Zufallsversuche. Christine Hartmann
|
|
- Gert Zimmermann
- vor 7 Jahren
- Abrufe
Transkript
1 Zufallsversuche Christine Hartmann Ausarbeitung zum Vortrag im Seminar Mathematische Modellierung (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: Der Vortrag zum Thema Zufallsversuche beschäftigt sich mit den verschiedenen grundlegenden Überlegungen, die nötig sind um in der Wirklichkeit vorkommende Ereignisse, die rein zufällig scheinen, mathematisch zu betrachten. Das heiÿt man hat versucht diverse Modelle zu bilden, die es einem ermöglichen, die tatsächlichen Vorgänge auf einfache Zufallsversuche zurückzuführen, welche zum Beispiel durch das Ziehen von Kugeln aus Urnen modelliert werden können. Dabei kommt es vor allem darauf an das jeweils richtige der Urnenmodelle auszuwählen, indem gewisse Tatsachen des reellen Problems vernachlässigt werden und man die Ausgänge eines Versuches erst einmal sinnvoll zu einer Menge ergänzt, die man mit den hier vorgestellten Modellen überhaupt erfassen kann. Dies werden vor allem die vier wichtigen Urnenmodelle der Kombinatorik sein. Es wird von keinerlei Vorwissen auf dem Gebiet der Zufallsversuche ausgegangen, daher werden darüber hinaus vor allem elementare Grundüberlegungen und Begrisbildungen der Wahrscheinlichkeitsrechnung vorgestellt und erarbeitet. Zum Beispiel geht es darum, wie man sich den Begri der Wahrscheinlichkeit in mathematischem Sinne vorstellen kann und welche Eigenschaften ein Wahrscheinlichkeitsverteilung hat.
2 Inhaltsverzeichnis 1 Einleitung 4 2 Einstuge Zufallsversuche Relative Häugkeit und Wahrscheinlichkeit Laplace-Experimente Endliche Wahrscheinlichkeitsräume Mehrstuge Zufallsversuche Bäume und Pfade Unabhängige Versuche und unabhängige Ereignisse Kombinatorik Geordnete Stichproben mit Zurücklegen Geordnete Stichproben ohne Zurücklegen Ungeordnete Stichproben ohne Zurücklegen Ungeordnete Stichproben mit Zurücklegen Überblick der Stichprobenräume Resümee 17 6 Anhang Matlab-Code zur Modellierung der Urne aus Abbildung Matlab-Code zur Berechnung der Funktion aus Abbildung
3 Abbildungsverzeichnis 2.1 Urne mit zwölf Kugeln rel. Häugkeit mit zunehmendem n Pierre Simon Laplace Baumdiagramm zur Urne aus Abb Ausschnitt aus dem Baumdiagramm in Abb Tabellenverzeichnis 1 Überblick Stichprobenräume
4 1 Einleitung Wenn man sich mit der Frage beschäftigt, wie man Zufallsversuche mathematisch erklären kann, sollte man sich vielleicht erst noch einmal kurz in Erinnerung rufen, was eigentlich genau der Begri Zufall zu bedeuten hat. Um Zufall handelt es sich immer dann, wenn es zu einem Übergang von einer Ausgangssituation, die mehrere Endsituationen ermöglichen würde, zu einer ganz bestimmten dieser Endsituation kommt, ohne dass man einen bestimmten Grund erkennen kann, warum es jetzt gerade zu dieser einen Endsituation gekommen ist und bei nochmaligem Vorliegen der gleichen Ausgangssituation das ganze auch anders enden könnte. Das heiÿt umgangssprachlich verwendet man den Begri Zufall immer dann, wenn ein Ereignis nicht kausal erklärbar ist. Diese Überlegungen führen uns zu unserer ersten Denition. Denition 1.1 Unter einem Zufallsversuch oder auch Zufallsexperiment versteht man einen Versuch, dessen Ausgänge nicht durch logische oder andere Gründe durch die Versuchsbedingungen determiniert sind. Das heiÿt das Experiment sollte unter gleichen Bedingungen wiederholbar sein, und zwar so, dass der Versuchsausgang nicht notwendig immer der gleiche ist, sondern nur statistischen Regelmäÿigkeiten folgt. 2 Einstuge Zufallsversuche Die einfachsten Beispiele für konkrete Zufallsversuche sind sicherlich das Werfen eines Würfels oder einer Münze, oder auch das Drehen eines Glücksrades. Aber auch beim Ziehen von Losen oder Kugeln aus einer Urne handelt es sich um einen Zufallsversuch. Werden die Experimente mit nur einer Wiederholung durchgeführt, also der Würfel nur einmal geworfen oder das Glücksrad nur einmal gedreht, spricht man von einstu- gen Zufallsversuchen. Die dazu jeweils verwendeten Hilfsmittel wie Münze, Würfel oder Urne mit Kugeln, nennt man Zufallsgeräte. Die mathematische Analyse von Zufallsversuchen hängt direkt zusammen mit der genauen Beschreibung und Analyse der entsprechenden Zufallsgeräte. Betrachten wir eine mit Kugeln gefüllte Urne wie sie in Abbildung 2.1 dargestellt ist. Der zu untersuchende Zufallsversuch besteht dabei im Ziehen einer Kugel aus dieser Urne. Es handelt sich also speziell um einen einstugen Zufallsversuch. Bei jedem Ziehen sind die Ergebnisse 1 bis 6 möglich. Statt Ergebnis werden für den Ausgang eines Zufallsversuchs auch oft die Begrie Ausfall oder Stichprobe verwendet und man bezeichnet ein beliebiges Ergebnis mit ω. Die Menge aller möglichen Ergebnisse nennt Grundmenge oder Stichprobenraum Ω. Führt man den Versuch immer wieder durch und notiert seine Ergebnisse erhält man eine Folge von Ziern, welche lokal und auf den ersten Blick völlig regellos erscheint. 4
5 Abbildung 2.1: Urne mit zwölf Kugeln 2.1 Relative Häugkeit und Wahrscheinlichkeit Durch 200maliges Durchführen des oben beschriebenen Versuches könnte sich zum Beispiel diese Folge ergeben Betrachtet man die Folge nicht nur lokal sondern global so lässt sich doch eine gewisse Regelmäÿigkeit beobachten, welche sich darauf bezieht, wie oft eine bestimmte Zier vorkommt. Diese Beobachtung lässt sich mit Hilfe der relativen Häugkeit präziser beschreiben. Denition 2.1 Wird ein Zufallsversuch n-mal durchgeführt und dabei tritt das Ergebnis ω m-mal auf, dann versteht man unter der relativen Häugkeit von ω das folgende Verhältnis: H n (ω) = m n Analysiert man die relative Häugkeit einer bestimmten Zier innerhalb der Zahlenfolge stellt man fest, dass diese zu Beginn noch sehr schwankt, sich mit steigendem n aber immer mehr an einen festen Wert p annähert und sich dort einpendelt. Dies veranschaulicht die Abbildung 2.2. Dieser Wert p wird jedem Ergebnis ω des Versuches zugeordnet. Man bezeichnet ihn als Wahrscheinlichkeit p(ω) und er steht für den Grenzwert der relativen Häugkeit 5
6 relative Häufigkeit der Ziffer Anzahl der Ziffern Abbildung 2.2: rel. Häugkeit mit zunehmendem n des Ergebnisses ω bei (theoretisch) unendlich vielen Wiederholungen. Der Wert kann wie hier in unserem Beispiel näherungsweise bestimmt werden. Man hätte ihn allerdings aus Symmetriegründen auch direkt angeben können. Mit diesen Überlegungen kann man unser Zufallsgerät auch durch folgende Tabelle beschreiben: Ergebnis ω Wahrscheinlichkeit p(ω) Bei vielen Versuchen wie zum Beispiel beim Werfen eines Reiÿnagels, der entweder auf der achen oder auf der spitzen Seite aufkommen kann, ist es allerdings nicht möglich nur aufgrund von Symmetrieüberlegungen die Wahrscheinlichkeiten für die verschiedenen Ergebnisse anzugeben. Hier bleibt einem nur die Möglichkeit diese anhand eines Experiments näherungsweise zu bestimmen. Beschäftigt man sich genauer mit einem Zufallsversuch wird es einem bald nicht mehr genügen nur direkte Ergebnisse, wie zum Beispiel ω = 5 zu untersuchen sondern man interessiert sich auch für kompliziertere Ereignisse. Diese könnten dann etwa sein: 1 12 ω ist gerade ω < 3 ω ist eine Primzahl 6
7 Diese Ereignisse beinhalten jeweils mehrere Elemente der Grundmenge Ω. Dies führt zu folgender Denition: Denition 2.2 Ein Ereignis A ist eine Teilmenge von Ω. Man sagt das Ereignis A ist eingetreten, wenn für das Ergebnis ω gilt: ω A. In diesem Zusammenhang gibt es noch ein paar weitere Begrie zu klären: Gilt ω / A dann sagt man das Ereignis Ā ist eingetreten oder A ist nicht eingetreten. Die Grundmenge Ω bezeichnet man als das sichere Ereignis, da immer gilt: ω Ω. Entsprechend nennt man das unmögliche Ereignis. Gilt ω A B dann sagt man A und B sind eingetreten. ω A B bedeutet, dass A oder B eingetreten ist Zwei Ereignisse A und B heiÿen unvereinbar, wenn sie disjunkt sind, d.h. es gilt: A B = Die Wahrscheinlichkeit eines Ereignis A berechnet sich als Summe der Wahrscheinlichkeiten, der in A enthaltenen Ergebnisse. p(a) = ω A P ({ω}) 2.2 Laplace-Experimente Von einem Laplace-Experiment spricht man immer dann, wenn aufgrund von Symmetrieüberlegungen davon ausgegangen werden kann, dass alle endlich viele möglichen Ergebnisse ω Ω die gleiche Wahrscheinlichkeit besitzen. Die Wahrscheinlichkeit eines Ergebnisses lässt sich in diesem Fall besonders einfach berechnen: p(ω) = 1 Ω Auÿerdem berechnet sich die Wahrscheinlichkeit eines Ereignisses A Ω mit folgender Vereinfachung: p(a) = 1 Ω + 1 Ω Ω = A Ω = Anzahl der für A günstigen Fälle Anzahl der möglichen Fälle Spricht man im Zusammenhang mit Zufallsexperimenten von einer zufälligen Auswahl oder Ziehung, so bedeutet dies, dass alle ω gleich wahrscheinlich sein sollen. 7
8 Abbildung 2.3: Der französische Mathematiker Pierre Simon Laplace lebte von 1749 bis Sein Werk umfasst neben einigen Erkenntnissen im Bereich der Astronomie vor allem Errungenschaften in der Wahrscheinlichkeitsrechnung. Hier hat er sich besonders mit gleich wahrscheinlichen Ausfällen beschäftigt und hatte sich zum Ziel gesetzt die verbreitete Meinung, dass Wahrscheinlichkeit nicht mathematisch zu behandeln sei, zu widerlegen. In seinem 1814 erschienenen Werk Philosophischer Versuch über die Wahrscheinlichkeiten schrieb er: Die Theorie des Zufalls (des hasards) besteht darin, alle Ereignisse derselben Art auf eine gewisse Anzahl gleich möglicher Fälle zurückzuführen, d. h. auf solche, über deren Existenz wir in gleicher Weise im Unklaren sind, und dann die Zahl der Fälle zu bestimmen, die dem Ereigniss, dessen Wahrscheinlichkeit man sucht, günstig sind. Das Verhältniss dieser Zahl zu der aller möglichen Fälle ist das Maass dieser Wahrscheinlichkeit, die also nur ein Bruch ist, dessen Zähler die Zahl der günstigen Fälle, und dessen Nenner die Zahl aller möglichen Fälle ist. 2.3 Endliche Wahrscheinlichkeitsräume Will man jedem Ereignis A Ω eine Wahrscheinlichkeit P (A) zuordnen, so bedient man sich einer axiomatisch denierten Abbildung P von der Menge der Teilmengen von Ω in [0, 1]. Die Menge der Teilmengen von Ω, also alle möglichen Ereignisse ist mengentheoretisch die Potenzmenge P(Ω). Eine solche Abbildung P : P(Ω) [0, 1] nennt man Wahrscheinlichkeitsverteilung oder Wahrscheinlichkeitsmaÿ, wenn sie folgende Eigenschaften hat: 1. P ist normiert, d.h. P (Ω) = 1 2. P ist positiv, d.h. P (A) 0 A Ω 3. P ist additiv, d.h. P (A B) = P (A) + P (B) für alle A, B mit A B = (A, B disjunkt) Denition 2.3 Das Paar (Ω, P ) bezeichnet man als den, dem Experiment zugeordneten endlichen Wahscheinlichkeitsraum 1 (W-Raum), falls Ω endlich viele Elemente hat. 1 Von einem unendlichen Wahrscheinlichkeitsraum spricht man dann, wenn der Stichprobenraum Ω unendlich viele Elemente enthält. Zur Berechnung der Wahrscheinlichkeiten benötigt man dabei unendliche Summen. Oft man kann man diese aber vermeiden indem man die Eigenschaft des Corollars 2.4 benutzt. 8
9 Im Falle eines Laplace-Experiments mit gleich wahrscheinlichen Ergebnissen spricht man auch auch von einem Laplaceschen Wahrscheinlichkeitsraum. Lemma 2.4 Für A Ω gilt: P (Ā) = 1 P (A) und speziell: P ( ) = 0 Beweis: Es gilt: A Ā = und A Ā = Ω. Damit folgt: 1 (1) (2) = P (Ω) = P (A Ā) = P (A) + P (Ā) = P (Ā) = 1 P (A) und wegen Ω = folgt direkt die zweite Behauptung Als weitere wichtige Eigenschaften, der Abbildung P könnte man folgende nennen: P (A B) = P (A) + P (B) P (A B) für A, B nicht notwendig disjunkt (2.1) A B = P (A) P (B) (2.2) ( n ) n P A i = P (A i ) falls A 1,...,A n paarweise disjunkt sind (2.3) i=1 i=1 ( n ) P A i i=1 n P (A i ) für beliebige A 1,...,A n ; (2.4) i=1 Beweis: (der Eigenschaft (2.1)) Die Menge A B kann man als folgende disjunkte Vereinigung auassen: Auÿerdem gilt: A B = (A B) (A\(A B)) (B\(A B)) P (A B) = P (A B) + P (A\(A B)) + P (B\(A B)) A = (A B) (A\(A B)) P (A) = P (A B) + P (A\(A B)) P (A\(A B)) = P (A) P (A B) Und analog: P (B\(A B)) = P (B) P (A B) Dies ergibt zusammen P (A B) = P (A B) + P (A\(A B)) + P (B\(A B)) = P (A B) + P (A) P (A B) + P (B) P (A B) = P (A) + P (B) P (A B) 9
10 3 Mehrstuge Zufallsversuche Bei den mehrstugen Zufallsversuchen handelt es sich um Folgen der bisher betrachteten einstugen Versuche. Das heiÿt man betrachtet Versuche, bei denen es darum geht mit mehr als einem Würfel zu würfeln oder mehrere Kugeln aus einer Urne zu ziehen. 3.1 Bäume und Pfade Um die mehreren einzelnen Stufen einer solchen Folge von Versuchen gut und übersichtlich veranschaulichen zu können benutzt man Baumdiagramme. Betrachten wir wieder unsere schon vorgestellte Urne (aus Abb. 2.1) und befassen uns nun mit dem Versuch, dass aus dieser nacheinander zwei Kugeln gezogen werden. Wobei nach der ersten Kugel das Ergebnis notiert und die Kugel vor der nächsten Ziehung wieder zurückgelegt wird. Damit ergibt sich ein etwas veränderter Stichprobenraum Ω in dem jedes Ergebnis aus einer Folge von zwei Zahlen besteht. Veranschaulicht man diese Ziehung mit einem Baumdiagramm, dann entspricht jedem Abbildung 3.1: Baumdiagramm zur Urne aus Abb. 2.1 Ergebnis jeweils ein Pfad durch diesen Baum. Jeder Zweig erhält eine Wahrscheinlichkeit, die der des einstugen Zufallsversuches entspricht (Veranschaulicht in Abb. 3.2). Man muss nun eine Möglichkeit nden, aus den Wahrscheinlichkeiten der Zweige eines Pfades, die Wahrscheinlichkeit für den ganzen Pfad zu berechnen. Mit Hilfe der Überlegungen über die relative Häugkeit eines Ergebnisses kommt man hier zu folgendem Schluss: Bei der ersten Stufe liegt die Wahrscheinlichkeit für die Ziehung einer 5 bei 1 12, d.h., dass bei 1 12 aller Ziehungen eine 5 gezogen wird. Von die- beim zweiten Ziehen noch eine 1 dazubekommen. Also aller Ziehungen mit dem Ergebnis 51 enden. Dies führt sen 1 12 Fünfen werden jetzt 1 3 werden am Ende wohl zu folgender Denition: Denition 3.1 Pfadregel: Die Wahrscheinlichkeit eines Pfades erhält man, indem man die Wahrscheinlichkeiten längs des Pfades multipliziert. 10
11 1/12 1/12 1/ /3 1/4 1/6 1/12 1/12 1/ Abbildung 3.2: Ausschnitt aus dem Baumdiagramm in Abb Unabhängige Versuche und unabhängige Ereignisse Man unterscheidet unabhängige und abhängige Zufallsversuche. Von unabhängigen Versuchen spricht man immer dann, wenn alle Stufen eines Versuches unabhängig voneinander durchgeführt werden können. Das heiÿt, dass der Ausgang der ersten Stufe beim Erstellen des Baumzweiges für die zweite Stufe nicht relevant ist. Zieht man zum Beispiel zwei Kugeln nacheinander aus einer Urne und legt die Kugeln dabei immer vorher wieder zurück, haben alle Ergebnisse in der ersten und er zweiten Stufe der Ziehung jeweils die gleiche Wahrscheinlichkeit. Beide Stufen können mit dem gleichen Baum beschrieben werden. Legt man jedoch vor der nächsten Ziehung die Kugel nicht wieder zurück, ändern sich im Baum der zweiten Stufe die Wahrscheinlichkeiten. Die zweite Stufe hängt also vom Ausgang der ersten Stufe ab. In einem solchen Fall spricht man abhängigen Zufallsversuchen. Ähnlich kann man auch zwei Ereignisse betrachten und sich überlegen ob sie voneinander abhängig sind oder nicht. Denition 3.2 Zwei Ereignisse heiÿen unabhängig, wenn gilt: P (A B) = P (A) P (B) In Worten könnte man dies so erklären, dass das Eintreten des einen Ereignisses die Wahrscheinlichkeit für das Eintreten des anderen Ereignisses nicht beeinusst. Die oben gegebene Denition nimmt jedoch keinen Bezug auf die Unabhängigkeit der Versuche und es wird nicht so recht ersichtlich, warum beim Würfeln eines Würfels die beiden Ereignisse A = {2, 3, 5} und B = {2, 4} unabhängig aber die Ereignisse C = {2, 4, 5, 6} und B abhängig sein sollen. Hier erhält man aber tatsächlich: P (A B) = 1 6 = P (B C) = = P (A) P (B) = P (B) P (C) 11
12 Aus diesem Grund sollte man die Denition an dieser Stelle zu folgender Aussage verfeinern: Lemma 3.3 Gegeben ist eine Folge von n unabhängigen Versuchen und die Ereignisse A 1, A 2,..., A n, wobei die A i jeweils nur vom Ausgang des i-ten Teilversuchs abhängen (i = 1, 2,..., n). Dann gilt das Multiplikationsgesetz: P (A 1 A 2 A n ) = P (A 1 ) P (A 2 ) P (A n ) Beweis: Seien Ω 1 = {x 1, x 2,..., x m }, Ω 2 = {y 1, y 2,..., y m },...,Ω n = {z 1, z 2,..., z m } die Stichprobenräume voneinander unabhängiger Urnen. Die Wahrscheinlichkeiten der Ergebnisse x i, y j,..., z k seien dabei p i, q j,..., r k. Auÿerdem seien A 1 = {x 1, x 2, x 3 }, A 2 = {y 4, y 5 },..., A n = {z 6 } Ereignisse aus Ω 1, Ω 2,..., Ω n. Werden die n Versuche hintereinander ausgeführt ergibt sich ein Stichprobenraum Ω = Ω 1 Ω 2 Ω n. Auf diesem denieren wir eine Wahrscheinlichkeit P durch: (x i, y j,..., z k ) p ij...k. Mit p ij...k = p i r k (Pfadregel). Wir betrachten nun in Ω die Ereignisse B 1 = A 1 Ω 2 Ω n, B 2 = Ω 1 A 2 Ω n,..., B n = Ω 1 Ω 2 A n, dann hängt B 1 nur von der ersten Stufe ab und die anderen analog nur von einer Stufe. Und es gilt: P (B 1 ) = m j,...,k=1 = p 1 p 1 q j r k + m j,...,k=1 = (p 1 + p 2 + p 3 ) = p 1 + p 2 + p 3 = P (A 1 ) m j,...,k=1 q j r k + p 2 m j,...,k=1 p 2 q j r k + m j,...,k=1 q j r k } {{ } =1 wg. m j=1 q j=1 m j,...,k=1 q j r k + p 3 p 3 q j r k m j,...,k=1 q j r k Ebenso zeigt man P (B 2 ) = q 4 + q 5 = P (A 2 ),..., P (B n ) = P (A n ). Auÿerdem gilt:b 1 B 2 B n = A 1 A 2 A n und damit: P (B 1 B 2 B n ) = p 1 q 4 r 6 + p 1 q 5 r 6 + p 2 q 4 r 6 + p 2 q 5 r 6 + p 3 q 4 r 6 + p 3 q 5 r 6 = (p 1 + p 2 + p 3 ) (q 4 + q 5 ) (r 6 ) = P (A 1 ) P (A 2 ) P (A n ) P (B 1 B 2 B n ) = P (B 1 ) P (B 2 ) P (B n ) 12
13 4 Kombinatorik Die Berechnung von Wahrscheinlichkeiten vieler Experimente und deren Ergebnisse beschränkt sich oft auf die Problematik des Abzählens einer Menge (siehe Laplace- Experimente). Diese Abzählprobleme, vor allem der Stichprobenräume von mehrstugen Versuchen, lassen sich auf kombinatorische Formeln zurückführen. Dabei kommt es zum einen darauf an auf welche Art und mit welcher Anordnung eine Teilmenge aus einer Grundmenge ausgewählt werden kann. Die sich hierbei ergebenden verschiedenen Stichprobenräume werden im Folgenden anhand einer Urne mit N verschiedenen Kugeln, die man sich mit 1, 2,..., N nummeriert vorstellen kann, erläutert. Es sollen jeweils n Kugeln gezogen werden. Wird eine Kugel vor einer erneuten Ziehung zurückgelegt und die Urne geschüttelt, spricht man von einer Stichprobe mit Zurücklegen. Dabei kann es also zur wiederholten Ziehung einer Kugel kommen. Wird dagegen auf das Zurücklegen verzichtet und es kann jede Kugel nur einmal vorkommen nennt man dies eine Ziehung ohne Rücklegen. Führt man jetzt mehrere Ziehungen hintereinander aus und möchte die Ziernfolge des Ergebnisses angeben, so kann man dies entweder in Form eines n-tupels (ω 1, ω 2,..., ω n ) machen, in dem ω i für das Ergebnis der i-ten Ziehung steht, oder man kann alternativ eine Menge angeben, in der die vorgekommenen Ergebnisse drinstehen. Im ersten Fall ist dabei die Reihenfolge des Erscheinen der Kugeln relevant, während es im zweiten Fall nur darauf ankommt, welche Kugel und wie oft sie vorgekommen ist. Daher unterscheidet man hier zwischen der Stichprobe mit Reihenfolge (geordnet) und der Stichprobe ohne Reihenfolge(ungeordnet). Sei jetzt A = {1, 2,..., N} die Menge der sich in der Urne bendlichen Kugeln. Durch die verschiedenen Möglichkeiten der Ziehung ergeben sich vier verschiedene Stichprobenräume. 4.1 Geordnete Stichproben mit Zurücklegen Man zieht insgesamt n Kugeln, wobei jeweils eine Kugel gezogen, ihre Nummer notiert und sie vor dem nächsten Ziehen wieder zurückgelegt wird. Dadurch ergibt sich folgender Stichprobenraum: Ω 1 := {ω = (ω 1, ω 2,..., ω n ) ω i A für i = 1,..., n} = A n Damit ist bekannt, dass Ω 1 = N n 4.2 Geordnete Stichproben ohne Zurücklegen Es werden wieder n Kugeln gezogen und auch die Nummern der Kugeln in der Reihenfolge des Erscheinen notiert; nur werden die Kugeln nicht mehr zurückgelegt, so dass sich mit jeder Ziehung die Zahl der möglichen Ergebnisse für die nächste Ziehung verkleinert. Die möglichen Ergebnisse kann man so angeben: Ω 2 = {ω = (ω 1, ω 2,..., ω n ) ω i A, ω i ω j für i j(1 i, j n)} 13
14 Nun möchte man auch hier die Anzahl der Elemente von Ω 2 bestimmen. Dazu benutzen wir folgendes Lemma Lemma 4.1 Sei eine Menge Ω n von n-tupeln ω wie oben gegeben, die die Ergebnisse eines aus n Stufen bestehenden Teilexperiments darstellen. k i sei die Anzahl der möglichen Ergebnisse der i-ten Stufe und jedes k i sei unabhängig davon, wie die früheren Stufen ausgegangen sind. Dann ist Ω n = k 1 k 2 k n Beweis: In unserem Fall haben wir N Kugeln in unserer Urne also gilt k 1 = N. Mit jedem Ziehen verringert sich die Zahl der Kugeln um eine, da die Kugeln nicht zurückgelegt werden. Das bedeutet, dass sich nach der ν-ten Ziehung noch N ν Kugeln in der Urne benden, also gilt: k ν+1 = N ν. Es ist also zu zeigen: Ω n = k 1 k 2 k n = N (N 1) (N (n 1)) Dies geschieht mittels einer einfachen Induktion. Induktionsanfang: n = 1: Bei nur einer Stufe enthält Ω 1 genau die N(= k 1 ) möglichen Ergebnisse, d.h. Ω 1 = k 1. Induktionsannahme: Die Aussage gilt für n = ν 1, d.h. nach ν 1 Stufen enthält Ω ν 1 k 1 k 2 k ν 1 = N (N 1) (N (v 2)) Elemente Induktionsbehauptung: Damit ist zu zeigen, dass die Aussage auch für n = ν stimmt, also dass gilt: Ω ν = k 1 k 2 k ν = N (N 1) (N (ν 1)). Angenommen nach der (ν 1)-ten Ziehung stehen die Tupel (ω 1, ω 2,..., ω ν 1 ) schon fest und ihre Anzahl sei Ω ν 1 = N (N 1) (N (ν 2)). Dann gibt es für jedes dieser Tupel k ν = N (ν 1) Möglichkeiten es um eine Stelle zu erweitern. Nämlich genau die Anzahl der noch in der Urne vorhandenen Kugeln, welche nicht von den Ausgängen der ν 1 Stufen davor abhängt. Also enthält die Menge Ω ν dann genau Ω ν 1 (N (ν 1) Elemente. Damit ist bewiesen: Ω ν = Ω ν 1 (N (ν 1)) = N (N 1) (N (ν 2)) (N (ν 1)) = N (N 1) (N (ν 1)) = N (N 1) (N ν + 1) Für das Produkt am Ende wird meist folgende Abkürzung verwendet: (N) n := N (N 1) (N n + 1) (4.1) Durch Multiplikation mit (N n)! (N n)! erhält man die noch einfacherere Darstellung: (N) n = N! (N n)! (4.2) 14
15 Ein wichtiger Spezialfall dieser Formel ist der Fall N = n. Dann werden alle Kugeln aus der Urne gezogen und man erhält als Stichprobenraum die Permutationen der Menge {1, 2,..., N}, welcher nach dem eben gezeigten Lemma genau (N) N = N! Elemente hat. Abschlieÿend lässt sich also festhalten, dass für den Stichprobenraum des geordneten Ziehens ohne Zurücklegen gilt: Ω 2 = (N) n = N! (N n)! 4.3 Ungeordnete Stichproben ohne Zurücklegen In diesem Fall werden die n Kugeln in einem Zug gezogen, da es auf die Reihenfolge nicht ankommt und auch keine Kugeln zurückgelegt werden. Für das Ergebnis ist es also nur von Bedeutung, welche Kugeln darin vorkommen und der zugehörige Stichprobenraum besteht aus der Menge der n-elementigen Teilmengen von A: Ω 3 = {{ω 1, ω 2,..., ω n } ω i A, ω i ω j für i j} Um diese Menge zu zählen überlegt man sich dass es nach dem letzten Fall n! Möglichkeiten gibt eine n-elementige Menge verschieden anzuordnen. Alle diese verschiedenen Anordnungen der n-elementigen Teilmengen waren Elemente von Ω 2. In der Menge Ω 3 bilden diese n! verschiedenen Anordnungen jedoch nur ein Element, da es hier nicht mehr auf die Reihenfolge ankommt. Das heiÿt dann für Zahl der Elemente von Ω 3 : Ω 3 = (N) n n! = N! n!(n n)! Für diese Zahl der n-elementigen Teilmengen einer N-elementigen Menge benutzt man die Notation ( ) ( ) N N! N := n n!(n n)! = (1 n N) (4.3) N n wobei ( N n) gelesen wird als: N über n. Weitere Eigenschaften: ( N n) = 0 falls n > N, denn dann ist auch (N)n = 0 ( N 0 ) = 1 da jede Menge genau eine 0-elementige Teilmenge besitzt, nämlich die leere Menge. Auÿerdem gilt: 0! := 1 15
16 4.4 Ungeordnete Stichproben mit Zurücklegen Die n Kugeln werden dieses Mal jeweils nach Zurücklegen der alten Kugel gezogen, wobei wieder die Reihenfolge nicht relevant sein soll. Wie im Fall davor betrachten wir erst einmal den Stichprobenraum Ω 1, welcher alle n-tupel aus A n enthält. Diese sind angeordnet und daher von ihrer Anzahl mehr, als wenn man die Anordnung auÿer Acht lässt. Da nun die Reihenfolge nicht mehr relevant ist, können wir die n-tupel aus Ω 1 alle in eine Standardform bringen, so dass wir wieder mehrere Elemente aus Ω 1 zu einem Element in Ω 4 zusammenfassen können. Dies geschieht dadurch, dass wir die Ziern innerhalb des Tupels, der Gröÿe nach ordnen. Ω 4 = {(ω 1, ω 2,..., ω n ) A n ω 1 ω 2 ω n } Da die Zahl der Ergebnisse, die hier zu einem zusammengefasst wurden nicht konstant ist, können wir die Anzahl nicht so leicht wie im Fall davor aus der Anzahl in Ω 1 bestimmen. Dazu bedienen wir uns einer bijektiven Abbildung. Diese soll die Menge Ω 4 bijektiv auf die Menge Ω 3 = {(ω 1, ω 2,..., ω n) B n ω 1 < ω 2 < < ω n} mit B = {1, 2,..., N + n 1} abbilden. Dazu verwenden wir folgende Zuordnung: ω i ω i = ω i + i 1. Die Menge Ω 3 entspricht jetzt einer Stichprobenmenge einer ungeordneten Ziehung ohne Zurücklegen und daher ergibt sich auch ihre Mächtigkeit nach der Formel des vorherigen Falls als ( ) N + n 1 Ω 4 = Ω 3 = n 4.5 Überblick der Stichprobenräume Die Überlegungen der letzten vier Fälle kann man in einer Tabelle zusammenfassen Stichproben vom Umfang n aus {1,..., N} mit Zurücklegen ohne Zurücklegen Geordnet N n (N) n ) ( Ungeornet N n) ( n+n 1 n Tabelle 1: Überblick Stichprobenräume 16
17 5 Resümee Den Groÿteil der hier behandelten Themen kennt man wohl schon aus dem Schulunterricht, auch wenn man dort nur grundlegende Kenntnisse über die Wahrscheinlichkeitstheorie kennen gelernt hat. Dennoch war es sicher von groÿem Vorteil in einem Gebiet, auf dem man die meisten Ergebnisse schon kennt, sich damit zu beschäftigen, wo ihre mathematischen Wurzeln liegen. Einfache Regeln, die man in der Schule stur auswendig gelernt und angewendet hat, kann man so viel besser verstehen und dann auch mit ganz anderem Hintergrundwissen in der Schule weitervermitteln. Vor allem bei der schwierigen Wahl der jeweils richtigen Urnenmodelle zu einer Aufgabe hat sich einiges mehr an Routine eingestellt. Dies schien einem früher doch oft sehr willkürlich vorzukommen. Besonders interessant und auch nützlich um später den Unterricht zu planen sind die vielen verschiedenen Beispiele und Aufgabe, die man in der Quelle [1] nden kann. Zu den Aufgaben sind auch reichlich Lösungen vorhanden und es empehlt sich wirklich sich hier mal unzuschauen. Literatur [1] Arthur Engel: Wahrscheinlichkeitsrechnung und Statistik, Band 1, Klett Verlag, [2] Ulrich Krengel: Einführung in die Wahrscheinlichkeitstheorie und Statistik, Vieweg Verlag, 2005 [3] Hans-Otto Georgii: Stochastik, Einführung in die Wahrscheinlichkeitstheorie und Statistik, 3.Auage, De Gruyter Verlag, 2007 Abbildung 2.3: de.wikipedia.org/wiki/pierre-simon_laplace 17
18 6 Anhang 6.1 Matlab-Code zur Modellierung der Urne aus Abbildung 2.1 function r = random x =[1,1,1,1,2,3,4,5,6,2,3,2]; r = floor (12 rand)+1; r = x( r ) ; 6.2 Matlab-Code zur Berechnung der Funktion aus Abbildung 2.2 function r e i h e close a l l N = 5000; x = [ 1 :N] ; for I = 1:N, x( I ) = random ; end x ( 1 : ) H_n = [ 1 : (N/ 1 0 ) ] ; for I = 1 : (N/10), m = 0; n = 10 I ; for J = 1: n, i f x(j) == 1 m = m + 1; end end H_n( I ) = m/n ; end hold on plot (H_n) plot ( [ 1, ], [ 1 / 3, 1 / 3 ], ' r ' ) xlabel ( ' Anzahl der Z i f f e r n ' ) ylabel ( ' r e l a t i v e Häufigkeit der Z i f f e r 1 ' ) hold o f f return 18
Grundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
MehrZusammenfassung Stochastik
Zusammenfassung Stochastik Die relative Häufigkeit Ein Experiment, dessen Ausgang nicht vorhersagbar ist, heißt Zufallsexperiment (ZE). Ein Würfel wird 40-mal geworfen, mit folgendem Ergebnis Augenzahl
MehrMathematik: Mag. Schmid Wolfgang & LehrerInnenteam Arbeitsblatt 7-9 7. Semester ARBEITSBLATT 7-9. Was ist Wahrscheinlichkeit
ARBEITSBLATT 7-9 Was ist Wahrscheinlichkeit "Ein guter Mathematiker kann berechnen, welche Zahl beim Roulette als nächstes kommt", ist eine Aussage, die einfach falsch ist. Zwar befassen sich Mathematiker
MehrWahrscheinlichkeitsverteilungen
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 0.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
Mehr2. Rechnen mit Wahrscheinlichkeiten
2. Rechnen mit Wahrscheinlichkeiten 2.1 Axiome der Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung ist ein Teilgebiet der Mathematik. Es ist üblich, an den Anfang einer mathematischen Theorie
MehrInhaltsverzeichnis (Ausschnitt)
6 Diskrete Wahrscheinlichkeitsräume Inhaltsverzeichnis (Ausschnitt) 6 Diskrete Wahrscheinlichkeitsräume Laplacesche Wahrscheinlichkeitsräume Kombinatorik Allgemeine diskrete Wahrscheinlichkeitsräume Deskriptive
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Kombinatorik. Dr. Thomas Zehrt. Inhalt: 1. Endliche Mengen 2. Einfache Urnenexperimente
Universität Basel Wirtschaftswissenschaftliches Zentrum Kombinatorik Dr. Thomas Zehrt Inhalt: 1. Endliche Mengen 2. Einfache Urnenexperimente 2 Teil 1 Endliche Mengen Eine endliche Menge M ist eine Menge,
MehrStatistik I für Betriebswirte Vorlesung 1
Statistik I für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrZufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
MehrWahrscheinlichkeitsrechnung
2 Wahrscheinlichkeitsrechnung 2.1 Grundbegriffe Wir betrachten zwei Beispiele, um erste Grundbegriffe anschaulich einzuführen. Beispiel 2.1.1. In einem Elektronikmarkt liegen 50 MP3-Player auf einem Tisch,
MehrErgebnis Ergebnisraum Ω. Ereignis. Elementarereignis
Stochastik Die Stochastik besteht aus zwei Teilgebieten, der Statistik und der Wahrscheinlichkeitsrechnung. Die Statistik beschreibt die Vergangenheit und verwendet Informationen, die (in realen Versuchen)
MehrWAHRSCHEINLICHKEIT. Erinnere dich
Thema Nr.9 WAHRSCHEINLICHKEIT Erinnere dich Zufallsexperiment Ein Experiment, bei dem verschiedene Ergebnisse möglich sind und bei dem das Ergebnis nur vom Zufall abhängt heißt Zufallsexperiment. Beispiele
MehrKombinatorik: Abzählverfahren (Teschl/Teschl 7) Summenregel. Allgemeiner
Kombinatorik: Abzählverfahren (Teschl/Teschl 7) Fragestellung: Wie viele verschiedene Möglichkeiten gibt es, Elemente auszuwählen, z. B. Anzahl verschiedener möglicher Passwörter, IPAdressen, Zahlenkombinationen
MehrWahrscheinlichkeit und Zufall
Wahrscheinlichkeit und Zufall Rechnen mit Wahrscheinlichkeiten 16. Juni 2009 Dr. Katja Krüger Universität Paderborn 1 Inhalt Ereignisse i und deren Wahrscheinlichkeit h hk i Laplace-Regel Baumdiagramm
MehrStochastik - Kapitel 2
" k " h(a) n = bezeichnet man als die relative Häufigkeit des Ereignisses A bei n Versuchen. n (Anmerkung: für das kleine h wird in der Literatur häufig auch ein r verwendet) k nennt man die absolute Häufigkeit
MehrUnterrichtsmaterialien 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
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
R. Brinkmann http://brinkmann-du.de Seite 08..2009 Von der relativen Häufigkeit zur Wahrscheinlichkeit Es werden 20 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 20 Schülern
Mehr1.1 Ergebnisräume einfacher Zufallsexperimente. 2) Es gibt mindestens zwei mögliche Ausgänge des Experiments.
Übungsmaterial 1 1 Zufallsexperimente 1.1 Ergebnisräume einfacher Zufallsexperimente Damit ein Experiment ein Zufallsexperiment ist, müssen folgende Eigenschaften erfüllt sein: 1) Das Experiment lässt
MehrWahrscheinlichkeitsrechnung
Teil V Wahrscheinlichkeitsrechnung Inhaltsangabe 6 Einführung in die Wahrscheinlichkeitsrechnung 125 6.1 Kombinatorik......................... 125 6.2 Grundbegri e......................... 129 6.3 Wahrscheinlichkeiten.....................
MehrVenndiagramm, Grundmenge und leere Menge
Venndiagramm, Grundmenge und leere Menge In späteren Kapitel wird manchmal auf die Mengenlehre Bezug genommen. Deshalb sollen hier die wichtigsten Grundlagen und Definitionen dieser Disziplin kurz zusammengefasst
MehrAllgemeine Definition von statistischer Abhängigkeit (1)
Allgemeine Definition von statistischer Abhängigkeit (1) Bisher haben wir die statistische Abhängigkeit zwischen Ereignissen nicht besonders beachtet, auch wenn wir sie wie im Fall zweier disjunkter Mengen
MehrVorkurs Mathematik. Christoph Hindermann. Wahrscheinlichkeitstheorie
Kapitel 4 Christoph Hindermann Vorkurs Mathematik 1 4.0 Motivation Wenn 100 Münzen geworfen werden, wie ist dann die Wahrscheinlichkeit, dass genau 50 davon Kopf zeigen? Angenommen, es befinden sich 300
MehrKombinatorik kompakt. Stochastik WS 2016/17 1
Kombinatorik kompakt Stochastik WS 2016/17 1 Übersicht Auswahl/Kombinationen von N aus m Elementen Statistische unterscheidbare ununterscheidbare Physik Objekte (gleiche) Objekte ( ohne m N m+n 1 ) N mit
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrPflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg
Pflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com August 05 Übungsaufgaben:
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
Mehr3 Vollständige Induktion
3.1 Natürliche Zahlen In den vorherigen Kapiteln haben wir die Menge der natürlichen Zahlen schon mehrfach als Beispiel benutzt. Das Konzept der natürlichen Zahlen erscheint uns einfach, da wir es schon
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Grundbegriffe: Experiment: ein Vorgang, den man unter gleichen Voraussatzungen beliebig oft wiederholen kann. Ergebnis ω : Ausgang eines Experiments Ergebnismenge Ω : Menge
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 21.02.2014 Holger Wuschke B.Sc. Glücksspiel auf der Buchmesse Leipzig, 2013 Organisatorisches 1. Begriffe in der Stochastik (1)
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
MehrUnter dem Symbol n! (gelesen n Fakultät) versteht man das Produkt der natürlichen Zahlen von 1 bis n.
Die Fakultät Definition: Unter dem Symbol n! (gelesen n Fakultät) versteht man das Produkt der natürlichen Zahlen von 1 bis n. n! = 1 2 3... (n 2) (n 1) n Zusätzlich wird definiert 0! = 1 Wie aus der Definition
Mehr1 Grundlagen Wahrscheinlichkeitsrechung
1 Grundlagen Wahrscheinlichkeitsrechung 1.1 Grundbegriffe Alle möglichen Ereignisse eines Zufallsexperiments fassen wir in einer Ereignismenge Ω zusammen. Ereignisse sind Teilmengen von Ω. Umfasst das
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
MehrKAPITEL 2. Kombinatorik
KAPITEL 2 Kombinatori In der Kombinatori geht es um das Abzählen von Kombinationen 21 Geburtstagsproblem Beispiel 211 (Geburtstagsproblem In einem Raum befinden sich 200 Studenten Wie groß ist die Wahrscheinlicheit,
MehrElementare Mengenlehre
Vorkurs Mathematik, PD Dr. K. Halupczok WWU Münster Fachbereich Mathematik und Informatik 5.9.2013 Ÿ2 Elementare Mengenlehre Der grundlegendste Begri, mit dem Objekte und Strukturen der Mathematik (Zahlen,
MehrDIE SPRACHE DER WAHRSCHEINLICHKEITEN
KAPITEL 1 DIE SPRACHE DER WAHRSCHEINLICHKEITEN Es ist die Aufgabe der ersten drei Kapitel, eine vollständige Beschreibung des grundlegenden Tripels (Ω, A, P) und seiner Eigenschaften zu geben, das heutzutage
MehrRechenregeln für Summen
Rechenregeln für Summen Im Umgang mit Summen sind gewisse Regeln zu beachten. 1 Summe gleicher Summanden Betrachten wir folgende Summe: x Hier enthält x keinen Summationsindex, d.h. es wird x einfach n-mal
MehrVorkurs Mathematik 2016
Vorkurs Mathematik 2016 WWU Münster, Fachbereich Mathematik und Informatik PD Dr. K. Halupczok Skript VK3 vom 15.9.2016 VK3: Elementare Mengenlehre Der grundlegendste Begri, mit dem Objekte und Strukturen
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
Mehr4b. Wahrscheinlichkeit und Binomialverteilung
b. Wahrscheinlichkeit und Binomialverteilung Um was geht es? Häufigkeit in der die Fehlerzahl auftritt 9 6 5 3 2 2 3 5 6 Fehlerzahl in der Stichprobe Wozu dient die Wahrscheinlichkeit? Häfigkeit der Fehlerzahl
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrSoll ein Zufallsexperiment näher untersucht werden, so muss zuerst geklärt werden, was man als dessen mögliche Ausgänge ansieht:
2 Zufallsexperimente Nachdem wir uns spielerisch mit dem Phänomen "Zufall" beschäftigt und den Begriff "Zufallsexperiment" bereits intuitiv erfasst haben, wollen wir in diesem Kapitel den Begriff "Zufallsexperiment"
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrVorlesung. Vollständige Induktion 1
WS 015/16 Vorlesung Vollständige Induktion 1 1 Einführung Bei der vollständigen Induktion handelt es sich um ein wichtiges mathematisches Beweisverfahren, mit dem man Aussagen, die für alle natürlichen
MehrKombinatorik & Stochastik Übung im Sommersemester 2018
Kombinatorik & Stochastik Übung im Sommersemester 2018 Kombinatorik Formeln & Begriffe Begrifflichkeiten Permutation = Anordnung in einer bestimmten Reihenfolge Kombination = Anordnung ohne bestimmte Reihenfolge
MehrStochastik 02 Wiederholung & Vierfeldertafel
23. August 2018 Grundlagen der Statistik (bis Klasse 10) Grundlagen der Stochastik (bis Klasse 10) Zufallsgrößen und Verteilungen Beurteilende Statistik (Testen von Hypothesen) Bernoulli-Experimente Ziele
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
MehrStochastik Grundlagen
Grundlegende Begriffe: Zufallsexperiment: Ein Experiment, das beliebig oft wiederholt werden kann. Die möglichen Ergebnisse sind bekannt, nicht jedoch nicht, welches Ergebnis ein einzelnes Experiment hat.
MehrAbitur 2015 Mathematik Stochastik IV
Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 201 Mathematik Stochastik IV In einer Urne befinden sich vier rote und sechs blaue Kugeln. Aus dieser wird achtmal eine Kugel zufällig gezogen, die Farbe
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 7. Übung SS 16: Woche vom
Übungsaufgaben 7. Übung SS 16: Woche vom 23. 5. 27. 5.. 2016 Stochastik I: Klassische Wkt.-Berechnung Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/... (SS16).html
MehrWahrscheinlichkeitsrechnung
Abiturvorbereitung Wahrscheinlichkeitsrechnung S. 1 von 9 Wahrscheinlichkeitsrechnung Kombinatorik Formeln für Wahrscheinlichkeiten Bedingte Wahrscheinlichkeiten Zusammenfassung wichtiger Begriffe Übungsaufgaben
MehrElemente der Stochastik (SoSe 2016) 9. Übungsblatt
Dr. M. Weimar 06.06.2016 Elemente der Stochastik (SoSe 2016) 9. Übungsblatt Aufgabe 1 (2+2+2+2+1=9 Punkte) In einer Urne befinden sich sieben Lose, darunter genau ein Gewinnlos. Diese Lose werden nacheinander
MehrAnzahl möglicher Anordnungen bei 3 Elementen
Anzahl möglicher Anordnungen bei 3 Elementen Man kann die Anzahl möglicher Anordnungen der drei Buchstaben A, B und C mit einem Baumdiagramm bestimmen. 3 2 6 verschiedene Anordnungen Permutationen Die
MehrSatz 16 (Multiplikationssatz)
Haug verwendet man die Denition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A \ B] = Pr[BjA] Pr[A] = Pr[AjB] Pr[B] : (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1 ; : : : ; A n
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 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/ws0910
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
MehrBernoullikette und Binomialverteilung. Binomialverteilung
Binomialverteilung Inhaltsverzeichnis Vorbemerkungen... 3 Listen und Mengen... 3 Beispiele für Ergebnisräume... 3 Bernoulliketten... 3 Binomialverteilung... 3 Aufgabe... 3 Graphische Veranschaulichung...
Mehr1 Elemente der Wahrscheinlichkeitstheorie
H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen
MehrEinführung. Wahrscheinlichkeit. 1 Wahrscheinlichkeit: Definition und Interpretation. 2 Elementare Wahrscheinlichkeitsrechnung, bedingte
Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare Wahrscheinlichkeitsrechnung, bedingte Wahrscheinlichkeit Axiome nach Kolmogorov Gegeben sei ein Zufallsexperiment mit Ergebnisraum
MehrRumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Rumpfskript Elementare Wahrscheinlichkeitsrechnung Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern
MehrLösungen zu Übungs-Blatt 7 Klassische Wahrscheinlichkeit in Glücksspielen und bedingte Wkt
Zu Aufgabe ) Wir betrachten den Laplace-Versuch V Werfen zweier Würfel. Berechnen Sie unter Verwendung der Formel P ( A) A aus Aufgabe die Ω Wahrscheinlichkeit für folgende Ereignisse: a) A Werfen zweier
MehrElementare Wahrscheinlichkeitsrechnung
Elementare Wahrscheinlichkeitsrechnung Skript Jun.-Prof. Dr. Zakhar Kabluchko Universität Ulm Institut für Stochastik Inhaltsverzeichnis Vorwort 1 Literatur 1 Kapitel 1. Grundbegriffe der Wahrscheinlichkeitstheorie
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 1
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/ Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie svorschläge zu
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrIm gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge
1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten
MehrStation 1 Das Galtonbrett, Realmodelle
Station 1 Das Galtonbrett, Realmodelle Zeit zur Bearbeitung: 10 Minuten 1.1 Versuch:. Münzwurf mit dem Galtonbrett Betrachtet wird folgendes Zufallsexperiment: Fünf identische Münzen werden zehn-mal geworfen.
MehrGrundbegrie der Wahrscheinlichkeitsrechnung
Die Benutzung dieser Materialien ist auf Herbst 2017 beschränkt. Diese Hilfsmaterialien sind nur für unseren Studenten gemeint, dürfen also nicht weiterverteilt werden. Grundbegrie der Wahrscheinlichkeitsrechnung
MehrDie Kugeln tragen zwei Merkmale mit jeweils zwei Ausprägungen. Merkmal I Ausprägung Merkmal II Ausprägung. A: Holz B: rot A: Kunststoff B: grün
R. rinkmann http://brinkmann-du.de Seite 6..00 edingte Wahrscheinlichkeit ei mehrmaligem Würfeln hängt die Wahrscheinlichkeit eine bestimmte Zahl zwischen und 6 zu werfen nicht von dem vorherigen Ergebnis
Mehr3. Grundbegriffe der Wahrscheinlichkeitstheorie
03. JULI 2006: BLATT 17 3. Grundbegriffe der Wahrscheinlichkeitstheorie (v.a. nach Manning/Schütze: 40ff und Fahrmeir /Künstler/Pigeot/Tutz: 171ff) Übersicht Um entscheiden zu können, ob eine statistische
MehrMengen (siehe Teschl/Teschl 1.2)
Mengen (siehe Teschl/Teschl 1.2) Denition nach Georg Cantor (1895): Eine Menge ist eine Zusammenfassung von bestimmten und wohlunterschiedenen Objekten unserer Anschauung oder unseres Denkens zu einem
MehrMathematik 1 für Informatik Inhalt Grundbegrie
Mathematik 1 für Informatik Inhalt Grundbegrie Mengen, speziell Zahlenmengen Aussagenlogik, Beweistechniken Funktionen, Relationen Kombinatorik Abzählverfahren Binomialkoezienten Komplexität von Algorithmen
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
Mehr2. Vorlesung. Die Theorie der schwarz-weissen Ketten.
2. Vorlesung. Die Theorie der schwarz-weissen Ketten. Die Theorie der schwarzen Steinchen haben wir jetzt halbwegs vertanden. Statt mit schwarzen Steinen wie die Griechen, wollen wir jetzt mit schwarzen
Mehr( ) ( ) ( ) Mehrstufige Zufallsversuche
R. Brinkmann http://brinkmann-du.de Seite 1 19.11.2009 Mehrstufige Zufallsversuche Häufig müssen Zufallsversuche untersucht werden, die aus mehr als einem einzigen Experiment bestehen. Diese Versuche setzen
MehrFolgen und Grenzwerte
Wintersemester 2015/201 Folgen und Grenzwerte von Sven Grützmacher Dieser Vortrag wurde für den (von der Fachschaft organisierten) Vorkurs für die Studienanfänger an der Fakultät für Mathematik und Informatik
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrVollständige Induktion. Analysis I. Guofang Wang. Universität Freiburg
Universität Freiburg 26.10.2011 Vollständige Induktion Wir unterbrechen jetzt die Diskussion der Axiome der reellen Zahlen, um das Beweisverfahren der vollständigen Induktion kennenzulernen. Wir setzen
MehrZiegenproblem, Monty-Hall-Problem, Wahrscheinlichkeitsrechnung. Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem
Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Wahrscheinlichkeitsrechnung Theorie Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem,
MehrKombinatorik BEISPIEL: WIE VIELE MÖGLICHKEITEN GIBT ES, EINE DREISTELLIGE ZAHL MIT DEN ZIFFERN 3
Kombinatorik Die Kombinatorik beschäftigt sich damit, verschiedene mögliche Auswahlen und Anordnungen von Elementen aus endlichen Mengen zu untersuchen. Insbesondere wird die Anzahl dieser berechnet. BEISPIEL:
MehrDaten und Zufall in der Jahrgangsstufe 8 Seite 1
Daten und ufall in der Jahrgangsstufe Seite Bei vielen Experimenten, wie z. B. Experimenten der Physik, kann das Ergebnis mit Sicherheit vorhergesagt werden. Solche Experimente heißen kausale Experimente.
Mehr1. Grundlagen der Wahrscheinlichkeitsrechnung
1. Grundlagen der Wahrscheinlichkeitsrechnung Ereignisse und Wahrscheinlichkeiten Zufälliger Versuch: Vorgang, der (zumindest gedanklich) beliebig oft wiederholbar ist und dessen Ausgang innerhalb einer
Mehr