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)

Größe: px
Ab Seite anzeigen:

Download "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)"

Transkript

1 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. Wie berechnet man die Wahrscheinlichkeit nun, wenn die Wahrscheinlichkeit für das beobachtete Intervall asymmetrisch um den Erwartungswert ist? Also in diesem speziellen Fall der Erwartungswert z.b. 6 wäre? Die Ungleichung von Tschebyschew wird dafür verwendet, eine Wahrscheinlichkeit abzuschätzen, nämlich die Wahrscheinlichkeit, dass die Realisation einer Zufallsvariablen X ausserhalb eines symmetrischen Intervalls um den Erwartungswert: [µ c; µ + c] liegt. Die Ungleichung lautet: mit P( X µ c) Var(X) c 2 X µ c (X µ c) (X µ + c) In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) Var(X) c 2 Beim gegebenen Intervall [0; 20] und µ = 6 wäre die Ungleichung also nicht anwendbar. Man kann aber mit c = 4 die Wahrscheinlickeit für das Intervall [2; 20] abschätzen: P(2 X 20) = P( X 6 4) Var(X) c 2 = 4 6 = 3 4 = 0,75 Nachtrag: Die obige Gleichung stellt eigentlich bereits eine Abschätzung für P(0 X 20), denn es gilt ja, dass P(0 X 20) P(2 X 20). Man kann also folgende Abschätzung anstellen: P(0 X 20) P(2 X 20) = P( X 6 4)... = 0,75

2 Ich habe eine Frage zum Übungsblatt 2, Aufgabe 3: Warum kann ich hier nicht einfach die Wahrscheinlichkeiten multiplizieren, mit denen das Brot nicht okay ist, also 0, mal 0,05 mal 0,2 mal 0,5, also die Schnittmenge der Wahrscheinlichkeiten, dass das Mehl Mängel hat? P(E E 2 E 3 E 4 ) ist die Wahrscheinlichkeit dafür, dass keine Mehlsorte einwandfrei ist. Das Brot kann jedoch nicht verkauft werden, wenn mindestens eine Mehlsorte nicht einwandfrei ist. Gesucht ist also die Wahrscheinlichkeit, dass Mehlsorte oder Mehlsorte 2 oder Mehlsorte 3 oder Mehlsorte 4 Mängel hat. Das interessierende Ereignis ist somit die Vereinigungsmenge der Ereignisse E i und nicht deren Schnittmenge. P(B) = P(E E 2 E 3 E 4 ) DeMorgan = P ( ) E E 2 E 3 E 4 Folgerung = P(E E 2 E 3 E 4 ) = P(B)

3 Uns hat sich eine Frage zum Übungsblatt 3, Aufgabe 2a) ergeben. Könnten Sie uns sagen, welche der Lösungen richtig ist? Dichtefunktion: oder: f (x) = f (x) = 0 für x 2 2 x + 2 für 2 x 4 0 für x > 4 0 für x < 2 2 x + 2 für 2 x 4 0 für x > 4 weil die 2 kann ja nur bei einem von beiden eingeschlossen sein? Die zweite Dichtefunktion ist richtig. Sie ergibt sich als erste Ableitung der Verteilungsfunktion von X: 0 für x < 2 F(x) = 4 x2 + 2x 3 für 2 x 4 für x > 4 Der Definition einer Abbildung nach wird jedem Element im Definitionsbereich genau ein Element im Wertebereich zugeordnet. Die 2 kann also nur in einem der angegebenen Intervallen enthalten sein.

4 Bei Aufgabe 3a Blatt ist mir die Lösung klar! Jedoch wollte ich fragen, wie man folgenden Fall berechnet: mindestens (statt genau) 3 Ober und genau 2 Unter? Wäre die Lösung dann : 4 aus 4 = alle Ober x 2 aus 4 Unter x 2 aus 24 Restkarten? Die vorgeschlagene Lösung: ( )( )( ) = = entspricht der Anzahl der Hände, in denen der Spieler unter seinen 8 Karten genau 4 Ober und genau 2 Unter besitzt. Die Frage lautet aber mindestens (statt genau) 3 Ober und genau 2 Unter, d.h. entweder genau 3 Ober und genau 2 Unter oder genau 4 Ober und genau 2 Unter. Diese Anzahl beträgt: ( )( )( 24 3 ) + ( 4 4 )( )( ) 4 24 = =

5 Ich hätte eine allgemeine Verständnisfrage zum Blatt 5. Und zwar steht in der Aufgabe 3: Varianz σ 2 = 7,4 2. Ist die Varianz nun 7,4 oder 54,76? In Aufgabe 4 kommt dann auch nochmal "Varianz unabhängig davon immer 4". Schreibt man dann auch Varianz=2 2 oder 4 2? Bei Aufgabe 3 ist die Varianz σ 2 = 7,4 2 = 54,76 und somit die Standardabweichung σ = σ 2 = 7,4 2 = 7,4. Bei Aufgabe 4 ist die Varianz σ 2 = 4 = 2 2 und die Standardabweichung σ = 2.

6 Ich versuche gerade die Lösung von Übungsblatt 5 Aufgabe, wie wir sie in der Übung aufgeschrieben haben, nach zu vollziehen. Dabei stellt sich mir folgende Frage: Wieso arbeiten wir plötzlich mit f(t) und nicht mit f(x), wurde hier etwas substituiert? Außerdem ist mir nicht klar, wieso beim Integeral für x > 0 man nochmal komplett von bis x integriert anstatt von 0 bis x, wurde das nicht oben bereits bei x < 0 abgehandelt? Die Verteilungsfunktion einer Zufallsvariablen X ist definiert durch F(x) = P(X x) = P( < X x) Die Verteilungsfunktion einer stetigen Zufallsvariablen ermittelt sich über das Integral der Dichtefunktion im Intervall ] ; x ] (Vgl. Folie 2.6). F(x) = f (u)du Die Verteilungsfunktion F ist eine Funktion der Variablen x. Für die Dichtefunktion f im Integrand muss eine neue Variable z.b u oder t eingeführt werden, da x als obere Integrationsgrenze vorkommt. Die Dichtefunktion der Exponentialverteilung lautet: { λ exp( λx), für x 0 f (x) = 0 für x < 0 Um die Verteilungsfuntion der Exponentialverteilung zu bestimmen, muss man, der Definition der Dichtefunktion entsprechend, zwei Fälle unterscheiden: x < 0: F(x) = = f (u)du 0 du = 0

7 x 0: F(x) = = = 0 f (u)du f (u)du + 0 λ exp( λu)du + f (u)du 0 λ exp( λu)du In beiden Fällen wird die Verteilungsfuktion über das Integral der Dichtefunktion im Intervall ] ; x ] ermittelt. Man könnte hier natürlich das Integral von bis 0 weglassen, da man ja gezeigt hat, dass dies immer 0 ist. Hier ist die Notation aber bewusst etwas allgemeiner gehalten. Es könnte ja auch Dichten geben, die ebenfalls auf Teilbereichen von x unterschiedlich definiert sind, bei denen aber in mehreren Teilbereichen von x die Dichte größer als Null ist. Und in so einem Fall wäre das natürlich zu berücksichtigen. Bemerkung: Das Beispiel zur Verteilungsfunktion der Gleichverteilung in der Vorlesung vom (Video: 53:50-55:60) kann in diesem Zusammenhang auch hilfreich sein. 2

8 Ich habe eine Frage zum Übungsblatt 4, Aufgabe 2: Dort hatten wir die Formel für den sog. Spezialfall benutzt. Ich gehe davon aus, dass dieser Spezialfall deswegen hergenommen wurde, da nur ganze Zahlen von -2 (2 = k) bei dem Würfel vorhanden sind. Wäre jetzt auf dem Würfel eine 0 oder zwei mal eine 5 z.b. (natürlich sehr theoretisch), dürfte man die Formel für den Erwartungswert und die Varianz nicht hernehmen, wie sie auch im Skript steht?! Welche Formel würde dann zum Tragen kommen? Die Wahrscheinlichkeitsfunktion der diskreten Gleichverteilung lautet: P(X = x i ) = k für i =,...,k. Im Spezialfall x i = i sind die k Ausprägungen der Zufallsvariable die ersten k natürlichen Zahlen. Bei der Aufgabe hat die Zufallsvariable X, welche die Augenzahl beim einmaligen Würfeln mit einem Dodekaeder beschreibt, zwölf Ausprägungen, nämlich: x =, x 2 = 2, x 3 = 3,..., x =, x 2 = 2. Jede Ausprägung x i = i hat die gleiche Wahrscheinlichkeit:. 2 Würde die 5 zweimal vorkommen, dann würde keine diskrete Gleichverteilung mehr vorliegen, denn es würde gelten: P(X = 5) = 2 2. Für beliebige, unterschiedliche k Ausprägungen verwendet man die allgemeinen Formeln für den Erwartungswert und die Varianz, also: E(X) = k x i p i = i= k i= x i k = k k x i. i= Var(X) = k (x i E(X)) 2 p i i= k = (x i E(X)) 2 k i= = k (x i E(X)) 2 k i=

9 Ich habe eine Frage zur Aufgabe 3a in Blatt 4. Leider wurde es in der Vorlesung nur sehr kurz besprochen und auch im Skript verwirrt mich die Zusammenstellung etwas. Inwiefern stehen Bernoulli-Experiment und Binomialverteilung zueinander? So wie ich das verstanden habe, bedeutet Bernoulli-Experiment, dass es nur max. 2 mögliche Ausprägungen Überraschung und Nicht Überraschung gibt. Binomialverteilung heißt dann, dass bei jedem Bernoulli-Experiment (also bei jedem Kauf einer Keksschachtel) die gleiche Wahrscheinlichkeit für eine Überraschung (also /6 - da in jeder 6. Schachtel eine Überraschung sein soll) besteht und dass das Ergebnis der Wahrscheinlichkeit die Überraschungen sind?! Anschlussfrage: Was bedeutet die Formel für Bernoulli : X B(,p) und im Gegenzug X B(n,p)? Vor allem auch das B lässt mich bisher etwas rätseln. Jeder Kauf einer Schachtel ist ein Bernoulli-Experiment (Vgl. Folie 3.9 und Vorlesung vom Video: 3:8-7:00). Mit Wahrscheinlichkeit p = /6 findet man in der Schachtel eine Überraschung (Erfolg) und mit Wahrscheinlichkeit ( p) = 5/6 findet man keine Überraschung (Misserfolg). Nun wird dieses Bernoulli-Experiment n = 20 Mal wiederholt, wobei die Wiederholungen unabhängig voneinander sind. Das bedeutet, dass die Erfolgswahrscheinlichkeit (p = /6) bei jeder Wiederholung konstant gleich bleibt. { falls Überraschung Z i = i =,..., falls keine Überraschung Z i B(n =, p = /6) Man interessiert sich nun für die Anzahl der Erfolge, also für die Anzahl der Schachteln, bei denen man eine Überraschung findet. Diese Anzahl ist binomialverteilt (Vgl. Folie 3.4 und Videoaufzeichung: :00-3:06). X: Anzahl der Keksschachteln mit Überraschung X B(n = 20, p = /6) Die Binomialverteilung ergibt sich, wenn aus n unabhängigen Wiederholungen eines Bernoulli-Experiments mit konstanter Wahrscheinlichkeit p die Summe der Erfolge gebildet wird. X = Z i B(, p) n Z i B(n,p) i= Die Bernoulli-Verteilung ist ein Spezialfall der Binomialverteilung. Das B steht für Binomial. Bei der Bernoulli-Verteilung ist n =.

10 Ich hätte eine Frage, die sich auf das Übungsblatt 6 bezieht. Dort haben wir ja in Aufgabe 3 und 4 allgemein hergeleitet, dass der ML-Schätzung für die jeweiligen Parameter λ und p der Poisson- und der Binomialverteilung dem arithmetischen Mittel entspricht. Da das aber ja nicht allgemein der Fall ist, würde mich einfach interessieren, bei welchen der (von uns behandelten) Verteilungen das denn noch so ist. Die Bernoulli-Verteilung ist ein Spezialfall der Binomialverteilung (n = ). Bei dieser Verteilung ist x ebenfalls der ML-Schätzer für den Parameter p. Bei der Normalverteilung ist das arithmetische Mittel der ML-Schätzer für den Erwartungswert µ. Dies wurde auch in der Vorlesung hergeleitet (Vgl. Videoaufzeichnung zu Kapitel 4: 57:8-66:26).

11 Bei Blatt 5 ist in Aufgabe die Rede von der Exponentialverteilung. Bei der Verteilungsfunktion ist mir folgendes aufgefallen. Wie kann ich ein Integral von - unendlich bis x spannen, wenn ich hierbei die x alle in "t umwandle? Wozu das alles und warum heißt es dann nicht - unendlich bis t? Die Verteilungsfunktion einer Zufallsvariablen X ist definiert durch F(x) = P(X x) = P( < X x) Die Verteilungsfunktion einer stetigen Zufallsvariablen ermittelt sich über das Integral der Dichtefunktion im Intervall ] ; x ] (Vgl. Folie 2.6). F(x) = f (u)du Die Verteilungsfunktion F ist eine Funktion der Variablen x. Für die Dichtefunktion f im Integrand muss eine neue Variable z.b u oder t eingeführt werden, da x als obere Integrationsgrenze vorkommt. Es wird also nichts umgewandelt. In der Vorlesung vom (Video: 53:50-55:60) wurde ein Beispiel zur Verteilungsfunktion der Gleichverteilung vorgerechnet. Man kann an diesem Beispiel die Herangehensweise bei der Ermittlung der Verteilungsfuktion einer stetigen Zufallsvariablen gut nachvollziehen. Die Antworten auf Frage 4 und Frage 9 sind ebenfalls eine gute Ergänzung.

12 Mir ist die komplette Aufgabe auf Blatt 5 recht unklar. Es ergeben sich bei mir mehrere Fragen. a) Warum wird die Dichtefunktion f(x) auf einmal in f(t) umgewandelt? b) Warum ist bei der Integralrechnung die obere Grenze noch x und nicht t, wenn es umgewandelt wird? c) Bei der Fallunterscheidung wurden dann 2 Integralrechnungen gemacht. Beim Fall für x (warum nicht t?) >= 0 wurde dann eine Addition zweier Grenzen gemacht. Die erste Grenze geht dabei von minus unendlich bis 0. Hier schon die Frage, warum bis 0? Es muss eigentlich bis gehen, da die 0 ja gar nicht in der Grenze des Falles für x < 0 ist! Dies addiert mit der Grenze 0 bis x (warum nicht t?), was mir wiederum klar ist. Da ja sowohl die 0 als auch das Ergebnis x (was ja nun t ist?!) im einen Fall sind. Zu a) und b) siehe Antworten auf Frage 4 und Frage 8. Zu c): Hier wird folgende Eigenschaft des bestimmten Integrals verwendet: b c c f (t)dt + f (t)dt = f (t)dt, wenn a < b < c. a b a Mit a =, b = 0 und c = x ergibt sich für den Fall: x 0: F(x) = = = 0 f (t)dt f (t)dt + 0 λ exp( λt)dt + f (t)dt 0 λ exp( λt)dt

13 Ich habe eine Frage zum ersten Übungsblatt,. Aufgabe. Bei einer Party mit 0 Gästen umarmt zur Begrüßung jeder jeden. Wie viele Umarmungen gibt es dann? Als Lösung haben wir aufgeschrieben, dass es eine Kombination ist und somit ( ) 0 2 Ich hätte eigentlich gedacht, dass es sich hier um eine Permutation handelt, da ja nach der Anzahl der Umarmungen gefragt wird. Und man ja nicht 2 aus 0 auswählt und wissen will wie viele Kombinationen dafür möglich sind? Meine Lösung wäre dann wohl 9! gewesen. (Der erste umarmt 9, der nächste nur noch 8, der nächste nur noch 7....) Wie so wird hier eine Kombination statt einer Permutation genommen? Es wird nach der Anzahl an überhaupt stattfindenden Umarmungen gefragt. Eine Umarmung wird repräsentiert durch 2 Menschen die man aus den 0 auswählt, deswegen "2 aus 0". Ein einfacheres Beispiel zur Verdeutlichung: Wenn wir uns nur 3 Personen (A,B und C) anschauen und nach der Anzahl der Umarmungen fragen, dann gibt es folgende Möglichkeiten: A + B B + C A + C Damit sind dann alle möglichen abgedeckt. Das ist genau "2 aus 3". Wenn jetzt noch die Reihenfolge eine Rolle spielen würde, was es aber nicht tut, dann gäbe es folgende Möglichkeiten: A + B B + A B + C C + B A + C C + A was dann mit Formel ( n m) m! = ( 3 2) 2! = 3 2! = 6 Mit 0 Leuten kann man sich das auch nochmal aufschreiben, auch wenn es dann etwas aufwendiger wird.

14 Ich habe eine Frage bezüglich der Dichtefunktion und Verteilungsfunktion von stetigen Zusfallsvariablen. Im Übungsblatt 3, Aufgabe 2, haben wir eine Verteilungsfunktion gegeben und mussten diese nur ableiten um von gegeben F(x) auf f(x) die Dichtefunktion zu kommen. Wäre die Aufgabe andersrum gestellt, müsste man also von der Dichtefunktion f(x) auf die Verteilungsfunktion F(x) kommen, würde man doch einfach integrieren. Man würde die Stammfunktion bilden, richtig? FRAGE: Hier setzte ich aber noch keine Intervallsgrenzen ein, weil dann habe ich ja keine Verteilungsfunktion mehr in Abhängigkeit von x sondern schon konkrete Wahrscheinlichkeiten ausgerechnet wenn ich die Grenzen (2 und 4) einsetzte beim Integrieren. Ich muss also die Stammfunktion von f(x) bilden um auf F(x) zu kommen, aber ohne die Intervallsgrenzen (hier 2 und 4 ) einzusetzen? FRAGE: Warum setzten wir dann bei Aufgabenblatt 5, Aufgabe schon die Intervallsgrenzen ein wenn wir versuchen von f(x) auf F(x) zu kommen? (wenn nämlich die Intervallsgrenzen nicht eingesetzt und Ober - Untergrenze abgezogen werden, dann kommt man zum falschen Ergebnis, nur die Stammfunktion bilden wie bei Blatt 3, Aufgabe 2 funktioniert hier nicht und ich frage mich warum? Zudem haben wir in den Übungen nie Wahrscheinlichkeiten von den Intervallen ausgerechnet, wie relevant ist es dann? Nach 2.6 ist die Verteilungsfunktion folgendermaßen definiert: F(x) = f (t)dt Für die Dichtefunktion von Augabe 3.2 gilt also: F(x) = ( 2 ) t + 2 dt = ( 2 ) t + 2 dt 2 [ = ] x 4 t2 + 2t 2 ( = ) ( 4 x2 + 2x ) = 4 x2 + 2x ( + 4) = 4 x2 + 2x 3 für 2 x 4

15 Die erste Umformung kann man hier machen, da die Dichte zwischen und 2 ja immer 0 ist, also gilt: 2 F(2) = ( 2 ) 2 t + 2 dt = 0dt = 0. Für die Dichtefunktion von Aufgabe 5. ergibt sich: F(x) = = 0 λe λt dt λe λt dt = e λx für x 0 Wahrscheinlichkeiten für Intervalle auszurechnen, ist relevant. Vergleiche hierzu das ergänzende Beispiel zur Exponentialverteilung. 2

16 Übungsblatt 3 Aufgabe f) Wäre es möglich die Formel der empirischen Varianz mit in die Fomelsammlung aufzunehmen? Was mache ich beim Umformen/Formel aufstellen falsch: 99 (0,2 + 48, , 2 ) Die Formel der empirischen Varianz findet man in der Formelsammlung zur Vorlesung Statistik I, auf Seite 3. Diese lautet: s 2 = n n (x i x) 2 = n i= n xi 2 x 2 In der Übung wurde die empirische Varianz wie folgt berechnet: s 2 = n = = n xi 2 x 2 i= 00 ( ), 2 00 ( ), 2 =,72,2 = 0,5 i= Eine andere Möglichkeit wäre: s 2 = n (x i x) 2 n i= [ = (0,) (,) (2,) 2] 00 [ = 2 (0,) (,) (2,) 2] = 0,5 00

17 Ich hätte eine Frage zu. Blatt 5 2c). Wieso fällt hier plötzlich das Lamda der Exponentialfunktion weg im Vergleich zu den vorherigen Teilaufgaben? Noch eine allgemeine Frage: Sollte man an einer Verteilungsfunktion erkennen können um welche Verteilung es sich handelt? Die Verteilungsfunktion der Exponentialverteilung lautet: { exp( λx) x 0 F(x) = 0 x < 0 In Teilaufgabe c) fällt λ nicht weg. Mit λ = 6 und x = 0,5 ergibt sich: P(X > 0,5) = P(X 0,5) = F(0,5) = [ exp(( 6) 0,5)] = exp( 3) = 0,0498 Eine Zufallsvariable wird durch deren Verteilungsfunktion eindeutig und vollständig beschrieben (Vgl. Folie 2.2). Man kann also an der Verteilungsfuntion einer Zufallsvariablen erkennen, um welchen Verteilungstyp es sich handelt.

18 Ich komme mit dem Lösungsweg bei der Aufgabe 4 des Übungsblattes 3 einfach nicht zurecht. Warum ist das Intervall 0 x 20 äquivalent zu x 5 5? Kann man immer davon ausgehen, dass es ein symmetrisches Intervall ist und E(x) immer in der Mitte liegt? 0 x 20 5 x 5 5 x 5 5 und x 5 5 x 5 5 (Definition Betrag) Die Ungleichung von Tschebyschew gibt eine Untergrenze an, für die Wahrscheinlichkeit, dass die Realisierung einer Zufallsvariable in ein Intervall fällt, welches symmetrisch um den Erwartungswert liegt. Die Ungleichung von Tschebyschew ist damit auch anwendbar, wenn das gegebene Intervall zwar selbst nicht symmetrisch um den Erwartungswert liegt, aber ein Intervall enthält, das symmetrisch um den Erwartungswert liegt. Hat man beispielsweise eine Zufallsvariable mit Varianz 4 und Erwartungswert 6 gegeben und sucht hier nach der Untergrenze für die Wahrscheinlichkeit, dass eine Realisierung der Zufallsvariable im Intervall [0;20] liegt, so kann man zur Abschätzung das Intervall [2;20] heranziehen, welches im Intervall [0;20] enthalten ist und symmetrisch um den Erwartungswert 6 liegt. Damit folgt folgende Abschätzung mithilfe von Tschebyschews-Ungleichung: P (0 X 20) P (2 X 20) = P ( X 6 4) Tschebyschew Var (X) c 2 = 4 6 = 3 4 = 0,75

19 Ich habe eine Frage zu Blatt 5, Aufgabe 4a). Und zwar ist dort die Wahrscheinlichkeit gesucht, dass der Erwartungswert von 50 mm um mehr als 3 mm unterschritten wird. Gesucht ist also P (X < 47mm). Ich habe P (X 46mm) berechnet. Warum wird er in der Lösung P (X 47mm) berechnet, obwohl es heißt kleiner 47 mm? Beachte, dass es sich in der Aufgabe um eine stetige Zufallsvariable handelt (Normalverteilung). Die Wahrscheinlichkeit, dass es eine stetige Zufallsvariable einen konkreten Wert annimmt ist immer 0: Daraus folgt direkt, dass P (X = 47) = P (47 X 47) = P (X < 47) = P (X 47). Im Fall einer stetigen Zufallsvariablen gilt auf jeden Fall, dass P (X < 47) P (X 46). f(x)dx = 0 Denn und P (X < 47) = P (46 < X < 47) + P (X 46) P (46 < X < 47) s.o. = P (46 X 47) = f(x)dx > 0. Anders ist das bei einer diskreten Zufallsvariable. Z.B. gibt eine Poisson-verteilte Zufallsvariable Y an, wie oft ein Ereignis in einer gewissen Zeitspanne passiert. Sie zählt also (in diskreten Werten) die Anzahl der Vorkommnisse. Hier gilt dann beispielsweise: P (Y < 4) = Y <4 f(y ) = Y 3 f(y ) = P (Y 3)

$ % + 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

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

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

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

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

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

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

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

, 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

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

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 Unabhängigkeit von Ereignissen A, B unabhängig:

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

Die Binomialverteilung

Die Binomialverteilung Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel

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

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

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

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

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

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

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Statistik III. Walter Zucchini Fred Böker Andreas Stadie

Statistik III. Walter Zucchini Fred Böker Andreas Stadie Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................

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

Kapitel VI - Lage- und Streuungsparameter

Kapitel VI - Lage- und Streuungsparameter Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie

Mehr

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum)

Skriptum zur Veranstaltung. Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik. 1. Version (mehr Draft als Skriptum) Skriptum zur Veranstaltung Quantitative Methoden (Mathematik/Statistik) Teil Induktive Statistik 1. Version (mehr Draft als Skriptum) Anmerkungen, Aufzeigen von Tippfehlern und konstruktive Kritik erwünscht!!!

Mehr

Schleswig-Holstein 2011. Kernfach Mathematik

Schleswig-Holstein 2011. Kernfach Mathematik Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative

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

Betragsgleichungen und die Methode der Fallunterscheidungen

Betragsgleichungen und die Methode der Fallunterscheidungen mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at

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

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678

q = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678 Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [

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

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

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

Statistik I für Betriebswirte Vorlesung 11

Statistik I für Betriebswirte Vorlesung 11 Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung

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

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

Genexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression

Genexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression Genexpressionsmessung Genexpression Transkription (Vorgang) Genexpression (quantitativ) Wieviele m-rna Moleküle eines bestimmten Gens sind in den Zellen? Genomische Datenanalyse 8. Kapitel Wie mißt man

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

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

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

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

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

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

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind: Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die

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

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit

Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.

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

Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion

Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere

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

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

Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck

Mehr

Exponentialverteilung

Exponentialverteilung Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit

Mehr

Teil III. Wahrscheinlichkeitsrechnung und Statistik

Teil III. Wahrscheinlichkeitsrechnung und Statistik Teil III Wahrscheinlichkeitsrechnung und Statistik 145 Kapitel 7 Grundlagen aus der Wahrscheinlichkeitsrechnung 7.1 Die Begriffe Zufallsvariable, Messmethode, Experiment Die Abhängigkeit einer Variablen

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

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

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

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

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

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

(8 + 2 Punkte) = = 0.75

(8 + 2 Punkte) = = 0.75 Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,

Mehr

Standardnormalverteilung

Standardnormalverteilung Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative

Mehr

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. 2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es

Mehr

1.3 Die Beurteilung von Testleistungen

1.3 Die Beurteilung von Testleistungen 1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen

Mehr

8 Verteilungsfunktionen und Dichten

8 Verteilungsfunktionen und Dichten 8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man

Mehr

Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec

Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch

Mehr

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung. Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,

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

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 17 Crash Course Brownsche Bewegung (stetige Zeit, stetiger Zustandsraum); Pricing & Hedging von Optionen in stetiger Zeit Literatur Kapitel 17 * Uszczapowski:

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

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

Lösungsvorschläge zu Blatt 1 1) ZV X := Produkt der Augenzahlen bei einem Wurf mit 2 Würfeln. des Produktes Wurfergebnis P (X = k) 1 (1, 1) 1/36

Lösungsvorschläge zu Blatt 1 1) ZV X := Produkt der Augenzahlen bei einem Wurf mit 2 Würfeln. des Produktes Wurfergebnis P (X = k) 1 (1, 1) 1/36 Lösungsvorschläge zu Blatt ) ZV X := Produkt der Augenzahlen bei einem Wurf mit Würfeln Mögl. Werte k des Produktes Wurfergebnis P X = k), ) /6, ),, ) /6, ),, ) /6, ),, ),, ) /6 5, 5), 5, ) /6 6, 6),,

Mehr

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch 1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt

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

6. Übungsblatt zur Einführung in die Stochastik

6. Übungsblatt zur Einführung in die Stochastik Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen

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

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

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

Stetige Verteilungen Rechteckverteilung

Stetige Verteilungen Rechteckverteilung Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a

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

Mathematik I Internationales Wirtschaftsingenieurwesen

Mathematik I Internationales Wirtschaftsingenieurwesen Mathematik I Internationales Wirtschaftsingenieurwesen Integralrechnung 03.12.08 Das unbestimmte Integral/Stammfunktion Das bestimmte Integral/Flächenberechnung Integral als Umkehrung der Ableitung Idee:

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

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

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen 6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei

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

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt

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

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

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term

Mehr

15.5 Stetige Zufallsvariablen

15.5 Stetige Zufallsvariablen 5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven

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

Messtechnik. Gedächnisprotokoll Klausur 2012 24. März 2012. Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen:

Messtechnik. Gedächnisprotokoll Klausur 2012 24. März 2012. Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen: Messtechnik Gedächnisprotokoll Klausur 2012 24. März 2012 Dokument erstellt von: mailto:snooozer@gmx.de Aufgaben Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen: Index k 1 2 3 4 5

Mehr

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Gleichungen - Aufgabenstellung und Lösungsstrategien

Gleichungen - Aufgabenstellung und Lösungsstrategien Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

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

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Wahrscheinlichkeitstheorie. Zapper und

Wahrscheinlichkeitstheorie. Zapper und Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten

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

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse

Mehr