Wiederholung Analysis
|
|
- Annika Braun
- vor 5 Jahren
- Abrufe
Transkript
1 Wiederholung Analysis F( x) sei Stammfunktion zu f( x) f( x) dx = F( x) F ( x) = f( x) Bestimmtes Integral b a f ( x) dx = F( b) F( a) Uneigentliche Integrale x x x f() t 0 F( x) = f() t dt ist monoton wachsend A=F(b)-F(a) a f ( t) dt = F( x) lim F( a), falls der Grenzwert existiert a f ( t) dt = lim F( b) F( x), falls der Grenzwert existiert b b f(x) Stet. Vert. 1
2 Stetige Zufallsgrößen Eine Zufallsgröße heißt stetig, wenn sie alle Werte eines Intervalls annehmen kann. Stetige Zufallsgrößen beschreiben zum Beispiel: Lebensdauer eines Bauelements Wartezeiten auf eine Bedienung Fehler bei Längenmessungen Problem Ist X eine stetige Zufallsgröße, so gilt P(X = x) = 0 für jedes x, d.h. jeder Wert wird mit der Wahrscheinlichkeit 0 angenommen. Eine stetige Verteilung ist also nicht über Punktwahrscheinlichkeiten P(X = x) beschreibbar. Ausweg Anstelle von P(X = x) werden alle Intervallwahrscheinlichkeiten P(X x) für die Charakterisierung der Verteilung betrachtet. Dadurch entsteht eine Verteilungsfunktion. Stet. Vert.
3 Verteilungsfunktion Verteilungsfunktion der Zufallsgröße X: Fx ( ) = PX ( x), x Interpretation F(x) gibt die Wahrscheinlichkeit an, dass X Werte im Intervall (-, x] annimmt. Eigenschaften der Verteilungsfunktion 1. 0 F( x) 1. F( x) ist monoton wachsend lim F( x) = 0 x lim F( x) = 1 x + Fx ( ) = PX ( x) 0 0 Stet. Vert. 3
4 Intervallwahrscheinlichkeiten Berechnung von Intervallwahrscheinlichkeiten Pa ( < X b) = Fb ( ) Fa ( ) PX ( b) = Fb ( ) Pa ( < X b) = Fb ( ) Fa ( ) Pa ( < X) = 1 Fa ( ) Da bei stetigen Zufallsgrößen die Punktwahrscheinlichkeiten P(X = x) gleich Null sind, sind < und bei der Berechnung der Intervallwahrscheinlichkeiten beliebig austauschbar. Stet. Vert. 4
5 Stetige Zufallsgrößen Die Intervallwahrscheinlichkeiten sind umso größer, je steiler der Anstieg von F(x) ist. Das Anstiegsverhalten von F( x) wird über die erste Ableitung beschrieben: F ( x) = f( x) a b F(b )-F(a ) In Intervallen mit großen Werten steilem Anstieg von F(x), d.h. großen Werten von F ( x) = f( x) liegt X mit hoher Wahrscheinlichkeit, daher bezeichnet man f( x) als Dichte. Stet. Vert. 5
6 Dichte Dichte f( x) einer stetigen Zufallsgröße X mit der Verteilungsfunktion F F ( x) = f( x) Eigenschaften der Dichte 1. f( x) 0. + f ( x) dx = F( ) F( ) = 1 3. In Intervallen mit Dichte = 0 liegen (quasi) keine Realisierungen von X 4. In Intervallen mit hoher Dichte liegen ' viele' Werte der Zufallsgröße ( X liegt dort mit hoher Wahrscheinlichkeit) Berechnung der Verteilungsfunktion aus der Dichte F( x) = f () t dt x 5.1 Stet. Vert. 6
7 Count Count Dichte Dichte ist Grenzfall des Histogramms ( n, Klassenbreite 0) Count ,00-1,00 0,00 1,00,00 r ,00-1,00 0,00 1,00,00 r00-3,00 -,00-1,00 0,00 1,00,00 r400 Histogramme von 100, 00 bzw. 400 (normalverteilten) Zufallszahlen mit steigender Klassenanzahl bei fallender Klassenbreite und Dichte der Verteilung Stet. Vert. 7
8 Dichte Berechnung von Intervallwahrscheinlichkeiten mit der Dichte b P( a < X b) = f ( x) dx a Pa ( < X b) a P( X a) = f ( x) dx a b P( X b) f ( x) dx > = b PX ( a) a Da bei stetigen Zufallsgrößen die Punktwahrscheinlichkeiten P(X = x) alle gleich Null sind, sind < und bei der Berechnung der Intervallwahrscheinlichkeiten beliebig austauschbar. b PX ( > b) Stet. Vert. 8
9 Kenngrößen stetiger Verteilungen X sei eine stetige Zufallsgröße mit der Dichte f(x): Erwartungswert E X = x f ( x) dx Varianz Standardabweichung (Streuung) X = x X f x dx Var ( E ) ( ) s = + = x f ( x) dx (E X ) s EX VarX Variationskoeffizient v = (nur bei X >= 0) Stet. Vert. 9
10 Kenngrößen stetiger Verteilungen Vergleich der Formelstrukturen stetige Zufallsgröße Erwartungswert E X = x f ( x) dx Varianz Var X = ( x E X ) f ( x) dx diskrete Zufallsgröße EX = x P( X = x ) k k Var X = ( xk EX ) P( X = xk) k k Formeln bei stetigen und diskreten Zufallsgrößen sind analog Dichte f(x) entspricht der Wahrscheinlichkeitsfunktion p k =P(X=x k ) Integral entspricht dem Summenzeichen Stet. Vert. 10
11 Kenngrößen stetiger Verteilungen u α heißt α - Quantil der Verteilung von X, wenn PX ( < ) =α,0<α< 1 u α Zusammenhang zu Dichte uα P( X < u ) =α f ( x) dx =α α Zusammenhang zu Verteilungsfunktion α= PX ( < u) = Fu ( ) α α α u α u α α Folgerungen links von u α liegen α 100% der Werte von X Ist die Verteilungsfunktion streng monoton, existiert ihre Umkehrfunktion, und es gilt: u F 1 ( α ) α = Stet. Vert. 11
12 Spezielle stetige Verteilungen Wichtige Verteilungen für Modellierung (Auswahl): Gleichverteilung Gl[a,b] Exponentialverteilung exp(λ) Normalverteilung N(µ, σ ) Weibullverteilung W(b,T) Erlangverteilung Erlang(λ,n) Gammaverteilung Γ (a,n) Wichtige Testverteilungen in schließender Statistik: T Verteilung t n χ - Verteilung χ n F Verteilung F m,n Stet. Vert. 1
13 Spezielle stetige Verteilungen Gleichverteilung auf Intervall [ ab, ] Modell [ ] Außerhalb des Intervalls ab, liegen keine Werte von X. Die Wahrscheinlichkeit, dass X Werte in einem Teilintervall von [ ab, ] annimmt, ist nur abhängig von der Intervalllänge, aber nicht von der Lage des Teilintervalls. Bezeichnung: X ~ Gl[a,b] Dichte Verteilungsfunktion Erwartungswert EX = 1 x f( x) = b a 0 sonst [ ab, ] 0 x a x a F( x) = a< x b b a 1 x> b a+ b Varianz VarX = ( b a) 1 a a b b 5. Stet. Vert. 13
14 Normalverteilung Normalverteilung N(µ, σ ) Anwendungen 1. Verteilung zufälliger Messfehler. Verteilung der Summe von vielen unabhängigen Zufallsgrößen 3. Verteilung des Mittelwertes von unabhängigen Zufallsgrößen n 1 X = X für n 30 in guter Näherung n i = 1 i Bedeutung in der Statistik Normalverteilung ist am besten untersuchte stetige Verteilung in Statistik! Stet. Vert. 14
15 Normalverteilung Normalverteilung N(µ, σ ) Dichte : Gaußsche Glockenkurve f( x) = 1 πσ e ( x µ ) σ Parameter µ σ >, 0 Kurvendiskussion: - Maximum in μ - symmetrisch zu μ - Wendepunkte in μ ± σ µ σ µ µ+σ Stet. Vert. 15
16 Normalverteilung Normalverteilung N(µ, σ ) Form der Dichte in Abhängigkeit von den Parametern 1. Die Werte der Zufallsgröße X sind um μ konzentriert. Je größer der Abstand von μ, desto seltener liegen die Werte 3. Je kleiner σ, desto enger ist die Kurve Bedeutung der Parameter Erwartungswert: E X = μ Varianz: Var X = σ² N(0,1) N(0,4) N(1,1) Stet. Vert. 16
17 Normalverteilung Berechnung von Wahrscheinlichkeiten zu Fuß nicht möglich ( < ) = ( x µ ) σ P a X b e dx b a 1 πσ Es gibt keine Stammfunktion für das Integral, nur tabellierte Werte. Verteilungsfunktion φ ( ) = ( µσ, x 1 ( t µ ) σ x e dt ) πσ Spezialfall µ= 0, σ = 1 Standardnormalverteilung φ ( ) ( ) ( 0, 1) x =φ x Tabellen existieren nur für den Spezialfall der Standardnormalverteilung, für Parameter µ 0, σ 1 ist Transformation erforderlich. Stet. Vert. 17
18 Normalverteilung Transformation in Standardnormalverteilung X sei eine normalverteilte Zufallsgröße, X ~ N(μ, σ ), dann gilt: X µ Z = N(0,1) σ Da die Standardnormalverteilung symmetrisch zu Null ist, existieren Tabellen nur für x 0. Für x < 0 erfolgt eine Umrechnung nach folgender Beziehung: Φ( x) = 1 Φ( x) Beispiel X~ N(, 9), dann ist μ =, σ = Φ (,9)(1) =Φ(0,1) 1 =Φ(0,1) 3 (0,1) ( ) = 1 Φ 0.33 = = Stet. Vert. 18
19 Normalverteilung Standardnormalverteilung: Tabellierte Verteilungsfunktion Auf den Rändern steht das Argument mit maximal Dezimalstellen, im Inneren der entsprechende Funktionswert. 0,00 0,00 0,01 0,0 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,00,5000,5040,5080,510,5160,5199,539,579,5319,5359 0,10,5398,5438,5478,5517,5557,5596,5636,5675,5714,5753 0,0,5793,583,5871,5910,5948,5987,606,6064,6103,6141 0,30,6179,617,655,693,6331,6368,6406,6443,6480,6517 0,40,6554,6591,668,6664,6700,6736,677,6808,6844,6879 0,50,6915,6950,6985,7019,7054,7088,713,7157,7190,74 0,60,757,791,734,7357,7389,74,7454,7486,7517,7549 0,70,7580,7611,764,7673,7704,7734,7764,7794,783,785 0,80,7881,7910,7939,7967,7995,803,8051,8078,8106,8133 Ablesebeispiel Φ (0,1) ( 0.33) = Stet. Vert. 19
20 Normalverteilung Berechnung von Intervallwahrscheinlichkeiten für X ~ N ( µσ, ) b µ a µ Pa ( < X b) =Φ Φ σ σ a µ Pa ( < X) = 1 Φ σ b µ PX ( b) =Φ σ k- σ- Regel für normalverteilte Zufallsgrößen P( µ σ< X <µ+σ ) = P( µ σ< X <µ+ σ ) = P( µ 3σ< X <µ+ 3 σ ) = für k =1,,3 5.3 Stet. Vert. 0
21 Additionssatz Additionssatz für unabhängige, normalverteilte Zufallsgrößen ( 1 1 ) ( ) X + Y N( µ 1+µ σ 1 +σ) Sei X ~ N µ, σ, Y ~ N µ, σ, dann ist X + Y normalverteilt, und es gilt Folgerung ~,. Die Verteilung der Summe von Zufallsgrößen nennt man Faltung. Eine explizite Berechnung von Faltungen ist oft elementar schwierig. Der Additionssatz besagt, dass eine Faltung von unabhängigen Normalverteilungen wieder eine NV ergibt. X,..., 1 X n seien unabhängig, identisch verteilt nach N ( µσ, ) Dann gilt 1 X = X N µσ n n i ~ (, / ) n 5.4 i = 1 Stet. Vert. 1
22 Quantile der Standardnormalverteilung Die Quantile der Normalverteilung erhält man aus der Verteilungstabelle, indem man α im Inneren der Tabelle als Funktionswert sucht. Das dazugehörige Argument auf dem Rand ist dann das Quantil der Ordnung α. Die Symmetrie der Dichte bewirkt folgende Symmetrie der Quantile zα = z 1 α Spezielle Quantile α α z z z = 1.64 = 1.96 =.33 z α z 1 α Stet. Vert.
23 Exponentialverteilung Exponentialverteilung mit Parameter λ Modell Lebensdauerverteilung mit Nichtalterungseigenschaft 1/λ ist das mittlere Alter einer so verteilten Größe, λ > 0 Bezeichnung: X ~ Exp(λ) Dichte 0 x 0 f( x) = λx λ e x > 0 y F(x) 0.6 Verteilungsfunktion Erwartungswert 0 x 0 F( x) = λx 1 e x > EX = Varianz VarX = λ λ x 5.5 Stet. Vert. 3
24 Exponentialverteilung Nichtalterungseigenschaft der Exponentialverteilung PX ( t+ h/ X t) = PX ( h) für alle t 0, h 0 Interpretation Fällt ein Teil mit exponentiell verteilter Lebensdauer im Intervall (0,t) nicht aus, dann ist Wahrscheinlichkeit, noch länger als h Zeiteinheiten zu leben so groß wie die Wahrscheinlichkeit, als neues Teil (startend in 0) länger als h zu leben. Verteilung des Minimums von Exponentialverteilungen Seien X1, X,..., Xn unabhängige, exponentialverteilte Zufallsgrößen mit den Parametern λ,..., 1 λn Satz Das Minimum min( X1, X,..., X n ) ist exponentialverteilt mit dem Parameter n λ k= 1 k 5.6 Stet. Vert. 4
25 Erlangverteilung Modell Verteilung der Summe von Exponentialverteilungen Seien X1, X,..., Xn unabhängige, exponentialverteilte Zufallsgrößen mit dem gleichen Parameter λ Die Summe X = X1+ X Xn heißt erlangverteilt der Ordnung n mit Parameter λ X ~ Erl(n,λ) (Faltung n unabhängiger exponentialverteilter ZG mit gleichem λ) Verteilungsfunktion Dichte n 1 λ ( λx) F( x) = e k! k= 0 n 1 ( λx) f( x) = λ e ( n 1)! k λx Erwartungswert Varianz n EX = λ n VarX = λ Stet. Vert. 5
26 Exponentialverteilung Anwendung in der Zuverlässigkeitstheorie T sei die zufällige Lebensdauer eines Bauelements, dann ist ihre Verteilung die Ausfallwahrscheinlichkeit PT ( < t) = Ft ( ), t> 0 R sei die (zufällige) Überlebensfunktion/Zuverlässigkeitsfunktion des Bauelements, Rt () = PT ( t) = 1 Ft (), t 0 Mittlere Lebensdauer ET = t f () t dt 0 es gilt ET = R() t dt, falls ET < 0 Ausfallrate (Hazardfunktion) h( x) dx 0 ht () = f()/ t Rt () es gilt Rt () = e Ausfallrate gibt an, mit welcher Chance ein Element im nächsten (beliebig kleinen) Zeitraum ausfallen wird, wenn es bis zum Zeitpunkt t überlebt hat. t 5.7 Stet. Vert. 6
27 Weibullverteilung Weibullverteilung mit den Parametern b und T Modell Lebensdauerverteilung mit zeitabhängiger Ausfallrate (Alterung modellierbar) Bezeichnung: X ~ Wei(b,T), b > 0, T > 0 Verteilungsfunktion T F( x) = 1 e, x 0 b x Dichten für verschiedene b Dichte b x f( x) = T T b 1 x T e b Bedeutung der Parameter T > 0: charakteristische Lebensdauer, das entspricht der Zeit, in der 63.% aller Objekte ausgefallen sind b > 0: Ausfallsteilheit, in der Praxis meist 0.5 < b < 5 ab b = 3.5 Ähnlichkeit mit NV b = 1: Exponentialverteilung mit λ=1/t Stet. Vert. 7
28 Weibullverteilung Verteilungsfunktion T F( x) = 1 e, x 0 b x Alternative Darstellung mit 1 β= b und α= T αx F( x) = 1 e, x 0 β β Dichte Erwartungswert Varianz Ausfallrate b 1 x T b x f( x) = e T T 1 EX = T Γ + 1 b 1 VarX = T Γ + 1 Γ + 1 b b 1 λ ( x) = b x T b b 1 b β 1 αx f( x) = αβx e 1/ 1 EX β =α Γ + 1 β β / β 1 VarX =α Γ + 1 Γ + 1 β β λ ( x) = αβ 1 x β wobei die Gamma-Funktion definiert ist durch y α 1 a e y dy Γ ( ) = 0 Stet. Vert. 8
29 Gamma-Funktion Die Gamma-Funktion ist eine Fortsetzung von f( n) = ( n 1)! auf die reellen Zahlen mit Ausnahme der negativen ganzen Zahlen und Null durch y α 1 a e y dy Γ ( ) = 0 Spezielle Funktionswerte erhält man aus folgenden Eigenschaften: Eigenschaften der Gamma-Funktion Γ (1) = 1 Γ ( n) = ( n 1)! Γ( α ) = ( α 1) Γ( α 1) Γ (1/ ) = π (n 1) Γ n + = π n π Bsp. Γ (3/ ) =Γ (1 + 1/ ) = weitere Funktionswerte sind tabelliert bzw. mit MATLAB berechenbar y x 5.8 Stet. Vert. 9
30 Weibullverteilung Anwendung: Modellierung der Ausfallwahrscheinlichkeit/Lebensdauer von Systemen bei nicht konstanter Ausfallrate Ausfallwahrscheinlichkeit: W( X t) = Ft () = 1 e Zuverlässigkeit: Rt () = 1 Ft () = e b t T b t T Ausfallrate: f() t b t ht () = = Rt () T T b 1 Ausfallrate gibt an, mit welcher Chance ein Element im nächsten (beliebig kleinen) Zeitraum ausfallen wird, wenn es bis zum Zeitpunkt t überlebt hat. b > 1: Ausfallrate λ() t steigt mit t (Verschleißausfälle) b < 1: Ausfallrate λ() t ist monoton fallend (Frühausfälle, dann Stabilität) 1 b = 1: konstante Ausfallrate λ () t = (Exponentialverteilung) T Stet. Vert. 30
31 Stetige Verteilung Wichtige Verteilungen der schließenden Statistik Standardnormalverteilung χ - Verteilung mit n Freiheitsgraden: t - Verteilung mit n Freiheitsgraden: F Verteilung mit (n, m) Freiheitsgraden: Die Freiheitsgrade berechnet man aus dem jeweiligen Stichprobenumfang. Die Werte ihrer Quantile sind für verschiedene Freiheitsgrade und Quantilordnungen α tabelliert. Für ein Quantil u a der Ordnung α jeder der Verteilungsfunktionen F gilt 1 Fu ( ) =α u = F ( α) a a Viele Computerprogramme enthalten die Werte der inversen Verteilungsfunktionen. Stet. Vert. 31
32 Stetige Verteilung χ - Verteilung mit n Freiheitsgraden: χ n = Z + + Zn mit Z i 1... ~ N(0,1), unabhängig χ Die -Verteilungen sind nicht symmetrisch! Daher hat man auch keine Symmetrie in den Quantilen, χ und χ n, α n,1 α können nicht ineinander umgerechnet werden. Ab n > 30 können die Quantile mit denen der NV genähert werden, 1 χn ( z + n 1), α α Stet. Vert. 3
33 Stetige Verteilung t - Verteilung mit n Freiheitsgraden: n n / n / T = Z χ n mit Z ~ N(0,1), χ chi-quadrat-verteilt mit n FG, unabh. von Z Die t-verteilung besitzt die gleiche Symmetrieeigenschaft wie die NV, folglich ist t = 1 α ta Mit wachsendem n nähert sich die t-verteilung der NV, ab n = 30 kann sie durch die der NV in guter Näherung ersetzt werden. Stet. Vert. 33
34 Stetige Verteilung F Verteilung mit (n, m) FG: nm, = ( χn/ ) /( χm/ ) F n m mit χ, χ n m chi-quadrat-verteilt mit n bzw. m Freiheitsgraden, unabhängig Für die Quantile gilt folgende Beziehung f mna.. = f 1 nm,,1 α Stet. Vert. 34
35 Stet. Vert. Nr.
36 Grenzwertsätze Spezialfall: Grenzwertsatz von Moivre-Laplace X np Sei X~ Bin ( np, ), dann nähert sich die Verteilung von Zn = für np(1 p) n der Standardnormalverteilung. 9 (Faustregel: n>, bei p(1 p) p auch n p> ) Damit lässt sich die Binomialverteilung Bin(n,p) durch eine Normalverteilung mit µ= np σ = np p, (1 ) approximieren. Es gilt für X ~ Bin(n,p) x np PX ( x) Φ np(1 p) Approximation mit Stetigkeitskorrektur x np x 0.5 np PX ( = x) Φ Φ np(1 p) np(1 p) 5.9, Stet. Vert. 36
37 Grenzwertsätze Tschebyscheffsche Ungleichung VarY P( Y EY ε), ε> 0 ε Folgerung σ 1 8 P( Y EY 3 σ) =, folglich P( Y EY < 3 σ) 9σ 9 9 Schwaches Gesetz der großen Zahlen Sei EX n ( ) X n n = 1,,... =µ, VarX =σ Dann gilt für alle ε> 0 n eine Folge unabhängiger, identisch verteilter Zufallsgrößen mit N 1 lim N P Xn µ ε 0 N = n= 1 Stet. Vert. 37
38 Grenzwertsätze Folgerung Konvergenz der relativen Häufigkeiten eines Ereignisses gegen seine Wahrscheinlichkeit Serie von N unabhängigen, zufälligen Versuchen zur Beobachtung des Ereignisses A X n 1 falls A im n-ten Versuch eintritt = 0 sonst Dann ist PX ( = 1) = p, PX ( = 0) = 1 p, EX = p n n n Nach dem schwachen Gesetz der großen Zahlen gilt für die relative Häufigkeit N 1 fn( A) = Xn N n = 1 N 1 lim N P Xn µ ε lim N P( fn( A) p ) 0 N = ε = n= 1 Stet. Vert. 38
39 Vektoren stetiger Zufallsgrößen X = [X 1, X ] sei Vektor stetiger Zufallsgröße über der gleichen Grundmenge Ω Gemeinsame Verteilungsfunktion F ( x, x ) = P( X x X x ), x, x X Randverteilungen der Komponenten F ( x) = lim F ( x, x ), F ( x) = lim F ( x, x) X x X X x X Die Komponenten X 1, X sind unabhängig, wenn F ( x, x ) = F ( x ) F ( x ), x, x X 1 X 1 X 1 1 Der Vektor heißt stetig verteilt mit der gemeinsamen Dichte x x 1 F ( x, x ) = f ( ξ, ξ ) dξ dξ X 1 X 1 1 fx ( x, x ), wenn Bei Unabhängigkeit ist diese Dichte gleich dem Produkt der Randdichten f ( x, x ) = f ( x ) f ( x ) X 1 X 1 X 1 1 f x F x ' X ( ) = X ( ) i i Stet. Vert. 39
40 Vektoren stetiger Zufallsgrößen X 1, X seien stetige Zufallsgröße mit der gemeinsamen Dichte f X Kovarianz Cov( X, X ) = E( X EX )( X EX ) Korrelation ρ= Cov( X, X ) VarX 1 VarX 1 = ( x EX )( x EX ) f ( x, x ) dx dx 1 1 X 1 1 Mit -1 ρ 1 ist die Korrelation ein Maß für die lineare Abhängigkeit, wobei ρ = 0 für lineare Unabhängigkeit steht. Faltung von X 1, X : Verteilung der Summe Z = X 1 + X Dichte der Faltung bei zusätzlicher Voraussetzung der Unabhängigkeit von X 1, X + f ( z) = f ( z) = f ( x) f ( z x) dx Z X X X X 1 1 Stet. Vert. 40
Statistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
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
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
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
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 10. Übung SS 18: Woche vom
Übungsaufgaben 10. Übung SS 18: Woche vom 18. 6. 22. 6. 2016 Stochastik IV: ZG (diskret + stetig); Momente von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
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
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrPunkte 2 und 3 genau gleich für stetige Verteilungen. zl uniform verteilte Zz. in (0,1)
220 6.1 Stetige Verteilungen: Einleitung Repetition diskrete Verteilungen: 1. Verteilung gegeben durch die P X = x für alle mögl. Werte x (=0,1,2,... f. Zähldaten) 2. oder: durch (theoretische) kumulative
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 18: Woche vom
Übungsaufgaben 11. Übung SS 18: Woche vom 25. 6. 29. 6. 2016 Stochastik V: ZG; Momente von ZG; Zufallsvektoren Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 16. Januar 2015 1 Verteilungsfunktionen Definition Binomialverteilung 2 Stetige Zufallsvariable,
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 13: Woche vom
Übungsaufgaben 11. Übung SS 13: Woche vom 24. 6. 13-28. 6. 2013 Stochastik V: ZG Momente von ZG; Grenzverteilungssätze Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/
Mehr1 Die stetige Gleichverteilung 2. 2 Die Exponentialverteilung 3. 3 Die Normalverteilung 5. 4 Die Testverteilungen Gauss-Vektoren 17
Wirtschaftswissenschaftliches Zentrum 9 Universität Basel Mathematik 2 Dr. Thomas Zehrt Stetige Standardverteilungen Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt,
MehrÜbungsrunde 11, Gruppe 2 LVA , Übungsrunde 10, Gruppe 2, Markus Nemetz, TU Wien,
1 4.36 Übungsrunde 11, Gruppe 2 LVA 17.369, Übungsrunde 1, Gruppe 2, 16.1.27 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 16.1.27 1.1 Angabe Die logische Struktur eines Systems bestehend aus drei
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung SS 18: Woche vom
Übungsaufgaben 12. Übung SS 18: Woche vom 2. 7. 6. 7. 2018 Stochastik VI: Zufallsvektoren; Funktionen von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrMathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^2],{x,0,10}] 76
4. Normalverteilung Gauß'sche Glockenkurve: P(a X b) = b 1 x 1 a e dx 1 0.8 0.6 0.4 0. 4 6 8 10 Mathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^],{x,0,10}] 76 Zentraler Grenzwertsatz: Es sei X 1, X,... eine
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrVorlesung Stetige Verteilungen / Mathematische Behandlung
B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
Mehr6. Kontinuierliche Zufallsgrößen. Beispiel 1: Die Exponentialverteilungen Sei λ > 0. Setzen
6. Kontinuierliche Zufallsgrößen Definition: Eine Z. G. ξ ist absolut stetig mit (Wahrscheinlichkeits-) Dichte f : R R, wenn gilt: P ( a ξ < b ) = b a f(x) dx (a < b) allgem. Eigenschaften einer Dichte
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)
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
Mehr