15.4 Diskrete Zufallsvariablen

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "15.4 Diskrete Zufallsvariablen"

Transkript

1 .4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet heiße Zufallsvariable ( ZV ). Defiitio 7.) Ei Zufallsexperimet, desse Ergebismege M aus reelle Zahle besteht ud bei dem die Wahrscheilichkeit eies jede Elemetarereigisses größer als 0 ist, heißt diskrete Zufallsvariable..) Bei eier diskrete Zufallsvariable heißt die Fuktio p : M 0 ; mit p ( m ) =, die jedem Elemetarereigis m seie Wahrscheilichkeit zuordet, Wahrscheilichkeitsfuktio der diskrete Zufallsvariable. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

2 Beispiel Würfel mit zwei Würfel Betrachtet ma dieses Zufallsexperimet mit der Ergebismege M = ( / ) ; ( / ) ; ( / 3 ) ; ( / 4 ) ; ( / ) ; ( / ) ; ( / ) ; ( / ) ; ( / 3 ) ; ( / 4 ) ; ( / ) ; ( / ) ; ( 3 / ) ; ( 3 / ) ; ( 3 / 3 ) ; ( 3 / 4 ) ; ( 3 / ) ; ( 3 / ) ; ( 4 / ) ; ( 4 / ) ; ( 4 / 3 ) ; ( 4 / 4 ) ; ( 4 / ) ; ( 4 / ) ; ( / ) ; ( / ) ; ( / 3 ) ; ( / 4 ) ; ( / ) ; ( / ) ; ( / ) ; ( / ) ; ( / 3 ) ; ( / 4 ) ; ( / ) ; ( / ), so liegt keie Zufallsvariable vor, da die Ergebisse keie reelle Zahle sid. Betrachtet ma jedoch z.b. die Summe bzw. Differez der beide Augezahle, so erhält ma Zufallsvariable mit de Ergebismege M = ; 3 ; 4 ; ; ; 7 ; 8 ; 9 ; 0 ; ; bzw. M = 0 ; ; ; 3 ; 4 ; Summe Differez Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

3 Wertetabelle ud Graphe der zugehörige Wahrscheilichkeitsfuktioe: Summe m Wahrscheilichkeit p ( m ) Differez m Wahrscheilichkeit p ( m ) M = ( / ) ; ( / ) ; ( / 3 ) ; ( / 4 ) ; ( / ) ; ( / ) ; ( / ) ; ( / ) ; ( / 3 ) ; ( / 4 ) ; ( / ) ; ( / ) ; ( 3 / ) ; ( 3 / ) ; ( 3 / 3 ) ; ( 3 / 4 ) ; ( 3 / ) ; ( 3 / ) ; ( 4 / ) ; ( 4 / ) ; ( 4 / 3 ) ; ( 4 / 4 ) ; ( 4 / ) ; ( 4 / ) ; ( / ) ; ( / ) ; ( / 3 ) ; ( / 4 ) ; ( / ) ; ( / ) ; ( / ) ; ( / ) ; ( / 3 ) ; ( / 4 ) ; ( / ) ; ( / ) Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 3

4 Wertetabelle ud Graphe der zugehörige Wahrscheilichkeitsfuktioe: Summe m Wahrscheilichkeit p ( m ) Differez m Wahrscheilichkeit p ( m ) p ( m ) p ( m ) 0 Summe 0 Differez m 3 4 m Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 4

5 Defiitio 8 ( Erwartugswert, Variaz ud Stadardabweichug eier diskrete ZV ) Für eie diskrete Zufallsvariable mit Ergebismege M ud Wahrscheilichkeitsfuktio p ( m ) defiiert ma de Erwartugswert µ, die Variaz σ sowie die Stadardabweichug σ als Quadratwurzel aus der Variaz wie folgt:.) µ = m. p ( m ) Erwartugswert µ eier diskrete ( µ = mü ) Zufallsvariable Variaz σ ( σ = sigma ).) σ = ( m - µ ). p ( m ) eier diskrete Zufallsvariable 3.) σ = ( m - µ ). p ( m ) Stadardabeichug σ eier diskrete Zufallsvariable Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

6 Beispiel : Würfel Die Wahrscheilichkeitsfuktio lautet m 3 4. Der Erwartugswert beträgt p ( m ) µ = m. p ( m ) Die Variaz beträgt = = 3, σ = ( m - µ ). p ( m ) = ( - 3, ). + ( - 3, ). + ( 3-3, ). + ( 4-3, ). + ( - 3, ). + ( - 3, ). =,9 Die Stadardabweichug beträgt daher σ =,9 =,708. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

7 Beispiel : Augedifferez beim Würfel mit Würfel Die Wahrscheilichkeitsfuktio lautet m Der Erwartugswert beträgt p ( m ) µ = m. p ( m ) Die Variaz beträgt = =,94 σ = ( m - µ ). p ( m ) = ( 0 -,94 ). + ( -,94 ). 0 + ( -,94 ). = ( 3 -,94 ). + ( 4 -,94 ). 4 + ( -,94 ). =,0 8 Die Stadardabweichug beträgt daher σ =,0 =,433. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 7

8 Bemerkuge.) Der Erwartugswert eier Zufallsvariable ist der Wert, der im Durchschitt uter Berücksichtigug der jeweilige Wahrscheilichkeite zu erwarte ist. Bei Laplace - Experimete ( we also alle Elemetarereigisse die gleiche Wahrscheilichkeit habe ) etspricht der Erwartugswert dem arithmetische Mittel aller Elemetarereigisse..) Die Stadardabweichug eier Zufallsvariable ist ei Maß für die Streuug der Elemetarereigisse um de Erwartugswert, also dafür, wie stark sich die Elemetarereigisse im Durchschitt uter Berücksichtigug der jeweilige Wahrscheilichkeite vom Erwartugswert uterscheide. Die Stadardabweichug ist aber icht das arithmetische Mittel der auftretede Abweichuge ( auch icht bei Laplace - Experimete ), soder wege der besodere Art der Durchschittsberechug stets midestes so groß wie die- ses arithmetische Mittel ( jeweils uter Berücksichtigug der jeweilige Wahr- scheilichkeite ). Beispielsweise beträgt die Stadardabweichug beim Würfel σ =,708 ( siehe Beispiel ), währed die durchschittliche Abweichug ur de Wert, hat. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 8

9 Beispiel 3: Roulette Das Roulette - Spiel ist ei Laplace - Experimet mit M = 0 ; ; ;... ; 3 ; als Ergebismege, bei dem jedes Elemetarereigis die Wahrscheilichkeit hat. Der Erwartugswert beträgt daher i = µ = m. p ( m ) i =. ( + ) = m. i = i =. = = 8 m = 0 Die Variaz beträgt 8 σ = ( m - µ ). p ( m ) = ( m - 8 ). =.. i m = 0 i = = = 4 Die Stadardabweichug beträgt damit σ = 4 = 0,77. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 9

10 Bemerkuge.) Der Erwartugswert ud damit auch Variaz ud Stadardabweichuge sid icht für alle Zufallsexperimete defiiert, soder ur für Zufallsvariable, da mit de Elemetarereigisse gerechet wird ud diese daher reelle Zahle sei müsse. Es gibt also z.b. keie Erwartugswert beim Würfel mit eiem Farbewürfel..) Adererseits ist es icht bei jeder Zufallsvariable sivoll, de Erwartugswert sowie Variaz ud Stadardabweichug zu bestimme. So ist es z.b. für eie Roulettespieler völlig utzlos zu wisse, dass der Erwartugswert 8 ist ( siehe Beispiel 3 ), ud es wäre absolut silos, deswege vermehrt auf die Zahl 8 zu setze. Dies liegt dara, dass die Elemetarereigisse beim Roulette ur formal reelle Zahle sid; diese reelle Zahle werde aber icht zur Agabe der Größe der jeweilige Elemetarereigisse, soder ur zu ihrer Uterscheidug beutzt. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 0

11 Beispiel 4: Roulette Mit wie viel Gewi ka ma durchschittlich reche, we ma beim Roulette auf Rot setzt? Dies ka ma als Zufallsvariable auffasse mit der Ergebismege M = 0 ; ud de Wahrscheilichkeite p ( 0 ) = ud p ( 74 ) =. Der Erwartugswert beträgt daher µ = =. Setzt ma higege auf die Zahl 0 ( oder eie beliebige adere Zahl ), so ka ma auch dies als Zufallsvariable auffasse mit der Ergebismege M = 0 ; 33 ud de Wahrscheilichkeite p ( 0 ) = ud p ( 33 ) =. =. Der Erwartugswert beträgt da µ = =. Der Erwartugswert beim Roulette ist also bei beide Spielarte ( ud auch alle adere ) gleich. Uterschiedlich sid aber die Stadardabweichuge: Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

12 Beispiel 4: Roulette Beim Setze vo auf Rot beträgt die Variaz σ = ( m - µ ). p ( m ) = 9 8 ( 0 - ). + ( 74 - ). = 8 ud damit die Stadardabweichug σ = 8 =,98. Beim Setze vo auf die Zahl 0 beträgt die Variaz σ = ( m - µ ). p ( m ) = ( 0 - ). + ( 33 - ). = 4 ud damit die Stadardabweichug σ = 4 =. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

13 Beispiel : Würfel, bis eie gewürfelt wird Wie oft muss ma erwartugsgemäß würfel, we ma so lage würfelt, bis ma eie gewürfelt hat? Dies ist eie diskrete Zufallsvariable mit der Ergebismege M = N +. Die Wahrscheilichkeitsfuktio lautet p ( m ) = m -. m =.. Azahl Würfe m Wahrscheilichkeit m -. Wahrscheilichkeit, im zweite Wurf eie zu würfel Wahrscheilichkeit, im erste Wurf keie zu würfel Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 3

14 Die Wahrscheilichkeitsfuktio lautet p ( m ) = m -. m =.. Der Erwartugswert beträgt daher µ = m. p ( m ) 8 = m.. m = 8 = m = x - 3. ( x - 3 ) = für x ε ; 4 (., Beispiel ) ( 4 - x ) 8 Mit x = 3 gilt daher m. = Bemerkug m = = 30 Ist die Ergebismege uedlich, so muss bei der Bestimmug des Erwartugswerts der Grezwert eier uedliche Reihe berechet werde. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 4 m Falls dies icht möglich ist, ka der Erwartugswert icht bestimmt werde. Falls die Reihe diverget ist, hat die Zufallsvariable keie Erwartugswert. Gleiches gilt auch für die Variaz ud damit auch für die Stadardabweichug. Dabei ist zu beachte:

15 Beispiel : Lebeserwartug I der Budesrepublik Deutschlad beträgt die durchschittliche Lebeserwartug für eugeboree Juge 7, Jahre ud für eugeboree Mädche 8, Jahre. Ei Jahr zuvor ware es 7, beziehugsweise 8,8 Jahre. ( Statistisches Budesamt, Februar 008 ) Auch die Lebeserwartug ist der Erwartugswert eier diskrete Zufallsvariable. Das zugrudeliegede Zufallsexperimet besteht i der Geburt eies Kides: die Elemetarereigisse sid z.b. die atürliche Zahle bis ( etwa ) ; sie bedeute das Sterbealter i Jahre ( evtl. geauere Dateerhebug ) die Wahrscheilichkeit für die Elemetarereigisse wird statistisch ermittelt Die Bestimmug dieser Wahrscheilichkeite ist aber offebar erst möglich, we alle im Jahr 008 geboree Kider gestorbe sid! Was bedeutet die obige Statistik für eie 8-jährige Ma? a) Er ist seit 9 Jahre tot b) Er sollte kei großes Bier mehr bestelle c) Er sollte auch kei kleies Bier mehr bestelle d) Er sollte keierlei besodere Maßahme ergreife ( evtl. Statistik studiere ) Richtig ist d), da seie weitere Lebeserwartug als bedigte Wahrscheilichkeit berechet werde muss ud ihm wahrscheilich och eiige Lebesjahre bleibe. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

16 Biomialverteilug Ei beliebiges Zufallsexperimet wird - mal durchgeführt. Bei jeder dieser Durchführuge achtet ma darauf, ob ei Ereigis A eitritt oder icht. Da erhält ma eie Zufallsvariable mit Ergebismege M = 0 ; ; ;... ;, bei der jedes Elemetarereigis für die Azahl steht, mit der das Ereigis A bei de Durchführuge des obige Zufallsexperimets eigetrete ist. Ist p = p ( A ) die Wahrscheilichkeit des Ereigisses A, so heißt diese eue Zufallsvariable biomialverteilt mit Parameter ud p oder kurz B ( ; p ) - verteilt. Zur Bestimmug der Wahrscheilichkeitsfuktio eier Biomialverteilug betrachte das folgede Beispiel: Wie groß ist die Wahrscheilichkeit, dass bei 4 - maliger Durchführug des Zufallexperimets das Ereigis A geau 3 - mal eitritt? Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

17 p Zufallsexperimet 4 - mal durchführe - p A A p - p p - p A A A A p - p p - p A A A A p - p p - p A A A A A A A A p - p p - p p - p p - p p - p p - p p - p p - p Nach. gibt es geau ( 4 ) 3 = 4 Möglichkeite, aus de 4 Durchführuge des Zu- fallsexperimets die 3 Durchführuge auszuwähle, i dee das Ereigis A eitritt. Jede dieser 3 Durchführuge hat die Wahrscheilichkeit p. p. p. ( - p ) = p 3. ( - p ). Das Ereigis A tritt also mit Wahrscheilichkeit ( 4 ) 3. p 3. ( - p ) geau 3 - mal auf. Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 7

18 Wie groß ist die Wahrscheilichkeit, dass bei 4 - maliger Durchführug des Zufallex- perimets das Ereigis A geau 3 - mal eitritt? Das Ereigis A tritt also mit Wahrscheilichkeit ( 4 ) 3. p 3. ( - p ) geau 3 - mal auf. Allgemei gilt: Die Wahrscheilichkeit, dass bei - maliger Durchführug eies Zufallexperimets ei Ereigis A ( mit Wahrscheilichkeit p = p ( A ) ) für eie beliebige Azahl k ( ) zwische 0 ud geau k - mal eitritt, beträgt p ( k ) =. p k. ( - p ) - k. k Beispiel Die Wahrscheilichkeit, dass bei 0 - maligem Würfel geau 0 - mal die Zahl ge- würfelt wird, beträgt ( 0 ) p ( 0 ) = = 0, = 3,7 % Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 8

19 Bemerkuge zur Biomialverteilug.) Wie bei jedem Zufallsexperimet ( vgl. Satz a aus. ) hat die Summe der Wahrscheilichkeite aller Elemetarereigisse auch bei der Biomialvertei- lug de Wert : p ( m ) =. p k. ( - p ) - k = (p + ( - p )) = = k = 0 ( ) k biomischer Satz.) Eie B ( ; p ) - verteilte Zufallsvariable hat de Erwartugswert. p, de: µ = m. p ( m ) ( ) = k.. p k. ( - p ) - k k k = 0 = k.!. p k. ( - p ) - k k!. ( - k )! k = Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 9

20 = k.!. p k. ( - p ) - k k!. ( - k )! k =. ( - )! =. p. p k -. ( - p ) ( k - )!. (( - ) - ( k - ))! k = ( - ) =. p.. k p -. ) ( - p ) k - k = ( - ) - (k - - k - ( - ) =. p.. p j. ( ( - p ) - ) - j j =. p. (p + ( - p )) - =. p j = k - j = 0 biomischer Satz Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 0

21 Bemerkuge zur Biomialverteilug 3.) Mit ähliche Umformuge wie i Bemerkug ka ma auch die Variaz eier B ( ; p ) - verteilte Zufallsvariable bereche; sie beträgt. p. ( - p ). Es gilt damit allgemei für jede B ( ; p ) - verteilte Zufallsvariable : Wahrscheilichkeitsfuktio: p ( k ) =. p k. ( - p ) - k ( ) k Erwartugswert: µ =. p Variaz: σ =. p. ( - p ) Stadardabeichug: σ =. p. ( - p ) Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

22 Graph der Wahrscheilichkeitsfuktio eier Biomialverteilug Beispiel: = 4, p = 0,3 (, also p ( k ) = 4 ). 0,3 k. 0,7 - k k k p ( k ) 0,007 0,04 0,3 0,94 0,9 0,9 0, 0,0 0,03 0,007 0,00 0,000 p ( k ) k 3 4 p ( k ) 0,0000 0, , , k Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie

23 p ( k ) 0, Erwartugswert: µ =. p µ = 4. 0,3 = 4, 3 4 4, µ k max k Ist k max das Elemetarereigis mit der größte Wahrscheilichkeit, so liegt der Erwartugswert µ stets zwische k max - p ( A ) ud k max + p ( A ) : k max - p < µ < k max + - p bzw. µ + p - < k max < µ + p 4-0,3 < µ < 4 + 0,7 bzw. 4, - 0,7 < k max < 4, + 0,3 Istitut für Automatisierugstechik Prof. Dr. Ch. Bold Aalysis.4 Folie 3

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39 Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle

Mehr

Statistik I/Empirie I

Statistik I/Empirie I Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass

Mehr

Es werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.

Es werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy. Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady

Mehr

AngStat1(Ue13-21).doc 23

AngStat1(Ue13-21).doc 23 3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also

Mehr

Wahrscheinlichkeit & Statistik

Wahrscheinlichkeit & Statistik Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege

Mehr

Stochastik: Binomialverteilung Stochastik Bernoulli-Experimente, binomialverteilte Zufallsvariablen Gymnasium ab Klasse 10

Stochastik: Binomialverteilung Stochastik Bernoulli-Experimente, binomialverteilte Zufallsvariablen Gymnasium ab Klasse 10 Stochastik Beroulli-Experimete, biomialverteilte Zufallsvariable Gymasium ab Klasse 0 Alexader Schwarz www.mathe-aufgabe.com November 203 Hiweis: Für die Aufgabe darf der GTR beutzt werde. Aufgabe : Ei

Mehr

7.2 Grundlagen der Wahrscheinlichkeitsrechnung

7.2 Grundlagen der Wahrscheinlichkeitsrechnung 7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet

Mehr

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:

Mehr

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen: 61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl

Mehr

1 Analysis T1 Übungsblatt 1

1 Analysis T1 Übungsblatt 1 Aalysis T Übugsblatt A eier Weggabelug i der Wüste lebe zwei Brüder, die vollkomme gleich aussehe, zwische dee es aber eie gewaltige Uterschied gibt: Der eie sagt immer die Wahrheit, der adere lügt immer.

Mehr

Auch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.

Auch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert. Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger

Mehr

Formelsammlung Mathematik

Formelsammlung Mathematik Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1

Mehr

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit - 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete

Mehr

Diskrete Zufallsvariablen

Diskrete Zufallsvariablen Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug

Mehr

R. Brinkmann Seite

R. Brinkmann  Seite R. Brikma http://brikma-du.de Seite 1.0.014 Lösuge zur Biomialverteilug I Ergebisse: E1 E E E4 E E E7 Ergebis Ei Beroulli-Experimet ist ei Zufallsexperimet, das ur zwei Ergebisse hat. Die Ergebisse werde

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl

Mehr

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere

Mehr

2 Vollständige Induktion

2 Vollständige Induktion 8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes

Mehr

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

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis 6. Grudlage der Wahrscheilichkeitsrechug 6.. Defiitioe ud Beispiele Spiele aus dem Alltagslebe: Würfel, Müze, Karte,... u.s.w. sid gut geeiget die Grudlage der Wahrscheilichkeitsrechug darzustelle. Wir

Mehr

Empirische Verteilungsfunktion

Empirische Verteilungsfunktion KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,

Mehr

Klausur vom

Klausur vom UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit

Mehr

Kapitel 2: Laplacesche Wahrscheinlichkeitsräume

Kapitel 2: Laplacesche Wahrscheinlichkeitsräume - 12 - (Kapitel 2 : Laplacesche Wahrscheilicheitsräume) Kapitel 2: Laplacesche Wahrscheilicheitsräume Wie beim uverfälschte Müzewurf ud beim uverfälschte Würfel spiele Symmetrieüberleguge, die jedem Elemetarereigis

Mehr

6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $

6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $ Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum

Mehr

Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME

Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete

Mehr

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit

Mehr

Übungsblatt 1 zur Vorlesung Angewandte Stochastik

Übungsblatt 1 zur Vorlesung Angewandte Stochastik Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche

Mehr

5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung

5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung Seite vo 7 5 Beroulli-Kette Jakob Beroulli 654-705 Schweizer Mathematiker ud Physiker 5. Beroulli-Exerimet 5.. Eileitug Oft iteressiert ma sich bei Zufallsexerimete icht für die eizele Ergebisse, soder

Mehr

3.2 Das Wahrscheinlichkeitsmaß

3.2 Das Wahrscheinlichkeitsmaß 3 Wahrscheilichkeite 21 3.2 Das Wahrscheilichkeitsmaß 3.2.1 Relative Häufigkeite Der Begriff der relative Häufigkeit Peter verliert beim Mesch ärgere Dich icht. Wüted behauptet er, dass der verwedete Würfel

Mehr

Innerbetriebliche Leistungsverrechnung

Innerbetriebliche Leistungsverrechnung Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der

Mehr

SBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit

SBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur

Mehr

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt 2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:

Mehr

Klausur 3 Kurs 11ma3g Mathematik

Klausur 3 Kurs 11ma3g Mathematik 202-06-2 Klausur 3 Kurs ma3g Mathematik Lösug I eier Lotto-Ure befide sich 49 Kugel, die mit de Zahle vo bis 49 beschriftet sid. Eie eizige Kugel wird gezoge. Bereche Sie die Wahrscheilichkeit, dass diese

Mehr

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte. Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste

Mehr

Empirische Methoden I

Empirische Methoden I Hochschule für Wirtschaft ud 2012 Umwelt Nürtige-Geislige Fakultät Betriebswirtschaft ud Iteratioale Fiaze Prof. Dr. Max C. Wewel Prof. Dr. Corelia Niederdrek-Felger Aufgabe zum Tutorium Empirische Methode

Mehr

Statistik und Wahrscheinlichkeitslehre

Statistik und Wahrscheinlichkeitslehre Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug

Mehr

Folgen und Reihen. 23. Mai 2002

Folgen und Reihen. 23. Mai 2002 Folge ud Reihe Reé Müller 23. Mai 2002 Ihaltsverzeichis 1 Folge 2 1.1 Defiitio ud Darstellug eier reelle Zahlefolge.................. 2 1.1.1 Rekursive Defiitio eier Folge......................... 3 1.2

Mehr

Der Additionssatz und der Multiplikationssatz für Wahrscheinlichkeiten

Der Additionssatz und der Multiplikationssatz für Wahrscheinlichkeiten Der Additiossatz ud der Multiplikatiossatz für Wahrscheilichkeite Die Wahrscheilichkeitsrechug befasst sich mit Ereigisse, die eitrete köe, aber icht eitrete müsse. Die Wahrscheilichkeit eies Ereigisses

Mehr

4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa

4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa 20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle

Mehr

Grenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen

Grenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen . Der Grezwert vo mootoe, beschräkte Folge Der Grezwert vo mootoe, beschräkte Folge ist eifacher verstädlich als der allgemeie Fall. Deshalb utersuche wir zuerst diese Spezialfall ud verallgemeier aschliessed.

Mehr

Statistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik

Statistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische

Mehr

Nachklausur - Analysis 1 - Lösungen

Nachklausur - Analysis 1 - Lösungen Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:

Mehr

Statistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html

Statistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html Statistik Prof. Dr. K. Melzer kari.melzer@hs-esslige.de http://www.hs-esslige.de/de/mitarbeiter/kari-melzer.html Ihaltsverzeichis 1 Eileitug ud Übersicht 3 2 Dategewiug (kurzer Überblick) 3 2.1 Plaugsphase

Mehr

Tutorial zum Grenzwert reeller Zahlenfolgen

Tutorial zum Grenzwert reeller Zahlenfolgen MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des

Mehr

Michael Buhlmann Mathematik > Analysis > Newtonverfahren

Michael Buhlmann Mathematik > Analysis > Newtonverfahren Michael Buhlma Mathematik > Aalysis > Newtoverfahre Eie Abbildug {a }: N -> R, die jeder atürliche Zahl eie reelle Zahl a zuordet, heißt (uedliche (Zahle- Folge: -> a oder {a } εn, a das -te Folgeglied.

Mehr

Klassifizierung der Verteilungen. Streuung der diskreten Verteilung

Klassifizierung der Verteilungen. Streuung der diskreten Verteilung Wichtigste Verteiluge der Biostatisti Disrete Zur Erierug Klassifizierug der Verteiluge Kotiuierliche Disrete Gleichverteilug Kotiuierliche Gleichverteilug Biomialverteilug Normalverteilug Poisso Verteilug

Mehr

( ) Formelsammlung. Kombinatorik. Permutation: ohne Wiederholung. n! = n (n - 1) (n - 2)... 3 2 1 n= alle Elemente. Permutation: mit Wiederholung

( ) Formelsammlung. Kombinatorik. Permutation: ohne Wiederholung. n! = n (n - 1) (n - 2)... 3 2 1 n= alle Elemente. Permutation: mit Wiederholung Formelsammlug Kombiatori Permutatio: ohe Wiederholug! = ( - 1) ( - 2).... 3 2 1 = alle Elemete Permutatio: mit Wiederholug!! P, = = usw. = gleiche Elemete! 1! K 2! Stichprobe (SP) = geordete Auswahl Geordete

Mehr

A Ω, Element des Ereignisraumes

A Ω, Element des Ereignisraumes ue biostatisti: grudlegedes zur wahrscheilicheit ud ombiatori 1/6 WAHRSCHEINLICHKEIT / EINIGE BEGRIFFE Ereigisraum Ω Elemetarereigis A: Ω ist die Mege aller mögliche Elemetarereigisse A Ω, Elemet des Ereigisraumes

Mehr

9. Diskrete Zufallsvariable, Wahrscheinlichkeitsverteilung, Erwartungswert, Varianz

9. Diskrete Zufallsvariable, Wahrscheinlichkeitsverteilung, Erwartungswert, Varianz 44 9. Diskrete Zufallsvariable, Wahrscheilichkeitsverteilug, Erwartugswert, Variaz Bei Zufallsversuche iteressiere oft icht die Ergebisse selbst, soder Zahle, die de mögliche Ergebisse des Zufallsversuchs

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Istitut für tochastik Prof. Dr. N. Bäuerle Dipl.-Math.. Urba Lösugsvorschlag 9. Übugsblatt zur Vorlesug Fiazmathematik I Aufgabe Ei euartiges Derivat) Wir sid i eiem edliche, arbitragefreie Fiazmarkt,

Mehr

3. Tilgungsrechnung. 3.1. Tilgungsarten

3. Tilgungsrechnung. 3.1. Tilgungsarten schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie

Mehr

Resultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen

Resultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen 26 Gleichmäßige Kovergez ud Potezreihe 129 26 Gleichmäßige Kovergez ud Potezreihe Lerziele: Kozepte: Puktweise ud gleichmäßige Kovergez Resultate: Vertauschbarkeit vo Grezprozesse, Kovergezverhalte vo

Mehr

Klasse: Platzziffer: Punkte: / Graph zu f

Klasse: Platzziffer: Punkte: / Graph zu f Pflichtteil Mathematik I Aufgabe P Name: Vorame: Klasse: Platzziffer: Pukte: / P.0 Gegebe ist die Fuktio f mit der Gleichug (siehe Zeichug). y x8 y,25 4 mit GI IRIR Graph zu f O x P. x 8 Die Pukte C (x,25

Mehr

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige

Mehr

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ). KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio

Mehr

Zahlenfolgen, Grenzwerte und Zahlenreihen

Zahlenfolgen, Grenzwerte und Zahlenreihen KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:

Mehr

Elementare Wahrscheinlichkeitsrechnung und Statistik

Elementare Wahrscheinlichkeitsrechnung und Statistik CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar

Mehr

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung... KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4

Mehr

h i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert

h i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert Deskriptive Statistik dimesioale Date Date ud Häufigkeite Seite Nomial Ordial Metrisch (Kardial Metrisch klassiert Beschreibug: Date habe keie atürliche Reihefolge. Bsp: Farbe, Religio, Geschlecht, Natioalität...

Mehr

Statistische Formelsammlung Begleitende Materialien zur Statistik - Vorlesung des Grundstudiums im Fachbereich IK

Statistische Formelsammlung Begleitende Materialien zur Statistik - Vorlesung des Grundstudiums im Fachbereich IK Statistische Formelsammlug Begleitede Materialie zur Statistik - Vorlesug des Grudstudiums im Fachbereich IK Erstellt im Rahme des studierede Projektes PROST Studiejahr 00/00 uter Aleitug vo Frau Prof.

Mehr

FormelnfürdieAnzahlmöglicherQuadrateaufn*nSpielfeldern

FormelnfürdieAnzahlmöglicherQuadrateaufn*nSpielfeldern Modrago Formel Herleitug, Azahl Quadrate ud Differeze 01.doc 1 FormelfürdieAzahlmöglicherQuadrateauf*Spielfelder Mit Erläuteruge zur Ableitug der Formel vo Dr. Volker Bagert Berli, 11.03.010 Ihaltsverzeichis

Mehr

Daten und Zufall in der Jahrgangsstufe 9 Seite 1

Daten und Zufall in der Jahrgangsstufe 9 Seite 1 Date ud uall i der Jahrgagsstue Seite usammegesetzte uallsexperimete, Padregel Aubaued au de Erahruge aus de vorhergehede Jahrgagsstue beschätige sich die Schüler systematisch mit zusammegesetzte uallsexperimete

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie und Statistik vom INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste

Mehr

Die zu den Zufallswerten x gehörigen Wahrscheinlichkeiten fasst man in einer Tabelle zusammen:

Die zu den Zufallswerten x gehörigen Wahrscheinlichkeiten fasst man in einer Tabelle zusammen: 0 Statistik 0. Wahrscheilichkeitsfuktio ud optische Darstellug Bei der Auswertug vo Zufallsexperimete ist oft gar icht das eizele Ergebis vo Iteresse, soder vielmehr eie Zahlegröße (Zufallsgröße X), die

Mehr

1. Zahlenfolgen und Reihen

1. Zahlenfolgen und Reihen . Zahlefolge ud Reihe We ma eie edliche Mege vo Zahle hat, ka ma diese i eier bestimmte Reihefolge durchummeriere: {a,a 2,...,a }. Ma spricht vo eier edliche Zahlefolge. Fügt ma immer mehr Zahle hizu,

Mehr

Das kollektive Risikomodell. 12. Mai 2009

Das kollektive Risikomodell. 12. Mai 2009 Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer

Mehr

Monte Carlo-Simulation

Monte Carlo-Simulation Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil

Mehr

KAPITEL 2. Zahlenfolgen

KAPITEL 2. Zahlenfolgen KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................

Mehr

Stochastik für WiWi - Klausurvorbereitung

Stochastik für WiWi - Klausurvorbereitung Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F

Mehr

Satz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.

Satz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist. Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,

Mehr

Kapitel 5: Schließende Statistik

Kapitel 5: Schließende Statistik Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte

Mehr

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I Model CreditRisk + : The Ecoomic Perspective of Portfolio Credit Risk Part I Semiar: Portfolio Credit Risk Istructor: Rafael Weißbach Speaker: Pablo Kimmig Ageda 1. Asatz ud Ziele Was ist CreditRisk +

Mehr

Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung

Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK Physikalische Prozesse, die eier statistische Gesetzmäßigkeit uterworfe sid, lasse sich mit eier Verteilugsfuktio beschreibe. Die Gauß-Verteilug

Mehr

Tests für beliebige Zufallsvariable

Tests für beliebige Zufallsvariable Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels

Mehr

... a ik) i=1...m, k=1...n A = = ( a mn

... a ik) i=1...m, k=1...n A = = ( a mn Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,

Mehr

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10. 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie

Mehr

Kapitel 6 : Punkt und Intervallschätzer

Kapitel 6 : Punkt und Intervallschätzer 7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5 TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt

Mehr

Methoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln

Methoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln 6 Kovergete Folge Lerziele: Kozepte: Grezwertbegriff bei Folge, Wachstumsgeschwidigkeit vo Folge Resultat: Mootoe beschräkte Folge sid koverget. Methode: Hero-Verfahre, Erweiterug vo Differeze vo Quadratwurzel

Mehr

Zentraler Grenzwert Satz

Zentraler Grenzwert Satz Zetraler Grezwert Satz Aufgabe Aufgabe 1 Um ihr Studium zu fiaziere jobbe Sie ebebei als Iterviewer ud befrage bei eier ihrer Missioe zufällig Wahlberechtigte um das Wahlergebis eier bestimmte Partei vorherzusage.

Mehr

Parameterschätzung. Kapitel Schätzfunktionen

Parameterschätzung. Kapitel Schätzfunktionen Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie

Mehr

Zusammenfassung: Folgen und Konvergenz

Zusammenfassung: Folgen und Konvergenz LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele

Mehr

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung MaMaEuSch Maagemet Mathematics for Europea Schools http://www.mathematik.uikl.de/ mamaeusch Grudgesamtheitsaaylse ud Stichprobe. Betrachtuge zur Stichprobefidug Paula Lagares Justo Puerto 1 MaMaEuSch 2

Mehr

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8 Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir

Mehr

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0 UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Prof. Dr. Rolad Speicher M.Sc. Tobias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 01 Musterlösug zu Blatt 0 Aufgabe 1. Käpt Schwarzbart,

Mehr

BINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008

BINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008 Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe

Mehr

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie

Mehr

Hilfsmittel aus der Kombinatorik, Vollständige Induktion, Reelle Zahlenfolgen

Hilfsmittel aus der Kombinatorik, Vollständige Induktion, Reelle Zahlenfolgen 7. Vorlesug im Brückekurs Mathematik 2017 Hilfsmittel aus der Kombiatorik, Vollstädige Iduktio, Reelle Zahlefolge Dr. Markus Herrich Markus Herrich Kombiatorik, Vollstädige Iduktio, Zahlefolge 1 Hilfsmittel

Mehr

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen.

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen. 3. Variazaalyse Die Variazaalyse mit eier quatitative abhägige Variable ud eier oder mehrerer qualitativer uabhägiger Variable wird auch als ANOVA (Aalysis of Variace) bezeichet. Mit eier Variazaalyse

Mehr

Datenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007

Datenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007 Dateauswertug Prof. Dr. Josef Brüderl Uiversität Maheim Frühjahrssemester 007 Methode-Curriculum B.A. Soziologie Basismodul: Methode ud Statistik: VL Dateerhebug (): 5 ÜK (): 3 ----------------------------------------------------------

Mehr

3. Einführung in die Statistik

3. Einführung in die Statistik 3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :

Mehr

Übungsaufgaben II. Übungsaufgaben II. f) Wie groß ist die Wahrscheinlichkeit, dass er mindestens 1 richtige Antworten. ankreuzt?

Übungsaufgaben II. Übungsaufgaben II. f) Wie groß ist die Wahrscheinlichkeit, dass er mindestens 1 richtige Antworten. ankreuzt? Berufsolleg Marieschule Lippstadt Schuljahr /7 Kurs: Mathemati AHR. Berufsolleg Marieschule Lippstadt Schuljahr /7 Kurs: Mathemati AHR. Aufgabe Ei Multiple-Choise-Test besteht aus Frage für die jeweils

Mehr

3 Wichtige Wahrscheinlichkeitsverteilungen

3 Wichtige Wahrscheinlichkeitsverteilungen 26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei

Mehr

Binomialkoeffizienten und Binomischer Satz 1 Der binomische Lehrsatz

Binomialkoeffizienten und Binomischer Satz 1 Der binomische Lehrsatz Ihaltsverzeichis Biomialoeffiziete ud Biomischer Satz 1 Der biomische Lehrsatz wird als eie gaze Zahl vorausgesetzt, für die gilt: 0. a ud b werde als reelle Zahle vorausgesetzt, die icht Null sid. Bemerug:

Mehr

Umrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung

Umrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung .3. Prozetuale Häufigkeitsverteilug (HV) Die prozetuale Häufigkeitsverteilug erlaubt de Vergleich vo Auswertuge, dee uterschiedliche Stichprobegröße zugrude liege. Es köe auch uterschiedliche Stichprobegröße

Mehr

Kapitel 6: Statistische Qualitätskontrolle

Kapitel 6: Statistische Qualitätskontrolle Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle

Mehr

Gleichungen und Ungleichungen. Mathematische Grundlagen. Beispiel. Beispiel. Lösung einer quadratischen Gleichung:

Gleichungen und Ungleichungen. Mathematische Grundlagen. Beispiel. Beispiel. Lösung einer quadratischen Gleichung: Gleichuge ud Ugleichuge Mathematische Grudlage Das Hadout ist Bestadteil der Vortragsfolie zur Höhere Mathemati; siehe die Hiweise auf der Iteretseite wwwimgui-stuttgartde/lstnumgeomod/vhm/ für Erläuteruge

Mehr

Einführung in die Stochastik

Einführung in die Stochastik Prof. Dr. Has-Wolfgag He UNIVERSITÄT DORTMUND Fachbereich Mathematik Istitut für Etwicklug ud Erforschug des Mathematikuterrichts Eiführug i die Stochastik Skriptum zur Vorlesug im WS 00/003 Ihaltsverzeichis.

Mehr

Zahlenfolgen. Zahlenfolgen

Zahlenfolgen. Zahlenfolgen Zahlefolge Eie Zahlefolge a besteht aus Zahle a,a,a 3,a 4,a 5,... Die eizele Zahle eier Folge heiße Glieder oder Terme. Beispiele für Zahlefolge sid die atürliche Zahle: 3 4 5 6 7 8 9 0 3 4 5..., die gerade

Mehr

Statistische Modelle und Parameterschätzung

Statistische Modelle und Parameterschätzung Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht

Mehr