Kapitel 9:Erwartungswert, Varianz und Kovarianz von Zufallsvariablen

Größe: px
Ab Seite anzeigen:

Download "Kapitel 9:Erwartungswert, Varianz und Kovarianz von Zufallsvariablen"

Transkript

1 Kapitel 9:Erwartungswert, Varianz und Kovarianz von Zufallsvariablen Motivation Erwartungswert: Welchen Wert nimmt Zufallsvariable durchschnittlich an? Populärstes Lagemaß aus Teil A: Arithmetisches Mittel Ausgangslage: Metrisch skaliertes Merkmal X mit möglichen Ausprägungen a 1,..., a k, die mit relativen Häufigkeiten h(a 1 ),..., h(a k ) auftreten. Es gilt (vergleiche Definition 3.1 und Beispiel 3.2 a)) x = k a i h(a i ) i=1 Idee: Ersetze relative Häufigkeiten durch bekannte Wahrscheinlichkeiten Dr. Matthias Arnold 225

2 Tippspiel Europameisterschaft Punktvergabe: 3 Punkte für korrektes Ergebnis 2 Punkte für korrekte Tordifferenz 1 Punkt für korrekte Tendenz Sieg/Niederlage Für welchen Tipp sind die meisten Punkte zu erwarten? Mit welcher Wahrscheinlichkeit treten die Ergebnisse auf? Näherung für die Wahrscheinlichkeiten aus Wettquoten ableiten Dr. Matthias Arnold 226

3 Vorrundenspiel Deutschland-Portugal, Quoten bwin ω i 0:0 1:0 1:1 0:1 2:0 2:1 2:2 1:2 0:2 3:0 Quote ω i 3:1 3:2 3:3 2:3 1:3 0:3 4:0 4:1 4:2 Quote Wahrscheinlichkeiten Idee: bilde Kehrwert und standardisiere zu Eins, Ergebnis in Prozent: ω i 0:0 1:0 1:1 0:1 2:0 2:1 2:2 1:2 0:2 3:0 P(ω i ) ω i 3:1 3:2 3:3 2:3 1:3 0:3 4:0 4:1 4:2 P(ω i ) Dr. Matthias Arnold 227

4 Erwartete Punktzahl für den Tipp 1:0 ω i 0:0 1:0 1:1 0:1 2:0 2:1 2:2 1:2 0:2 3:0 P(ω i ) Punkte ω i 3:1 3:2 3:3 2:3 1:3 0:3 4:0 4:1 4:2 P(ω i ) Punkte Wahrscheinlichkeiten für Punkte Punktzahl Wahrscheinlichkeit Das ergibt im Erwartungswert folgende Punktanzahl: = Dr. Matthias Arnold 228

5 Erwartete Punktzahl für den Tipp 1:1 ω i 0:0 1:0 1:1 0:1 2:0 2:1 2:2 1:2 0:2 3:0 P(ω i ) Punkte ω i 3:1 3:2 3:3 2:3 1:3 0:3 4:0 4:1 4:2 P(ω i ) Punkte Wahrscheinlichkeiten für Punkte Punktzahl Wahrscheinlichkeit Das ergibt im Erwartungswert folgende Punktanzahl: = Dr. Matthias Arnold 229

6 Punktzahloptimierung erwartete Punktzahlen somit: Punkte für den Tipp 1: Punkte für den Tipp 1:1 bester Tipp ist hier 1:0 für den Favoriten bei nahezu ausgeglichenen Partien: 1:1 tippen bei sehr deutlichen Favoriten eventuell ausweichen auf 2:0, kommt bei Europameisterschaften aber sehr selten vor Dr. Matthias Arnold 230

7 Punktzahloptimierung aus statistischer Sicht Ergebnismenge Ω: {0 :0, 1:0, 1:1, 0:1,...} Elementarereignisse ω i : {0 :0}, {1 :0}, {1 :1}, {0 :1},... Ereignis A: Unentschieden Abbildung der ω i auf Punktezahlen zwischen 0 und 3: Zufallsvariable (hängt ab vom Tipp und den Spielregeln) Wahrscheinlichkeiten aus Wettquoten schätzen: Teil der induktiven Statistik, mehr dazu in Teil C der Vorlesung Berechnung erwarteter Punktzahlen: Konzept des Erwartungswertes, hier für eine diskrete Zufallsvariable Dr. Matthias Arnold 231

8 Definition 9.1 a) Sei X diskrete Zufallsvariable mit möglichen Realisationen x 1,..., x n und f(x i )=P(X = x i ) Wahrscheinlichkeitsfunktion. Dann heißt E (X) = i I x i f(x i ) Erwartungswert von X (I =Indexmenge). b) Sei X stetige Zufallsvariable mit Dichte f(x). Dann heißt Erwartungswert von X. E (X) = x f(x) dx Dr. Matthias Arnold 232

9 Beispiel 9.1 a) X = Augensumme zweimaliges Würfeln,vgl.u.a.Bsp E (X) = x i f(x i )= x i f(x i ) i I i=1 1 = =7 b) X = Anzahl Kopf bei zweimaligem Münzwurf, vgl. Bsp. 8.1 E (X) = i I x i f(x i )= 3 x i f(x i ) i=1 = =1 Dr. Matthias Arnold 233

10 Beispiel 9.1 (Fortsetzung) c) X = Verspätung der S1, vgl. Bsp. 8.4 E (X) = x f(x) dx = 20 0 x 1 20 dx = 1 40 x =10 Bemerkung a) Ist Wahrscheinlichkeitsfunktion/Dichte einer Zufallsvariablen X symmetrisch um x, dann gilt E (X) =x b) Der Erwartungswert einer diskreten Zufallsvariablen X muss nicht unbedingt mögliche Realisation x i von X sein Dr. Matthias Arnold 234

11 Bemerkung (Fortsetzung) c) Eigenschaften des Erwartungswertes: X 1,..., X n beliebige Zufallsvariablen; a 1,a 2,...,a n,b R beliebige Konstanten; g : R R beliebige Funktion. Dann gilt: E (a1 X 1 + b) =a 1 E (X 1 )+b ( n ) E a i X i = n a i E (X i ) i=1 E (g(x1 )) = i=1 g(x i ) f(x i ), i g(x) f(x) dx, falls X 1 diskret falls X 1 stetig Falls X1,..., X n stochastisch unabhängig, so gilt außerdem E (X 1... X n ) =E(X 1 )... E (X n ) Dr. Matthias Arnold 235

12 Bemerkung (Fortsetzung) d) (Schwaches) Gesetz der großen Zahlen: X 1,..., X n unabhängige Zufallsvariablen, die alle die gleiche Verteilung (d.h. gleiche Dichte/Wahrscheinlichkeitsfunktion und gleiche Verteilungsfunktion) wie X besitzen. Dann gilt für ein beliebiges ε>0: lim P ( X n E (X) <ε)=1 n e) Interpretation des (schwachen) Gesetztes der großen Zahlen: Seien x 1,..., x n Realisationen der Zufallsvariablen aus Teil e). Dann gilt lim n 1 n n x i = E (X). i=1 Dr. Matthias Arnold 236

13 Beispiel 9.2 a) X = Anzahl Kopf bei zweimaligem Münzwurf E (X) =1, vgl. Bsp. 9.1 Durchschnittliche Anzahl Kopf Anzahl n der (zweimaligen) Münzwürfe Dr. Matthias Arnold 237

14 Beispiel 9.2 (Fortsetzung) b) Betrachte abermals Beispiel 2.4 bzw. 3.1: Lebensdauer (in Betriebsstudien) von Ventilen in kunststoffverarbeitendem Betrieb Lebensdauern als unabhängige Zufallsvariablen mit gleicher Verteilung auffassbar bei wachsendem Stichprobenumfang konvergiert arithmetisches Mittel gegen Erwartungswert dieser Verteilung (Grund: Gesetz der großen Zahlen) Bei vorliegenden Daten (n = 30) gilt: x = 313, 17 (vgl. Beispiel 3.1) Dr. Matthias Arnold 238

15 Bemerkung Weiteres Lagemaß aus Kapitel 3: p Quantil (Wert x p, für den mindestens ein Anteil p 100 Prozent der Daten kleiner/gleich x p, und mindestens ein Anteil (1 p) 100 Prozent der Daten größer/gleich x p ist) definiere nun p Quantil einer Verteilung (zunächst lediglich stetiger Fall) Definition 9.2 Für eine stetige Zufallsvariable X und ein p [0, 1] heißt der Wert x p mit P (X x p )=p p-quantil der Verteilung von X. Dr. Matthias Arnold 239

16 Beispiel 9.3 a) X = S1-Verspätung Haltestelle Universität Dortmund, vgl. Beispiel 8.4 b) bzw. 9.1 c); Frage: Was ist, mit 80 prozentiger Wahrscheinlichkeit, die maximale Verspätung? Suche also das 0, 8 Quantil x0,8 der Gleichverteilung aus Beispiel 8.4 b) X stetig x0,8 so, dass P (X x 0,8 )=0, 8 P (X x 0,8 ) = F (x 0,8 )= x 0,8 20 =0, 8 x 0,8 = 20 0, 8=16 Mit 80 prozentiger Wahrscheinlichkeit beträgt die Verspätung nicht mehr als 16 Minuten Dr. Matthias Arnold 240

17 Beispiel 9.3 (Fortsetzung) a) Verspätung S-1 (Fortsetzung) F(x) X0,8=16 24 Verspätung x in Minuten Dr. Matthias Arnold 241

18 Beispiel 9.3 (Fortsetzung) a) Verspätung S-1 (Fortsetzung) f(x) Flächeninhalt links vom 0,8 Quantil=0,8 (d.h. 80% Wahrscheinlichkeitsmasse) Flächeninhalt rechts vom 0,8 Quantil=0,2 (d.h. 20% Wahrscheinlichkeitsmasse) 5 0 X0,8= Verspätung x in Minuten Dr. Matthias Arnold 242

19 Beispiel 9.3 (Fortsetzung) b) X = Augensumme bei zweimaligem Würfeln, vgl. u.a. Beispiel 8.3 Auch hier gesucht: 0, 8 Quantil Versuch, obwohl X diskret, Definition 9.2 anzuwenden Nach Beispiel 8.3 gilt P (X x) =F (x) = { 26/36 = 0, 72 für 8 x<9 30/36 = 0, 83 für 9 x<10 ein x 0,8 mit P (X x 0,8 )=0, 8 existiert nicht Dr. Matthias Arnold 243

20 Beispiel 9.3 (Fortsetzung) b) Zweimaliges Würfeln (Fortsetzung) Verteilungsfunktion zweifaches Würfeln F(x) Augensumme x Dr. Matthias Arnold 244

21 Beispiel 9.3 (Fortsetzung) b) Zweimaliges Würfeln (Fortsetzung) Dr. Matthias Arnold 245

22 Bemerkung Fasse, für eine diskrete Zufallsvariable X und ein p [0, 1], den Wert x p mit F (x p ) p und F (x) <pfür x<x p als p Quantil der Verteilung von X auf Beispiel 9.4 (Augensumme zweimaliges Würfeln, vgl. Beispiel 9.3 b)) Es gilt P (X x) =F (x) = 26/36 = 0, 72 für 8 x<9 30/36 = 0, 83 für 9 x<10 Gemäß der Bemerkung nach Beispiel 9.3 gilt x 0,8 =9 Dr. Matthias Arnold 246

23 Bemerkung Neben Lagemaßen in Teil A von Interesse: Streuungsmaße (siehe etwa Bsp. 4.1: Zwei unterschiedlich schwankende Unternehmensgewinne X, Y mit x =ȳ) Jetzt: Wie weit streuen Realisierungen einer Zufallsvariablen X um E(X) herum; Betrachte etwa Zufallsvariablen X und Y mit E(X) =E(Y ) folgendes Bild möglich f(y) f(x) E(X)=E(Y) Dr. Matthias Arnold 247

24 Definition 9.3 Sei X beliebige Zufallsvariable. Dann heißt σ 2 X = Var (X) =E [ (X E (X)) 2] Varianz von X und σ X = σ 2 X Standardabweichung von X. Bemerkung Sei X beliebige Zufallsvariable. Dann gilt (vgl. Bem. e) nach Bsp. 4.4): Var (X) =E ( X 2) [E (X)] 2 Dr. Matthias Arnold 248

25 Beispiel 9.5 a) X = Augensumme bei zweimaligem Würfeln, vgl. u.a. Beispiel 9.4; Gesucht: Var (X) Var (X) = E ( X 2) [E (X)] 2 = 11 i=1 = 2 2 = , 833 x 2 i f(x i ) = (da E (X) =7, vgl. Bsp. 9.1 a)) Dr. Matthias Arnold 249

26 Beispiel 9.5 (Fortsetzung) b) Varianz & Standardabweichung der Zufallsvariablen X = S1-Verspätung Hst. Uni Dortmund, s. u.a. Bsp. 9.3 a) E (X 2 ) = x 2 f(x)dx = 20 0 x 2 1 x3 dx = = Außerdem ist E (X) =10, vgl. Bsp. 9.1 c), also gilt: Var (X) = E ( X 2) [E (X)] 2 = = σ X = 33 1 =5, Minuten & 46 Sekunden 3 Dr. Matthias Arnold 250

27 Bemerkung a) Eigenschaften der Varianz: Für beliebige Zufallsvariablen X 1,..., X n gilt i) Var (X i ) 0 ii) Var (ax i + b) =a 2 Var (X i ) für a, b R iii) Sind die Zufallsvariablen X 1,X 2,...,X n außerdem unabhängig, so gilt weiter ( n ) Var a i X i = i=1 n a 2 i Var (X i ) für a 1,a 2,...,a n R i=1 Dr. Matthias Arnold 251

28 Bemerkung b) Vorsicht: Für unabhängige Zufallsvariablen X und Y folgt aus Teil a), Punkt iii) nicht, dass Grund: Var (X Y )=Var (X) Var (Y ) Var (X Y ) = Var (X +( Y )) = 1 2 Var (X)+( 1) 2 Var (Y ) = Var (X)+Var (Y ) Dr. Matthias Arnold 252

29 Beispiel 9.6 X = Anzahl Kopf bei zweimaligem Münzwurf, s. u.a. Bsp. 9.2 a) definiere außerdem Y = Anzahl Zahl bei zweimaligem Münzwurf Zufallsexperiment mit Ω={(K, K), (K, Z), (Z, K), (Z, Z)} ω i (K, K) (K, Z) (Z, K) (Z, Z) X(ω i ) Y (ω i ) Zusammenhang zwischen X und Y (offensichtlich negativ, da X wenn Y und umgekehrt)? Dr. Matthias Arnold 253

30 Definition 9.4 Für zwei Zufallsvariablen X und Y heißt σ XY = Cov (X, Y )=E [(X E (X))(Y E (Y ))] Kovarianz von X und Y sowie ρ XY = σ XY σ X σ Y Korrelation von X und Y (vgl. Teil A: Definition 5.1 & 5.2). Bemerkung X und Y beliebige Zufallsvariablen. Dann gilt (vgl. Bem. a) nach Beispiel 5.3) Cov (X, Y )=E (XY) E (X) E (Y ) Dr. Matthias Arnold 254

31 Beispiel 9.7 X = Anzahl Kopf bei zweimaligem Münzwurf, Y = Anzahl Zahl bei zweimaligem Münzwurf, s. u.a. Bsp. 9.6 ω i (K, K) (K, Z) (Z, K) (Z, Z) X(ω i ) Y (ω i ) X(ω i ) Y (ω i ) Dr. Matthias Arnold 255

32 Beispiel 9.7 (Fortsetzung) Es gilt E (X) = 0 P (X =0)+1 P (X =1)+2 P (X =2) = =1=E (Y ) 4 E (X Y ) = 0 P (X Y =0)+1 P (X Y =1) = = 1 2 Cov (X, Y ) = = 1 2 Negativer, linearer Zusammenhang zwischen X und Y, über Stärke kann jedoch keine Aussage getroffen werden (siehe Bem. c) nach Beispiel 5.3) Dr. Matthias Arnold 256

33 Beispiel 9.7 (Fortsetzung) Bestimme Stärke des linearen Zusammenhangs über Korrelation Var (X) = E ( X 2) [E (X)] 2 (und E (X) =1,vgl.Bsp.9.1b)) = 0 2 P (X =0)+1 2 P (X =1)+2 2 P (X =2) 1 2 = =1 2 = Var (Y ) ρ XY = = 1 D.h. perfekt negativer linearer Zusammenhang (siehe Bem. nach Bsp. 5.5); Plausibles Ergebnis: X + Y =2 Y =2 X Dr. Matthias Arnold 257

34 Bemerkung a) Zwei Zufallsvariablen X und Y heißen unkorreliert, wenn σ XY =0gilt b) Wenn X und Y unabhängig, dann gilt σ XY =0(also auch ρ XY =0); Umkehrung gilt i.a. nicht (Grund: Nichtlineare Abhängigkeiten zwischen X und Y möglich, werden durch σ XY jedoch nicht erfasst) Weiterhin gilt: c) 1 ρ XY 1 d) ρ XY =1 Y = ax + b mit a>0 und b R e) ρ XY = 1 Y = ax + b mit a<0 und b R f) Var (ax + by)=a 2 Var (X)+b 2 Var (Y )+2ab Cov (X, Y ) (a, b R, siehe Bem. a), Punkt iii) nach Bsp. 9.5) Dr. Matthias Arnold 258

35 Tippspiel Betrachte die Zufallsvariablen X := Punktzahl des Tipps 1:0 Y := Punktzahl des Tipps 1:1 Wahrscheinlichkeitsfunktion x i f X (x i )=P(X = x i ) f Y (x i )=P(Y = x i ) Erwartungswert E (X) = i I x i f X (x i ) = = Dr. Matthias Arnold 259

36 Erwartungswert E (Y ) = i I x i f Y (x i ) = = Varianz σ 2 X Var (X) = E ( X 2) [E (X)] 2 = i I x 2 i f X (x i ) = = 1.05 Standardabweichung σ X = σ 2 X = 1.05 = Dr. Matthias Arnold 260

37 Varianz σ 2 Y Var (Y ) = E ( Y 2) [E (Y )] 2 = i I x 2 i f Y (x i ) = = 1.23 σy 2 = σy 2 = 1.23 = 1.11 Kovarianz und Korrelation Dazu erforderlich: gemeinsame Wahrscheinlichkeitsfunktion von X und Y Dr. Matthias Arnold 261

38 gemeinsame Verteilung von X und Y Y X Cov(X, Y )=E(X Y ) E(X) E(Y ) E(X Y ) = = 0 Dr. Matthias Arnold 262

39 Kovarianz Cov(X, Y ) = E(X Y ) E(X) E(Y ) = = 0.58 Korrelation ρ XY = σ XY = 0.58 σ X σ Y = negativer linearer Zusammenhang Dr. Matthias Arnold 263

40 Bemerkung Fazit zu Erwartungswert, Varianz & Kovarianz/Korrelation Wichtige charakteristische Kennzahlen einer bzw. zweier Zufallsvariablen Theoretische Gegenstücke zu arithmetischem Mittel, empirischer Varianz und empirischer Kovarianz/Korrelation aus Teil A Dr. Matthias Arnold 264

41 Kapitel 10: Ausgewählte Verteilungen Beispiel 10.1 a) Flugzeugmotoren einer bestimmten Marke fallen bei einem gegebenen Flug mit einer Wahrscheinlichkeit von 1/10 aus. Bei mehrmotorigen Maschinen dieser Firma treten die Ausfälle unabhängig voneinander auf. Ein Flugzeug erreicht sein Ziel, wenn wenigstens die Hälfte der Motoren läuft. Für einen Flug steht wahlweise eine zwei- oder eine viermotorige Maschine zur Verfügung. Mit welcher Maschine werden Sie fliegen, wenn Ihnen Ihr Leben lieb ist? Dr. Matthias Arnold 265

42 Beispiel 10.1 (Fortsetzung) b) Jedes zweite Los gewinnt! verspricht der Vereinsvorsitzende, als er vor 100 geladenen Gästen die Tombola der Jahresabschlussfeier eröffnet. Nach der Preisvergabe beschweren sich 10 Personen, die jeweils fünf Lose gekauft haben, dass sie nicht einmal gewonnen haben. Wie ist die Aussage des Vorsitzenden zu beurteilen? Dr. Matthias Arnold 266

43 Definition 10.1 Ein Zufallsexperiment mit zwei möglichen Ausgängen heißt Bernoulli-Experiment. Beispiel 10.2 Beispiele für Bernoulli-Experimente a) Einfacher Münzwurf: Ω={ Kopf, Zahl } b) Elfmeter: Ω={ Schütze trifft, Schütze trifft nicht } c) Wahlverhalten einer Person: Ω={ CDU ja, CDU nein } d) Börse im Vergleich zum Vortag: Ω={ DAX gestiegen, DAX gefallen } e)... Dr. Matthias Arnold 267

44 Definition 10.2 Wiederhole Bernoulli-Experiment n Mal, wobei die Wahrscheinlichkeit für Erfolg oder Misserfolg in jedem der n Versuche gleich ist die Wiederholungen unabhängig voneinander sind definiere nun X = Anzahl der Erfolge bei diesen n Wiederholungen Dann ist X eine diskrete Zufallsvariable. Dr. Matthias Arnold 268

45 Fortsetzung Definition 10.2 Dann heißt X binomialverteilt mit Parametern n und p (kurz: X Bin(n, p)), wobei ( ) n f(x) =P (X = x) = p x (1 p) n x x [ ( ) n x = n! x! (n x)! Binomialkoeffizient, ( n x) =0für x>n, ( n ) ( n = n ) 0 =1] mögliche Werte sind 0, 1, 2,...,n. Es gilt E (X) =np und Var (X) =np (1 p) Dr. Matthias Arnold 269

46 Beispiel 10.3 a) Motorenausfälle bei Flugzeugen, vgl. Bsp a) X 1 = Anzahl ausfallende Motoren in zweimotoriger Maschine X 2 = Anzahl ausfallende Motoren in viermotoriger Maschine Bsp a): Ausfälle unabhängig voneinander mit Wahrscheinlichkeit 1/10 X 1 Bin (2; 0, 1) & X 2 Bin (4; 0, 1) Für die Absturzwahrscheinlichkeiten gilt somit P (Absturz Fl. 1) = P (X 1 > 1) = P (X 1 =2) = ( ) 2 2 0, 1 2 (1 0, 1) 0 = 1 0, 1 2 0, 9 0 =0, 01 Dr. Matthias Arnold 270

47 Beispiel 10.3 (Fortsetzung) a) Motorenausfälle bei Flugzeugen (Fortsetzung) P (Absturz Fl. 2) = P (X 2 > 2) = P (X 2 =3)+P (X 2 =4) = ( ) 4 3 0, 1 3 (1 0, 1) 1 + ( ) 4 4 0, 1 4 (1 0, 1) 0 = 4 0, 1 3 0, , 1 4 0, 9 0 = 0, , 0001 = 0, 0037 Absturzwahrscheinlichkeit Flugzeug 1 = 1% vs. Absturzwahrscheinlichkeit Flugzeug 2 = 0,37% Flugzeug 2 sollte bevorzugt werden! Dr. Matthias Arnold 271

48 Beispiel 10.3 (Fortsetzung) b) Tombola, vgl. Bsp b) X = Anzahl der Gewinne bei fünf gekauften Losen Vorsitzender: P (Los gewinnt) =0, 5 X Bin (5; 0, 5) Wahrscheinlichkeit, bei fünf Losen keinen Gewinn zu erzielen ( ) 5 P (5 Lose,keinGewinn) = P (X =0) = 0, 5 0 (1 0, 5) 5 0 = 1 0, 5 0 0, 5 5 = 0, , 1% zieht eine Person 5 Lose, so ist Wahrscheinlichkeit für 5 Nieten 3,1% (wenn Aussage des Vorsitzenden wahr); es haben jedoch bereits 10% der Gäste (10 von 100) bei 5 Losen nur Nieten gezogen Aussage des Vorsitzenden fragwürdig Dr. Matthias Arnold 272

49 Beispiel 10.4 Einfacher Münzwurf, vgl. Beispiel 10.2 a) 1 falls ω = Kopf X(ω) = 0 sonst X Bin(1;0,5) ( bernoulliverteilt ) Werfe Münze nun n Mal für jeden Wurf i Zufallsvariable X i Bin(1;0,5) analog zu X definierbar; weiterhin sei Z = Anzahl Def Kopf bei den n Würfen Z Bin(n;0, 5) Allerdings ist Z = n X i i=1 n X i Bin (n;0, 5) i=1 Dr. Matthias Arnold 273

50 Bemerkung a) Ergebnis aus Beispiel 10.4 allgemein gültig, d.h.: Seien X 1,..., X n unabhängige Zufallsvariablen mit X i Bin(1; p), so gilt n X = X i Bin (n, p) i=1 b) Sei X Bin(n, p) verteilt, dann ist eine Zufallsvariable Y = n X Bin(n, 1 p) verteilt Beispiel n maliges Würfeln; X = Anzahl Würfe mit Augenzahl<3 X Bin(n, 1/3); Y = n X = Anzahl Würfe mit Augenzahl 3 Y Bin(n, 2/3) Dr. Matthias Arnold 274

51 Bemerkung (Fortsetzung) c) f(x) Binomialverteilung für verschiedene n und p n=5,p=0.1 n=5,p=0.3 f(x) f(x) x n=5,p=0.5 n=5,p=0.8 x f(x) f(x) x x Dr. Matthias Arnold 275

52 Bemerkung (Fortsetzung) c) f(x) Binomialverteilung für verschiedene n & p (Fortsetzung) n=10,p=0.1 n=10,p=0.3 f(x) f(x) x n=10,p= x n=10,p=0.8 f(x) f(x) x x Dr. Matthias Arnold 276

53 Bemerkung (Fortsetzung) d) Tabellierte Verteilungsfunktion der Bin (n;0, 5) Verteilung x 0 0,5000 0,2500 0,1250 0,0625 0, ,7500 0,5000 0,3125 0, ,8750 0,6875 0, ,9375 0, , n Dr. Matthias Arnold 277

54 Definition 10.3 Stetige Gleichverteilung, siehe u.a. Beispiel 8.4 Gemäß Bsp. 8.4 a) heißt eine stetige Zufallsvariable X gleich-/rechteckverteilt auf Intervall [a, b] (kurz: X R[a, b]), falls f(x) = { 1 b a a x b 0 sonst Weiterhin gilt F (x) = 0 x<a x a b a a x b 1 x>b E (X) = a + b 2 und Var (X) = (b a)2 12 Dr. Matthias Arnold 278

55 Beispiel 10.5 a) Abfüllanlage für Getränkedosen ist auf 0,33 Liter eingestellt Abweichungen von ±0, 004 L. akzeptabel Befürchtung/Vermutung/Wissen: Anlage weicht um ±0, 009 L. vom Sollwert ab, Abweichungen auf diesem Intervall gleichverteilt Frage: Falls Befürchtung wahr, mit welcher Wahrscheinlichkeit liegt abgefüllte Menge einer Dose im akzeptablen Bereich? Erwartungswert/Standardabweichung? Dr. Matthias Arnold 279

56 Beispiel 10.5 a) Abfüllanlage für Getränkedosen (Fortsetzung) Annahme also: X R[0, 321; 0, 339] Gesucht: P (0, 326 <X 0, 334) = F (0, 334) F (0, 326) (siehe Bem. 2a) nach Definition 8.4);Nach Def gilt F (x) = x 0, 321 0, 339 0, 321 = x 0, 321 0, 018 für 0, 321 x 0, 339 Also ist F (0, 334) F (0, 326) = = 0, 334 0, 321 0, 018 0, 008 0, 018 =0, 444 0, 326 0, 321 0, 018 Dr. Matthias Arnold 280

57 Beispiel 10.5 a) Abfüllanlage für Getränkedosen (Fortsetzung) Weiterhin gilt E (X) = Var (X) = 0, , 339 =0, 33 und 2 (0, 339 0, 321)2 =0, σ X =0, 0052 Lit. 12 Obwohl Erwartungswert=0,33 Liter=Sollwert, beträgt Wahrscheinlichkeit, im Toleranzbereich ±0, 004 Litern zu liegen, lediglich 44,4 %; Grund: σ X =0, 0052 > 0, 004 viele Abfüllmengen außerhalb des Toleranzbereiches b) Anderes Beispiel für stetige Gleichverteilung: S1-Verspätung (siehe Kapitel 8 & 9) Dr. Matthias Arnold 281

58 Definition 10.4 Sei μ R und 0 <σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x μ σ ) 2, x R, so heißt X normalverteilt mit Parametern μ und σ 2 (kurz: X N(μ, σ 2 )), wobei E (X) =μ und Var (X) =σ 2 Falls μ =0und σ 2 =1,soheißtX standardnormalverteilt. Dr. Matthias Arnold 282

59 Bemerkung a) Dichte der Normalverteilung für verschiedene μ und σ 2 f(x) μ= 0 σ 2 = 1 f(x) μ= 2 σ 2 = x x f(x) μ= 0 σ 2 = 2 f(x) μ= 2 σ 2 = x x Dr. Matthias Arnold 283

60 Bemerkung (Fortsetzung) b) X N(μ, σ 2 ) Dichte von X symmetrisch um μ, d.h. f(μ x) =f(μ + x) für alle x R c) X N(μ, σ 2 ), dann gilt X μ σ N(0, 1) d) X 1,..., X n unabhängig mit X i N(μ i,σi 2 ), dann gilt ( n n ) n X i N μ i, i=1 i=1 i=1 σ 2 i Dr. Matthias Arnold 284

61 Beispiel 10.6 Angenommen, die zeitstetige monatliche Rendite (in %) einer Aktie ist eine normalverteilte Zufallsvariable mit Erwartungswert 0,5 und Varianz 4. Mit welcher Wahrscheinlichkeit steigt der Kurs dieser Aktie dann in einem Monat um mehr als 5%? X = monatliche Rendite in % X N(0, 5; 4) P (X >5) = 1 P (X 5) = π 4 e 1 2( x 0,5 2 ) 2 dx Schwer zu berechnen Anwendung von Bem. c) nach Def Dr. Matthias Arnold 285

62 Beispiel 10.6 (Fortsetzung) P (X >5) = 1 P (X 5) = 1 P X 0, 5 2 }{{} N (0,1) 5 0, 5 2 = 1 F N (0,1) (2, 25) = 1 Φ(2, 25) = 1 0, 9878 = 0, 0122 = 1, 22%. (Hierbei bezeichnet Φ(x) die Verteilungsfunktion der N (0, 1)-Verteilung) Eine monatliche Kurssteigerung um mehr als 5% ist lediglich mit einer Wahrscheinlichkeit von 1,22% zu erwarten. Dr. Matthias Arnold 286

63 Bemerkung a) Tabellierte Verteilungsfunktion Φ(x) der N (0, 1)-Verteilung 0,00 0,04 0,05 0,06 x 1 0,0 0,5000 0,5160 0,5199 0, ,1 0,9821 0,9838 0,9842 0,9846 2,2 0,9861 0,9875 0,9878 0,9881 2,3 0,9893 0,9904 0,9906 0,9909 x Dr. Matthias Arnold 287

64 Bemerkung (Fortsetzung) b) Zentraler Grenzwertsatz (Grund für enorme Bedeutung der Normalverteilung): X 1,..., X n seien unabhängig identisch verteilte (uiv) Zufallsvariablen mit E (X i )=μ und Var (X i )=σ 2. Dann gilt: lim P n n i=1 X i nμ σ n x =Φ(x) bzw. ( n lim P Xn μ n σ ) x =Φ(x). Dr. Matthias Arnold 288

65 Bemerkung (Fortsetzung) c) Mit Hilfe von b) lassen sich also hinreichend große Scharen unabhängiger Zufallsvariablen mit gleicher Verteilung (egal welcher!) an die Standardnormalverteilung annähern. Spezialfall: X 1,..., X n uiv mit X i Bin (1,p). Somit ist μ = p, σ 2 = p (1 p) und es gilt n X lim P i np i=1 n x np (1 p) =Φ(x). Faustregel : Approximation aus b) akzeptabel, wenn (1) n 30, (2) np 10, (3) n (1 p) 10 Dr. Matthias Arnold 289

66 Beispiel 10.7 Angenommen, die täglichen Änderungen des Deutschen Aktienindexes (DAX) seien unabhängige Zufallsvariablen, wobei P (DAX steigt) =P (DAX fällt) =1/2 Mit welcher Wahrscheinlichkeit steigt dann der DAX an mehr als 120 von insgesamt 200 Börsentagen? Definiere X i = { 1 DAX steigt an Börsentag i 0 sonst (i =1,..., 200) Dann gilt: X 1,..., X 200 uiv Bin ( 1, 1 ) 2 X = 200 i=1 X i Bin ( 200, 1 ) 2 Dr. Matthias Arnold 290

67 Beispiel 10.7 (Fortsetzung) Gesucht: P (X >120) = 1 P (X 120) (nicht tabelliert) = 1 = k=0 120 k=0 P (X = k) ( 200 k )( 1 2 wende Bemerkung c) nach Beispiel 10.6 an ) k ( ) k (kaum berechenbar) 2 Dr. Matthias Arnold 291

68 Beispiel 10.7 (Fortsetzung) Faustregeln erfüllt? n = , np = , n(1 p) = Also: P (X >120) = 1 P (X 120) = 1 P X } {{ } N (0,1) Φ(2, 83) = 1 0, 9977 = 0, 0023 = 0, 23% Unter gegebenen Annahmen steigt der DAX an mehr als 120 von insgesamt 200 Börsentagen mit einer Wahrscheinlichkeit von (lediglich) 0,23% Dr. Matthias Arnold 292

69 Bemerkung Fazit/Zusammenfassung Kapitel 10 Unabhängige Wiederholungen eines Bernoulliexperiments Binomialverteilung Wichtigste stetige Verteilung: Normalverteilung Berechnung von Wahrscheinlichkeiten für normalverteilte Zufallsvariablen immer über Standardnormalverteilung (siehe Bem. c) nach Def. 10.4) Approximation beliebiger Verteilungen durch Standardnormalverteilung bei großem Stichprobenumfang möglich (siehe Bem.b) bzw. c) nach Bsp. 10.6) Dr. Matthias Arnold 293

Kapitel 2 Wahrscheinlichkeitsrechnung

Kapitel 2 Wahrscheinlichkeitsrechnung Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt

Mehr

Wirtschaftsmathematik

Wirtschaftsmathematik Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A

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

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung 2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von

Mehr

70 Wichtige kontinuierliche Verteilungen

70 Wichtige kontinuierliche Verteilungen 70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche

Mehr

13 Grenzwertsätze Das Gesetz der großen Zahlen

13 Grenzwertsätze Das Gesetz der großen Zahlen 13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n

Mehr

Wahrscheinlichkeitstheorie und Statistik

Wahrscheinlichkeitstheorie und Statistik Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter

Mehr

Wichtige Definitionen und Aussagen

Wichtige Definitionen und Aussagen Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge

Mehr

Fit for Abi & Study Stochastik

Fit for Abi & Study Stochastik Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen

Mehr

Wahrscheinlichkeitsverteilungen

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

Mehr

Zusammenfassung: Kapitel 5, Zusammenhangsmaße

Zusammenfassung: Kapitel 5, Zusammenhangsmaße Zusammenfassung: Kapitel 5, Zusammenhangsmaße Kovarianz s xy = 1 n n (x i x)(y i ȳ) i=1 Korrelationskoeffizient nach Bravais-Pearson r xy = s xy s x s y = n (x i x)(y i ȳ) i=1 n (x i x) 2 i=1 n (y i ȳ)

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

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus

Mehr

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit 3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)

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

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

Grundlagen der Wahrscheinlichkeitstheorie

Grundlagen der Wahrscheinlichkeitstheorie Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)

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

7.5 Erwartungswert, Varianz

7.5 Erwartungswert, Varianz 7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k

Mehr

Psychologische Methodenlehre und Statistik I

Psychologische Methodenlehre und Statistik I Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment

Mehr

Verteilung von Summen

Verteilung von Summen Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 1. Wahrscheinlichkeitsräume Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung

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

4.2 Moment und Varianz

4.2 Moment und Varianz 4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel VII - Funktion und Transformation von Zufallsvariablen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl

Mehr

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben

Mehr

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur

Mehr

von x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.

von x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch. Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die

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

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................

Mehr

7.2 Moment und Varianz

7.2 Moment und Varianz 7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p

Mehr

Unabhängige Zufallsvariablen

Unabhängige Zufallsvariablen Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition

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

Einführung in Quantitative Methoden

Einführung in Quantitative Methoden Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung

Mehr

Binomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.

Binomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}. Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit

Mehr

Statistik I für Betriebswirte Vorlesung 5

Statistik I für Betriebswirte Vorlesung 5 Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April

Mehr

SozialwissenschaftlerInnen II

SozialwissenschaftlerInnen II Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen

Mehr

f(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212

f(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212 1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,

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

Sind f X bzw. f Y die wie auf Folie 242 definierten Dichtefunktionen zur N(µ X, σx 2 )- bzw. N(µ Y, σy 2 )-Verteilung, so gilt (genau) im Fall ρ = 0

Sind f X bzw. f Y die wie auf Folie 242 definierten Dichtefunktionen zur N(µ X, σx 2 )- bzw. N(µ Y, σy 2 )-Verteilung, so gilt (genau) im Fall ρ = 0 Beispiel: Zweidimensionale Normalverteilung I Beispiel: Zweidimensionale Normalverteilung II Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale multivariate Normalverteilung Spezifikation am

Mehr

P (X = 2) = 1/36, P (X = 3) = 2/36,...

P (X = 2) = 1/36, P (X = 3) = 2/36,... 2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel

Mehr

Statistik für Ingenieure Vorlesung 5

Statistik für Ingenieure Vorlesung 5 Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

1.5 Mehrdimensionale Verteilungen

1.5 Mehrdimensionale Verteilungen Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4

Mehr

Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme

Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder

Mehr

3. Kombinatorik und Wahrscheinlichkeit

3. Kombinatorik und Wahrscheinlichkeit 3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:

Mehr

Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik

Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =

Mehr

2.3 Intervallschätzung

2.3 Intervallschätzung 2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:

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

Wahrscheinlichkeitsräume und Zufallsvariablen

Wahrscheinlichkeitsräume und Zufallsvariablen Kapitel Wahrscheinlichkeitsräume und Zufallsvariablen. W-Raum Unter einem Zufallsexperiment verstehen wir einen vom Zufall beeinflussten Vorgang, der ein entsprechend zufälliges Ergebnis hervorbringt.

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

1 Stochastische Konvergenz 2

1 Stochastische Konvergenz 2 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

Vorlesung: Statistik II für Wirtschaftswissenschaft

Vorlesung: Statistik II für Wirtschaftswissenschaft Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung und Statistik 7. Vorlesung - 2018 Bemerkung: Sei X = X 1,..., X n Zufallsvektor. Der n dimensionale Vektor EX = EX 1,..., EX n ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N0, 1. X, Y sind die Koordinaten

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

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert

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

4. Verteilungen von Funktionen von Zufallsvariablen

4. Verteilungen von Funktionen von Zufallsvariablen 4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten

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

Biostatistik, Sommer 2017

Biostatistik, Sommer 2017 1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes

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

Abiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.

Abiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc. Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment

Mehr

5. Spezielle stetige Verteilungen

5. Spezielle stetige Verteilungen 5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für

Mehr

Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen

Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg

Mehr

Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse

Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte

Mehr

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung SS 18: Woche vom

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung SS 18: Woche vom Übungsaufgaben 12. Übung SS 18: Woche vom 2. 7. 6. 7. 2018 Stochastik VI: Zufallsvektoren; Funktionen von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...

Mehr

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6 Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte

Mehr

Kapitel 3 Schließende Statistik

Kapitel 3 Schließende Statistik Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management

Statistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)

Mehr

Spezielle stetige Verteilungen

Spezielle stetige Verteilungen Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für

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

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

TU DORTMUND Sommersemester 2018

TU DORTMUND Sommersemester 2018 Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade

Mehr

Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik

Statistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)

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

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,

Mehr

1.5.4 Quantile und Modi. Bem [Quantil, Modus]

1.5.4 Quantile und Modi. Bem [Quantil, Modus] 1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung

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

2.3 Intervallschätzung

2.3 Intervallschätzung 2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,

Mehr

Mathematik 3 für Informatik

Mathematik 3 für Informatik Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält

Mehr

Motivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik

Motivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen

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

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

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

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

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt

Mehr

Lösung Semesterendprüfung

Lösung Semesterendprüfung MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,

Mehr

Erwartungswert und Varianz von Zufallsvariablen

Erwartungswert und Varianz von Zufallsvariablen Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis

Mehr

Normalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.

Normalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt. Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)

Mehr