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

Größe: px
Ab Seite anzeigen:

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

Transkript

1 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 f(x) 0.1 f(y) f(z) 68% x y z Um welche Verteilungen handelt es sich? Geben Sie die Formeln der Dichtefunktionen und die Werte ihrer Parameter an. Handelt es sich um stetige oder diskrete Verteilungen? Geben Sie den Erwartungswert und die Varianz der einzelnen Verteilungen an. b) Berechnen Sie die folgenden Wahrscheinlichkeiten: (i) P(X 8), P(X 4), P(2 X 10) (ii) P(Y 1), P(Y 4), P(1 < Y 2) (iii) P(Z 4), P(Z > 5), P(3 < Z 6) Lösungen: a) (i) Normalverteilung (stetig) f x (x) = 1 σ 2π e (x µ) 2 2σ 2 für < x < 68% der Fläche liegen zwischen µ σ und µ + σ. Bezogen auf die obige Funktion bedeutet das, dass 68% der Fläche zwischen 4 und 8 liegen. Da µ = 6 ist, muss σ dementsprechend 2 sein. EX = µ = 6, Var X = σ 2 = 4

2 6 Stetige Verteilungen 2 (ii) Exponentialverteilung (stetig) { f y (y) = λe λy für y 0 0 sonst mit λ = 5 E Y = 1 λ, VarY = 1 λ 2 (iii) Rechteckverteilung (stetig) 1 für a z b f z (z) = b a 0 sonst mit a = 2 ; b = 7 E Z = a + b (b a)2, Var Z = b) (i) P(X 8) = 1 P(X 8) = 1 Φ = 1 Φ(1) = P(X 4) = Φ = Φ( 1) = P(2 X 10) = Φ Φ = Φ(2) Φ( 2) = (ii) P(Y 1) = P(Y 4) = 1 5 P(1 < Y 2) = 5 (iii) P(Z 4) = P(Z > 5) = P(3 < Z 6) = [ e 5y dy = 5 1 ] 1 ( 5 e 5y = 5 1 ( 0 5 e ) ) e 0 = [ e 5y dy = ] 4 ( 5 e 5y = ( 0 5 e 20 1 ) ) e 0 = 0 5 [ e 5y dy = 5 1 ] 2 ( 5 e 5y = 5 1 ( 1 5 e 10 1 ) ) e 5 = [ ] dz = 5 z = = 2 5 [ ] dz = 5 z = = dz = [ 1 5 z ] 6 3 = = 3 5

3 6 Stetige Verteilungen 3 B: Übungsaufgaben [ 1 ] Die folgenden Aussagen betreffen die Familie der Exponentialverteilungen. Welche der folgenden Aussagen sind WAHR? Kreuzen Sie diese an. a) Die Verteilung einer exponentialverteilten Zufallsvariablen ist erst dann völlig festgelegt, wenn außer dem Parameter λ auch die Varianz bekannt ist. b) Die Exponentialverteilung hat einen Parameter λ und für diesen gilt λ = 1/EX > 0. c) Für alle Dichten aus der Familie der Exponentialverteilungen gilt f (0) = 1. d) Vergrößert man den Parameter λ, so vergrößert sich auch der Erwartungswert. e) Vergrößert man den Wert des Parameter λ, so werden mehr kleine Werte angenommen. [ 2 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an. Für eine normalverteilte Zufallsvariable gilt immer: a) Der Erwartungswert ist gleich der Varianz. b) Eine normalverteilte Zufallsvariable mit µ = 0 und σ 2 = 1 nennt man standardnormalverteilt. c) P(X µ) = 0.5. d) Die Dichtefunktion ist symmetrisch zur Geraden x = 0. e) Die Dichtefunktion hat an der Stelle µ ihr Maximum. [ 3 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie diese an. a) Die Exponentialverteilung hat die Dichte λ x x! e λ,x 0. b) Eine exponentialverteilte Zufallsvariable ist stetig. c) Man benutzt exponentialverteilte Zufallsvariablen als Modell für die Wartezeiten zwischen dem Eintreten zweier Ereignisse. d) Der Parameter λ einer Exponentialverteilung kann alle Werte zwischen 1 und +1 annehmen. e) Für die Dichte einer Exponentialverteilung gilt f (x) > 0 für alle x (, ).

4 6 Stetige Verteilungen 4 [ 4 ] Die Dichtefunktion beschreibt eine Normalverteilung N(µ, σ 2 ). Bestimmen Sie die Parameter µ und σ 2. f (x) = 1 2 π e 0.25x2 x 1 µ = σ = [ 5 ] Gegeben sei folgende Normalverteilung: f(x) 68.2% x Berechnen Sie folgende Wahrscheinlichkeiten: P(X 3) = P(X 3) = P(X 5) =

5 6 Stetige Verteilungen 5 [ 6 ] 0.2 f(x) b x Die Dichtefunktion einer rechteckverteilten Zufallsvariablen X ist oben gezeichnet. Bestimmen Sie: a) b = f) P(X 15) = b) P(X > b) = g) P(12 X 14) = c) P(X b) = h) P(X > 16) = ( d) E X = i) P X 10 + b ) 2 = e) Var X = j) F(x) = für

6 6 Stetige Verteilungen 6 [ 7 ] Die Zufallsvariable X sei N(0;1) - verteilt. Es gilt P(X a) = Geben Sie den Wert für a an. a = [ 8 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an. f(x) A 0 a x Bei der N(0,1) - Verteilung ist A die Wahrscheinlichkeit des Intervalls (0,a). Wenn X eine N(0,1) - verteilte Zufallsvariable ist, dann ist: a) P(X > a) = 1 A b) P( a < X < a) = 2A c) P(X < a) = 0.5 A d) P(X a) = P(X > a) e) P(X < a) = A

7 6 Stetige Verteilungen 7 [ 9 ] Die Zufallsvariable X sei normalverteilt mit EX = µ und Var X = σ 2. Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an. a) E (X µ) = 0 b) Var (X µ) = 0 X µ c) Var = 1 σ X µ d) E = 0 σ e) Var X = Var(X µ) [ 10 ] Eine Zufallsvariable X sei N(0;1) - verteilt. Für welches a gilt: P( a X a) = a = [ 11 ] Die Zufallsvariable X sei normalverteilt mit den Parametern µ = 25 und σ 2 = 16. Berechnen Sie folgende Wahrscheinlichkeiten: a) P(21 X 57) = c) P(X > 37) = b) P(17 X 33) = d) P(X 21) = [ 12 ] Sei X normalverteilt mit µ = 4 und σ = 2. Bestimmen Sie die folgenden Wahrscheinlichkeiten: a) P(2 X 6) = c) P(3 X 5) = b) P(X 3) = d) P(X 6) =

8 6 Stetige Verteilungen 8 [ 13 ] Gegeben sei folgende Normalverteilung: f(x) B A µ σ µ µ + σ x Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an. (Nutzen Sie gegebenenfalls die Tabelle.) a) 0.5 A = B b) f (µ σ) = f (µ + σ) c) P(X < µ) = 0.5 d) P(X < µ + σ) = 1 2B e) A = [ 14 ] Die Zeit in Minuten zwischen den Ankünften zweier Fußgänger an einem ampelgesteuerten Zebrastreifen sei exponentialverteilt mit einem Erwartungswert von 1.25 Minuten. Mit welcher Wahrscheinlichkeit verstreichen mehr als 2 Minuten zwischen den Ankünften zweier Fußgänger? P(X > 2) =

9 6 Stetige Verteilungen 9 [ 15 ] Die Zufallsvariable X sei normalverteilt mit µ = 100 und VarX = σ 2. Es gilt P(X 110) = Berechnen Sie die Standardabweichung σ der Zufallsvariablen X. σ = [ 16 ] Eine Zufallsvariable X sei normalverteilt mit µ = 10. Außerdem gelte P(5 X 15) = Bestimmen Sie daraus die Standardabweichung der Zufallsvariablen X. σ = [ 17 ] Die Zufallsvariable X sei normalverteilt mit den Parametern µ = 12 und σ 2 = 16. Für welches a gilt P(µ a X µ + a) = a = [ 18 ] Eine Zufallsvariable Y sei exponentialverteilt mit λ = 2. Bestimmen Sie f (0), den Wert der Dichtefunktion an der Stelle Y = 0, und die folgenden Wahrscheinlichkeiten: ( a) f(0) = d) P Y 1 ) 2 = b) P(Y 0) = e) P(Y > 2) = 1 c) P 2 < Y 2 =

10 6 Stetige Verteilungen 10 [ 19 ] Für eine normalverteilte Zufallsvariable X mit Erwartungswert µ und Varianz σ 2 gelte f (x) = f ( x) und P(X 2) = a) Bestimmen Sie die Wahrscheinlichkeit P( 1 < X < 0). P( 1 < X < 0) = b) Geben Sie den entsprechenden R Befehl an. R Befehl = [ 20 ] Das Eingehen von Telefonanrufen in einem Call Center aus Beispiel 1.10 wird durch einen Poissonprozess beschrieben. Im Durchschnitt gehen in 1000 Sekunden 7 Anrufe ein. a) Bestimmen Sie den Parameter λ und berechnen Sie die Wahrscheinlichkeit, dass die Zeit, die zwischen zwei Anrufen vergeht, mindestens 6 Minuten beträgt. P(X 6) = b) Geben Sie den entsprechenden R Befehl an. R Befehl =

11 6 Stetige Verteilungen 11 [ 21 ] Betrachten Sie Beispiel 1.7 aus dem Skript. Das Zeitintervall zweier Erdbeben der Stärke 7.0 oder größer sei exponentialverteilt mit einem Erwartungswert von 25 Tagen. Ihnen sei folgende R Ausgabe gegeben. (lam ist der Parameter der Verteilung) Geben Sie das Ergebnis auf 4 Stellen gerundet an. > round(pexp(0:20,rate=lam),digits=4) [1] [8] [15] Bestimmen Sie folgende Wahrscheinlichkeiten mit Hilfe der obigen R Ausgabe. P(X 3) = P(8 X 11) = P(X < 10) = [ 22 ] Die Blockzeiten der American Airlines Flüge von Dallas/ Fort Worth nach Philadelphia aus Bespiel 1.2 seit normalverteilt mit den Parametern µ = 183 Minuten und σ 2 = 196Minuten 2. Geben Sie das Ergebnis auf 4 Stellen gerundet an. > round(pnorm(170:196,183,13),digits=4) [1] [8] [15] [22] Bestimmen Sie folgende Wahrscheinlichkeiten mit Hilfe der obigen R Ausgabe. P(X < 173) = P(X 192) = P(180 X 185) =

12 6 Stetige Verteilungen 12 [ 23 ] Die Zufallsvariable X sei normalverteilt mit X N(µ;σ 2 ). Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an. a) Je kleiner man σ 2 wählt, desto flacher wird die Dichtefunktion. b) P(X < µ) = 0.5 c) P(X = 2) = 0 d) Eine Änderung von µ bewirkt eine Verschiebung der Dichtefunktion entlang der x- Achse. e) P(X 2σ < X < X + 2σ) 0.95 [ 24 ] Welche der folgenden Aussagen sind in diesem Zusammenhang WAHR? Kreuzen Sie sie an. a) Eine χ 2 verteilte Zufallsvariable nimmt nur Werte 0 an. b) Die t Verteilung konvergiert mit wachsenden Freiheitsgraden gegen die Normalverteilung. c) Insbesondere für kleine ν ist die Varianz der t Verteilung größer als die Varianz der Standardnormalverteilung. d) Die F Verteilung besitzt zwei Parameter, die mit ν 1 und ν 2 bezeichnet werden. e) Die log Normalverteilung ist gut geeignet, Einkommensverteilungen zu beschreiben. [ 25 ] Eine Maschine produziert laufend Werkstücke mit einem Ausschußanteil von 20%. Es werden zufällig 400 Stücke gezogen. Mit welcher (angenäherten) Wahrscheinlichkeit hat man dabei mehr als 80 Ausschußstücke beobachtet? (HINWEIS: Nähern Sie die hier zu verwendende diskrete Verteilung durch eine stetige Verteilung an deren Approximation sich mit Hilfe des Zentralen Grenzwertsatzes ergibt.) P(X 800) =

13 6 Stetige Verteilungen 13 [ 26 ] Approximieren Sie die Binomialverteilung b(x, n = 100, π = 0.5) durch eine Normalverteilung und berechnen Sie P(46 X 54) mit Hilfe der Stetigkeitskorrektur. P(46 X 54) = Die exakte Wahrscheinlichkeit lautet: Sie lässt sich sowohl mit Hilfe der Wahrscheinlichkeitsfunktion als auch mit der Verteilungsfunktion berechnen. Geben Sie die entsprechenden R Befehle an: R Befehl = R Befehl = [ 27 ] Die Zufallsvariable X sei hypergeometrisch verteilt mit n = 16, N e = 100, N m = 300. Approximieren Sie diese Verteilung zunächst durch eine Binomialverteilung und dann durch eine Normalverteilung. Überprüfen Sie, ob die Regeln, die in der Vorlesung behandelt wurden, erfüllt sind. Geben Sie zunächst die Parameter der approximierten Binomialverteilung an: n = π = Geben Sie nun die Parameter der approximierten Normalverteilung an: µ = σ =

14 6 Stetige Verteilungen 14 C: Klausuraufgaben [ 28 ] II07S Die Zufallsvariable X beschreibe das Gewicht von 500 g -Mehlpackungen und sei normalverteilt mit dem Erwartungswert µ = 500 und der Varianz σ 2 = 9. Berechnen Sie die folgenden Wahrscheinlichkeiten oder geben Sie den R-Befehl zur Berechnung dieser Wahrscheinlichkeiten an. Hinweis: Falls Sie sich zweimal für den R-Befehl entscheiden, verwenden Sie mindestens einmal den R-Befehl für die standardisierte Zufallsvariable! P(X 505) = P(496 X 502) = [ 29 ] IV07S Die Zufallsvariable X sei normalverteilt mit den Parametern µ = 50 und σ = 10. Bestimmen Sie die folgende Wahrscheinlichkeit oder geben Sie den R-Befehl zur Berechnung dieser Wahrscheinlichkeit mit Hilfe der standardisierten Zufallsvariablen an. P(40 X 60) =

15 6 Stetige Verteilungen 15 [ 30 ] II07S1 Die folgende Abbildung zeigt die Dichtefunktion einer in der Vorlesung behandelten bekannten Verteilung. 0.5 Dichtefunktion y x Bestimmen Sie den Parameter der Verteilung aus der Abbildung. Parameter = Berechnen Sie mit dem oben bestimmten Parameter der Verteilung die folgende Wahrscheinlichkeit oder geben Sie den R-Befehl zur Berechnung dieser Wahrscheinlichkeit an. Hinweis: Falls Sie nicht in der Lage sind, den Parameter zu bestimmen, dann (und nur dann) verwenden Sie bitte den nicht korrekten Wert 0.3 für den Parameter. P(5 < X < 10) = [ 31 ] IV07S1 Welche Ausgabe ergibt der R-Befehl qnorm(0.5, 100, sd = a)? Hinweis: Die Ausgabe hängt nicht davon ab, welchen Wert für a man eingibt. Ausgabe des R-Befehls:

16 6 Stetige Verteilungen 16 D: Lösungen 1) b, e 2) b, c, e 3) b, c 4) -2 ; 2 5) ; ; ) 20 ; 0 ; 1 ; 15 ; ; 0.5 ; 0.2 ; 0.4 ; 0.5 ; F(x) = 0 x < 10 x für 10 x 20 1 x > 20 7) 1.2 8) b, d, e 9) a, c, d, e 10) ) ; ; 0 ; ) ; ; ; ) a, b, c, e 14) e ( 1.6) 15) ) ) 6 18) 2 ; 1 ; 0.35 ; ; ) ; pnorm(0,0,2)-pnorm(-1,0,2) 20) ) ; ; ) ; ; ) b, c, d, e 24) a, b, c, d, e 25) 0.5

17 6 Stetige Verteilungen 17 26) ; sum(dbinom(46:54,100,0.5)) ; pbinom(54,100,0.5)-pbinom(45,100,0.5) 27) 16 ; 1 4 ; 4 ; 3 28) ; 1-pnorm(( )/3,0,1) ; ; pnorm(502,500,3)-pnorm(496,500,3) 29) ) 0.25 ; ) 50

12 Die Normalverteilung

12 Die Normalverteilung 12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen

Mehr

825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden?

825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden? 1. Aufgabe: Eine Bank will die jährliche Sparleistung eines bestimmten Kundenkreises untersuchen. Eine Stichprobe von 12 Kunden ergab folgende Werte: 825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170

Mehr

Von der Normalverteilung zu z-werten und Konfidenzintervallen

Von der Normalverteilung zu z-werten und Konfidenzintervallen Von der Normalverteilung zu z-werten und Konfidenzintervallen Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH

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

Sigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75

Sigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75 Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert

Mehr

Inferenzstatistik (=schließende Statistik)

Inferenzstatistik (=schließende Statistik) Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die

Mehr

Normalverteilung und Dichtefunktionen

Normalverteilung und Dichtefunktionen Normalverteilung und Dichtefunktionen Ac Einführung der Normalverteilung als Approximationsfunktion der Binomialverteilung Da die Binomialverteilung für große n das Aussehen einer Glockenkurve besitzt

Mehr

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

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

Mehr

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

Übungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006

Übungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006 3.75. Angabe Übungsrunde 9, Gruppe 2 LVA 07.369, Übungsrunde 8, Gruppe 2, 2.2. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 2/2006 X sei eine stetige sg mit Dichte f(x), x R. Ermitteln Sie einen

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur 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,

Mehr

Die Normalverteilung (Gauß-Verteilung) Letzte Änderung 14. Juni 2000, 27 Seiten

Die Normalverteilung (Gauß-Verteilung) Letzte Änderung 14. Juni 2000, 27 Seiten 1 Die Normalverteilung (Gauß-Verteilung) Letzte Änderung 14. Juni 2000, 27 Seiten 1 Definition der Normalverteilung Eine Zufallsvariable mit der Dichte f: R R 1 (x-µ) 2 f(x) = 2π 2 e- 2 2 heißt normalverteilt

Mehr

Arbeitsblatt 27: Normalverteilung Kerzen

Arbeitsblatt 27: Normalverteilung Kerzen Erläuterungen und Aufgaben Zeichenerklärung: [ ] - Drücke die entsprechende Taste des Graphikrechners! [ ] S - Drücke erst die Taste [SHIFT] und dann die entsprechende Taste! [ ] A - Drücke erst die Taste

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

10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg

10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg . Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments

Mehr

Glücksrad-Aufgabe. Das Glücksrad ist in 2 Sektoren mit den Zahlen 1 (Winkel 120 ) und 2 eingeteilt.

Glücksrad-Aufgabe. Das Glücksrad ist in 2 Sektoren mit den Zahlen 1 (Winkel 120 ) und 2 eingeteilt. Glücksrad-Aufgabe Das Glücksrad ist in Sektoren mit den Zahlen (Winkel ) und eingeteilt. a) Das Glücksrad wird dreimal gedreht. Wie groß ist die Wahrscheinlichkeit für die folgenden Ereignisse: A: Die

Mehr

1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests

1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests 1.3 Das Testen von Hypothesen am Beispiel des Einstichproben t-tests Statistische Tests dienen dem Testen von Vermutungen, so genannten Hypothesen, über Eigenschaften der Gesamtheit aller Daten ( Grundgesamtheit

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

$ % + 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

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

+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert:

+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: Tail Abhängigkeit Definition 12 Sei (X 1,X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: λ U (X

Mehr

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007 Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer

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

Quantitatives Risikomanagement

Quantitatives Risikomanagement Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften

Mehr

1 of 3 6/14/2012 11:20 AM

1 of 3 6/14/2012 11:20 AM Standardnormalverteilung http://eswf.uni-koeln.de/glossar/zvert.htm 1 of 3 6/14/2012 11:20 AM Die folgende Tabelle zeigt die Verteilungsfunktion der Standardnormalverteilung. Für ausgewählte z-werte ist

Mehr

Ausarbeitung des Seminarvortrags zum Thema

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

Mehr

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

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

Prüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014

Prüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014 Prüfungstutorat: Angewandte Methoden der Politikwissenschaft Polito Seminar Carl Schweinitz 10.12.2014 Übersicht 1. Einheiten und Variablen 2. Skalen und ihre Transformation 3. Deskriptive Statistik 4.

Mehr

2.1 Berechnung gleichverteilter Zufallszahlen. (Linearer Kongruenz-Generator)

2.1 Berechnung gleichverteilter Zufallszahlen. (Linearer Kongruenz-Generator) Seydel: Skript umerische Finanzmathematik, Kap. 2 (Version 20) 33 ¾º Ö ÒÙÒ ÚÓÒ Ù ÐÐ Þ Ð Ò Definition (Stichprobe einer Verteilung) Eine Folge von Zahlen heißt Stichprobe (sample) von einer Verteilungsfunktion

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

Statistik. Inhaltsverzeichnis. Rade Kutil, 2013. 1 Deskriptive Statistik 2. 2 Korrelation und Regression 8. 3 Ereignis- und Wahrscheinlichkeitsraum 11

Statistik. Inhaltsverzeichnis. Rade Kutil, 2013. 1 Deskriptive Statistik 2. 2 Korrelation und Regression 8. 3 Ereignis- und Wahrscheinlichkeitsraum 11 Statistik Rade Kutil, 13 Inhaltsverzeichnis 1 Deskriptive Statistik Korrelation und Regression 8 3 Ereignis- und Wahrscheinlichkeitsraum 11 4 Kombinatorik 15 5 Bedingte Wahrscheinlichkeit 19 6 Zufallsvariablen

Mehr

5. Stochastische Modelle I: Diskrete Zufallsvariablen

5. Stochastische Modelle I: Diskrete Zufallsvariablen 5. Stochastische Modelle I: Diskrete Zufallsvariablen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Zufallsgrößen Eine Zufallsgröße X ist eine Größe, deren Wert wir nicht exakt kennen

Mehr

Test auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)

Test auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test) Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen

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

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

Methoden der Datenanalyse

Methoden der Datenanalyse Methoden der Datenanalyse 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 Bielefeld

Mehr

Überblick über die Tests

Überblick über die Tests Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt

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

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

Pflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg

Pflichtteilaufgaben 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:

Mehr

Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik

Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik INSTITUT FÜR STOCHASTIK WS 07/08 UNIVERSITÄT KARLSRUHE Blatt 4 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen Aufgabe

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

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

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

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

1 Grundprinzipien statistischer Schlußweisen

1 Grundprinzipien statistischer Schlußweisen Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation

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

Zufallsvariablen: Die allgemeine Definition

Zufallsvariablen: Die allgemeine Definition KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)

Mehr

2 Arbeiten mit dem TI-84 Plus

2 Arbeiten mit dem TI-84 Plus 2 Arbeiten mit dem TI-84 Plus Lernziele Du erfährst in diesem Abschnitt, wie du mit dem TI-84 Plus Funktionen in Bezug auf interessante Punkte untersuchst; numerische Ableitungen durchführst und Wahrscheinlichkeitsverteilungen

Mehr

Lösungen zu Übung(11) Erster Teil A E=

Lösungen zu Übung(11) Erster Teil A E= Lösungen zu Übung Erster Teil a Betrachten Sie die Matrix A = Die Eigenwerte sind λ = mit algebraischer Vielfachheitundλ =mitalgebraischervielfachheit,unddiematrix A E= hatrang, alsokerndimensionnur, somitistdereigenraumzuλ

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

Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende

Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten

Mehr

Matura2016-Lösung. Problemstellung 1

Matura2016-Lösung. Problemstellung 1 Matura-Lösung Problemstellung. Die Funktion f( = + 9k + müsste bei = den Wert annehmen, also gilt + 9k + = k =. Wir betrachten den Bereich mit positiven Werten. Dann gilt: f ( = 8 + 8 = = ; = Bei liegt

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

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

Lehrstuhl für Betriebswirtschaft mit Schwerpunkt Finanzierung Abschlussklausur zur Vorlesung Finanzmanagement. 27. Juli 2000

Lehrstuhl für Betriebswirtschaft mit Schwerpunkt Finanzierung Abschlussklausur zur Vorlesung Finanzmanagement. 27. Juli 2000 Lehrstuhl für Betriebswirtschaft mit Schwerpunkt Finanzierung Abschlussklausur zur Vorlesung Finanzmanagement 27. Juli 2000 Aufgabenstellung: Sie sollen den Risiko-adäquaten Zinssatz für einen Kredit mit

Mehr

Mittelwertvergleiche, Teil I: Zwei Gruppen

Mittelwertvergleiche, Teil I: Zwei Gruppen FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil I: Zwei Gruppen FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Mittelwertvergleiche:

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011. Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2010/2011 Aufgabe 1 Nach einer

Mehr

Beurteilende Statistik mit Hilfe didaktischer Software

Beurteilende Statistik mit Hilfe didaktischer Software Beurteilende Statistik mit Hilfe didaktischer Software Andreas Ulovec, Fakultät für Mathematik, Universität Wien Es wird selbst erstellte Software vorgestellt und anhand von Beispielen erklärt, mit deren

Mehr

S T A T I S T I K 2. Lösungsblätter zu den Übungen

S T A T I S T I K 2. Lösungsblätter zu den Übungen UNIVERSITÄT KARLSRUHE (TH) Lehrstuhl für Statistik und Ökonometrie S T A T I S T I K 2 Lösungsblätter zu den Übungen Wintersemester 26/ Prof. Dr. G. Bol, Dr. M. Höchstötter Dipl.-Math. Sebastian Kring

Mehr

Elemente der Stochastik (SoSe 2016) 9. Übungsblatt

Elemente 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

Mehr

Univ.-Prof. Dr. A. Kleine/Univ.-Prof. Dr. H. Singer

Univ.-Prof. Dr. A. Kleine/Univ.-Prof. Dr. H. Singer Fernuniversität in Hagen Fakultät für Wirtschaftswissenschaft Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte

Mehr

Stochastische Eingangsprüfung, 17.05.2008

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

Mehr

Seminar Quantitatives Risikomanagement

Seminar Quantitatives Risikomanagement Seminar Quantitatives Risikomanagement Kreditrisikomanagement II Fabian Wunderlich Mathematisches Institut der Universität zu Köln Sommersemester 2009 Betreuung: Prof. Schmidli, J. Eisenberg Contents 1

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

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich

Mehr

Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!)

Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!) Deskriptive Statistik Beschreiben, Zusammenfassen, Darstellen gegebener Daten (Datenreduktion!) - Arithmetisches Mittel o Das arithmetische Mittel (auch Durchschnitt) ist ein Mittelwert, der als Quotient

Mehr

KAPITEL 6. Nichtlineare Ausgleichsrechnung

KAPITEL 6. Nichtlineare Ausgleichsrechnung KAPITEL 6 Nichtlineare Ausgleichsrechnung Beispiel 61 Gedämpfte Schwingung: u + b m u + D m u = 0, Lösungen haben die Form: u(t) = u 0 e δt sin(ω d t + ϕ 0 ) Modell einer gedämpften Schwingung y(t; x 1,

Mehr

Computermathematik Grundkurs Statistik mit Excel, G. Karigl

Computermathematik Grundkurs Statistik mit Excel, G. Karigl Computermathematik Grundkurs Statistik mit Excel, G. Karigl Inhalt: Lektion 1 Deskriptive Methoden für eindimensionale Stichproben Lektion 2 Multivariate deskriptive Statistik Lektion 3 Über diskrete und

Mehr

Statistik II für Betriebswirte Vorlesung 12

Statistik II für Betriebswirte Vorlesung 12 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die

Mehr

Abitur 2009 Mathematik GK Stochastik Aufgabe C1

Abitur 2009 Mathematik GK Stochastik Aufgabe C1 Seite 1 Abiturloesung.de - Abituraufgaben Abitur 009 Mathematik GK Stochastik Aufgabe C1 Auf einem Spielbrett rollt eine Kugel vom Start bis in eines der Fächer F 1 bis F 5. An jeder Verzweigung rollt

Mehr

1 Elemente der Wahrscheinlichkeitstheorie

1 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

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

Regression. Leonardo da Vinci (1452-1519) formulierte folgende Zusammenhänge:

Regression. Leonardo da Vinci (1452-1519) formulierte folgende Zusammenhänge: Regression Leonardo da Vinci (142-119) formulierte folgende Zusammenhänge: 1. Die Körpergröße ist gleich der Spannweite der Arme. 2. Die Höhe einer knienden Person ist 3 4 der Körpergröße. 3. Die Handlänge

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

Symmetrie und Schiefe

Symmetrie und Schiefe Symmetrie und Schiefe Andreas Handl Inhaltsverzeichnis 1 Was ist Symmetrie? Wozu benötigt man Symmetrie? 5 3 Maßzahlen für die Schiefe einer Verteilung 8 4 Ein Test auf Symmetrie 17 5 Transformation auf

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

PC-Praktikum für die Statistikausbildung im Wintersemester 2013/2014 Lektion 1-3

PC-Praktikum für die Statistikausbildung im Wintersemester 2013/2014 Lektion 1-3 KARLSRUHER INSTITUT FÜR TECHNOLOGIE Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Statistik, Ökonometrie und Mathematische Finanzwirtschaft D-76128 Karlsruhe, Postfach 6980 Prof. Dr. Wolf-Dieter

Mehr

Brückenkurs Statistik für Wirtschaftswissenschaften

Brückenkurs Statistik für Wirtschaftswissenschaften Peter von der Lippe Brückenkurs tatistik für Wirtschaftswissenschaften Lösungen UVK Verlagsgesellschaft mbh Konstanz mit UVK/Lucius München Brückenkurs tatistik für Wirtschaftswissenschaften: Lösungen

Mehr

Aufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500

Aufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500 Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren

Mehr

Einführung in die Statistik

Einführung in die Statistik Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in

Mehr

Statistische Auswertung in der Betriebsprüfung

Statistische Auswertung in der Betriebsprüfung Dr. Harald Krehl Der Einsatz verteilungsbezogener Verfahren Der Einsatz verteilungsbezogener Verfahren etwa des Benford- Newcomb Verfahrens oder der Normalverteilung bzw. der LogNormalverteilung in der

Mehr

Aufgabensammlung zur Vorlesung Statistik 2

Aufgabensammlung zur Vorlesung Statistik 2 PROF. DR. GEORG BOL, DR. MARKUS HÖCHSTÖTTER Statistik 2 Dipl.-Math., Dipl.-Inform. Sebastian Kring Wintersemester 2006/07 Lehrstuhl für Statistik und Ökonometrie Aufgabensammlung zur Vorlesung Statistik

Mehr

Signifikanztests. 14.1 Einführung / Einstichproben-Gaußtest

Signifikanztests. 14.1 Einführung / Einstichproben-Gaußtest Signifikanztests Vorliegen einer Hypothese über die Verteilung(en) der Grundgesamtheit(en). Z.B. Der Würfel ist fair. Die Brenndauern zweier unterschiedlicher Glühbirnensorten sind gleich. Die Hypothese

Mehr

W-Rechnung und Statistik für Ingenieure Übung 11

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

Mehr

Fernuniversität in Hagen

Fernuniversität in Hagen Fernuniversität in Hagen Fakultät für Wirtschaftswissenschaft Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte

Mehr

4. Versicherungsangebot

4. Versicherungsangebot 4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil

Mehr

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

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

Mehr

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben

Mehr

Forschungsmethodik II Mag.rer.nat. M. Kickmeier-Rust Karl-Franzens-Universität Graz. Lisza Gaiswinkler, Daniela Gusel, Tanja Schlosser

Forschungsmethodik II Mag.rer.nat. M. Kickmeier-Rust Karl-Franzens-Universität Graz. Lisza Gaiswinkler, Daniela Gusel, Tanja Schlosser Kolmogorov-Smirnov-Test Forschungsmethodik II Mag.rer.nat. M. Kickmeier-Rust Karl-Franzens-Universität Graz 1 Kolmogorov- Smirnov Test Andrei Nikolajewitsch Kolmogorov * 25.4.1903-20.10.1987 2 Kolmogorov-

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

Formelsammlung Mathematik

Formelsammlung Mathematik Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1

Mehr

Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13

Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13 Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Grundidee: Eine abhängige Variable soll als Linearkombination mehrerer unabhängiger

Mehr

Lebensdauer eines x-jährigen

Lebensdauer eines x-jährigen Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................

Mehr

Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 11. Mai 2015. Mathematik. Teil-2-Aufgaben. Korrekturheft. öffentliches Dokument

Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 11. Mai 2015. Mathematik. Teil-2-Aufgaben. Korrekturheft. öffentliches Dokument Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS 11. Mai 2015 Mathematik Teil-2-Aufgaben Korrekturheft Aufgabe 1 200-m-Lauf a) Lösungserwartung: s (t) = 7 75 t + 1,4 s (t) = 7 75 s (t)

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

UNIVERSITÄT POTSDAM Institut für Mathematik

UNIVERSITÄT POTSDAM Institut für Mathematik UNIVERSITÄT POTSDAM Institut für Mathematik Modellierung der Lebensdauer von Systemen Diplomarbeit Antonia Runge Mathematische Statistik und Wahrscheinlichkeitstheorie Universität Potsdam Institut für

Mehr