3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen
|
|
- Reinhold Schmitz
- vor 5 Jahren
- Abrufe
Transkript
1 3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen 3.1 Einführung Bsp. 19 (3-maliges Werfen einer Münze) Menge der Elementarereignisse: Ω = {zzz,zzw,zwz,wzz,zww,wzw,wwz,www}. Ω = 2 3 = 8 = N Wir definieren zwei Ereignisse: A: Das Wappen fällt genau einmal, d.h.: A = {zzw,zwz,wzz}. 95 W.Kössler, Humboldt-Universität zu Berlin
2 P(A) = n(a) N = 3 8. B: Die Anzahl der Wappenwürfe ist ungerade,d.h.: B = {zzw,zwz,wzz,www}. P(B) = n(b) N = 4 8 = 1 2. Wir nehmen jetzt an, das Ereignis B sei bereits eingetreten. Wie groß ist die Wahrscheinlichkeit, daß unter dieser Bedingung das Ereignis A eintritt? Offenbar A B. Bei diesem Experiment ist die Menge der Elementarereignisse die Menge B. Damit gilt N = 4. Folglich erhalten wir: P(A, falls B bereits eingetreten ist) = P(A/B) = W.Kössler, Humboldt-Universität zu Berlin
3 Def. 9 Es seien A,B E zwei zufällige Ereignisse und es gelte P(B) > 0. Dann wird P(A/B) = P(A B) P(B). als bedingte Wahrscheinlichkeit von A unter der Bedingung B bezeichnet. Bem.: Oft wird auch die folgende Bezeichnung verwendet: P B (A) := P(A/B). 97 W.Kössler, Humboldt-Universität zu Berlin
4 Bem.: Wir unterscheiden folgende Fälle: 1. A B: Dann gilt: P(A/B) = P(A B) P(B) 2. A B: Dann gilt: P(A/B) = P(A B) P(B) = P(B) P(B) = 1. = P(A) P(B). 3. A B (teilweise Überschneidung): Dann gilt: P(A/B) = P(A B) P(B). Def. 10 Zwei Ereignisse A, B E heißen unabhängig, wenn gilt: P(A/B) = P(A). 98 W.Kössler, Humboldt-Universität zu Berlin
5 Bem.: Für zwei unabhängige Ereignisse gilt: P(A B) = P(A) P(B). 99 W.Kössler, Humboldt-Universität zu Berlin
6 Bsp. 20 (Skatblatt) Skatspiel mit 32 Karten. Daraus wird eine Karte gezogen. (N = Ω = 32). Wir betrachten die beiden folgenden zufälligen Ereignisse: A: Ziehen eines Königs. B: Ziehen einer Herzkarte. P(A) = n(a) N = 4 32 = 1 8. P(B) = n(b) N = 8 32 = 1 4. Sind diese beiden Ereignisse voneinander unabhängig? 100 W.Kössler, Humboldt-Universität zu Berlin
7 Offenbar P(B) > 0. Es sei eine Herzkarte gezogen worden (Ereignis B also eingetreten). Wahrscheinlichkeit, daß dann der Herzkönig gezogen wurde: P(A/B) = P(A B) P(B) = = 1 8 = P(A). Folglich sind nach Definition 10 die Ereignisse A und B voneinander unabhängig. 101 W.Kössler, Humboldt-Universität zu Berlin
8 Satz 4 Es seien A, B E zwei Ereignisse, wobei P(B) > 0 gelte. Dann genügt die bedingte Wahrscheinlichkeit P B den KOLMOGOROFF Axiomen. D.h. das Tripel (Ω, E,P B ) ist ein Wahrscheinlichkeitsraum. Beweis: Wir zeigen stellvertretend Axiom 2. Es gilt: P B (Ω) = P(Ω/B) P(Ω B) = P(B) = P(B) P(B) = 1 Die anderen beiden Axiome (vgl. Definition 6) sind ebenfalls erfüllt. 102 W.Kössler, Humboldt-Universität zu Berlin
9 Satz 5 Es seien A, B, C E drei Ereignisse. Dann gilt: Beweis: Es gilt: P B (A/C) = P(A/B C). P B (A/C) = P B(A C) P B (C) P(A C/B) = P(C/B) P(A B C) P(B) = P(B) P(B C) P(A B C) = P(B C) = P(A/B C) 103 W.Kössler, Humboldt-Universität zu Berlin
10 Lemma 6 Es seien A,B E zwei unabhängige Ereignisse. Dann sind die Ereignisse A und B ebenfalls unabhängig. Gleiches gilt für die Ereignisse A und B sowie für A und B. Beweis: Wir zeigen die Aussage am Beispiel der Ereignisse 104 W.Kössler, Humboldt-Universität zu Berlin
11 A und B. Es gilt: P(A B) P(A/B) = P(B) P(A \ (A B)) = (Folgerung 2.1)) 1 P(B) P(A) P(A B) = (Folgerung 2.3b)) 1 P(B) P(A) P(A)P(B) = 1 P(B) P(A)(1 P(B)) = 1 P(B) = P(A) Diese beiden Ereignisse sind folglich unabhängig. 105 W.Kössler, Humboldt-Universität zu Berlin
12 Zusammenfassend gilt P(A/B) = P(A) P(A/B) = P(A) P(A/B) = P(A) P(A/B) = P(A) 106 W.Kössler, Humboldt-Universität zu Berlin
13 3.2 Satz der Totalen Wahrscheinlichkeit Def. 11 Es sei (Ω, E, P) ein Wahrscheinlichkeitsraum. Eine Folge von Ereignissen {A n } n=1 (A n E, n N) heißt vollständig (oder ausschöpfend), falls folgende Bedingungen erfüllt sind: 1. A n = Ω; n=1 2. A i A j =, für alle i j. 107 W.Kössler, Humboldt-Universität zu Berlin
14 Satz 7 Es sei A 1,A 2,... eine vollständige Folge von Ereignissen. Weiterhin sei B ein beliebiges Ereignis und es gelte P(A i ) 0 für alle i. Dann gilt: P(B) = i=1 P(B A i )P(A i ). Dieser Ausdruck heißt Formel der totalen Wahrscheinlichkeit. 108 W.Kössler, Humboldt-Universität zu Berlin
15 Beweis: Aus B = B ( i=1 A i) = i=1 (B A i) folgt (da die (B A i ) ebenfalls unvereinbar sind): ( ) P(B) = P (B A i ) = = i=1 P(B A i ) i=1 P(B A i )P(A i ) i=1 109 W.Kössler, Humboldt-Universität zu Berlin
16 Bsp. 21 (Binärkanal) Bei der Übertragung auf einem binären kanal kommen die Zeichen 0 und 1 im Verhältnis 3:4 vor. Ein 0 wird mit Wkt. von 0.2 fehlerhaft übertragen Ein 1 wird mit Wkt. von 0.3 fehlerhaft übertragen ges.: Wkt. für eine fehlerhafte Übertragung Wkt., dass ein 0 empfangen wird. Ereignisse: S 0 : 0 wird gesendet, P(S 0 ) = 3 7 S 1 : 1 wird gesendet, P(S 1 ) = 4 7 E 0 : 0 wird empfangen E 1 : 1 wird empfangen 110 W.Kössler, Humboldt-Universität zu Berlin
17 P(E 1 S 0 ) = 0.2, P(E 0 S 1 ) = 0.3 F : Ereignis, das ein Übertragungsfehler vorliegt P(F) = P(E 1,S 0 ) + P(E 0,S 1 ) = P(E 1 S 0 ) P(S 0 ) + P(E 0 S 1 ) P(S 1 ) = = P(E 0 ) = P(E 0 S 0 ) P(S 0 ) + P(E 0 S 1 ) P(S 1 ) = = W.Kössler, Humboldt-Universität zu Berlin
18 3.3 Satz von Bayes Gegeben: P(A i ) und P(A/A i ), (i N). Gesucht: P(A i /A). Unter Benutzung der Definition der bedingte Wahrscheinlichkeit und der Formel für die totale Wahrscheinlichkeit erhalten wir: 112 W.Kössler, Humboldt-Universität zu Berlin
19 P(A i /A) = P(A i A) P(A) = P(A i) P(A/A i ) P(A) P(A i ) P(A/A i ) = (P(A/A j ) P(A j )) j=1 (Formel der totalen Wkt) Der Ausdruck P(A i /A) = P(A i) P(A/A i ) (P(A/A j ) P(A j )) j=1 heißt Formel von BAYES (bzw. Theorem von BAYES). 113 W.Kössler, Humboldt-Universität zu Berlin
20 Bsp. 22 (Binärkanal, Fortsetzung) P(S 0 E 0 ) = = P(S 1 E 1 ) = = P(E 0 S 0 )P(S 0 ) P(E 0 S 0 )P(S 0 ) + P(E 0 S 1 )P(S 1 ) = = 2 3 P(E 1 S 1 )P(S 1 ) P(E 1 S 0 )P(S 0 ) + P(E 1 S 1 )P(S 1 ) = = W.Kössler, Humboldt-Universität zu Berlin
21 3.4 Anwendung bedingter Wahrscheinlichkeiten Bsp. 23 Betrachtet werden mehrere Kanonen. Für i N bezeichne A i das Ereignis, daß Kanone i einen Schuß abgibt. A sei das Ereignis, daß ein Treffer erzielt wird. Nun kann die Wahrscheinlichkeit P(A/A i ) ermittelt werden, also die Wahrscheinlichkeit, daß Kanone i einen Treffer erzielt. modifiziert als ÜA. 115 W.Kössler, Humboldt-Universität zu Berlin
22 Bsp. 24 Aufbau eines Expertensystems Vgl. ÜA. Aufbau der Wissensbasis: K i P 0 (K i ) Symptom Nr. 1 P(S 1 /K i ) P(S 1 /K i ) Symptom Nr. 2 P(S 2 /K i ) P(S 2 /K i ) Symptom Nr. 3 P(S 3 /K i ) P(S 3 /K i ) K i bestimmte Ereignisse (z.b. Krankheiten) P 0 (K i ) a priori Wahrscheinlichkeit für K i P(S/K) Wkt für Symptom S, falls K vorliegt P(S/K) Wkt für Symptom S, falls K nicht vorliegt 116 W.Kössler, Humboldt-Universität zu Berlin
23 Inferenzmaschine P(K S) = P(K S) = P(S K) P(K) P(S) P(S K) P(K) P(S) P(S) = P(S K) P(K) + P(S K) P(K) P(S) = 1 P(S) Arbeitsweise: Krankheiten K 1,...,K K Symptome S 1,...,S S 117 W.Kössler, Humboldt-Universität zu Berlin
24 I 0 = {1,...,K}; l = 0; P 0 = P ; J = {1,...,S} (i,j) I l xj: P l (S j ) := P(S j K i ) P l (K i ) + P(S j K i ) P l (K i ) P l (K i S j ) = P(S j K i ) P l (K i ) P(S j ) P l (K i S j ) = P l(s j K i ) P l (K i ) P l (S j ) a: (l = 0: ärztliches Wissen) r(j) := i I l P l (K i S j ) P(K i S j ) j J; 118 W.Kössler, Humboldt-Universität zu Berlin
25 j l := argmax j J r(j) das Symptom mit dem größten r(j). b: Frage an den Patienten nach Symptom S jl. P(K i ) wird aktualisiert (Abbildung). Dann wieder (i,j) I l xj: P l+1 (S j ) := P(S j K i ) P l+1 (K i ) + P(S j K i ) P l+1 (K i ) P l+1 (K i S j ) := P(S j K i ) P l+1 (K i ) P(S j ) P l+1 (K i S j ) := P(S j K i ) P l+1 (K i ) P(S j ) 119 W.Kössler, Humboldt-Universität zu Berlin
26 c: m i := max j J P l+1(k i S j ) P l+1 (K i S j ), i I l I l+1 = I l \ {i I l : m i < c} J l+1 = J l \ {j l }; l := l + 1; /* Abbruchbedingung, z.b. I l = I l+1,s jl = S jl+1,i l+1 = {i} oder J l+1 = */ goto a; end. 120 W.Kössler, Humboldt-Universität zu Berlin
27 Bsp. 25 Langzeitverhalten eines Ein Prozessorsystems mit einer I/O Einheit Wir betrachten ein Ein Prozessorsystem, das auf folgende Weise arbeiten soll: Wenn ein Programm beendet wird, so wird mit Wahrscheinlichkeit p (0 < p < 1) die I/O Einheit aktiviert, und mit Wahrscheinlichkeit q = 1 p erfolgt ein erneuter Programmstart. Nach Beendigung eines I/O Vorgangs wird immer ein neues Programm gestartet. Frage: Mit welcher Wahrscheinlichkeit befindet sich das System im n ten Zyklus im Programmzustand? Wir legen fest (n = 1, 2, 3,...): 121 W.Kössler, Humboldt-Universität zu Berlin
28 A n - Ereignis, daß im n ten Zyklus ein Programm startet A n - Ereignis, daß im n ten Zyklus die I/O Einheit aktiviert wird gesucht: P(A n ). Langzeitverhalten ( lim n P(A n )). 122 W.Kössler, Humboldt-Universität zu Berlin
29 P(A 1 ) = 1, denn es wird beim Einschalten des Systems immer mit einem Programm begonnen. Aus der anfangs angegebenen Beschreibung der Arbeitsweise des Systems folgt: P(A n+1 /A n ) = q = 1 p P(A n+1 /A n ) = p P(A n+1 /A n ) = 0 P(A n+1 /A n ) = 1 Wir bezeichnen q n := P(A n ). Wir ermitteln die ersten drei 123 W.Kössler, Humboldt-Universität zu Berlin
30 Werte: q 1 = P(A 1 ) = 1 q 2 = P(A 2 ) = P(A 2 /A 1 ) P(A 1 ) + P(A 2 /A 1 ) P(A 1 ) }{{} =0 = q = 1 p q 3 = P(A 3 ) = P(A 3 /A 2 ) P(A 2 ) + P(A 3 /A 2 ) P(A 2 ) = q q + 1 (1 q) = (1 p) 2 + p = 1 p + p 2 (totale Wkt.) 124 W.Kössler, Humboldt-Universität zu Berlin
31 Vermutung: n 1 q n = P(A n ) = ( p) i. Beweis: (vollständige Induktion): IA: Es sei n = 1: q 1 = 1. IS: Wir nehmen an, daß die Formel für n gilt. Wir zeigen die i=0 125 W.Kössler, Humboldt-Universität zu Berlin
32 Gültigkeit für n + 1: q n+1 = P(A n+1 ) = P(A n+1 /A n ) P(A n ) + P(A n+1 /A n ) P(A n ) = q q n + 1 (1 q n ) = 1 + (q 1) q n = 1 p q n n 1 = 1 p ( p) i = 1 + i=0 n ( p) i = i=1 (nach IV) n ( p) i i=0 126 W.Kössler, Humboldt-Universität zu Berlin
33 Untersuchen wir noch das Langzeitverhalten: lim P(A n) = n = = lim q n n ( p) i i=0 1 1 ( p) = p, geometrische Reihe mit p < 1. Frage: Sind die Ereignisse A n+1 und A n unabhängig? Nach der Formel für die bedingte Wahrscheinlichkeit 127 W.Kössler, Humboldt-Universität zu Berlin
34 (vgl. Definition 9) gilt: P(A n+1 A n ) = P(A n+1 /A n ) P(A n ) = q q n Wären die beiden Ereignisse unabhängig, so müßte gelten (vgl. Definition 10): P(A n+1 /A n ) = P(A n+1 ) q = q n+1 Aber, für n 2 gilt q q n+1. Also sind die Ereignisse A n und A n+1 nicht unabhängig. Der gesamte Ablauf läßt sich eindeutig in Matrixform darstellen: 128 W.Kössler, Humboldt-Universität zu Berlin
35 Weitere Anwendungen I/O A I/O 0 1 A p 1 p Bsp. 26 (Zuverlässigkeitstheorie) Wir betrachten ein Reihen-System mit 2 Bauteilen, die unabhängig voneinander ausfallen, p i : Ausfallwkt. für Bauteil i Fall: System fällt (innerhalb eines best. Zeitraumes) aus. Wie groß ist Wkt., dass genau das erste Bauteil ausgefallen ist? 129 W.Kössler, Humboldt-Universität zu Berlin
36 A i : Ereignis, dass Bauteil i ausfällt. geg.: P(A i ) = p i,i = 1, 2 ges.: P(A 1 A 2 A 1 A 2 )? P(A 1 A 2 A 1 A 2 ) = P((A 1 A 2 ) (A 1 A 2 )) P(A 1 A 2 ) = P(A 1 A 2 ) P(A 1 A 2 ) Distr.gesetz = = P(A 1 ) P(A 2 ) P(A 1 ) + P(A 2 ) P(A 1 A 2 ) p 1 (1 p 2 ) p 1 + p 2 p 1 p 2 UA, Subtraktivität 130 W.Kössler, Humboldt-Universität zu Berlin
37 Analog P(A 2 A 1 A 1 A 2 ) = p 2(1 p 1 ) p 1 + p 2 p 1 p 2 Wkt. für Ausfall beider Bauteile: ÜA 131 W.Kössler, Humboldt-Universität zu Berlin
38 Bsp. 27 (Münzwurf-Spiel) A und B spielen: Münze wird abwechselnd geworfen. Es gewinnt, wer zuerst Blatt hat. B: Ereignis, dass bei einem Wurf Blatt kommt Z: Ereignis, dass bei einem Wurf Zahl kommt E: Ereignis, dass A gewinnt F: Ereignis, dass B gewinnt 132 W.Kössler, Humboldt-Universität zu Berlin
39 G: Spiel endet nicht. P(E) = P(B) + P(ZZB) + P(ZZZZB) + = = i = 1 2 i= = W.Kössler, Humboldt-Universität zu Berlin
40 P(F) = P(ZB) + P(ZZZB) + P(ZZZZZB) + = = = 1 i 3 i=0 oder (unter Anwendung der bedingten Wktn.) P(F) = P(F B) P(B) + P(F Z) P(Z) = P(E) 1 2. wird 1. Spieler 2 P(E) = P(E B) P(B) + P(E Z) P(Z) = P(F) 1 2 lineares Gleichungssystem lösen obiges Ergebnis. 134 W.Kössler, Humboldt-Universität zu Berlin
41 Bsp. 28 (Ruin des Spielers) Irrfahrt auf der Geraden mit 2 absorbierenden Zuständen, a und a + b a: Startkapital Spieler A b: Startkapital Spieler B E k : Ereignis, dass der Spieler, der k Euro besitzt, ruiniert wird. p k = P(E k ) A 1 : Ereignis, im nächsten Schritt ein Euro zu verlieren. A +1 : Ereignis, im nächsten Schritt ein Euro zu gewinnen. 135 W.Kössler, Humboldt-Universität zu Berlin
42 p k = P(E k A 1 ) P(A 1 ) + P(E k A +1 ) P(A +1 ) totale Wkt. = 1 2 (p k 1 + p k+1 ) Daraus folgt: 2p k p k+1 p k = p k+1 + p k 1 = p k p k 1 =: d 136 W.Kössler, Humboldt-Universität zu Berlin
43 Offenbar: p 0 = 1, p a+b = 0 p k = p k p }{{ k 1 } =d = kd + 1 +p k p 1 p }{{} 0 +p 0 =d p a+b = (a + b)d + 1 = 0 d = 1 a + b p k = 1 k a + b p a = 1 a p b = a a + b a + b = b a + b 137 W.Kössler, Humboldt-Universität zu Berlin
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen 3.1 Einführung Bsp. 19 (3-maliges Werfen einer Münze) Menge der Elementarereignisse: Ω {zzz,zzw,zwz,wzz,zww,wzw,wwz,www}. Ω 2 3 8 N Wir definieren
Mehr3.4 Anwendung bedingter Wahrscheinlichkeiten
3.4 Anwendung bedingter Wahrscheinlichkeiten Bsp. 23 Betrachtet werden mehrere Kanonen. Für i N bezeichne A i das Ereignis, daß Kanone i einen Schuß abgibt. A sei das Ereignis, daß ein Treffer erzielt
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen. Bsp (3-maliges Werfen einer Münze) Menge der Elementarereignisse:
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen Bsp. 1.19 (3-maliges Werfen einer Münze) Menge der Elementarereignisse: Ω {zzz, zzw,zwz,wzz,zww,wzw,wwz,www}. Dabei gilt: Ω 2 3 8 N. Wir definieren
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
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrBsp. 120 Ein-Prozessorsystem mit mehreren E/A-Einheiten.
Bsp. 20 Ein-Prozessorsystem mit mehreren E/A-Einheiten. Ein Programm. das sich in der CPU befindet, geht mit Wkt. q i in die I/O-Einheit i über, oder endet (mit Wkt. q 0 ) und macht Platz für ein neues
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrZwei Spieler werfen abwechselnd eine (nicht manipulierte)
5 Klassische Beispiele 5.1 Ruin des Spielers Zwei Spieler werfen abwechselnd eine (nicht manipulierte) Münze. Fällt Kopf, so erhält Spieler A den vereinbarten Einsatz (1 Euro) von Spieler B, anderenfalls
Mehr1.5 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:
Mehr16.3 Rekurrente und transiente Zustände
16.3 Rekurrente und transiente Zustände Für alle n N bezeichnen wir mit f i (n) = P(X n = i,x n 1 i,...,x 1 i,x 0 = i) die Wahrscheinlichkeit, daß nach n Schritten erstmalig wieder der Zustand i erreicht
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrKapitel 6. Irrfahrten und Bernoullischemata
Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
Bedingte W keit, Unabhängigkeit, gemeinsame Verteilung 1/44 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.3 Bedingte Wahrscheinlichkeiten, Unabhängigkeit, gemeinsame
MehrBerechnung von Wahrscheinlichk.
Berechnung von Wahrscheinlichk. a) Statistische (empirische) Methode - über relative Häufigkeit (s. Statistik) Exotische Anwendung : Identifikation nichtidealer Roulette-Tische in Spielcasinos b) Falls:
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 2
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie svorschläge
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 11.
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrAllgemeine diskrete Wahrscheinlichkeitsräume I
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II. Beispiel II. Beispiel I. Definition 6.3 (Diskreter Wahrscheinlichkeitsraum)
Allgemeine diskrete Wahrscheinlichkeitsräume I Allgemeine diskrete Wahrscheinlichkeitsräume II Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete Wahrscheinlichkeitsräume Ω endlich
MehrVorlesung Statistik, H&A Mathe, Master M
Beispiel: Die Wahrscheinlichkeit dafür, dass ein Bewerber von Firma A angenommen wird ist P(A) = 0,2. Die Wahrscheinlichkeit von Firma B angenommen zu werden beträgt P(B) = 0,3. Von mindestens einer der
MehrWahrscheinlichkeitstheorie und Maßtheorie
KAPITEL 7 Wahrscheinlichkeitstheorie und Maßtheorie 7.1. Vorüberlegungen Die folgenden drei Beispiele sind Spezialfälle des Oberbegriffs Maß. Beispiel 7.1.1 (Verteilung der Ladung oder der Masse). Man
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrKapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit
Teil I: Wahrscheinlichkeitstheorie 1 Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 3: Bedingte Wahrscheinlichkeit Kapitel 4: Zufallsvariablen Kapitel 5: Erwartungswerte, Varianz, Kovarianz
Mehr6.4 Poisson-Verteilung
6.4 Poisson-Verteilung Sei {N t } t T eine Menge von Zufallsvariablen (ein stochastischer Prozeß ) mit folgenden Eigenschaften: V1: Zuwächse sind unabhängig, dh. die Zufallsvariablen N t+h N t und N t
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 3
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Einführung in die Wahrscheinlichkeitstheorie svorschläge zu Übungsblatt
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
Mehr5.3 Diskrete zufällige Variablen
5.3 Diskrete zufällige Variablen X(ω) { x 1,x 2,x 3,... } X : x 1 x 2 x 3 x n p 1 p 2 p 3 p n p i = P(X = x i ) > 0, i = 1, 2, 3,... Die Funktion f(x i ) = p i heißt Wahrscheinlichkeitsfunktion. i=1 p
MehrWiederholung. Einführung in die Wahrscheinlichkeitstheorie Wahrscheinlichkeitsraum Ergebnismenge Ω = {ω 1, ω 2, } mit ω Ω Pr[ω]=1.
Wiederholung Einführung in die Wahrscheinlichkeitstheorie Wahrscheinlichkeitsraum Ergebnismenge Ω = {ω 1, ω, } mit ω Ω Pr[ω]=1. Berechnung von Pr[ n i=1 A i ]: A i disjunkt: Additionssatz n i=1 Pr[A i
MehrLösungsskizzen zur Präsenzübung 07
Lösungsskizzen zur Präsenzübung 07 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 14. Dezember 2015 von:
MehrVorlesung Statistik, WING, ASW Wahrscheinlichkeit in Laplace Versuchen. Kombinatorische Formeln. Bedingte Wahrscheinlichkeit
Wahrscheinlichkeit in Laplace Versuchen Kombinatorische Formeln Bedingte Wahrscheinlichkeit Multiplikationssatz Unabhängigkeit Melanie Kaspar 1 Formel der totalen Wahrscheinlichkeit Satz von Bayes Melanie
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
Mehr11 Unabhängige Ereignisse
11 Unabhängige Ereignisse In engem Zusammenhang mit dem Begriff der bedingten Wahrscheinlichkeit steht der Begriff der Unabhängigkeit von Ereignissen. Wir klären zuerst, was man unter unabhängigen Ereignissen
MehrStochastik für InformatikerInnen
Stochastik für InformatikerInnen Wintersemester 06/7 Wolfgang Kössler 6. Januar 07 Grundbegriffe. Einleitung, Geschichte Geschichte () antikes Griechenland Begriff der Wahrscheinlichkeit Naturgesetze drücken
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
Mehr2 Kombinatorik. 56 W.Kössler, Humboldt-Universität zu Berlin
2 Kombinatorik Aufgabenstellung: Anzahl der verschiedenen Zusammenstellungen von Objekten. Je nach Art der zusätzlichen Forderungen, ist zu unterscheiden, welche Zusammenstellungen als gleich, und welche
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrLösungen Wahrscheinlichkeitstheorie
Lösungen Wahrscheinlichkeitstheorie Serie 6 Aufgabe 1 (stochastische Unabhängigkeit). Für die Ereignisse A, B und C sind folgende Wahrscheinlichkeiten bekannt: P (A) = 0, 2; P (B) = 0, 6; P (A \ B) = 0,
MehrStochastik für InformatikerInnen
Stochastik für InformatikerInnen Wintersemester 05/6 Wolfgang Kössler. Februar 06 Grundbegriffe. Einleitung, Geschichte Geschichte () antikes Griechenland Begriff der Wahrscheinlichkeit Naturgesetze drücken
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Grundbegriffe: Experiment: ein Vorgang, den man unter gleichen Voraussatzungen beliebig oft wiederholen kann. Ergebnis ω : Ausgang eines Experiments Ergebnismenge Ω : Menge
MehrLösungsskizzen zur Präsenzübung 03
Lösungsskizzen zur Präsenzübung 03 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 16. November 2015 von:
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
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
MehrDas Zweikinderproblem
Das Zweikinderproblem Definition Zweikinderproblem Eine Familie besitzt zwei Kinder. Wie groß ist die Wahrscheinlichkeit Pr[ Beide Kinder sind Mädchen. Eines der Kinder ist ein Mädchen ]? Lösung: Sei A
MehrKapitel N. Wahrscheinlichkeitsrechnung
Kapitel N Wahrscheinlichkeitsrechnung Inhalt dieses Kapitels N000 1 Diskrete Wahrscheinlichkeitsräume 2 Bedingte Wahrscheinlichkeit und Unabhängigkeit 1 Produktexperimente 2 Kombinatorik und Urnenmodelle
MehrInhaltsverzeichnis
Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 5 1 Grundbegriffe.............................. 6 1.1 Einleitung, Geschichte.................. 6 1.2 Zufällige Ereignisse..................... 10 1.3 Ereignisfelder..........................
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
Mehr1. Grundlagen der Wahrscheinlichkeitsrechnung
1. Grundlagen der Wahrscheinlichkeitsrechnung Ereignisse und Wahrscheinlichkeiten Zufälliger Versuch: Vorgang, der (zumindest gedanklich) beliebig oft wiederholbar ist und dessen Ausgang innerhalb einer
Mehr3. Grundbegriffe der Wahrscheinlichkeitstheorie
03. JULI 2006: BLATT 17 3. Grundbegriffe der Wahrscheinlichkeitstheorie (v.a. nach Manning/Schütze: 40ff und Fahrmeir /Künstler/Pigeot/Tutz: 171ff) Übersicht Um entscheiden zu können, ob eine statistische
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrFaire Spiele, bedingte Wahrscheinlichkeit und Unabhängigkeit
Faire Spiele, bedingte Wahrscheinlichkeit und Unabhängigkeit Dr. Elke Warmuth Sommersemester 2018 1 / 66 Faires Spiel Bedingte Wahrscheinlichkeit Verstehen des Konzepts Definition und Multiplikationsformel
MehrWahrscheinlichkeitsrechnung und Statistik
1. und 2. Vorlesung - 2017 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich werde mit Sicherheit gewinnen! Ist das wirklich unmöglich?
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
Mehr7. Kapitel: Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten
7. Kapitel: Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten 7.1 Zufallsvorgänge - zufälliges Geschehen/ Zufallsvorgang/ stochastische Vorgang: aus Geschehen/Vorgang/Experiment (mit gegebener Ausgangssituation)
MehrVorlesung Statistik WING ASW Melanie Kaspar, Prof. Dr. B. Grabowski 1
Melanie Kaspar, Prof. Dr. B. Grabowski 1 Aus diesen Eigenschaften lassen sich alle weiteren Eigenschaften ableiten: Beweis zu 1) Melanie Kaspar, Prof. Dr. B. Grabowski 2 Aufgabe Die Wahrscheinlichkeit
MehrD. Ulmet IT 4 Blatt 5 Stochastik I SS 2005
D. Ulmet IT 4 Blatt 5 Stochastik I SS 2005 Aufgabe 1: Von den Ereignissen A, B und C trete a) nur A ein, b) genau eines ein, c) höchstens eines ein, d) mindestens eines ein, e) mindestens eines nicht ein,
MehrGrundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt
Grundbegriffe der Wahrscheinlichkeitstheorie Karin Haenelt 1 Inhalt Wahrscheinlichkeitsraum Bedingte Wahrscheinlichkeit Abhängige und unabhängige Ereignisse Stochastischer Prozess Markow-Kette 2 Wahrscheinlichkeitsraum
Mehr4 Übungsaufgaben zu Kapitel 4
4 Übungsaufgaben zu Kapitel 4 4.1 Aufgabe. In einer Schachtel liegen vier mit 1 bis 4 nummerierte Kugeln. Wie lautet die Ergebnismenge, wenn zwei Kugeln mit einem Griff gezogen werden? 4.2 Aufgabe. Welche
Mehr10 Bedingte Wahrscheinlichkeit
10 Bedingte Wahrscheinlichkeit Vor allem dann, wenn man es mit mehrstufigen Zufallsexperimenten zu tun hat, kommt dem Begriff der bedingten Wahrscheinlichkeit eine bedeutende Rolle zu. Wir klären dazu
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
MehrEreignis E: ist ein oder sind mehrere Ergebnisse zusammen genommen. Bsp. E = {2; 4; 6}
Laplace-Experimente Begriffsklärung am Beispiel eines Laplace-Würfel mit Augenzahlen (AZ) 1-6: Ergebnis: ist jeder Ausgang eines Zufallsexperimentes heißt ein Ergebnis ω dieses Zufallsexperimentes. Die
MehrBei 10 dieser Würfe wurde gleichzeitig eine 1 gewürfelt. Bei 25 dieser Würfe wurde gleichzeitig eine Augenzahl größer als 2 gewürfelt.
3 Wahrscheinlichkeiten 1 Kapitel 3: Wahrscheinlichkeiten A: Beispiele Beispiel 1: Ein Experiment besteht aus dem gleichzeitigen Werfen einer Münze und eines Würfels. Nach 100 Wiederholungen dieses Experiments
Mehr= 7! = 6! = 0, 00612,
Die Wahrscheinlichkeit, dass Prof. L. die Wette verliert, lässt sich wie folgt berechnen: Ω = {(i 1,..., i 7 ) : i j {1... 7}, j = 1... 7}, wobei i, j für den Wochentag steht, an dem die Person j geboren
Mehra) (A B) tritt ein = A tritt ein oder B tritt ein. = Mindestens eines der Ereignisse A, B tritt ein.
Lösungsvorschläge zu den Aufgaben von Blatt 6: 43) 7 Telefonzellen ( 7 Kugeln in der Urne); 3 davon sind von je einem Benutzer besetzt ( 3 Kugeln in die Stichprobe). Die Telefonzellen werden nicht mehrfach
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrStochastik Grundlagen
Grundlegende Begriffe: Zufallsexperiment: Ein Experiment, das beliebig oft wiederholt werden kann. Die möglichen Ergebnisse sind bekannt, nicht jedoch nicht, welches Ergebnis ein einzelnes Experiment hat.
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
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........................
MehrStochastik Musterlösung 2
ETH Zürich HS 2018 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 2 1. Wir betrachten folgende vier Wettersituationen. Es regnet nur am Morgen; Es
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
MehrKapitel 2. Zufällige Versuche und zufällige Ereignisse. 2.1 Zufällige Versuche
Kapitel 2 Zufällige Versuche und zufällige Ereignisse In diesem Kapitel führen wir zunächst anschaulich die grundlegenden Begriffe des zufälligen Versuchs und des zufälligen Ereignisses ein und stellen
MehrÜbungsaufgaben zum Kapitel Baumdiagramme - Bernoulli
BOS 98 S I Im ahmen einer statistischen Erhebung wurden 5 repräsentative Haushalte ausgewählt und im Hinblick auf ihre Ausstattung mit Fernsehern, adiorecordern sowie Homecomputern untersucht. Dabei gaben
MehrFür die Wahrscheinlichkeit P A (B) des Eintretens von B unter der Bedingung, dass das Ereignis A eingetreten ist, ist dann gegeben durch P(A B) P(A)
3. Bedingte Wahrscheinlichkeit ================================================================== 3.1 Vierfeldertafel und Baumdiagramm Sind A und B zwei Ereignisse, dann nennt man das Schema B B A A P
MehrWahrscheinlichkeitsrechnung [probability]
Wahrscheinlichkeitsrechnung [probability] Hinweis: Die Wahrscheinlichkeitsrechnung ist nicht Gegenstand dieser Vorlesung. Es werden lediglich einige Begriffsbildungen bereitgestellt und an Beispielen erläutert,
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Wir betrachten Ereignisse, die in fast gleicher Form öfter auftreten oder zumindest öfter auftreten können. Beispiele: Werfen eines Würfels, Sterben an Herzversagen
MehrDiscrete Probability - Übung
F H Z > F A C H H O C H S C H U L E Z E N T R A L S C H W E I Z H T A > H O C H S C H U L E F Ü R T E C H N I K + A R C H I T E K T U R L U Z E R N A b t e i l u n g I n f o r m a t i k Discrete Probability
MehrUE Statistik 1, SS 2015, letztes Update am 5. März Übungsbeispiele
UE Statistik, SS 05, letztes Update am 5. März 05 Übungsbeispiele Beispiele mit Musterlösungen finden Sie auch in dem Buch Brannath, W., Futschik, A., Krall, C., (00) Statistik im Studium der Wirtschaftswissenschaften..
MehrMathematik W27. Mag. Rainer Sickinger LMM. v 1 Mag. Rainer Sickinger Mathematik W27 1 / 51
Mathematik W27 Mag. Rainer Sickinger LMM v 1 Mag. Rainer Sickinger Mathematik W27 1 / 51 Einführung Wir befinden uns in einer kleinen Stadt. In dieser Stadt gibt es zwei Taxiunternehmen. Die Taxis des
Mehrhtw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT Hans-Peter Hafner WS 2016/2017
htw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT htw saar 2 Gliederung 25.01. Bedingte Wahrscheinlichkeit: Motivation und Definition Multiplikationssatz Stochastische Unabhängigkeit:
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
MehrDas Ziegenproblem. Nils Schwinning und Christian Schöler Juni 2010
Das Ziegenproblem Nils Schwinning und Christian Schöler http://www.esaga.uni-due.de/ Juni 2010 Die Formulierung Obwohl das sogenannte Ziegenproblem in der Mathematik allgegenwärtig erscheint, wurde es
Mehr