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

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen

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

Mehr

Kapitel 2 Wahrscheinlichkeitsrechnung

Kapitel 2 Wahrscheinlichkeitsrechnung Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt

Mehr

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

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

Mehr

Kapitel VI - Lage- und Streuungsparameter

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

Mehr

Kenngrößen von Zufallsvariablen

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

Mehr

QM III Normalverteilung Aufgabe 10.1 Die Lebensdauer (in Jahren) von KFZ-Batterien des Typs

QM III Normalverteilung Aufgabe 10.1 Die Lebensdauer (in Jahren) von KFZ-Batterien des Typs Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 1, Tel 3914 jutta.arrenberg@th-koeln.de QM III Normalverteilung Aufgabe 10.1 Die Lebensdauer (in Jahren)

Mehr

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

Biometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen

Biometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe

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

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

Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.

Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst. Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen

Mehr

Wirtschaftsstatistik Normalverteilung

Wirtschaftsstatistik Normalverteilung Fachhochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 1, Tel 39 14 jutta.arrenberg@fh-koeln.de Wirtschaftsstatistik Normalverteilung Aufgabe 10.1 Die Lebensdauer

Mehr

8. Stetige Zufallsvariablen

8. Stetige Zufallsvariablen 8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse

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

Beispiel: Zweidimensionale Normalverteilung I

Beispiel: Zweidimensionale Normalverteilung I 10 Mehrdimensionale Zufallsvariablen Bedingte Verteilungen 10.6 Beispiel: Zweidimensionale Normalverteilung I Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale (multivariate) Normalverteilung

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

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

Die Varianz (Streuung) Definition

Die Varianz (Streuung) Definition Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ

Mehr

Weierstraß-Institut für Angewandte Analysis und Stochastik Von der Binomialverteilung zur Normalverteilung

Weierstraß-Institut für Angewandte Analysis und Stochastik Von der Binomialverteilung zur Normalverteilung Weierstraß-Institut für Angewandte Analysis und Stochastik Von der Binomialverteilung zur Normalverteilung Wolfgang König (WIAS und TU Berlin) Mohrenstraße 39 10117 Berlin Tel. 030 20372 0 www.wias-berlin.de

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

Mathematische und statistische Methoden II

Mathematische 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+

Mehr

Messung von Rendite und Risiko. Finanzwirtschaft I 5. Semester

Messung von Rendite und Risiko. Finanzwirtschaft I 5. Semester Messung von Rendite und Risiko Finanzwirtschaft I 5. Semester 1 Messung von Renditen Ergebnis der Anwendung der Internen Zinsfuß- Methode ist die Rentabilität des Projekts. Beispiel: A0-100.000 ZÜ1 54.000

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

Stetige Wahrscheinlichkeitsverteilung

Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische

Mehr

Konfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005

Konfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005 Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit

Mehr

Wahrscheinlichkeitsrechnung und schließende Statistik

Wahrscheinlichkeitsrechnung und schließende Statistik Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei

Mehr

Appendix: Stetige Verteilungen

Appendix: Stetige Verteilungen Anhang A Appendix: Stetige Verteilungen In diesem Appendix werden der üblichen statistischen Praxis folgend Zufallsvariablen mit Großbuchstaben und Realisationen mit Kleinbuchstaben bezeichnet. A. Gleichverteilung

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

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

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

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

Mehr

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

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

Mehr

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

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

1.6 Wichtige Verteilungsmodelle

1.6 Wichtige Verteilungsmodelle 1.6 Wichtige Verteilungsmodelle 1.6 Wichtige Verteilungsmodelle Wir behandeln hier nur Binomial-, Poisson- und Normalverteilung. Einige weitere Verteilungsmodelle werden direkt dort eingeführt, wo sie

Mehr

N 1 0 50 0.5 50 0.5 2 1 20 0.2 70 0.7 3 2 15 0.15 85 0.85 4 3 10 0.1 95 0.95 5 4+ 5 0.05 100 1-100 1.00 - -

N 1 0 50 0.5 50 0.5 2 1 20 0.2 70 0.7 3 2 15 0.15 85 0.85 4 3 10 0.1 95 0.95 5 4+ 5 0.05 100 1-100 1.00 - - 2 Deskriptive Statistik 1 Kapitel 2: Deskriptive Statistik A: Beispiele Beispiel 1: Im Rahmen einer Totalerhebung der Familien eines Dorfes (N = 100) wurde u.a. das diskrete Merkmal Kinderanzahl (X) registriert.

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

Aufgabe 1 7.5 ECTS. A : Schwierigkeitsgrad der Piste mit den Ausprägungen

Aufgabe 1 7.5 ECTS. A : Schwierigkeitsgrad der Piste mit den Ausprägungen Aufgabe 1 Im Skigebiet Pelit 3000 wird jährlich vom örtlichen Liftbetreiber-Verband eine Unfallstatistik herausgegeben. In ihr aufgeschlüsselt nden sich folgende Merkmale: A : Schwierigkeitsgrad der Piste

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

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

Ü b u n g s b l a t t 15

Ü 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

Mehr

Über den Autor 7. Teil Beschreibende Statistik 29

Über den Autor 7. Teil Beschreibende Statistik 29 Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:

Mehr

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

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

Mehr

Statistik für SozialwissenschaftlerInnen II p.85

Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des

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

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

+ 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

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

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

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

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

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

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

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

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

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

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

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

Mehr

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

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

Summe von Zufallsvariablen

Summe von Zufallsvariablen Summe von Zufallsvariablen Gegeben sind die unabhängigen, gleichverteilten Zufallsvariablen X und Y mit den Wahrscheinlichkeitsdichten f() und g(). { für f() = g() = sonst Wir interessieren uns für die

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

Von der Binomialverteilung zur Normalverteilung

Von der Binomialverteilung zur Normalverteilung Von der Binomialverteilung zur Normalverteilung Wir interessieren uns für Binomialverteilungen mit grossen Werten für n. Als Beispiele können wir uns das Experiment vorstellen, dass ein idealer Würfel

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

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

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

Empirische Methoden II

Empirische Methoden II Hochschule für Wirtschaft und 2016 Umwelt Nürtingen-Geislingen Fakultät Betriebswirtschaft und Internationale Finanzen Prof. Dr. Max C. Wewel Prof. Dr. Cornelia Niederdrenk-Felgner Aufgaben zum Tutorium

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

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

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

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

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

Wahrschein liehkeitsreehnuna für Dummies

Wahrschein liehkeitsreehnuna für Dummies Deborah Rumseu Wahrschein liehkeitsreehnuna für Dummies Ubersetzuna aus dem Amerikanischen Von Reinhard Enget Fachkorrektur Von Katrin Jost WILEY- VCH WILEY-VCH Verlag GmbH & Co. KGaA Inhaltsverzeichnis

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

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen

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

Kompetenzcheck. Mathematik (AHS) Oktober 2013. Lösungsheft

Kompetenzcheck. Mathematik (AHS) Oktober 2013. Lösungsheft Kompetenzcheck Mathematik (AH) Oktober 2013 Lösungsheft Lösung zu Aufgabe 1 Rationale Zahlen 1 2 3,5 16 Ein Punkt ist nur dann zu geben, wenn alle Kreuze richtig gesetzt sind. 2 Lösung zu Aufgabe 2 Rechenoperationen

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

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

Bachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5

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

Statistik für Naturwissenschaftler

Statistik für Naturwissenschaftler Hans Walser Statistik für Naturwissenschaftler 0.20 0.18 0.16 0.14 0.12 0.10 0.08 0.06 0.04 0.02 0.00 0 5 10 15 20 k 0.20 0.18 0.16 0.14 0.12 0.10 0.08 0.06 0.04 0.02 0.00 Binomialverteilung Normalverteilung

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

1. Normalverteilung. 2. normalverteilte Zufallsgröße. 3. Aufgaben zur Normalverteilung. 4. Dichte(funktion) 5. Aufgaben zur Normalverteilung

1. Normalverteilung. 2. normalverteilte Zufallsgröße. 3. Aufgaben zur Normalverteilung. 4. Dichte(funktion) 5. Aufgaben zur Normalverteilung 1. Normalverteilung 2. normalverteilte Zufallsgröße 3. Aufgaben zur Normalverteilung 4. Dichte(funktion) 5. Aufgaben zur Normalverteilung 6. Mittagstemperatur-Aufgabe 7. Aufgaben zur Normalverteilung 8.

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

, 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

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

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

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

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

Analytische Statistik II

Analytische Statistik II Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.

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

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

WAHRSCHEINLICHKEITSLEHRE

WAHRSCHEINLICHKEITSLEHRE Wahrscheinlichkeitstheorie Herbert Paukert 1 WAHRSCHEINLICHKEITSLEHRE Version 2.0 Herbert Paukert Drei Zufallsexperimente [ 02 ] Wahrscheinlichkeitstheorie I [ 05 ] Wahrscheinlichkeitstheorie II [ 12 ]

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

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

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

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