Propädeutikum Wahrscheinlichkeitsrechnung

Größe: px
Ab Seite anzeigen:

Download "Propädeutikum Wahrscheinlichkeitsrechnung"

Transkript

1 Wintersemester 03/04 Grundlagen der BWL Propädeutikum Wahrscheinlichkeitsrechnung Moritz Krebs Weitere Informationen finden Sie auf unserer Instituts-Homepage: unter Lehre >> WS 03/4 >> Grundlagen der BWL

2 Ansprechpartner Dozent Prof. Christian Hofmann Koordinatoren Moritz Krebs Daniel Meindl GBWL-Helpdesk Simon Müller Ansprechpartner für organisatorische Fragen zu der Veranstaltung Übungsgruppenleiter/Tutoren Diana Bauer Markus Hertlein Alexander Rühr Daniel Burkhard Batuhan Ceylangil Raphael Dick Cathrin Kessel Ivonne Klauser Maximilian Link Kevin Schädler Alexander Schramm Michael Sixt Erste Ansprechpartner für inhaltliche Fragen Martin Franck Ina Rudelsberger Alina Steinweg Florian Ganss Juliane Gutsmiedl Christoph Johanngieseker Julia Vedder Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4

3 Übungstermine Zeit Montag Dienstag Mittwoch Donnerstag Freitag 08:5-09:45 0:00-:30 :5-3:45 Vorlesung 4:5-5:45 :5-7:45 8:00-9:30 Übungstermin Übungstermin Übungstermin 3 Übungstermin 7 Übungstermin 4 Übungstermin 8 Übungstermin 5 Übungstermin Zu jedem der 8 Übungstermine finden parallel mehrere Übungsgruppen statt. Es ist lediglich die Teilnahme an einer Übungsgruppe je Woche erforderlich. A- und B-Gruppen wechseln ihre Raumbelegung zwischen Hauptgebäude- Nähe und Freimann wochenweise ab. C-Gruppen finden stets am gleichen Ort statt, entweder zu attraktiver Zeit in Freimann oder zu Randzeit in Hgb.-Nähe. Nr. Kalenderwoche A-Gruppen B-Gruppen finden statt in finden statt in 43 (ab 0.0.3) Hgb. Nähe Freimann 44 (ab 7.0.3) Freimann Hgb.-Nähe 3 45 (ab 3..3) Hgb. Nähe Freimann 4 4 (ab 0..3) Freimann Hgb.-Nähe 5 47 (ab 7..3) Hgb. Nähe Freimann 48 (ab 4..3) Freimann Hgb.-Nähe 7 49 (ab..3) Hgb. Nähe Freimann 8 50 (ab 8..3) Freimann Hgb.-Nähe 9 5 (ab 5..3) Hgb. Nähe Freimann 0 3 (ab 3..4) Freimann Hgb.-Nähe 4 (ab 0..4) Hgb. Nähe Freimann 5 (ab 7..4) Freimann Hgb.-Nähe C-Gruppen finden statt in Hgb.- Nähe/Freimann Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 3

4 Übungsgruppen Übungstermin A-Gruppen B-Gruppen C-Gruppen Mo, 0:00- :30 Uhr Mo, 4:5-5:45 Uhr Mo, :5-7:45 Uhr Mo, 8:00-9:30 Uhr Raum in Hgb.-Nähe Raum in Freimann - - C- - Edmund-Rumpler- Str. 3, B C- - Edmund-Rumpler- Str. 9, A - - C-3 - Edmund-Rumpler- Str. 3, B - - C-4 - Edmund-Rumpler- Str. 9, 9 A- B- - Amalienstr. 73A - Edmund-Rumpler- Str. 3, B A- B- - Geschw.-Scholl- Edmund-Rumpler- Pl. - C 0 Str. 9, A A-3 B-3 - Geschw.-Scholl- Edmund-Rumpler- Pl., E 0 Str. 3, B 09 A3- B3- - Geschw.-Scholl- Edmund-Rumpler- Pl., E 0 Str. 9, A A3- B3- - Geschw.-Scholl- Edmund-Rumpler- Pl., A U 5 Str. 9, C3- Geschw.-Scholl- Pl., E C7- Geschw.-Scholl- Pl., B C7- Amalienstr. 73A C7-3 Geschw.-Scholl- Pl., E C7-4 Geschw.-Scholl- Pl., E C7-5 Geschw.-Scholl- Pl., A C7- Geschw.-Scholl- Pl. (M), M 07 - Übungstermin A-Gruppen B-Gruppen Di, :5-3:45 Uhr Di, 8:00-9:30 Uhr Mi, 4:5-5:45 Uhr Do, :5-3:45 Uhr A4- B4- A4- B4- A8- B8- A5- B5- A5- B5- A5-3 B5-3 A5-4 B5-4 A- B- Raum in Hgb.-Nähe Geschw.-Scholl- Pl., E Geschw.-Scholl- Pl., B 0 Geschw.-Scholl- Pl., E 0 Geschw.-Scholl- Pl., B 0 Geschw.-Scholl- Pl., C 0 Geschw.-Scholl- Pl., A U 7 Amalienstr. 73A, 4 Amalienstr. 73A, Raum in Freimann Edmund-Rumpler- Str. 3, B 09 Edmund-Rumpler- Str. 9, A 8 Edmund-Rumpler- Str. 9, A 8 Edmund-Rumpler- Str. 9, A 7 Edmund-Rumpler- Str. 9, A 8 Edmund-Rumpler- Str. 3, B 47 Edmund-Rumpler- Str. 3, B 09 Edmund-Rumpler- Str. 9, 9 Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 4

5 Anmeldung zu Übungsterminen Die Anmeldung zu Übungsterminen ist ab Montag, , ca. 8 Uhr, über unsere Website möglich und endet am Donnerstag, , ca. 8 Uhr. Die Ameldung erreichen Sie unter folgendem Link auf unserer Website: Anmeldungen sind verbindlich. Nachträgliche Änderungen (z.b. Wechsel der Gruppe) sind grundsätzlich nicht möglich, außer wenn ein Tauschpartner angegeben wird und unsere Kapazitäten zur Bearbeitung ausreichen. Wir empfehlen eindringlich, die Übungen zu besuchen. Es besteht jedoch keine Anwesenheitspflicht oder Pflicht zur Krankmeldung. Wir behalten uns vor zu prüfen, dass nur diejenigen Studierenden an einer Übungsgruppe teilnehmen, die zu dieser Übungsgruppe angemeldet sind. Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 5

6 Vorlesungsunterlagen und Klausur Vorlesungsunterlagen finden Sie bis auf Weiteres auf der Veranstaltungsseite unserer Homepage: Das Passwort der Unterlagen wird in der ersten Vorlesung bekannt gegeben. Klausurtermin gemäß (vorläufigem!) ISC-Masterplan (Stand:.09.03): , 8:30-9:30 Uhr, im Audimax Für die Teilnahme an der Klausur ist eine vorherige Online-Anmeldung über das LSF- Portal erforderlich. Nähere Informationen finden Sie auf der Website des Prüfungsamtes/ISC: Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4

7 Literatur Neus, Werner (0): Einführung in die Betriebswirtschaftslehre, 7. Auflage, Tübingen Lehrbuch, auf dem im Wesentlichen die Inhalte der Vorlesung basieren Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 7

8 Inhalte der Vorlesung. Gegenstand und Methoden der Betriebswirtschaftslehre (Neus, Kap. ). Grundlagen der Entscheidungstheorie (Neus, Kap. und Kap. 0) 3. Kooperationsvorteile und Austausch über Märkte (Neus, Kap. 3) 4. Warum Unternehmungen? (Neus, Kap. 4) 5. Unternehmensverfassung und Shareholder Value (Neus, Kap. 5) Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 8

9 Inhalte des Propädeutikums I. Einführendes Beispiel: Monopoly II. III. IV. Zufallsvariable Wahrscheinlichkeitsverteilung Lagemaße V. Aufgaben Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 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? Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 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 - $00 = $00. $00 - $00 = $00 Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4

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. Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4

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. Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 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 = $0 $00 - $00 = $00 $00 - $0 = $40 $00 - $00 = $00 $00 - $0 = $40 Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 4

15 II. Zufallsvariable $0 3 $00 $40 $00 - $00 = $00 $00 - $00 = $0 $00 - $00 = $00 $00 - $0 = $40 $00 - $00 = $00 $00 - $0 = $ Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 3 5

16 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) 0, p(y j 3 ) für y $0 für y $00 für y $40 3 0,5 0,4 0,3 0, 0, 0 $0 $00 $40 y Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4

17 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 Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/ Minuten 7

18 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 ) 3 für y für y für y 3 $0 $00 $40 0, 0,5 0,4 0,3 0, 0, 0 p(y) $0 $00 $40 y Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 8

19 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. Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 9

20 IV. Lagemaße Ende des Index Start des Index n j a j Folgenglied Laufindex Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 0

21 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 3 a 5 a a 3 8 j 5 8 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 j j Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4

22 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 $0 für y $00 für y $40 3 n y p E y j j y j $0 3 $00 $40 $9,7 Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4

23 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. Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 3

24 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 j n n x j μx px j xj px j μx j 3 ) für y $0 für y $00 für y $40 3 j Vary 3 $0 $9,7 $00 $9,7 $40 $9,7 $ 88,88 Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 4

25 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 Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 5

26 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 Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4

27 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! Hofmann: Propädeutikum zu Grundlagen der BWL, WS 03/4 7

Propädeutikum Wahrscheinlichkeitsrechnung

Propädeutikum Wahrscheinlichkeitsrechnung Winter 010/011 Propädeutikum Wahrscheinlichkeitsrechnung Ferdinand Zahn Johannes Jaspersen Vijay Aseervatham Arthur Seibold Maximilian Engel Ansprechpartner Andreas Richter Sprechstunde: siehe Homepage

Mehr

Winter 2012/2013 Richter: Grundlagen der BWL, Winter 2012/13 Propädeutikum Wahrscheinlichkeitsrechnung

Winter 2012/2013 Richter: Grundlagen der BWL, Winter 2012/13 Propädeutikum Wahrscheinlichkeitsrechnung 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

Mehr

Grundlagen der Betriebswirtschaftslehre WS 2013/14 Syllabus 1

Grundlagen der Betriebswirtschaftslehre WS 2013/14 Syllabus 1 Grundlagen der Betriebswirtschaftslehre WS 2013/14 Syllabus 1 (18.10.2013) Dozent: Prof. Dr. Christian Hofmann Koordinatoren: Moritz Krebs, Daniel Meindl Helpdesk für Grundlagen der BWL Email: gbwliuc@bwl.lmu.de

Mehr

Forschungsstatistik I

Forschungsstatistik 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Wintersemester 2013/2014 Grundlagen der BWL. Organisatorisches & 1. Gegenstand und Methoden der BWL. Prof. Dr. Christian Hofmann

Wintersemester 2013/2014 Grundlagen der BWL. Organisatorisches & 1. Gegenstand und Methoden der BWL. Prof. Dr. Christian Hofmann Wintersemester 2013/2014 Grundlagen der BWL Organisatorisches & 1. Gegenstand und Methoden der BWL Weitere Informationen finden Sie auf unserer Instituts-Homepage: http://www.iuc.bwl.lmu.de unter Lehre

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression

Übungsklausur 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

Mehr

1.5 Erwartungswert und Varianz

1.5 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.

Mehr

Zufallsvariable X. 30 e. 40 e = 33,33...% 6

Zufallsvariable 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

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

1.5 Erwartungswert und Varianz

1.5 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:

Mehr

Statistik für Ingenieure Vorlesung 3

Statistik 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

Mehr

Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,

Vorlesung 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

Mehr

Statistik I für Betriebswirte Vorlesung 3

Statistik 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

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen 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

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen 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

Mehr

9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe

9 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

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität 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

Mehr

In einem mathematischen Modell wird dies beschrieben durch einen funktionalen Zusammenhang: x = f (t).

In 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

Mehr

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.

Veranstaltung: 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

Mehr

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal

Beispiel 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.

Mehr

Institut für Stochastik, SoSe K L A U S U R , 13:

Institut 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

Mehr

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression

1 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

Mehr

Statistik I für Betriebswirte Vorlesung 4

Statistik 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

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet

Mehr

KAPITEL 5. Erwartungswert

KAPITEL 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

Mehr

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s 4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 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

Mehr

Klausur: Diskrete Strukturen I

Klausur: 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.

Mehr

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?

Erwartungswert, 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

Mehr

5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion

5.4 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

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [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

Mehr

2 Zufallsvariable und Verteilungsfunktionen

2 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

Mehr

Unabhängigkeit KAPITEL 4

Unabhängigkeit 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

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

13 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

Mehr

Vorlesung: Statistik II für Wirtschaftswissenschaft

Vorlesung: 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

Mehr

Eindimensionale Zufallsvariablen

Eindimensionale Zufallsvariablen Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert

Mehr

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Zufallsvariablen rekapituliert

Zufallsvariablen 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

Mehr

67 Zufallsvariable, Erwartungswert, Varianz

67 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

Mehr

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik

STATISTIK 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)

Mehr

Prof. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2017

Prof. 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

Mehr

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten

Zufallsgröße. 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

Mehr

Lösungen zu Übungs-Blatt 8 Wahrscheinlichkeitsrechnung

Lösungen 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?

Mehr

Wahrscheinlichkeitsrechnung 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 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

Mehr

Stochastik Wiederholung von Teil 1

Stochastik 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,

Mehr

Übung 1: Wiederholung Wahrscheinlichkeitstheorie

Übung 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

Mehr

Zufallsvariablen rekapituliert

Zufallsvariablen 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

Mehr

Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass

Beweis: 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

Mehr

3.3 Bedingte Wahrscheinlichkeit

3.3 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

Mehr

Teil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung

Teil 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 ()

Mehr

Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)

Einige 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

Mehr

Einführung in die Wahrscheinlichkeitsrechnung

Einführung in die Wahrscheinlichkeitsrechnung Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze

Mehr

Dieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.

Dieses 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.

Mehr

Vorlesung 4b. Die Varianz

Vorlesung 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

Mehr

Statistik I für Betriebswirte Vorlesung 3

Statistik 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.

Mehr

Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker

Übungsblatt 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

Mehr

Wahrscheinlichkeitstheorie. Alea iacta est!

Wahrscheinlichkeitstheorie. 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

Mehr

Probeklausur Statistik II

Probeklausur Statistik II Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur

Mehr

Biostatistik, Sommer 2017

Biostatistik, 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

Mehr

Informatik II Grundbegriffe der Wahrscheinlichkeitsrechnung

Informatik 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,

Mehr

Lösungsskizzen zur Präsenzübung 09

Lösungsskizzen 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:

Mehr

Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf

Vorlesung 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

Mehr

Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.

Wird 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,

Mehr

Vorlesung 5a. Varianz und Kovarianz

Vorlesung 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

Mehr

STOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück

STOCHASTISCHE 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

Mehr

5 Binomial- und Poissonverteilung

5 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

Mehr

Informatik II Grundbegriffe der Wahrscheinlichkeitsrechnung

Informatik 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,

Mehr

Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften

Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,

Mehr

Prof. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Wintersemester 2017/2018

Prof. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Wintersemester 2017/2018 Prof. Dr. Christoph Karg 31.1.2018 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Wintersemester 2017/2018 Unterschrift: Klausurergebnis Aufgabe 1 (10 Punkte) Aufgabe 3

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung 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,

Mehr

Mathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung

Mathematik: 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

Mehr

WAHRSCHEINLICHKEITSRECHNUNG

WAHRSCHEINLICHKEITSRECHNUNG WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse

Mehr

Vorlesung 5a. Die Varianz

Vorlesung 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

Mehr

Es wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! =

Es 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

2.4 Entscheidung bei Risiko

2.4 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

Mehr

Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review)

Einige 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

Mehr

Varianz und Kovarianz

Varianz 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 ]

Mehr

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012 Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält

Mehr

Sabrina Kallus, Eva Lotte Reinartz, André Salé

Sabrina 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

Mehr

Abitur 2016 Mathematik Stochastik IV

Abitur 2016 Mathematik Stochastik IV Seite 1 http://www.abiturloesung.de/ Seite Abitur 016 Mathematik Stochastik IV Bei einem Zufallsexperiment wird eine ideale Münze so lange geworfen, bis zum zweiten Mal Zahl (Z) oder zum zweiten Mal Wappen

Mehr

5 Erwartungswerte, Varianzen und Kovarianzen

5 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,

Mehr

Wahrscheinlichkeitstheorie 2

Wahrscheinlichkeitstheorie 2 Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):

Mehr

Stochastik Serie 11. ETH Zürich HS 2018

Stochastik Serie 11. ETH Zürich HS 2018 ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.

Mehr

Mehrdimensionale Zufallsvariablen

Mehrdimensionale Zufallsvariablen Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,

Mehr

Beispiel: Zufallsvariable

Beispiel: 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

Mehr

Diskrete Strukturen I

Diskrete 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:

Mehr

Stochastik 03 Zufallsgröÿen und Verteilung

Stochastik 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

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur 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,

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I 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........................

Mehr

Vorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen

Vorlesung 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

Mehr

Mathematik für Naturwissenschaften, Teil 2

Mathematik für Naturwissenschaften, Teil 2 Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die

Mehr