Die Binomialverteilung

Größe: px
Ab Seite anzeigen:

Download "Die Binomialverteilung"

Transkript

1 Fachseminar zur Stochastik Die Binomialverteilung Referenten: Carolin Labrzycki und Caroline Kemper

2 Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel Beweis Beispiele Zeit für Übungen Approximation durch die Poisson-Verteilung Zeit für Übungen Ausblick 2

3 Einstieg Das Galton-Brett Zur Demonstration und Veranschaulichung der Binomialverteilung entwickelte Sir Francis C. Galton ( ) eine Anordnung, die man als Galton-Brett bezeichnet. Auf einem Brett sind mehrere Nägel befestigt, die wie gleichmäßige Dreiecke angeordnet sind und zusammen ein gleichseitiges Dreieck bilden. Die Anordnung entspricht einem Pascalschen Dreieck. 3

4 Einstieg Das Galton-Brett Wir wollen jetzt mit euch das Galton-Brett simulieren! Bitte ladet auf euer Smartphone die App: Galton Board Simulation 4

5 Einstieg Das Galton-Brett Simulation auf dem Smartphone Number of Trials: 100 Number of Trials: 500 Number of Trials: 1000 Welche Voraussetzungen sind bei dieser Simulation gegeben? Wie nennt man solche Experimente? Wenn man das Experiment n-mal durchführt, wie nennt man dieses dann? 5

6 Einstieg Das Galton-Brett Die Werte der Wahrscheinlichkeitsverteilung ergeben sich aus den Pfadregeln: Ein Pfad mit genau k Treffern hat nach der Pfadmultiplikationsregel die Wahrscheinlichkeit n-k pk (1-p) Zum gewünschten Ergebnis genau k mal Treffer führen alle Pfade mit genau k mal Treffer und (n-k) mal Niete, dies entspricht (n über k); K Kugeln auf n Plätze zu legen 6

7 Einstieg Das Galton-Brett Die Werte der Wahrscheinlichkeitsverteilung ergeben sich aus den Pfadregeln: Ein Pfad mit genau k Treffern hat nach der Pfadmultiplikationsregel die Wahrscheinlichkeit n-k pk (1-p) Zum gewünschten Ergebnis genau k mal Treffer führen alle Pfade mit genau k mal Treffer und (n-k) mal Niete, dies entspricht (n über k); K Kugeln auf n Plätze zu legen 7

8 Definition: Binomialverteilung Das Galton-Brett kann man also als eine Bernoulli-Kette der Länge n mit Parameter p bezeichnen Die Wahrscheinlichkeitsverteilung einer Bernoulli-Kette der Länge n heißt Binomialverteilung 8

9 Wiederholung: Binomialkoeffizient Der Binomialkoeffizient ist eine mathematische Funktion, mit der sich eine Grundaufgabe der Kombinatorik lösen lässt Gibt an auf wie viele verschiedene Arten man k Objekte aus einer Menge von n verschiedenen Objekten auswählen kann Ohne Zurücklegen, ohne Betrachtung der Reihenfolge 49 über 6 ist z.b die Anzahl der möglichen Ziehungen beim Lotto (ohne Berücksichtigung der Zusatzzahl) 9

10 Definition: Binomialverteilung Satz: Die Wahrscheinlichkeit für genau k Erfolge bei n unabhängigen Versuchen mit Erfolgswahrscheinlichkeit p ist gleich n= Anzahl der Versuche p є [0,1] = Erfolgs- oder Trefferwahrscheinlichkeit 1-p = zu p komplementären Ausfallwahrscheinlichkeit 10

11 Herleitung der Formel an einem Beispiel Siehe Tafel 11

12 Beweis: Binomialverteilung 12

13 Zeit zum Üben 13

14 Lösungen 1) Ein Jäger trifft sein Ziel mit einer Wahrscheinlichkeit 40%. Mit welcher Wahrscheinlichkeit erzielt er bei zehn Schüssen mehr als sechs Treffer? 14

15 Lösungen 2 ) Die Wahrscheinlichkeit dafür, dass ein Bienenvolk einen harten Winter überlebt, ist 0,4. Ein Imker besitzt 6 Völker. Wie groß ist die Wahrscheinlichkeit, dass mindestens 2 einen harten Winter überleben? 15

16 Lösungen 3) Bei einem Automaten gewinnt man in 30% aller Spiele. Wie groß ist die Wahrscheinlichkeit, dass man bei 10 Spielen achtmal gewinnt? 16

17 Approximation durch die Poissonverteilung 17

18 Approximation durch die Poissonverteilung Bei der praktischen Anwendung der Binomialverteilung treten nicht selten große oder sogar sehr große Werte von n (etwa n=10000 ) auf Das Berechnen der Wahrscheinlichkeiten wäre dann sehr zeitaufwendig Deshalb versuchte man schon früh eine Näherungsformel für die Binomialverteilung zu finden Unter bestimmten Voraussetzungen ist es deshalb günstig die Binomialverteilung durch die Poissonverteilung zu approximieren 18

19 Approximation durch die Poissonverteilung Die Poissonverteilung ist eine einparametrige, diskrete, statistische Verteilung. Sie wird auch als Verteilung der seltenen Ereignisse bezeichnet. Die Poissonverteilung ergibt sich, wenn von einer Binomialverteilung der Grenzwert für n gegen unendlich und p gegen 0 gebildet wird unter Konstanthaltung n p (Erwartungswert λ der Poissonverteilung) Einziger Parameter der Poissonverteilung ist λ (Lambda), manchmal wird für λ auch μ eingesetzt 19

20 Approximation durch die Poissonverteilung Wenn wir also große Werte von n haben, also n und kleine Werte für p, also p 0, dann wird die Wahrscheinlichkeit für die Zufallsvariable X der Poisson-Verteilung durch folgende Formel berechnet: λ = ist der Erwartungswert einer binomialverteilten Zufallsgröße (wird bei der Poisson-Verteilung auch öfters mit dem kleinen griechischen Buchstaben μ geschrieben und manchmal als Intensitätsparameter bezeichnet) k! ist die Fakultät der natürlichen Zahl k e ist die Euler sche Zahl ( 2,71...) 20

21 Approximation durch die Poissonverteilung Beispiel (Tafel): Das Restaurant Fat s Pizza führt Buch über die Anzahl an Gästen, die das Restaurant betreten. Laut der Aufzeichnungen ist der Erwartungswert λ = 12,1 zwischen 20:00 und 22:00 Uhr. Bestimme mit der Poisson-Verteilung, dass die Anzahl an Gästen in Fat s Pizza zwischen 20:00 und 22:00 Uhr genau 8 sein werden höchstens 10 sein werden zwischen 9 und 15 sein werden (inklusive 9 und 15) 21

22 Zeit zum Üben 22

23 Lösungen 4) In einer technischen Anlage sind sehr viele Module eines bestimmten Typs verbaut. Durchschnittlich fallen 2,53 Module pro Tag aus. Die Verteilung der Ausfälle in der Anlage kann als poissonverteilt angenommen werden. Wie groß ist die Wahrscheinlichkeit, dass an einem Tag 3 Module ausfallen? Das Ergebnis soll auf fünf Nachkommastellen genau angegeben werden. 23

24 Lösungen 5) Man stelle sich den Eingang eines Kaufhauses vor, an dem ein Drehkreuz angebracht ist, das jedes mal, wenn eine Person das Haus betritt, einen Impuls aussendet. Langfristige Erhebungen haben gezeigt, dass durchschnittlich zwei Kunden pro Minute eintreten. (Dabei kann es natürlich auch passieren, daß in einer Minute niemand oder auch beispielsweise 15 Personen das Drehkreuz passieren.) Wie hoch ist die Wahrscheinlichkeit, dass in einer Minute maximal 5 Kunden eintreffen? Jede mögliche Anzahl an Kunden, die innerhalb einer bestimmten Minute ankommen, besitzt eine gewisse Wahrscheinlichkeit.Der Erwartungswert der Anzahl an Kunden, die pro Minute eintreffen, beträgt. Wir haben also einen Poisson-Prozeß mit der Intensität 2. Die gesuchte Wahrscheinlichkeit beträgt also ; es werden also mit sehr hoher Wahrscheinlichkeit (in über 98 von 100 Fällen) maximal 5 Leute pro Minute ankommen. 24

25 Zusammenfassung Faustregel Binomialverteilung Gegeben sei eine Situation, bei der 1. etwas gezählt und 2. bei der man das Ergebnis als unabhängige Überlagerung von sehr vielen Bernoulli- Experimenten interpretieren kann dann kann man die Wahrscheinlichkeitsverteilung mit der Binomialverteilung ausrechnen! Faustregel Poissonverteilung Gegeben sei eine Situation, bei der 1. etwas gezählt und 2. bei der man das Ergebnis als unabhängige Überlagerung von sehr vielen Bernoulli- Experimenten mit sehr kleiner Wahrscheinlichkeit und großen n interpretieren kann Dann sagt das vorstehende Ergebnis, dass die fraglichen Wahrscheinlichkeiten poissonverteilt zu einem Parameter λ (Erwartungswert) sind. 25

26 Ausblick Nächste Woche werden wir uns mit dem Thema Exponentialverteilung beschäftigen! Vielen Dank für Eure Aufmerksamkeit! 26

27 Fachseminar zur Stochastik Die Exponentialverteilung Referenten: Carolin Labrzycki und Caroline Kemper 27

28 Gliederung Einstieg Gedächtnislose Wartezeiten Definition Satz Faustregel Beispiel Zeit zum Üben 28

29 Einstieg Es gibt zahlreiche Beispiele im täglichen Leben, in denen wir auf etwas warten Auf den nächsten Regen Auf die nächste Uni-Linie Darauf, dass das Telefon der Freundin nicht mehr besetzt ist Doch der Charakter des Wartens kann ganz unterschiedlich sein: 29

30 Beispiel 1 Der zuverlässige Handwerker Er hat zugesagt, irgendwann zwischen 5 und 6 Uhr zu kommen. Um 5 Uhr erwarten wir ihn gleichverteilt innerhalb der nächsten Stunde, wir kalkulieren eine mittlere Wartezeit von 30 Minuten ein. Wenn er um 5.30 Uhr noch nicht da ist, schrumpft der Erwartungswert der Wartezeit auf 15 Minuten. Kurz: Die Zeitspanne, die wir schon gewartet haben, verändert die Erwartung für das zukünftige Warten. 30

31 Beispiel 2 Die besetzte Telefonleitung Sie rufen bei Ihrer Bank (oder Krankenkasse, Finanzamt, ) an, es ist besetzt. Im Mittel wird die Leitung nach drei Minuten frei sein, aber im Einzelfall kann man es nie genau wissen. Je nachdem, wie aufwändig die Beratung im Einzelfall ist, kann es auf unvorhersehbare Weise schneller oder langsamer gehen. Kurz: Auch wenn man schon eine Weile gewartet hat, verändert das die Prognose für die noch zu erwartende Wartezeit nicht. 31

32 Die zugehörigen Wahrscheinlichkeiten können sehr unterschiedlich sein Eine besondere Rolle spielen Wartezeiten, bei denen man nie genau weiß, wie lange es noch dauern wird 32

33 Jede auf irgendeinem Wahrscheinlichkeitsraum definierte Zufallsvariable T : 0, kann als Wartezeit interpretiert werden 33

34 Gedächtnislose Wartezeiten 34

35 Definition : Gedächtnislose Wartezeiten Es sei T eine Wartezeit, d.h. T : 0, Ist eine beliebige Zufallsvariable. Wir sagen, dass T gedächtnislos ist, wenn P= T t P für beliebiges s, t 0 gilt. ({ T s t} { T s})

36 Die Folge (a n )mit 1 a n ( 1 ) n n ist konvergent. Aufgabe: Bildet den Grenzwert für die Folge 1 n a n lim(1 ) n n Was fällt auf?

37 Grenzwert n ( 1 1 n n ) 2 2,25 2, ,7048 2,7169 2, , , , , Ihr Grenzwert ist eine irrationale Zahl und heißt eulersche Zahl e. Es ist e 2,

38 Satz n Satz: Die Folge (a n ) mit a n ( 1 ) n ist konvergent. Ihr Grenzwert ist eine irrationale Zahl und heißt eulersche Zahl e. Es ist e 2,

39 Satz: 1 n Die Folge ( a mit a n ( 1 ) n ) n ist konvergent. Ihr Grenzwert ist eine irrationale Zahl und heißt eulersche Zahl e. Es ist e 2,71828

40 Alle Ereignisse x R x e x lim(1 ) n n n

41 Die e-funktion Funktion: 1. Ableitung: Stammfunktion: Integral: x e x f ) ( x e x f ) '( x e x F ) ( a b b a a b x e e e dx x f ) (

42 Satz Satz: (i) Es sei T eine Wartezeit für die P T exponentialverteilt zu irgendeinem Parameter λ>0 ist. Dann ist T gedächtnislos. (ii) Sei umgekehrt T eine gedächtnislose Wartezeit. Wir setzen voraus, dass T im folgenden Sinn nichttrivial ist: Es gibt ein t 0 >0 mit P ({ T }) 0 t0 0 T ist also nicht die Wartezeit, bei der {T=0} Wahrscheinlichkeit Eins hat Dann gibt es ein λ>0, so dass P T exponentialverteilt zum Parameter λ ist: Es ist P ({ a T b}) b e a x dx

43 Faustregel zum Arbeiten mit gedächtnislosen Wartezeiten Angenommen, es geht um eine Wartezeit T, und aus irgendwelchen Gründen ist es plausibel anzunehmen, dass sie gedächtnislos ist (Beratung, besetztes Telefon usw.) Wenn dann T im Mittel der Wert µ hat, so kann T durch eine Exponentialverteilung mit Parameter 1 modelliert werden. :

44 Faustregel zum Arbeiten mit gedächtnislosen Wartezeiten Angenommen, es geht um eine Wartezeit T, und aus irgendwelchen Gründen ist es plausibel anzunehmen, dass sie gedächtnislos ist (Beratung, besetztes Telefon usw.) Wenn dann T im Mittel der Wert µ hat, so kann T durch eine Exponentialverteilung mit Parameter 1 modelliert werden. :

45 Beispiel Wenn Sie bei Ihrer besten Freundin / Freund anrufen, ist es oft besetzt, und im Mittel dauert es 20 Minuten, bis der Anschluss wieder frei ist. Solche Situationen, bei denen es ungewiss lange dauert, können gut durch gedächtnislose Wartezeiten modelliert werden. Aufgrund der vorstehenden Faustregel kann man zur Modellierung eine 1 Exponentialverteilung mit dem Parameter : wählen. Und nun können alle interessierenden Wahrscheinlichkeiten berechnet werden. 20 Wie wahrscheinlich ist es zum Beispiel, dass die Leitung schon in 10 Minuten wieder frei ist? Die Lösung: siehe Tafel

46 Zeit zum Üben

47 Lösungen 1. F( x) 1 e x 1 5 x 10 0,2 F(10) 1 e 0,210 0,8647

48 Lösungen 2. F( x) 1 e x x F(10) 1 (1 e ) e ,1889 Die Verteilungsfunktion der Exponentialverteilung ist hier anzuwenden. Diese gibt die Wahrscheinlichkeit an, dass eine Zeitlücke kleiner gleich x auftritt. Deshalb muss über 1-F(x) die Gegenwahrscheinlichkeit gebildet werden. Die Parameter λ ist der Kehrwert des Mittelwertes.

49 Lösungen 3. F( x) 1 e x 1 10 x 8 0,1 F(8) 1 e 0,18 0,5507

50 Vielen Dank für Eure Aufmerksamkeit!

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Elementare Einführung in die Wahrscheinlichkeitsrechnung, Informationstheorie und stochastische Prozesse. Computer-Netzwerke

Elementare Einführung in die Wahrscheinlichkeitsrechnung, Informationstheorie und stochastische Prozesse. Computer-Netzwerke Informationstechnik Klaus-Dieter Thies Elementare Einführung in die Wahrscheinlichkeitsrechnung, Informationstheorie und stochastische Prozesse für Computer-Netzwerke Mit einer wahrscheinlichkeitstheoretischen

Mehr

Diskrete Verteilungsmodelle

Diskrete Verteilungsmodelle Diskrete Verteilungsmodelle Worum geht es in diesem Modul? Die hypergeometrische Verteilung Die Binomialverteilung Approximation der hypergeometrischen Verteilung durch die Binomialverteilung Poisson-Verteilung

Mehr

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1 1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen

Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser

Mehr

Teil I Beschreibende Statistik 29

Teil I Beschreibende Statistik 29 Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................

Mehr

Statistiktraining im Qualitätsmanagement

Statistiktraining im Qualitätsmanagement Gerhard Linß Statistiktraining im Qualitätsmanagement ISBN-0: -446-75- ISBN-: 978--446-75-4 Leserobe Weitere Informationen oder Bestellungen unter htt://www.hanser.de/978--446-75-4 sowie im Buchhandel

Mehr

P( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X)

P( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X) Ich habe eine Frage zur Tschebyschew Ungleichung. In der Aufgabe 4 des Übungsblattes 3 benötigt man ja die Ungleichung. In diesem Falle war der Bereich (0, 20) symmetrisch um den Erwartungswert µ = 5.

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung

Mehr

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat

Mehr

Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 2010

Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 2010 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS

Mehr

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses. XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------

Mehr

Kursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse

Kursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder

Mehr

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

Mathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt

Mehr

Abitur 2012 Mathematik GK Stochastik Aufgabe C1

Abitur 2012 Mathematik GK Stochastik Aufgabe C1 Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2012 Mathematik GK Stochastik Aufgabe C1 nter einem Regentag verstehen Meteorologen einen Tag, an dem mehr als ein Liter Niederschlag pro Quadratmeter gefallen

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

Diskrete Verteilungen

Diskrete Verteilungen KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

Stetige Verteilungsmodelle

Stetige Verteilungsmodelle Stetige Verteilungsmodelle Worum geht es in diesem Modul? Stetige Verteilungsfunktionen Quantile Dichtefunktion Maßzahlen stetiger Verteilungen Stetige Gleichverteilung Exponentialverteilung Überprüfung

Mehr

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen 6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,

Mehr

Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 09

Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 09 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS

Mehr

Risiko und Symmetrie. Prof. Dr. Andrea Wirth

Risiko und Symmetrie. Prof. Dr. Andrea Wirth Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

3.3. Aufgaben zur Binomialverteilung

3.3. Aufgaben zur Binomialverteilung .. Aufgaben zur Binomialverteilung Aufgabe 1: Ziehen mit Zurücklegen und Binomialverteilung Ein sechsseitiger Würfel wird zehnmal geworfen. a) Wie groß ist die Wahrscheinlichkeit, nur beim ersten Mal die

Mehr

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei

Mehr

Einführung in die Stochastik

Einführung in die Stochastik Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse

Mehr

Melanie Kaspar, Prof. Dr. B. Grabowski 1

Melanie Kaspar, Prof. Dr. B. Grabowski 1 7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

Survival of the Fittest Wie statistische Modelle an Daten angepasst werden

Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Tag der Mathematik 2009 Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Thomas Kneib Fakultät für Mathematik und Naturwissenschaften Carl von Ossietzky Universität Oldenburg

Mehr

Statistik I für Betriebswirte Vorlesung 5

Statistik I für Betriebswirte Vorlesung 5 Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition

Mehr

Modellgestützte Analyse und Optimierung Übungsblatt 4

Modellgestützte Analyse und Optimierung Übungsblatt 4 Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen

Mehr

Übungen zur Mathematik für Pharmazeuten

Übungen zur Mathematik für Pharmazeuten Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl

Mehr

Klausur Statistik Lösungshinweise

Klausur Statistik Lösungshinweise Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er

Mehr

Name:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest

Mehr

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch 6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6

Mehr

3.8 Wahrscheinlichkeitsrechnung III

3.8 Wahrscheinlichkeitsrechnung III 3.8 Wahrscheinlichkeitsrechnung III Inhaltsverzeichnis ufallsgrössen Der Erwartungswert 3 3 Die Binomialverteilung 6 4 Die kumulierte Binomialverteilung 8 4. Die Tabelle im Fundamentum (oder Formeln und

Mehr

WS 2008/09. Diskrete Strukturen

WS 2008/09. Diskrete Strukturen WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

R. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007

R. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007 R. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007 SG15/25D NAME: Lösungen 1. In einer Packung sind Glühbirnen, davon sind zwei

Mehr

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer

Mehr

Irrfahrten und Phänomene des Zufalls

Irrfahrten und Phänomene des Zufalls Irrfahrten und Phänomene des Zufalls von Dipl.-math. oec. Bruno Ebner Inhaltsverzeichnis 1 Einführung 3 1.1 Zufallsexperiment, Ergebnismenge und Wahrscheinlichkeit.......... 3 1.2 Irrfahrten 1....................................

Mehr

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,

Mehr

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006

Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Stochastik kompakt. - worauf es ankommt... Zürich 2007 1

Stochastik kompakt. - worauf es ankommt... Zürich 2007 1 Stochastik kompakt - worauf es ankommt... Zürich 2007 1 Ziel: Am Ende der Unterrichtssequenzen über Stochastik sollen die Schüler/innen Aufgaben aus folgenden Themenbereichen lösen können: 1. Umgang mit

Mehr

Kugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten

Kugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

TI-84 im Mathematikunterricht Stand: 2010-03-25

TI-84 im Mathematikunterricht Stand: 2010-03-25 TI-84 im Mathematikunterricht Stand: 2010-03-25 Graphen einer Funktionsgleichung zeichnen: Neues Betriebssystem (Stand 2010-03-09) download: Betriebssystem http://education.ti.com/downloads/files/83plus/ti84plus_os.8xu

Mehr

Kenngrößen von Zufallsvariablen

Kenngrößen von Zufallsvariablen Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert

Mehr

, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =

, dt. $+ f(x) = , - + < x < +,  > 0.  2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) = 38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die

Mehr

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung

Mehr

Einführung in die Stochastik

Einführung in die Stochastik Vorlesungsnotizen Einführung in die Stochastik Hanspeter Schmidli Mathematisches Institut der Universität zu Köln INHALTSVERZEICHNIS iii Inhaltsverzeichnis 1. Diskrete Wahrscheinlichkeitsräume 1 1.1.

Mehr

R ist freie Software und kann von der Website. www.r-project.org

R ist freie Software und kann von der Website. www.r-project.org R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird

Mehr

Ein möglicher Unterrichtsgang

Ein möglicher Unterrichtsgang Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige

Mehr

Kern- und Schulcurriculum Mathematik Klasse 9/10. Stand Schuljahr 2009/10

Kern- und Schulcurriculum Mathematik Klasse 9/10. Stand Schuljahr 2009/10 Kern- und Schulcurriculum Mathematik /10 Stand Schuljahr 2009/10 Fett und kursiv dargestellte Einheiten gehören zum Schulcurriculum In allen Übungseinheiten kommt die Leitidee Vernetzung zum Tragen - Hilfsmittel

Mehr

Stochastik Wahrscheinlichkeit

Stochastik Wahrscheinlichkeit Stochastik Wahrscheinlichkeit Dies ist ein Detail, das auf dem letzten 1 DM Schein abgebildet war. Es stellt die wichtigste Wahrscheinlichkeitsverteilung überhaut dar die Normalverteilung. Diese Verteilung

Mehr

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Markt+Technik Vorwort Schreiben Sie uns! 13 15 Statistische Untersuchungen 17 Wozu Statistik? 18 Wirtschaftliche

Mehr

MA Projekt: Langfristige Kapitalmarktsimulation

MA Projekt: Langfristige Kapitalmarktsimulation MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring

Mehr

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE INHALTS- VERZEICHNIS Vorwort 13 Schreiben Sie uns! 15 1 Statistische Untersuchungen 17 Wozu Statistik? 18

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Inauguraldissertation zur Erlangung des Doktorgrades der Mathematisch Naturwissenschaftlichen

Mehr

A Lösungen zu Einführungsaufgaben zu QueueTraffic

A Lösungen zu Einführungsaufgaben zu QueueTraffic A Lösungen zu Einführungsaufgaben zu QueueTraffic 1. Selber Phasen einstellen a) Wo im Alltag: Baustelle, vor einem Zebrastreifen, Unfall... 2. Ankunftsrate und Verteilungen a) poissonverteilt: b) konstant:

Mehr

Das Black-Scholes Marktmodell

Das Black-Scholes Marktmodell Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt

Mehr

Klaus-Groth-Schule - Neumünster Fachcurriculum Mathematik

Klaus-Groth-Schule - Neumünster Fachcurriculum Mathematik Jahrgang 10 Funktionen Funktionsbegriff - Definition - vielfältige Anwendungen - Umkehrbarkeit (intuitiv, Anwendungen) ganzrationale Funktionen Modellierung - Ablesen der Werte - Ungefähre Bestimmung der

Mehr

Stochastische Modelle

Stochastische Modelle Klausur (Teilprüfung) zur Vorlesung Stochastische Modelle (WS04/05 Februar 2005, Dauer 90 Minuten) 1. Es sollen für eine Zufallsgröße X mit der Dichte Zufallszahlen generiert werden. (a) Zeigen Sie, dass

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche

Mehr

Künstliche Intelligenz Maschinelles Lernen

Künstliche Intelligenz Maschinelles Lernen Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen

Mehr

MATHEMATIK 3 STUNDEN. DATUM: 8. Juni 2009

MATHEMATIK 3 STUNDEN. DATUM: 8. Juni 2009 EUROPÄISCHES ABITUR 2009 MATHEMATIK 3 STUNDEN DATUM: 8. Juni 2009 DAUER DES EXAMENS : 3 Stunden (180 Minuten) ZUGELASSENE HILFSMITTEL : Europäische Formelsammlung Nicht graphischer und nicht programmierbarer

Mehr

Kapitel 11. Deskriptive Statistik. Wahrscheinlichkeitsrechnung. Zufallsvariable und Verteilungsfunktion. Funktionen in mehreren Veränderlichen

Kapitel 11. Deskriptive Statistik. Wahrscheinlichkeitsrechnung. Zufallsvariable und Verteilungsfunktion. Funktionen in mehreren Veränderlichen Kapitel 11 Wahrscheinlichkeitsrechnung und Statistik Deskriptive Statistik Wahrscheinlichkeitsrechnung Zufallsvariable und Verteilungsfunktion Funktionen in mehreren Veränderlichen Anwendungen Stochastik

Mehr

Abitur 2011 Mathematik GK Stochastik Aufgabe C1

Abitur 2011 Mathematik GK Stochastik Aufgabe C1 Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2011 Mathematik GK Stochastik Aufgabe C1 Bei der TOTO-13er-Wette (vgl. abgebildeten Ausschnitt aus einem Spielschein) wird auf den Spielausgang von 13 Fußballspielen

Mehr

Fotios Filis. Monte-Carlo-Simulation

Fotios Filis. Monte-Carlo-Simulation Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse

Mehr

Einführung in Statistik und Messwertanalyse für Physiker

Einführung in Statistik und Messwertanalyse für Physiker Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1

Mehr

ÜBERBLICK ÜBER DAS KURS-ANGEBOT

ÜBERBLICK ÜBER DAS KURS-ANGEBOT ÜBERBLICK ÜBER DAS KURS-ANGEBOT Alle aufgeführten Kurse sind 100 % kostenfrei und können unter http://www.unterricht.de abgerufen werden. ANALYSIS / INFINITESIMALRECHNUNG Nullstellen * Nullstellen einer

Mehr

BONUS MALUS SYSTEME UND MARKOV KETTEN

BONUS MALUS SYSTEME UND MARKOV KETTEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,

Mehr

Credit Risk+: Eine Einführung

Credit Risk+: Eine Einführung Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.

Mehr

Modul: Stochastik. Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung

Modul: Stochastik. Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung Modul: Stochastik Ablauf Vorstellung der Themen Lernen Spielen Wiederholen Zusammenfassen Zufallsexperimente oder Wahrscheinlichkeit relative Häufigkeit Variation Permutation Kombinationen Binomialverteilung

Mehr

K8 Stetige Zufallsvariablen Theorie und Praxis

K8 Stetige Zufallsvariablen Theorie und Praxis K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R

Mehr

Monte-Carlo-Simulation

Monte-Carlo-Simulation Modellierung und Simulation Monte-Carlo-Simulation Universität Hamburg Johannes Schlundt 7. Januar 2013 Monte-Carlo-Simulation Johannes S. 1/31 Inhalt Motivation Geschichtliche Entwicklung Monte-Carlo-Simulation

Mehr

Wahrscheinlichkeitsrechnung / Stochastik

Wahrscheinlichkeitsrechnung / Stochastik Dieses und alle anderen Mathe-Dokumente unter www.paulguckelsberger.de/mathematik enthalten: 1. Mathematische Einführungen zur Grundlagen-Auffrischung und/oder 2. Ergänzende Erläuterungen und Arbeitshilfen

Mehr

Lösungen der Musteraufgaben 2017. Baden-Württemberg

Lösungen der Musteraufgaben 2017. Baden-Württemberg Baden-Württemberg: Musteraufgaben 07 Lösungen www.mathe-aufgaben.com Lösungen der Musteraufgaben 07 Baden-Württemberg allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com Oktober 05 Baden-Württemberg:

Mehr

Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel

Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig) ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels

Mehr

Stochastik Übungsaufgaben (Taschenrechner erlaubt) Binomialverteilung Oberstufe

Stochastik Übungsaufgaben (Taschenrechner erlaubt) Binomialverteilung Oberstufe Stochastik Übungsaufgaben (Taschenrechner erlaubt) Binomialverteilung Oberstufe Alexander Schwarz www.mathe-aufgaben.com November 2015 1 Aufgabe 1: Ist der Zufallsversuch eine Bernoulli-Kette? Wenn ja,

Mehr

W-Rechnung und Statistik für Ingenieure Übung 11

W-Rechnung und Statistik für Ingenieure Übung 11 W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik

Mehr

Approximation durch Taylorpolynome

Approximation durch Taylorpolynome TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni

Mehr

Jetzt lerne ich Stochastik für die Oberstufe

Jetzt lerne ich Stochastik für die Oberstufe Jetzt lerne ich Stochastik für die Oberstufe von Dr. rer. nat. Marco Schuchmann, Dipl.-Math. - 2 - - 3 - Vorwort In diesem Buch werden Anwendungen der Stochastik in der Oberstufe mit vielen Beispielen

Mehr

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

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536 fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung

Mehr

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen

Mehr

Hypergeometrische Verteilung

Hypergeometrische Verteilung Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.

Mehr