Forschungsstatistik I
|
|
- Manfred Knopp
- vor 7 Jahren
- Abrufe
Transkript
1 Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R (Persike) R (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009 Fachbereich Sozialwissenschaften Psychologisches Institut Johannes Gutenberg Universität Mainz
2 Thema der Stunde Reanimation kenntnisse Einführung in die Wahrscheinlichkeitslehre Begriff der Wahrscheinlichkeit Klassische nach Abzählprinzipien I
3 , naive Venn- Diagramme Operationen G. Cantors einer Menge (1895) Unter einer 'Menge' verstehen wir jede Zusammenfassung M von bestimmten wohlunterschiedenen Objekten m unserer Anschauung oder unseres Denkens (welche die 'Elemente' von M genannt werden) zu einem Ganzen. Schreibe: Somit auch: m M m M N einer Menge: Extensional: M = {1, 3, 5, 7, 9} Intensional: M = {m ungerade natürliche Zahl < 10} lies: für die gilt
4 , naive Mächtigkeit und Identität von Mengen Venn- Diagramme M ist die Mächtigkeit einer Menge und bezeichnet die Anzahl der Elemente in der Menge. Operationen Bei der extensionalen einer Menge sind die Anzahl gleicher Elemente und auch die Reihenfolge von Elementen gleichgültig. M 1 = {1, 3, 5, 7, 9} M 2 = {3, 7, 1, 9, 5} M 3 = {1, 1, 1, 3, 5, 5, 7, 9, 9} Die Menge der Mächtigkeit 0 ist die leere Menge M = { } bzw. M = sind dieselbe Menge der Mächtigkeit M = 5.
5 , naive Mengen und Teilmengen Venn- Diagramme Ist eine Menge A eine Teilmenge von B, so gilt für jedes a Є A auch a Є B. Operationen Dann schreibt man: A B Gilt A B und auch B A, so sind A und B gleich. Dann schreibt man: A = B Ambiguität: A B schließt A = B nicht aus. Nur wenn hier nicht B A gilt, ist A eine echte Teilmenge von B. Dann schreibt man: A B
6 , naive Venn-Diagramme Venn- Diagramme Jede Menge M 1 i und alle Beziehungen zwischen diesen Mengen sind durch einen Kreis repräsentiert. Operationen A B A B A B und B A A A = B B A B
7 , naive Die Potenzmenge Venn- Diagramme Eine Potenzmenge P(M) ist die Menge aller möglichen Teilmengen von M plus der leeren Menge. Formal: A P(M) genau dann, wenn A M Operationen Beispiel: Ergebnisse eines einmaligen Münzwurfs M = {K, Z, S} P(M) = {, {K}, {Z}, {S}, {K,Z}, {K,S}, {Z,S}, {K,Z,S}} Die Mächtigkeit einer Menge M sei M = n. Dann gilt für die Mächtigkeit der Potenzmenge: P(M) = 2 n
8 , naive Mengenoperationen Venn- Diagramme Vereinigung von Mengen: A B Operationen (Durch-)Schnitt von Mengen: A B Differenz von Mengen: A \ B
9 , naive Mengenoperationen Venn- Diagramme Vereinigung von Mengen: A B Operationen A B = {m m A oder m B} A B A B (Vereinigungsmenge)
10 , naive Mengenoperationen Venn- Diagramme Operationen (Durch-)Schnitt von Mengen: A B A B = {m m A und m B} A B A B (Schnittmenge)
11 , naive Mengenoperationen Venn- Diagramme Differenz von Mengen: A \ B Operationen A \ B = {m m A und nicht m B} A B A \ B (Differenzmenge)
12 Geschichte der WT Anfänge Mitte des 17. Jh. (Huygens, Pascal, Fermat, Bernoulli). Aufgaben des Glücksspiels. Nur Arithmetik und Kombinatorik. Weiterentwicklungen im Jh. durch, Gauss, Poisson: Fehlertheorie, Ballistik, Pop.stat. Durchbruch zu Beginn des 20. Jh: Entwicklung der W-Theorie, Fundament in axiomatischen Aufbau (Kolmogoroff). Theorie der stochastischen Prozesse (Wiener, Markoff, Chintchin), Partikelphysik. Heute zentraler Bestandteil wiss. Betätigung: Informationstheorie, Physik, Bevölkerungsstatistik, Epidemiologie, Materialprüfung, Statik, Personalauswahl, psychologische Testung, Versuchsplanung und Stichprobentheorie.
13 Zufällige Ereignisse Die Wahrscheinlichkeitslehre befasst sich mit zufälligen Ereignissen Für diese Zufallsereignisse gilt: 1. Sie sind wiederholbar 2. Sie besitzen eine Stabilität in der relativen Häufigkeit ihres Auftretens
14 Zufällige Ereignisse Empirische der Wahrscheinlichkeit (von Mises, 1919) ( ): = lim A P A N n N Beispiel 2: Relative Häufigkeit für das Würfeln einer 6 in Abhängigkeit von der Anzahl der Würfelversuche: n A : Häufigkeit des Ereignisses A N : Gesamtzahl aller Versuche
15 Zufällige Ereignisse Statistische der Wahrscheinlichkeit (von Mises, 1919) Probleme der Statistischen In vielen Fällen ist die empirische Bestimmung einer Häufigkeitsverteilung nicht möglich Nur in wenigen der verbleibenden Fälle ist die Anzahl der Versuche sehr viel größer als 1 Der Limes ( ) ist praktisch nicht realisierbar; Wahrscheinlichkeit wäre also nur eine Hypothese Interpretation von Wahrscheinlichkeiten ist unklar
16 Was ist ein Ereignis? Ein (Zufalls-)Ereignis bezeichnet eine Menge möglicher Ergebnisse eines Zufallsexperimentes. Ein Ereignis ist die Realisation eines Komplexes Ξ von Bedingungen. Beispiel: Ein sechsseitiger Würfel wird einmal geworfen (= der Komplex Ξ von Bedingungen). Mögliche Ereignisse sind: Das Würfeln einer 6 : {6} Das Würfeln einer Zahl < 3: {1, 2} Das Würfeln einer Primzahl: {2, 3, 5}
17 Elementarereignisse Zwei Ereignisse B 1 und B 2 heißen paarweise unvereinbar (disjunkt), wenn gilt: Beispiel: E E = unmögliches Ereignis 1 2 Die kleinste Einheit disjunkter Ereignisse, in die sich mögliche Ergebnisse eines Zufallsexperimentes zerlegen lassen, heißt Elementarereignis. Beim Würfelwurf sind die Ereignisse {1}, {2}, {3}, {4}, {5}, {6} Elementarereignisse, nicht aber {2, 4, 6} und {1, 4, 5}.
18 Stichprobenraum Gilt: A = E E E 1 2 n und sind die E i paarweise unvereinbar, so lässt sich A in genau die Teilereignisse E i zerlegen. Wenn stets mindestens eines der Ei eintritt, folgt Ω = E E E 1 2 n sicheres Ereignis Dann bilden die E i ein vollständiges System paarweise unvereinbarer Ereignisse (Elementarereignisse), den Stichprobenraum.
19 σ-algebra (auch: Ereignisalgebra) Zu einem Stichprobenraum kann eine Ereignisalgebra konstruiert werden, die ein abgeschlossenes System von Ereignissen darstellt. Regel: Bilde eine Menge U aus dem sicheren Ereignis, dem unmöglichen Ereignis und allen Ereignissen, die sich in Elementarereignisse zerlegen lassen und füge die leere Menge hinzu.. Beispiel: E 1, E 2, E 3 seien die Felder eines Glücksrades {,{ 1},{ 2},{ 3},{ 1, 2},{ 1, 3},{ 2, 3},{ 1, 2, 3} } U = E E E E E E E E E E E E =Ω
20 σ-algebra Der Begriff der Abgeschlossenheit {,{ 1},{ 2},{ 3},{ 1, 2},{ 1, 3},{ 2, 3},{ 1, 2, 3} } U = E E E E E E E E E E E E =Ω Warum heißt dieses System abgeschlossen für das betrachtete Zufallsereignis? Es erfüllt folgende Axiome: 1. Ω U und U Sicheres/unmögliches Ereignis in U 2. Wenn A U, dann auch Ω \A U Komplementereignis in U 3. A 1 A 2 A n U und A 1 A 2 A n U Vereinigungs-/Schnittmenge in U Also: Alle denkbaren Ausgänge des Zufallsexperimentes sind in U enthalten.
21 Die Wahrscheinlichkeitsdefinition von Jedem Ereignis A, welches der σ-algebra U angehört, kann so eine Wahrscheinlichkeit zugewiesen werden. PA ( ) = m n m = Mächtigkeit der Menge an gleichmöglichen Elementarereignissen aus U, die Teilereignis von A sind. n = Mächtigkeit des Stichprobenraumes (also Anzahl aller Elementarereignisse aus U) Die Wahrscheinlichkeit ist demnach eine auf der σ- Algebra U definierte Funktion P(A).
22 Die Wahrscheinlichkeitsdefinition von Folgerungen aus der von P(A) 1. Für jedes A aus U gilt: P(A) 0, weil weder m noch n negativ werden können 2. Für das sichere Ereignis gilt: P(Ω) = 1, weil hier m = n 3. Ist ein Ereignis A zerlegbar in die Elementarereignisse E 1, E 2, E i so gilt: P(A) = P(E 1 ) + P(E 2 ) + + P(E i ) Additionstheorem der Wahrscheinlichkeiten
23 Beispiele Summe von 2 Würfelwürfen Anzahl von Zahl bei 3 Münzwürfen Frage des Landsknechts an Huygens
Mathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
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
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206 Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrPrimer: Wahrscheinlichkeitstheorie 1.0
: Wahrscheinlichkeitstheorie 1.0 Dr. Malte Persike persike@uni-mainz.de methodenlehre.com twitter.com/methodenlehre methodenlehre.com/g+ iversity.org/schoolinger Inhalte der nächsten Minuten Von der Pike
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrGrundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
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
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
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 1. Grundbegriffe der Wahrscheinlichkeitsrechnung
Vorlesungscharts Vorlesung 1 Grundbegriffe der Wahrscheinlichkeitsrechnung Zufallsvorgänge und Zufallsereignisse Definitionen der Wahrscheinlichkeit Seite 1 von 11 Chart 1: Vorgänge deterministisch zufällig
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 http://psymet03.sowi.uni-mainz.de/
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMathematischer Vorbereitungskurs für das MINT-Studium
Mathematischer Vorbereitungskurs für das MINT-Studium Dr. B. Hallouet b.hallouet@mx.uni-saarland.de WS 2016/2017 Vorlesung 3 MINT Mathekurs WS 2016/2017 1 / 21 Vorlesung 3 (Lecture 3) Einführung in die
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
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
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
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Motivation bisher: Beschreibung von Datensätzen = beobachteten Merkmalsausprägungen Frage: Sind Schlußfolgerungen aus diesen Beobachtungen möglich? Antwort: Ja, aber diese gelten nur mit einer bestimmten
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
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
MehrMathematischer Vorbereitungskurs für das MINT-Studium
Mathematischer Vorbereitungskurs für das MINT-Studium Dr. B. Hallouet b.hallouet@mx.uni-saarland.de SS 2017 Vorlesung 2 MINT Mathekurs SS 2017 1 / 23 Vorlesung 2 (Lecture 2) Einführung in die Mengenlehre.
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,
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
MehrMengenlehre. Mengenlehre. Vorkurs Informatik WS 2013/ September Vorkurs Informatik - WS2013/14
Mengenlehre Mengenlehre Vorkurs Informatik WS 2013/14 30. September 2013 Mengen Mengen Definition (Menge) Unter einer Menge verstehen wir jede Zusammenfassung M von bestimmten wohlunterschiedenen Objekten
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
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
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,
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
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
MehrFormale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015 Teil 1: Mengenlehre 1 Mengen Einleitung Beschreibung und Beispiele Operationen Verhältnisse Kartesisches Produkt 2 Relationen
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrPopulation und Stichprobe: Wahrscheinlichkeitstheorie
Population und Stichprobe: Wahrscheinlichkeitstheorie SS 2001 4. Sitzung vom 15.05.2001 Wahrscheinlichkeitstheorie in den Sozialwissenschaften: Stichprobenziehung: Aussagen über Stichprobenzusammensetzung
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
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/
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,
MehrGrundbegriffe Mengenlehre und Logik
Grundbegriffe Mengenlehre und Logik Analysis für Informatiker und Lehramt Mathematik MS/GS/FS WS 2016/2017 Agnes Radl Mengen Georg Cantor (1895) Unter einer Menge verstehen wir jede Zusammenfassung M von
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 5. September 2011 Definition (Menge) Wir verstehen unter einer Menge eine Zusammenfassung von unterscheidbaren Objekten zu einem
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Taubertsberg R. 0-0 (Persike) R. 0-1 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet0.sowi.uni-mainz.de/
MehrMengenlehre. Ist M eine Menge und x ein Element von M, so schreiben wir x M. Ist x kein Element von M, so schreiben wir x M.
Mengenlehre Eine Menge ist eine Zusammenfassung bestimmter und unterschiedlicher Objekte. Für jedes Objekt lässt sich eindeutig sagen, ob es zu der Menge gehört. Die Objekte heißen Elemente der Menge.
MehrWS 20013/14. Diskrete Strukturen
WS 20013/14 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/ws1314
MehrForschungsstatistik I
Psychologie 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
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
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
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
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
MehrForschungsstatistik I
Psychologie 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
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
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
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrGrundlagen der Mengenlehre
mathe plus Grundlagen der Mengenlehre Seite 1 1 Grundbegriffe Grundlagen der Mengenlehre Def 1 Mengenbegriff nach Georg Cantor (1845-1918) Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener
MehrSEMINAR KLASSIFIKATION & CLUSTERING STATISTISCHE GRUNDLAGEN. Stefan Langer WINTERSEMESTER 2014/15.
SEMINAR KLASSIFIKATION & CLUSTERING WINTERSEMESTER 2014/15 STATISTISCHE GRUNDLAGEN Stefan Langer stefan.langer@cis.uni-muenchen.de Frequenz & Häufigkeit: Übersicht Absolute Häufigkeit Relative Häufigkeit
MehrLeseprobe. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Leseprobe Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - nwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch): 978-3-446-43255-0
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-31 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
Mehr1 Mengen. 1.1 Definition
1 Mengen 1.1 Definition Eine Menge M ist nach dem Begründer der Mengenlehre Georg Cantor eine Zusammenfassung von wohlunterschiedenen(verschiedenen) Elementen. Eine Menge lässt sich durch verschiedene
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrMengenlehre Zahlbereiche. II Mengenlehre. Propädeutikum Holger Wuschke. 18. September 2018
Propädeutikum 2018 18. September 2018 in der Mengenlehre Denition einer Menge (Georg Cantor, 1869) Unter einer Menge verstehen wir jede Zusammenfassung M von bestimmten wohlunterschiedenen Objecten m unsrer
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrKapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit
Teil I: Wahrscheinlichkeitstheorie 1 Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 3: Bedingte Wahrscheinlichkeit Kapitel 4: Zufallsvariablen Kapitel 5: Erwartungswerte, Varianz, Kovarianz
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
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
MehrVorlesung Diskrete Strukturen Die Sprache der modernen Mathematik
Vorlesung Diskrete Strukturen Die Sprache der modernen Mathematik Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2009/10 1 Bernhard Ganter, TU Dresden
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/...
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,
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
Mehr2 Grundlegende Begriffe und Sätze der Wahrscheinlichkeitsrechnung
2 Grundlegende Begriffe und Sätze der Wahrscheinlichkeitsrechnung 2.1 Zufallsexperiment, Stichprobenraum und Ereignisse Viele Vorgänge der uns umgebenden Realität sind durch zwei Eigenschaften gekennzeichnet:
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,
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
MehrInhaltsverzeichnis. 3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Folgen unabhängiger Versuche Der Satz von Bayes...
Inhaltsverzeichnis Wahrscheinlichkeitsbegriff 3. Intuitive Vorstellungen über Zufälligkeit..................... 3.2 Klassische Wahrscheinlichkeitsdefinition..................... 4.3 Verallgemeinerungen
MehrMengenlehre. Begriff der Mengenzugehörigkeit x M, x Ê M >x : x { a 1. e e x = a n. } 2 x = a 1. >x : x { y P(y) } 2 P(x) Begriff der leeren Menge
Mengenlehre Grundbegriff ist die Menge Definition (Naive Mengenlehre). Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor) Notation 1. Aufzählung
MehrKapitel 1 Mengen. Kapitel 1 Mengen. Mathematischer Vorkurs TU Dortmund Seite 1 / 25
Kapitel 1 Mengen Kapitel 1 Mengen Mathematischer Vorkurs TU Dortmund Seite 1 / 25 Kapitel 1 Mengen Definition 1.1 (Menge) Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen.
MehrAnalysis I: Übungsblatt 1 Lösungen
Analysis I: Übungsblatt 1 Lösungen Verständnisfragen 1. Was ist Mathematik? Mathematik ist eine Wissenschaft, die selbstgeschaffene, abstrakte Strukturen auf ihre Eigenschaften und Muster hin untersucht.
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
MehrLineare Algebra 1. Detlev W. Hoffmann. WS 2013/14, TU Dortmund
Lineare Algebra 1 Detlev W. Hoffmann WS 2013/14, TU Dortmund 1 Mengen und Zahlen 1.1 Mengen und Abbildungen Eine Menge ist eine Zusammenfassung wohlunterscheidbarer Objekte unserer Anschauung/unseres Denkens/unserer
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrStatistik nach der Grundausbildung
Statistik nach der Grundausbildung Andreas Handl Torben Kuhlenkasper 8. Januar 2016 1 Grundlage des vorliegenden Skripts sind Aufzeichnungen von Andreas Handl, die er bis zum Jahr 2007 an der Universität
Mehr4 Elementare Mengentheorie
4 Elementare Mengentheorie 4 Elementare Mengentheorie 4.1 Mengen [ Partee 3-11, McCawley 135-140, Chierchia 529-531 ] Die Mengentheorie ist entwickelt worden, um eine asis für den ufbau der gesamten Mathematik
MehrBernoullikette und Binomialverteilung. Binomialverteilung
Binomialverteilung Inhaltsverzeichnis Vorbemerkungen... 3 Listen und Mengen... 3 Beispiele für Ergebnisräume... 3 Bernoulliketten... 3 Binomialverteilung... 3 Aufgabe... 3 Graphische Veranschaulichung...
Mehr9. Elementare Wahrscheinlichkeitsrechnung
9. Elementare Wahrscheinlichkeitsrechnung I. Zufällige Ereignisse Beispiel (Einmaliges Würfeln): Alle möglichen Ausgänge 1, 2,, 6 des Experiments werden zur Ergebnismenge Ω ( Ergebnisraum ) zusammengefasst.
MehrInhaltsverzeichnis
Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 5 1 Grundbegriffe.............................. 6 1.1 Einleitung, Geschichte.................. 6 1.2 Zufällige Ereignisse..................... 10 1.3 Ereignisfelder..........................
MehrEin Ereignis ist eine Menge von Elementarereignissen. Berechnung von Wahrscheinlichkeiten zufälliger Ereignisse erfordert ein Modell.
SS 2013 Prof. Dr. J. Schütze/ J.Puhl FB GW Wkt.1 1 Grundbegriffe Zufallsexperiment unter gleichen Bedingungen wiederholbarer Vorgang (geplant, gesteuert, beobachtet oder auch nur gedanklich) Menge der
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
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker 1 2 Mengen, Relationen, Funktionen 2.1 Mengen Definition 2.1 [Georg Cantor 1895] Eine Menge ist eine Zusammenfassung bestimmter, wohlunterschiedener Dinge unserer
MehrVorbereitungskurs Mathematik zum Sommersemester 2015 Mengen und Relationen
Vorbereitungskurs Mathematik zum Sommersemester 2015 Mengen und Relationen Susanna Pohl Vorkurs Mathematik TU Dortmund 10.03.2015 Mengen und Relationen Mengen Motivation Beschreibung von Mengen Mengenoperationen
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker Grundlagen der Mathematik für Informatiker Mengen, Relationen, Funktionen. Mengen Definition. [Georg Cantor 895] Eine Menge ist eine Zusammenfassung bestimmter,
Mehr