Winter 2012/2013 Richter: Grundlagen der BWL, Winter 2012/13 Propädeutikum Wahrscheinlichkeitsrechnung
|
|
- Jobst Blau
- vor 5 Jahren
- Abrufe
Transkript
1 Winter 0/03 Richter: Grundlagen der BWL, Winter 0/3 Propädeutikum Wahrscheinlichkeitsrechnung Diana Bauer Michael Hanselmann Stefan Huber Johannes Jaspersen Verena Jäger Benedikt Koob Christoph Lex Stefan Neuß Richard Peter Sebastian Soika
2 Ansprechpartner Dozent Andreas Richter Sprechstunde: siehe Homepage Übungsleiter Diana Bauer Sprechstunde: nach Vereinbarung Michael Hanselmann Sprechstunde: nach Vereinbarung Stefan Huber Sprechstunde: nach Vereinbarung Verena Jäger Sprechstunde: Montags :00 8:00 Johannes Jaspersen Sprechstunde: Montags :00 8:00 Benedikt Koob Sprechstunde: nach Vereinbarung Christoph Lex Sprechstunde: Mittwochs 4:00 :00 Stefan Neuß Sprechstunde: Freitags 08:5 0:5 Richard Peter Sprechstunde: Mittwochs 4:00 :00 Sebastian Soika Sprechstunde: Donnerstags 4:00 :00
3 Übungsleiter Stefan Neuß Richard Peter Christoph Lex Benedikt Koob Michael Hanselmann Sebastian Soika Stefan Huber Verena Jäger Johannes Jaspersen Diana Bauer 3
4 Übungstermine zur Vorlesung Übung Termin Raum Übungsleiter Mo 0- Uhr HGB, M 05 Stefan Neuß Mo 4- Uhr Schellingstr. 3, (S) 004 Benedikt Koob 3 Mo 4- Uhr Prof.-Huber-Pl. Lehrturm, W 0 Johannes Jaspersen 4 Mo -8 Uhr Prof.-Huber-Pl. Lehrturm, W 0 Diana Bauer 5 Mo -8 Uhr HGB, B 00 Stefan Huber Di 08-0 Uhr Prof.-Huber-Pl. Lehrturm, W 0 Stefan Neuß 7 Di 0- Uhr HGB, B 00 Richard Peter 8 Di -4 Uhr HGB, D 09 Christoph Lex 9 Di -4 Uhr Prof.-Huber-Pl. Lehrturm, W 0 Stefan Huber 0 Di -4 Uhr Schellingstr. 3, (S) 004 Diana Bauer Mi 08-0 Uhr Prof.-Huber-Pl. Lehrturm, W 0 Sebastian Soika Mi 0- Uhr Prof.-Huber-Pl. Lehrturm, W 0 Sebastian Soika 3 Mi -4 Uhr Prof.-Huber-Pl. Lehrturm, W 0 Benedikt Koob 4 Mi -4 Uhr Prof.-Huber-Pl. Lehrturm, W 0 Christoph Lex 5 Mi 4- Uhr HGB, D 09 Michael Hanselmann Mi 4- Uhr Prof.-Huber-Pl. Lehrturm, W 0 Verena Jäger 7 Do -4 Uhr Prof.-Huber-Pl. Lehrturm, W 0 Johannes Jaspersen 8 Do 4- Uhr Schellingstr. 3, (S) 005 Richard Peter 9 Do 4- Uhr Prof.-Huber-Pl. Lehrturm, W 0 Verena Jäger 0 Fr 0- Uhr Prof.-Huber-Pl. Lehrturm, W 0 Michael Hanselmann 4
5 Kurzfristig Raumverlegung Auf Grund der Belegung einiger Räume am Montag, den.0.0, müssen einige Übungen räumlich verlegt werden: Übung 3 (Johannes Jaspersen) Montag,.0.0, 4:00 :00 in Raum 00, Schellingstr. 3 Übung 4 (Diana Bauer) Montag,.0.0, :00 8:00, in Raum A 40, HGB Übung 5 (Stefan Huber) Montag,.0.0, :00 8:00, in Raum 00, Schellingstr. 3 5
6 Organisatorisches Vorlesungsunterlagen finden Sie bis auf weiteres auf der Veranstaltungsseite unserer Hompage. Dort ist auch eine Mailing-Liste eingerichtet: winter_0_03/bachelor/grundlagen_bwl/index.html Das Passwort der Unterlagen: Klausur: voraussichtlich Mittwoch, um 8:30 9:30 Uhr.
7 Literatur Neus, Werner (0): Einführung in die Betriebswirtschaftslehre, 7. Auflage, Tübingen Lehrbuch, auf dem im Wesentlichen die Inhalte der Vorlesung basieren 7
8 Inhalte der Vorlesung Termin Inhalt Kapitel in Neus KW KW KW KW KW 4..0 KW KW Organisatorisches /. Gegenstand und Methoden der BWL. Grundlagen der Entscheidungstheorie 3. Kooperationsvorteile und Austausch über Märkte Kap. Kap. und Kap. 0 Kap. 3 KW KW Warum Unternehmungen? Kap. 4 KW KW KW Unternehmensverfassung und Shareholder Value Kap. 5 KW t.b.a 8
9 Inhalte des Propädeutikums I. Einführendes Beispiel: Monopoly II. III. IV. Zufallsvariable Wahrscheinlichkeitsverteilung Lagemaße V. Aufgaben 9
10 I. Einführendes Beispiel: Monopoly Bei seinem Lieblingsspiel Monopoly ist Lukas gerade wieder auf GO gelandet und hat dabei 00 in seiner Tasche. Er wirft einen -seitigen Würfel um voranzukommen. Er hat vor zu kaufen unabhängig davon, worauf er auch landen wird. Bevor er würfelt, stellt sich Lukas zwei Fragen: Wie viel Geld werde ich nach der Runde noch haben? Und kann ich mir dabei sicher sein? 0
11 II. Zufallsvariable Sowohl das Würfelergebnis als auch Lukas Geldbetrag am Ende der Runde sind Zufallsvariablen. Sie werden analog zu gewöhnlichen Variablen mit Buchstaben, z.b. x, bezeichnet. Die unterschiedlichen Ausprägungen j = n, die eine Zufallsvariable annehmen kann, heißen Ergebnisse x j. Der Eintritt der Ergebnisse ist mit Unsicherheit p(x j ) behaftet. Wirft Lukas beispielsweise eine, dann zahlt er 00 für das Elektrizitätswerk und ihm verbleiben = 00.
12 II. Zufallsvariable Wir gehen von einem fairen Würfel aus, d.h. jede Seite fällt gleichwahrscheinlich. Da der Würfel sechs Seiten hat, wird sich in einem Sechstel aller Fälle eine als Ergebnis einstellen. Dieses Sechstel, 0,7 oder,7% bezeichnet die Wahrscheinlichkeit p(x ) des Ergebnisses x : Würfel ergibt eine zwei. Eine Wahrscheinlichkeit erklärt, dass in einer endlosen Reihe von Wiederholungen eines Vorgangs das Ereignis in p% der Fälle eintreten wird. Die Wahrscheinlichkeit eines Ereignisses x j wird als p(x j ) geschrieben.
13 II. Zufallsvariable Wahrscheinlichkeiten folgen einigen Regeln: Eine Wahrscheinlichkeit ist eine positive Zahl, die zwischen null und eins liegt. Es muss immer ein Ereignis eintreten, d.h. die Wahrscheinlichkeit, dass überhaupt ein Ereignis eintritt (das sogenannte sichere Ereignis) ist gleich eins. Zwei Ereignisse sind überschneidungsfrei (disjunkt), wenn sie nicht beide gleichzeitig eintreten können. Sind Ereignisse überschneidungsfrei, ist die Wahrscheinlichkeit, dass eines von beiden eintritt, gleich der Summe der Wahrscheinlichkeiten der einzelnen Ereignisse. Zwei Ereignisse sind stochastisch unabhängig, wenn das Eintreten des einen nicht die Wahrscheinlichkeit des Eintreten des anderen beeinflusst. Sind zwei Ereignisse stochastisch unabhängig, so ist die Wahrscheinlichkeit, dass beide Ereignisse eintreten, gleich dem Produkt der Wahrscheinlichkeiten der einzelnen Ereignisse. 3
14 II. Zufallsvariable Das Ereignis des Würfels bestimmt das Ergebnis des Endvermögens. Aus unterschiedlichen Würfen kann aber das gleiche Endvermögen resultieren. Um einem bestimmten Endvermögen eine Wahrscheinlichkeit zuzuordnen, sind die Wahrscheinlichkeiten der dieses Endvermögen erzeugenden Würfelergebnisse zu addieren = 00 - = 00 - = 00 - = 00 - = 00 - = 4
15 II. Zufallsvariable 00 - = 5 5
16 II. Zufallsvariable = 00 - = 00 - = 4
17 II. Zufallsvariable 00 - = 00 - = 3 7
18 III. Wahrscheinlichkeitsverteilung Die korrekte Darstellung eines derartigen Zufallsvorgangs erfordert eine Wahrscheinlichkeitsverteilung. Die Wahrscheinlichkeitsverteilung ordnet jedem möglichen Ergebnis eine Wahrscheinlichkeit zu. Bei unserem Monopolybeispiel handelt es sich um eine diskrete Wahrscheinlichkeitsverteilung, da die Menge an Ergebnissen abzählbar ist. Die Wahrscheinlichkeitsverteilung lässt sich sowohl in mathematischer Notation als auch in graphischer Form darstellen. p(y) p(y j ) für y für y für y y 8
19 III. Wahrscheinlichkeitsverteilung Um das Prinzip der Wahrscheinlichkeitsverteilung zu verstehen, wird der Begriff der Funktion eingeführt. Strikt mathematisch gesprochen ist eine Funktion eine Abbildung einer Menge in eine andere Menge. Das heißt, einer Zahl eines gewissen Formates wird eine Zahl eines anderen Formates zugeordnet. Dabei kann es passieren, dass sich die Art der Zuordnung ab einem gewissen Wert ändert. Dies wird durch unterschiedliche Definitionsbereiche dargestellt. Eine derartige Funktion wird als abschnittsweise definiert bezeichnet. Als Beispiel kann man sich einen Telefonvertrag vorstellen, der zunächst 0 Cent pro Minute kostet und sobald die Kosten 0 erreichen, diese nicht überschreitet. K m 0,m 0 für 0 m 00 für m 00 Kosten in Euro Minuten 9
20 III. Wahrscheinlichkeitsverteilung Im Fall von Lukas Monopoly Problem wird jedem möglichen Endvermögenswert eine Wahrscheinlichkeit zugeordnet. Die Funktion ist diskret, da es nur drei mögliche Geldwerte gibt. Die drei möglichen Endvermögenswerte bilden den Definitionsbereich. p(y j ) für y für y für y p(y) y 0
21 IV. Lagemaße Nun können wir Lukas erste Frage beantworten: Wie viel Geld wird er nach der Runde noch haben? Dabei verwenden wir das statistische Konzept des Erwartungswerts. Dieser wird häufig als µ bezeichnet und hat den mathematischen Operator E(x). Der Erwartungswert ist die Summe der mit den Eintrittswahrscheinlichkeiten gewichteten Ergebnisse. In mathematischer Notation: E(x) μ x n j x j p x j Zum Verständnis dieser Formel folgt eine Einführung des Summenzeichens.
22 IV. Lagemaße Ende des Index Start des Index n j a j Folgenglied Laufindex
23 IV. Lagemaße Zwei Beispiele verdeutlichen die Verwendung des Summenzeichens. Hat man eine indizierte Variable, so bedarf es einer Wertezuordnung zur Berechnung der Summe. 3 Variable Wert aj a a a3 a j a 5 a j 3 j Es ist zu beachten, dass j nicht nur als Index verwendet werden kann, sondern auch direkt in der Summe. 5 j a a j j j 3
24 IV. Lagemaße Der Erwartungswert ergibt das durchschnittliche Ergebnis aus einer großen Anzahl Wiederholungen einer Zufallshandlung (Experimentes). Strikt mathematisch gesprochen entspricht er dem Schwerpunkt der Wahrscheinlichkeitsmasse einer Wahrscheinlichkeitsverteilung. Für Lukas ergibt sich folgender Wert: p(y j ) 3 für y für y für y n y p E y j j y j 4
25 IV. Lagemaße Lukas sollte also im Durchschnitt mit 9,7 am Ende seines Zuges rechnen. Doch wie lässt sich ein solcher Wert interpretieren? Es ist offensichtlich, dass dieser spezielle Wert unerreichbar ist. Der Wert dient jedoch als Anhaltspunkt für das zu erwartende Ergebnis. Lukas zweite Frage ist also klar mit nein zu beantworten. Er kann sich dieses Wertes nicht sicher sein. Um eine Aussage über die Unsicherheit des Endvermögens treffen zu können, ist die Streuung der Verteilung zu untersuchen. Hierzu benutzen wir die statistischen Konzepte der Varianz und der Standardabweichung. 5
26 IV. Lagemaße Die Varianz, auch σ² genannt, ist der Erwartungswert der quadrierten Abweichung einer Zufallsvariablen von ihrem Erwartungswert. Es ist ein Streumaß, welches mit der Streuung der Verteilung zunimmt. Der quadratische Term wird verwendet, um zum einen das gegenseitige Aufheben von negativen und positiven Abweichungen zu verhindern und zum anderen stärkeren Abweichungen vom Mittel mehr Gewicht zu geben. σ x p(y Vary j n n x j μx px j xj px j μx j 3 ) für für für y y y 3 0 j 00 40
27 IV. Lagemaße Betrachtet man die Einheit der Varianz, so fällt auf, dass diese nicht mit der Einheit des Erwartungswertes übereinstimmt. Das Konzept der Standardabweichung, auch σ genannt, löst dieses Problem. Die Standardabweichung entspricht der positiven Wurzel der Varianz. σ n x : Varx Px jx j Ex In Lukas Beispiel: y j σ 88,88 4,79 7
28 IV. Lagemaße Erwartungswerte und Varianzen folgen den anschließenden Rechenregeln: Rechenregeln für Erwartungswerte E(a x) a E(x) E(b x) b E(x) E(x y) E(x) E(y) Rechenregeln für Varianzen Var(x) E(x Var(a x) Var(x) Var(b x) b ) [E(x)] Var(x) Verschiebungssatz 8
29 V. Aufgaben Aufgabe : Antonia kann zwischen zwei Lotterien wählen: Wahrscheinlichkeit Lotterie Lotterie p = 0% 0 4 p = 30% 5 p = 0% 0 p = 40% 5 8 Errechnen Sie Erwartungswert und Varianz der beiden Lotterien. Was fällt Ihnen auf? Aufgabe : Eine faire Münze wird drei Mal geworfen. Es wird jeweils notiert, ob Bild (B) oder Zahl (Z) oben lag. Die Zufallsvariable S zählt, wie häufig Z oben lag. Wie ist die Wahrscheinlichkeitsverteilung von S? Berechnen Sie zusätzlich Erwartungswert und Varianz von S! 9
Propädeutikum Wahrscheinlichkeitsrechnung
Winter 010/011 Propädeutikum Wahrscheinlichkeitsrechnung Ferdinand Zahn Johannes Jaspersen Vijay Aseervatham Arthur Seibold Maximilian Engel Ansprechpartner Andreas Richter Sprechstunde: siehe Homepage
MehrPropädeutikum Wahrscheinlichkeitsrechnung
Wintersemester 03/04 Grundlagen der BWL Propädeutikum Wahrscheinlichkeitsrechnung Moritz Krebs Weitere Informationen finden Sie auf unserer Instituts-Homepage: http://www.iuc.bwl.lmu.de unter Lehre >>
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
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrZufallsvariable X. 30 e. 40 e = 33,33...% 6
Zufallsvariable Wir führen ein Zufallsexperiment mit Ergebnisraum Ω durch. Eine Zufallsvariable X ordnet jedem möglichen Ergebnis einen Zahlenwert zu. Eine Zufallsvariable ist also eine Funktion X : Ω
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
MehrGrundlagen der BWL. Winter 2012/2013. Andreas Richter.
Winter 2012/2013 Grundlagen der BWL Andreas Richter richter@bwl.lmu.de Weitere Informationen auf unserer Instituts-Homepage http://www.inriver.bwl.lmu.de unter Lehre >> Winter 2012/2013 >> Bachelorveranstaltungen
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrIn einem mathematischen Modell wird dies beschrieben durch einen funktionalen Zusammenhang: x = f (t).
Aktueller Überblick 0 Einführende Worte ( ) 1 Geschichtlicher Überblick ( ) 2 Zufall 3 Perfekte Sicherheit und ihre Grenzen 4 Angriffsszenarien 5 Der komplexitätstheoretische Ansatz 6 Pseudozufallsgeneratoren
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 0/ 5.03.0 Dr. Sebastian Petersen Klausur: Diskrete Strukturen I Aufgabe. (8 Punkte) a) Sei X = {0, }. Geben Sie die Potenzmenge P (X) (durch Auflisten ihrer Elemente) an.
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
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.
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests 5 Regression Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen
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
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
Mehr5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
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
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 1 / 11 1 Einleitung 2 Zufallsvariablen 3 Linearität und Varianz
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrInstitut für Stochastik, SoSe K L A U S U R , 13:
Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter
MehrLösungen zu Übungs-Blatt 8 Wahrscheinlichkeitsrechnung
Lösungen zu Übungs-Blatt Wahrscheinlichkeitsrechnung Diskrete Zufallsgrößen Zu Aufgabe ) Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung?
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrProf. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2017
Prof. Dr. Christoph Karg 10.7.2017 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2017 Name: Unterschrift: Klausurergebnis Aufgabe 1 (10 Punkte) Aufgabe
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
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,
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.
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Mai 2017 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 Mai 2017 1 / 12 1 Einleitung 2 Zufallsvariablen 3 Linearität
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
MehrÜbungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker
Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
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
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter Erwartsungswert und Varianz
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
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
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrDiskrete Strukturen I
Universität Kassel Fachbereich 10/1 PD Dr. Sebastian Petersen 14.09.2017 Klausur zur Vorlesung Diskrete Strukturen I Es können maximal 40 Punkte erreicht werden. Version mit Lösungsskizze Zur Notation:
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung - 2017 Bemerkung: Sei X = (X 1,..., X n ) Zufallsvektor. Der n dimensionale Vektor ( ) E(X ) = E(X 1 ),..., E(X n ) ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N (0,
MehrWahrscheinlichkeitstheorie 2
Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):
MehrVorlesung 5a. Die Varianz
Vorlesung 5a Die Varianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert
MehrWahrscheinlichkeitstheorie. Alea iacta est!
Wahrscheinlichkeitstheorie Alea iacta est! "Wissenschaftliche Theorien, die auf Eigenschaften einer großen Zahl von Individuen rekurrieren, [...] werden anfällig gegen Fehlinterpretationen, wenn man die
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 17. November 2010 1 Gesetze Das Gesetz der seltenen Ereignisse Das schwache Gesetz der großen Zahl 2 Verteilungsfunktionen
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
Mehr2.4 Entscheidung bei Risiko
2.4 Entscheidung bei Risiko Entscheidung bei Risiko nimmt an, dass für jeden Zustand S j seine Eintrittswahrscheinlichkeit P(S j ) bekannt ist Eintrittswahrscheinlichkeiten bestimmbar als statistische
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........................
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrÜ b u n g s b l a t t 10
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrBeispiel: Zufallsvariable
Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
MehrStochastik 03 Zufallsgröÿen und Verteilung
29. August 2018 Grundlagen der Stochastik (bis Klasse 10) Grundlagen der Statistik (bis Klasse 10) Zufallsgrößen und Verteilungen Beurteilende Statistik (Testen von Hypothesen) Bernoulli-Experimente Ziele
MehrEs wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! =
Übungsblatt Höhere Mathematik - Weihenstephan SoSe 00 Michael Höhle, Hannes Petermeier, Cornelia Eder Übung: 5.6.00 Die Aufgaben -3 werden in der Übung am Donnerstag (5.6. besprochen. Die Aufgaben -6 sollen
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrLösungsskizzen zur Präsenzübung 09
Lösungsskizzen zur Präsenzübung 09 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 2016 von:
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
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
MehrÜbungs-Blatt 7 Wahrscheinlichkeitsrechnung
Übungs-Blatt Wahrscheinlichkeitsrechnung BMT Biostatistik Prof. Dr. B. Grabowski Zu Aufgabe ) Ein bestimmtes Bauteil wird auf seine Zuverlässigkeit untersucht. Die technische Prüfung erfolgt dabei so:
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
Mehr