. Stochastische Unabhängigkeit. Zwei Ereignisse A und B aus einem Ergebnisraum Ω heißen stochastisch unabhängig, wenn gilt Die bedingte Wahrscheinlichkeit P ( A des Ereignisses A unter der Bedingung B ist im Falle stochastisch unabhängiger Ereignisse also gleich, d.h. das Ereignis B hat auf A keinen Einfluß. Umgekehrt gilt dasselbe für B unter der Bedingung A. Man beachte, daß stochastische Unabhängigkeit und Disjunktheit von Ereignissen verschiedene, nicht austauschbare Begriffe sind! Beispiele für stochastische Unabhängigkeit. Wir gehen davon aus, daß beim Würfeln jeder Wurf des Würfels vom vorausgehenden Wurf unabhängig ist. Somit können wir die Wahrscheinlichkeit des Ereignisses A, bei zweimaligem Würfeln mit einem Würfel beide Male die Sechs zu würfeln, mit Hilfe der Produktformel für stochastisch unabhängige

9 Seite Stat-9 Ereignisse ausrechnnen und erhalten P ( = = bei einmaligem Würfeln eine Sechs zu erhalten. 3, weil die Wahrscheinlichkeit ist, Abzählbar unendliche Ergebnisräume. Es gibt Zufallsexperimente, deren Ergebnisräume unendlich viele Elementarereignisse enthalten, Ω = { ω, ω 2,...}. Um solche Ergebnisräume behandeln zu können, benötigen wir eine erweiterte Version des dritten KOLMOGOROFF- Axioms. III. Seien die Ereignisse A,..., A,... Ω paarweise disjunkt, dann gelte: P ( U Ak ) = A k k = k = ) k Das klassische Beispiel für solche Ergebnisräume ist die Durchführung eines Zufallsexperimentes mit diskreten Merkmalen, das solange durchgeführt wird, bis ein vorher festgelegtes Ereignis eintritt. Beispielsweise kann man solange würfeln, bis man zum ersten Mal eine Sechs erhält. Theoretisch kann dies auch unendlich lange dauern, der Ergebnisraum ist also unendlich: Ω = {" beim. Wurf", " erst beim 2. Wurf", " erst beim 3. Wurf",...} Wir wollen diesen Ereignisraum notieren, indem wir jedes Element mit der Anzahl Würfe bezeichnen, die bis zur Erzielung der Sechs notwendig waren, also Ω = {,2,...}. Die Frage ist jetzt, wie wir die Wahrscheinlichkeiten der Ereignisse, 2, 3,... festlegen sollen, um der erweiterten Version des dritten KOLMOGOROFF-Axioms Genüge zu tun. Wir versuchen einen Zugang über die Formel für unabhängige Ereignisse und schreiben: P ( ) = 5 P ( 2) = 5 P (3) = 2 n 5 P ( n) = für n=,2,... Jetzt sind wir in der Lage, die Wahrscheinlichkeit für das sichere Ereignis "irgendwann kommt die Sechs" anzugeben über: k 5 = = k = Da unsere Definition der Einzelwahrscheinlichkeiten mit der Wahrscheinlichkeit des sicheren Ereignisses im Einklang steht, ist das modifizierte dritte KOLMOGOROFF-Axiom hier erfüllt. Überabzählbar unendliche Ergebnisräume, geometrische Wahrscheinlichkeiten. In der Anwendung im Ingenieurwesen sind jedoch auch überabzählbar unendliche Ergebnisräume von herausragender Bedeutung. Beispielsweise könnten wir ein frei aufgehängtes Rad eines Fahrrades in Drehung versetzen und dann messen, bei welchem Winkel von der Horizontalen gemessen sich das Ventil befindet, wenn das Rad wieder zur Ruhe gekommen ist. Als Ergebnisraum sind dann alle reellen Zahlen im Bereich [ 0;2π ] möglich. Die "Wahrscheinlichkeit" eines Elementarereignisses macht dann keinen Sinn mehr, im Sinne der LAPLACE-Wahrscheinlichkeit müßten wir jedem Elementarereignis die Wahrscheinlichkeit 0 zuordnen. Vielmehr müssen wir zur probabilistischen Untersuchung solcher

10 Seite Stat-0 Zufallsexperimente Ereignisse betrachten, denen wir ein gewisses Maß zuordnen können. Als Maß m( eines Ereignisses A kann beispielsweise die Länge eines dem Ereignis zugeordneten Intervalls auf der reellen Zahlenachse, die Fläche eines dem Ereignis zugeordneten Bereichs im zweidimensionalen Raum usw. verwendet werden. (Anmerkung: Streng genommen müßte man an dieser Stelle in die Theorie der BOREL-Mengen und der zugehörigen Algebra einsteigen und sich mit der mathematischen Maßtheorie beschäftigen, insbesondere mit dem sogenannten LEBESQUE-Maß). Das dritte KOLMOGOROFF-Axiom ist dann entsprechend erweitert zu fassen. In unserem Fall könnten wir uns zum Beispiel für die Wahrscheinlichkeit des Ereignisses A interessieren, daß das Ventil im Bereich [ 0; 2 3 π ] zur Ruhe kommt. Als "Maß" für dieses Ereignis könnten wir die Länge des zugehörigen Kreisbogens auf dem Umfang des Rades wählen, wie im nachfolgenden Bild dargestellt (der eingezeichnete Radius soll die Position des Ventils andeuten): Fahrradreifen - geometrische Wahrscheinlichkeit Nunmehr liegt es nahe und steht im Einklang mit den KOLMOGOROFF-Axiomen, die Wahrscheinlichkeit des Ereignisses A="Ventil kommt im Bereich [ 0; 2 3 π ] zur Ruhe" zu definieren durch: m( P ( = m ( Ω) Die Auswertung dieser Formel ergibt in unserem Fall

11 Seite Stat- 2 Kreisbogen zu A 3 π P ( = = =. Kreisumfang 2π 3 Mehrdimensionales Beispiel zur geometrischen Wahrscheinlichkeit. Im quadratischen Innenhof eines Hauses (Seitenlänge des Innenhofs sei a) steht ein kreisrundes Wasserbecken mit dem Durchmesser d<a/2. Es regnet. Wie groß ist die Wahrscheinlichkeit, daß ein bestimmter Regentropfen in das Wasserbecken fällt? Gedanklich können wir dieses Experiment auf ein LAPLACE-Experiment zurückführen, wenn wir den Innenhof und das Wasserbecken in n² kleine "Kacheln" zerlegen, vgl. Bild. Es spricht kein vernünftiger Grund dagegen, jeder Einzelkachel dieselbe Wahrscheinlichkeit p = zuzuordnen, von dem Regentropfen getroffen zu werden. Somit können wir die n² Wahrscheinlichkeit des Ereignisses "Tropfen fällt in das Becken" näherungsweise durch Abzählen aller Kacheln, die im Inneren des Beckens liegen, bestimmen: Anzahl der Kacheln innerhalb Becken P ( =. Bei Verfeinerung unserer Kacheleinteilung, n² Flächeninhalt des Beckens πd² / 4 also für n, geht dieser Wert gegen das Verhältnis =. Flächeninhalt des Hofes a² m( Wir erhalten also wieder P ( =. m ( Ω) Eine andere interessante Anwendung der geometrischen Wahrscheinlichkeit stellt das sogenannte BUFFONsche Experiment dar, siehe z.b Prof. Dr.-Ing. Stefan M. Holzer, Institut für Mathematik und Bauinformatik, Universität der Bundeswehr München

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

Aufgabe 2.1. Ergebnis, Ergebnismenge, Ereignis

Aufgabe 2.1. Ergebnis, Ergebnismenge, Ereignis Aufgabe 2. Ergebnis, Ergebnismenge, Ereignis Ergebnis und Ergebnismenge Vorgänge mit zufälligem Ergebnis, oft Zufallsexperiment genannt Bei der Beschreibung der Ergebnisse wird stets ein bestimmtes Merkmal

Mehr

Grundlagen. Wozu Wahrscheinlichkeitsrechnung? Definition und Begriff der Wahrscheinlichkeit. Berechnung von Laplace-Wahrscheinlichkeiten

Grundlagen. Wozu Wahrscheinlichkeitsrechnung? Definition und Begriff der Wahrscheinlichkeit. Berechnung von Laplace-Wahrscheinlichkeiten Teil 2: Wahrscheinlichkeitsrechnung 326 Grundlagen Wozu Wahrscheinlichkeitsrechnung? Definition und egriff der Wahrscheinlichkeit erechnung von Laplace-Wahrscheinlichkeiten Rechnen mit einfachem Mengenkalkül

Mehr

Statistik I für Betriebswirte Vorlesung 5

Statistik I für Betriebswirte Vorlesung 5 Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition

Mehr

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis 1 6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Spiele aus dem Alltagsleben: Würfel, Münzen, Karten,... u.s.w. sind gut geeignet die Grundlagen der Wahrscheinlichkeitsrechnung

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

Variationen Permutationen Kombinationen

Variationen Permutationen Kombinationen Variationen Permutationen Kombinationen Mit diesen Rechenregeln lässt sich die Wahrscheinlichkeit bestimmter Ereigniskombinationen von gleichwahrscheinlichen Elementarereignissen ermitteln, und erleichtert

Mehr

Modul: Stochastik. Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung

Modul: Stochastik. Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung Modul: Stochastik Ablauf Vorstellung der Themen Lernen Spielen Wiederholen Zusammenfassen Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung

Mehr

Einführung in die Stochastik

Einführung in die Stochastik Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse

Mehr

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

Übungen zur Mathematik für Pharmazeuten

Übungen zur Mathematik für Pharmazeuten Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl

Mehr

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56 5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten

Mehr

Grundbegriffe der Wahrscheinlichkeitstheorie

Grundbegriffe der Wahrscheinlichkeitstheorie KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir

Mehr

Wahrscheinlichkeitstheorie. Zapper und

Wahrscheinlichkeitstheorie. Zapper und Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten

Mehr

Bestimmen der Wahrscheinlichkeiten mithilfe von Zählstrategien

Bestimmen der Wahrscheinlichkeiten mithilfe von Zählstrategien R. Brinmann http://brinmann-du.de Seite 4.0.2007 Bestimmen der Wahrscheinlicheiten mithilfe von Zählstrategien Die bisherigen Aufgaben zur Wahrscheinlicheitsrechnung onnten im Wesentlichen mit übersichtlichen

Mehr

Gibt es verschiedene Arten unendlich? Dieter Wolke

Gibt es verschiedene Arten unendlich? Dieter Wolke Gibt es verschiedene Arten unendlich? Dieter Wolke 1 Zuerst zum Gebrauch des Wortes unendlich Es wird in der Mathematik in zwei unterschiedlichen Bedeutungen benutzt Erstens im Zusammenhang mit Funktionen

Mehr

Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik)

Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) 1. Einleitung Deskriptive Statistik: Allgemeine und spezielle

Mehr

6 Mehrstufige zufällige Vorgänge Lösungshinweise

6 Mehrstufige zufällige Vorgänge Lösungshinweise 6 Mehrstufige zufällige Vorgänge Lösungshinweise Aufgabe 6.: Begründen Sie, warum die stochastische Unabhängigkeit zweier Ereignisse bzw. zufälliger Vorgänge nur ein Modell der Realität darstellen kann.

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Wahrscheinlichkeit Klasse 8 7

Wahrscheinlichkeit Klasse 8 7 7 Wahrscheinlichkeit Klasse 8 Ereignisse Seite 8 a) Ω {Herz 7; Herz 8; Herz 9; Herz 0; Herz Unter; Herz Ober; Herz König; Herz Ass; Eichel 7; Eichel 8; Eichel 9; Eichel 0; Eichel Unter; Eichel Ober; Eichel

Mehr

Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014

Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014 egelsammlung mb2014 THM Friedberg von 6 16.08.2014 15:04 Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014 Sammlung von Rechenregeln, extrahiert aus dem Lehrbuch: Erhard Cramer, Johanna Neslehová: Vorkurs

Mehr

Übungsaufgaben Wahrscheinlichkeit

Übungsaufgaben Wahrscheinlichkeit Übungsaufgaben Wahrscheinlichkeit Aufgabe 1 (mdb500405): In einer Urne befinden sich gelbe (g), rote (r), blaue (b) und weiße (w) Kugel (s. Bild). Ohne Hinsehen sollen aus der Urne in einem Zug Kugeln

Mehr

P X =3 = 2 36 P X =5 = 4 P X =6 = 5 36 P X =8 = 5 36 P X =9 = 4 P X =10 = 3 36 P X =11 = 2 36 P X =12 = 1

P X =3 = 2 36 P X =5 = 4 P X =6 = 5 36 P X =8 = 5 36 P X =9 = 4 P X =10 = 3 36 P X =11 = 2 36 P X =12 = 1 Übungen zur Stochastik - Lösungen 1. Ein Glücksrad ist in 3 kongruente Segmente aufgeteilt. Jedes Segment wird mit genau einer Zahl beschriftet, zwei Segmente mit der Zahl 0 und ein Segment mit der Zahl

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Risiko und Versicherung - Übung

Risiko und Versicherung - Übung Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de

Mehr

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse

Mehr

2. Rechnen mit Wahrscheinlichkeiten

2. Rechnen mit Wahrscheinlichkeiten 2. Rechnen mit Wahrscheinlichkeiten 2.1 Axiome der Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung ist ein Teilgebiet der Mathematik. Es ist üblich, an den Anfang einer mathematischen Theorie

Mehr

Modellierungskonzepte 2

Modellierungskonzepte 2 Modellierungskonzepte 2 Elke Warmuth Humboldt-Universität Berlin WS 2008/09 1 / 50 1 Pfadregeln 2 Begriff Umbewertung von Chancen Bayessche Formel 3 Verwechslungsgefahr Implizite Lotterien 2 / 50 mehrstufige

Mehr

Einführung in die Statistik für Biologen. Jörg Witte

Einführung in die Statistik für Biologen. Jörg Witte Einführung in die Statistik für Biologen Jörg Witte 1997 Inhaltsverzeichnis 1 Endliche Wahrscheinlichkeitstheorie 3 1.1 Grundbegriffe........................ 3 1.2 Zufallsgrößen und Verteilungsfunktionen.........

Mehr

WS 2008/09. Diskrete Strukturen

WS 2008/09. Diskrete Strukturen WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809

Mehr

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0. 1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

2 Grundbegriffe der Stochastik

2 Grundbegriffe der Stochastik 2.0 Grundbegriffe der Stochastik 76 2 Grundbegriffe der Stochastik In der beschreibenden Statistik (Kapitel 1) haben wir die zu analysierenden Daten als gegeben hingenommen und nicht genauer hinterfragt,

Mehr

1 Mathematische Grundlagen

1 Mathematische Grundlagen Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.

Mehr

Einführung in die Wahrscheinlichkeitsrechnung

Einführung in die Wahrscheinlichkeitsrechnung Statistik 1 für SoziologInnen Einführung in die Univ.Prof. Dr. Marcus Hudec WAHRSCHEINLICHKEITSRECHNUNG It is remarkable that a science which began with the consideration of games of chance should have

Mehr

Einführung in die Statistik

Einführung in die Statistik Einführung in die Statistik Dr. C.J. Luchsinger 1 Wahrscheinlichkeit Literatur Kapitel 1 * gelegentlich lesen: Statistik in Cartoons: Kapitel 1 und 2 (diese Fragen behandle ich in meiner Vlsg nicht) *

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Universität Duisburg-Essen Essen, den 0.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,

Mehr

Venndiagramm, Grundmenge und leere Menge

Venndiagramm, Grundmenge und leere Menge Venndiagramm, Grundmenge und leere Menge In späteren Kapitel wird manchmal auf die Mengenlehre Bezug genommen. Deshalb sollen hier die wichtigsten Grundlagen und Definitionen dieser Disziplin kurz zusammengefasst

Mehr

6.4 Bedeutungsaspekte ausgewählter Begriffe 6.4.1 Zahlbegriffe und Rechenoperationen

6.4 Bedeutungsaspekte ausgewählter Begriffe 6.4.1 Zahlbegriffe und Rechenoperationen 6.4 Bedeutungsaspekte ausgewählter Begriffe 6.4.1 Zahlbegriffe und Rechenoperationen a) Natürliche Zahl Entspricht Bedeutung des Wortes ZAHL beim Schüler bis Kl. 5 Bedeutungen entwickeln sich durch entsprechende

Mehr

Betragsgleichungen und die Methode der Fallunterscheidungen

Betragsgleichungen und die Methode der Fallunterscheidungen mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at

Mehr

y 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6

y 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6 Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit

Mehr

Rechnen mit einfachem Mengenkalkül

Rechnen mit einfachem Mengenkalkül edingte ahrscheinlichkeiten llgemeine Frage: Rechnen mit einfachem Mengenkalkül ie groß ist die ahrscheinlichkeit für ein Ereignis falls bereits ein Ereignis eingetreten ist (und der etrachter über diese

Mehr

3.7 Wahrscheinlichkeitsrechnung II

3.7 Wahrscheinlichkeitsrechnung II 3.7 Wahrscheinlichkeitsrechnung II Inhaltsverzeichnis 1 bedingte Wahrscheinlichkeiten 2 2 unabhängige Ereignisse 5 3 mehrstufige Zufallsversuche 7 1 Wahrscheinlichkeitsrechnung II 28.02.2010 Theorie und

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Elementare statistische Methoden

Elementare statistische Methoden Elementare statistische Methoden Vorlesung Computerlinguistische Techniken Alexander Koller 28. November 2014 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen? Ziel

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Zeichen bei Zahlen entschlüsseln

Zeichen bei Zahlen entschlüsseln Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren

Mehr

Sprechen wir über Zahlen (Karl-Heinz Wolff)

Sprechen wir über Zahlen (Karl-Heinz Wolff) Sprechen wir über Zahlen (Karl-Heinz Wolff) Die Überschrift ist insoweit irreführend, als der Autor ja schreibt und nicht mit dem Leser spricht. Was Mathematik im allgemeinen und Zahlen im besonderen betrifft,

Mehr

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses. XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------

Mehr

6 Conways Chequerboard-Armee

6 Conways Chequerboard-Armee 6 Conways Chequerboard-Armee Spiele gehören zu den interessantesten Schöpfungen des menschlichen Geistes und die Analyse ihrer Struktur ist voller Abenteuer und Überraschungen. James R. Newman Es ist sehr

Mehr

Einführung in die Computerlinguistik Statistische Grundlagen

Einführung in die Computerlinguistik Statistische Grundlagen Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume

Mehr

Die Binomialverteilung

Die Binomialverteilung Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel

Mehr

Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00.

Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. 1 Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses

Mehr

ax 2 + bx + c = 0, (4.1)

ax 2 + bx + c = 0, (4.1) Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die

Mehr

3.8 Wahrscheinlichkeitsrechnung III

3.8 Wahrscheinlichkeitsrechnung III 3.8 Wahrscheinlichkeitsrechnung III Inhaltsverzeichnis ufallsgrössen Der Erwartungswert 3 3 Die Binomialverteilung 6 4 Die kumulierte Binomialverteilung 8 4. Die Tabelle im Fundamentum (oder Formeln und

Mehr

Knut Bartels / Hans Gerhard Strohe. Arbeitsblätter. zur Vorlesung im Wintersemester 2005/06. Statistik II Induktive Statistik

Knut Bartels / Hans Gerhard Strohe. Arbeitsblätter. zur Vorlesung im Wintersemester 2005/06. Statistik II Induktive Statistik Knut Bartels / Hans Gerhard Strohe Arbeitsblätter zur Vorlesung im Wintersemester 2005/06 Induktive Statistik Dies ist kein Vorlesungsskript Wirtschafts- und Sozialwissenschaftliche Fakultät Lehrstuhl

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Einführung in die Stochastik. Dr. Lothar Schüler

Einführung in die Stochastik. Dr. Lothar Schüler Einführung in die Stochastik für Studierende der Informatik im Bachelorstudiengang TU Braunschweig SS 2007 Dr. Lothar Schüler Institut für Mathematische Stochastik Technische Universität Braunschweig Pockelsstr.

Mehr

Theoretische Informatik

Theoretische Informatik Theoretische Informatik für die Studiengänge Ingenieur-Informatik berufsbegleitendes Studium Lehramt Informatik (Sekundar- und Berufsschule) http://theo.cs.uni-magdeburg.de/lehre04s/ Lehrbeauftragter:

Mehr

Lehrstuhl IV Stochastik & Analysis. Stochastik I. Wahrscheinlichkeitsrechnung. Skriptum nach einer Vorlesung von Hans-Peter Scheffler

Lehrstuhl IV Stochastik & Analysis. Stochastik I. Wahrscheinlichkeitsrechnung. Skriptum nach einer Vorlesung von Hans-Peter Scheffler Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik I Wahrscheinlichkeitsrechnung Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 8. November 00 Gesetzt

Mehr

Komplexe Zahlen. 1) Motivierende Aufgabe. 2) Historisches

Komplexe Zahlen. 1) Motivierende Aufgabe. 2) Historisches Annelie Heuser, Jean-Luc Landvogt und Ditlef Meins im 1. Semester Komplexe Zahlen Will man nur addieren und subtrahieren, multiplizieren und dividieren, kommt man uneingeschränkt mit reellen Zahlen aus.

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Hackenbusch und Spieltheorie

Hackenbusch und Spieltheorie Hackenbusch und Spieltheorie Was sind Spiele? Definition. Ein Spiel besteht für uns aus zwei Spielern, Positionen oder Stellungen, in welchen sich das Spiel befinden kann (insbesondere eine besondere Startposition)

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Einführung Statistik und Wahrscheinlichkeitsrechnung Lukas Meier Teilweise basierend auf Vorlesungsunterlagen von Marloes Maathuis, Hansruedi Künsch, Peter Bühlmann und Markus Kalisch. Fehler und Anregungen

Mehr

Statistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00.

Statistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00. 1 Statistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

Musteraufgaben für das Fach Mathematik

Musteraufgaben für das Fach Mathematik Musteraufgaben für das Fach Mathematik zur Vorbereitung der Einführung länderübergreifender gemeinsamer Aufgabenteile in den Abiturprüfungen ab dem Schuljahr 013/14 Impressum Das vorliegende Material wurde

Mehr

Schulinterne Lehrpläne der Städtischen Realschule Waltrop. im Fach: MATHEMATIK Klasse 7

Schulinterne Lehrpläne der Städtischen Realschule Waltrop. im Fach: MATHEMATIK Klasse 7 1. Rationale Zahlen Vernetzen Geben Ober- und Unterbegriffe an und führen Beispiele und Gegenbeispiele als Beleg an (z.b. Proportionalität, Viereck) Überprüfen bei einem Problem die Möglichkeit mehrerer

Mehr

Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes

Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Aufgabe 1: Wetterbericht Im Mittel sagt der Wetterbericht für den kommenden Tag zu 60 % schönes und zu 40% schlechtes

Mehr

inhaltsbezogene Kompetenzbereiche/Kompetenzen Ordnen und vergleichen Zahlen

inhaltsbezogene Kompetenzbereiche/Kompetenzen Ordnen und vergleichen Zahlen Arithmetik/Algebra 1. Rechnen mit Brüchen Vergleichen und bewerten Lösungswege Argumentationen und Darstellungen Erkunden Untersuchen Muster und Beziehungen bei Zahlen und Figuren und stellen Vermutungen

Mehr

Grundkursabitur 2011 Stochastik Aufgabe III

Grundkursabitur 2011 Stochastik Aufgabe III Grundkursabitur 011 Stochastik Aufgabe III An einem Musikwettbewerb, der aus einer Messehalle bundesweit live im Fernsehen übertragenwird, nehmen zwölf Nachwuchsbands aus ganz Deutschland teil. Genau zwei

Mehr

Wahrscheinlichkeitsrechnung beim Schafkopf

Wahrscheinlichkeitsrechnung beim Schafkopf Thema: Facharbeit aus dem Fach Mathematik Wahrscheinlichkeitsrechnung beim Schafkopf Inhalt. Ziel der Facharbeit / Einführung. Grundlegende Überlegungen und Berechnungen.. Kartengeben als Laplace-Experiment..

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Entwurf von Algorithmen - Kontrollstrukturen

Entwurf von Algorithmen - Kontrollstrukturen Entwurf von Algorithmen - Kontrollstrukturen Eine wichtige Phase in der Entwicklung von Computerprogrammen ist der Entwurf von Algorithmen. Dieser Arbeitsschritt vor dem Schreiben des Programmes in einer

Mehr

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens Mathematische Grundlagen der Kryptographie 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe Stefan Brandstädter Jennifer Karstens 18. Januar 2005 Inhaltsverzeichnis 1 Ganze Zahlen 1 1.1 Grundlagen............................

Mehr

Warteschlangen. Vier Doppelstunden in der Carl-Bantzer-Schule Ziegenhain von Johannes Becker

Warteschlangen. Vier Doppelstunden in der Carl-Bantzer-Schule Ziegenhain von Johannes Becker Warteschlangen Vier Doppelstunden in der Carl-Bantzer-Schule Ziegenhain von Johannes Becker Inhaltsverzeichnis 1. Einleitung...1 2. Aufgaben...2 3. Simulation einer Warteschlange mit dem Würfel...2 4.

Mehr

Vorlesung 13.11.2006: Wahrscheinlichkeitsbegriff, Laplace-Wahrscheinlichkeit und ihre Berechnung

Vorlesung 13.11.2006: Wahrscheinlichkeitsbegriff, Laplace-Wahrscheinlichkeit und ihre Berechnung Letzte Vorlesung : Einführung in die Wahrscheinlichkeitsrechnung, Wahrscheinlichkeitsbegriff Vorlesung 13.11.2006: Wahrscheinlichkeitsbegriff, Laplace-Wahrscheinlichkeit und ihre Berechnung kombinatorische

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

1.) Wie viele verschiedene Anordnungen mit drei unterschiedlichen Buchstaben lassen sich aus acht verschiedenen Buchstaben bilden?

1.) Wie viele verschiedene Anordnungen mit drei unterschiedlichen Buchstaben lassen sich aus acht verschiedenen Buchstaben bilden? Aufgaben zur Kombinatorik, Nr. 1 1.) Wie viele verschiedene Anordnungen mit drei unterschiedlichen Buchstaben lassen sich aus acht verschiedenen Buchstaben bilden? 2.) Jemand hat 10 verschiedene Bonbons

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

Vorlesung Analysis I / Lehramt

Vorlesung Analysis I / Lehramt Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch

Mehr

Diskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier fernau@uni-trier.de

Diskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier fernau@uni-trier.de Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre

Mehr

Statistiktraining im Qualitätsmanagement

Statistiktraining im Qualitätsmanagement Gerhard Linß Statistiktraining im Qualitätsmanagement ISBN-0: -446-75- ISBN-: 978--446-75-4 Leserobe Weitere Informationen oder Bestellungen unter htt://www.hanser.de/978--446-75-4 sowie im Buchhandel

Mehr

Allgemeine Definition von statistischer Abhängigkeit (1)

Allgemeine Definition von statistischer Abhängigkeit (1) Allgemeine Definition von statistischer Abhängigkeit (1) Bisher haben wir die statistische Abhängigkeit zwischen Ereignissen nicht besonders beachtet, auch wenn wir sie wie im Fall zweier disjunkter Mengen

Mehr

Teilbarkeit von natürlichen Zahlen

Teilbarkeit von natürlichen Zahlen Teilbarkeit von natürlichen Zahlen Teilbarkeitsregeln: Die Teilbarkeitsregeln beruhen alle darauf, dass man von einer Zahl einen grossen Teil wegschneiden kann, von dem man weiss, dass er sicher durch

Mehr

3 Quellencodierung. 3.1 Einleitung

3 Quellencodierung. 3.1 Einleitung Source coding is what Alice uses to save money on her telephone bills. It is usually used for data compression, in other words, to make messages shorter. John Gordon 3 Quellencodierung 3. Einleitung Im

Mehr

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt

Mehr

Technische Informatik - Eine Einführung

Technische Informatik - Eine Einführung Martin-Luther-Universität Halle-Wittenberg Fachbereich Mathematik und Informatik Lehrstuhl für Technische Informatik Prof. P. Molitor Ausgabe: 2005-02-21 Abgabe: 2005-02-21 Technische Informatik - Eine

Mehr

Programmiersprachen und Übersetzer

Programmiersprachen und Übersetzer Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch

Mehr

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer

Mehr

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer

Mehr

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung. Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

MATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE

MATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE Europäische Schulen Büro des Generalsekretärs Abteilung für pädagogische Entwicklung Ref.:2010-D-581-de-2 Orig.: EN MATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE Kurs 4 Stunden/Woche VOM GEMISCHTER PÄDAGOGISCHER

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Ruinwahrscheinlichkeiten im Glücksspiel

Ruinwahrscheinlichkeiten im Glücksspiel Ruinwahrscheinlichkeiten im Glücksspiel Wilhelm Stannat Fachbereich Mathematik TU Darmstadt February 24, 2007 Stochastik = Wahrscheinlichkeitstheorie + Statistik Wahrscheinlichkeitstheorie = Mathematische

Mehr