Wahrscheinlichkeitsrechnung
|
|
- Elke Schubert
- vor 7 Jahren
- Abrufe
Transkript
1 2 Wahrscheinlichkeitsrechnung 2.1 Grundbegriffe Wir betrachten zwei Beispiele, um erste Grundbegriffe anschaulich einzuführen. Beispiel In einem Elektronikmarkt liegen 50 MP3-Player auf einem Tisch, von denen einer defekt ist. Wie wahrscheinlich ist es, dass der nächste Käufer den defekten Player greift? Der Käufer greift zufällig eines der Geräte heraus, die wir in Gedanken mit denzahlen1,...,50 versehen. Das defekte Gerät habe die Nummer 1. Der Zufallsvorgang besteht nun darin, eine der Zahlen aus der Menge Ω = {1,...,50} auszuwählen, wobei jede Zahl (jedes Gerät) mit derselben Wahrscheinlichkeit gezogen wird. Der gesunde Menschenverstand diktiert geradezu, die Wahrscheinlichkeit p k, dass der Player Nr. k gezogen wird, durch festzulegen. p k = 1 50, k =1,...,50, Dieses Beispiel legt den Ansatz nahe, Zufallsvorgänge durch eine Menge Ω mit N Elementen ω 1,...,ω N zu modellieren, denen wir N Wahrscheinlichkeiten p 1,...,p N zuordnen, die sich zu 1 ( 100%) addieren. Beispiel Ein Lottospieler beschließt, so lange Lotto zu spielen, bis er zweimal in Folge drei Richtige hat. Zunächst stellt sich die Frage, wie hier Ω anzusetzen ist. Das Ergebnis dieses zufälligen Lotto-Experiments ist die Wartezeit (in Wochen) auf den zweiten Dreier. Somit ist in diesem Fall Ω = {0,1,2,...} = N 0. Ordnen wir jeder möglichen Wartezeit k N 0 eine Wahrscheinlichkeit p k zu, so ergeben sich unendlich viele Wahrscheinlichkeiten. Somit können die p k nicht alle gleich groß sein. A. Steland, Basiswissen Statistik, DOI / _2, Springer-Verlag Berlin Heidelberg 2013
2 74 2 Wahrscheinlichkeitsrechnung Wir sehen, dass auch Zufallsvorgänge auftreten können, bei denen die Menge Ω eine unendliche Menge ist. Ist Ω wie im Beispiel abzählbar unendlich, d.h. von der Form Ω = {ω 1,ω 2,ω 3,...}, dann können wir jedem ω k eine Wahrscheinlichkeit p k zuordnen. Die Zahlen p k müssensichzu1addieren: p 1 + p 2 + = p k =1. k= Zufallsexperimente und Wahrscheinlichkeit In der Wahrscheinlichkeitsrechnung fasst man alle zufälligen Phänomene unter dem Begriff des Zufallsexperiments zusammen, auch wenn nicht im eigentlichen Wortsinne ein Experiment vorliegt. Zufallsexperiment Unter einem Zufallsexperiment versteht man einen zufallsbehafteten Vorgang, dessen Ausgang nicht deterministisch festgelegt ist. Ergebnismenge, Grundmenge, Ausgang, Ergebnis Die Menge aller möglichen Ausgänge eines Zufallsexperiments heißt Ergebnismenge (Grundmenge) und wird mit Ω bezeichnet. Ein Element ω Ω heißt Ausgang (Ergebnis, Versuchsausgang). Beispiel Beim einfachen Würfelwurf ist Ω = {1,...,6}. Eine gerade Augenzahl entspricht den Ausgängen 2,4 und 6. Dieses (zufällige) Ereignis wird also durch die Teilmenge A = gerade Augenzahl = {2,4,6} Ω dargestellt. Es tritt ein, wenn der tatsächlicheversuchsausgangω in der Menge A liegt. Würfelt man mit einem fairen Würfel, so liegt es nahe, dem Ereignis A die Wahrscheinlichkeit 1/2 zu zuordnen. Geleitet durch die Überlegungen aus dem Beispiel definieren wir:
3 2.1 Grundbegriffe 75 Ereignis, Ereignisalgebra, Elementarereignis Ist Ω eine höchstens abzählbar unendliche Grundmenge, dann heißt jede Teilmenge A Ω Ereignis. Die Menge aller Ereignisse ist die Potenzmenge Pot(Ω) ={A A Ω} aller Teilmengen von Ω und heißt in diesem Kontext auch Ereignisalgebra. Man sagt, das Ereignis A tritt ein, wenn ω A gilt. Ein Ereignis von der Form A = {ω} für ein ω Ω heißt Elementarereignis. Da zufällige Ereignisse über Teilmengen der Obermenge Ω dargestellt werden, kann man Ereignisse gemäß den Operatoren und Rechenregeln der Mengenlehre miteinander kombinieren. UND-/ODER-Ereignis, komplementäres Ereignis A Ω und B Ω heißt die Schnittmenge Für zwei Ereignisse A B = {x x A und x B} UND-Ereignis und A B = {x x A oder x B} ODER-Ereignis. Das Komplement A = A c = {x x Ω und x/ A} = Ω \ A heißt komplementäres Ereignis und entspricht der logischen Negation. Hier einige wichtige Regeln für das Kombinieren von Ereignissen: Sind A,B,C Ω Ereignisse, dann gilt: 1) 2) 3) 4) A (B C) =(A B) (A C), A (B C) =(A B) (A C), (A B) =A B, (A B) =A B. 1) und 2) sind die Distributivgesetze, 3) und 4) die Regeln von DeMorgan. Gelegentlich hat man es auch mit unendlich vielen Ereignissen A 1,A 2,... zu tun. Beim Warten auf die erste Sechs beim Werfen eines Würfels macht es etwa Sinn, das Ereignis
4 76 2 Wahrscheinlichkeitsrechnung A k = Die erste Sechs erscheint im k-ten Wurf zu betrachten. Jedes ω Ω ist dann in genau einer der Mengen A k Ω, so dass Ω die disjunkte Vereinigung aller (unendlich vielen) A k ist. Für Ereignisse A 1,A 2,... ist A k = A 1 A 2 = {ω Ω : ω A k für mind. ein k} k=1 das Ereignis, dass mindestens eines der Ereignisse A k eintritt. A k = A 1 A 2 = {ω Ω : ω A k für alle k =1,2,...} k=1 ist das Ereignis, dass alle A k eintreten. Die Distributivgesetze und die Regeln von DeMorgan können auf solche Mengen verallgemeinert werden. Beispielsweise gilt: i=1 A i = i=1 A i und A i=1 B i = i=1 (A B i). Wir wollen nun Ereignissen A Ω Wahrscheinlichkeiten P (A) zuordnen. Diese Zuordnung kann jedoch nicht völlig beliebig geschehen, sondern muss gewissen Regeln folgen. In Beispiel hatten wir etwa erkannt, dass für eine abzählbar unendliche Grundmenge Ω die Ausgänge ω nicht alle dieselbe Wahrscheinlichkeit haben können. Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung Eine Abbildung P, die jedem Ereignis A Ω eine Zahl P (A) zuordnet, heißt Wahrscheinlichkeitsmaß oder Wahrscheinlichkeitsverteilung, wenn die so genannten Kolmogorov-Axiome gelten: 1) 0 P (A) 1 für alle Ereignisse A, 2) P (Ω) = 1 (Normierung), 3) Sind A 1,A 2,... disjunkte Mengen, dann gilt P (A 1 A 2 )=P (A 1 )+P (A 2 )+ = P (A k ). k=1 Ein Zufallsexperiment ist erst durch Angabe einer Ergebnismenge Ω und eines Wahrscheinlichkeitsmaßes P vollständig beschrieben. Beispiel Ist Ω eine diskrete Ergebnismenge, Ω = {ω 1,ω 2,...}, und sind p 1,p 2,... Zahlen zwischen 0 und 1, die sich zu 1 addieren, dass heißt i=1 p i = 1, dann ist durch
5 2.1 Grundbegriffe 77 P ({ω i })=p i und P (A) = p i, A Ω, ω i A ein Wahrscheinlichkeitsmaß gegeben. Es gilt für die Elementarereignisse {ω i }: P ({ω i })=p i.istω endlich mit N Elementen, d.h. Ω = {ω 1,...,ω N },dann kann die Wahrscheinlichkeitsverteilung durch eine Tabelle angegeben werden: ω 1 ω 2... ω N p 1 p 2... p N Die Wahrscheinlichkeit eines Ereignisses A erhält man durch Addition derjenigen p i, die zu Elementen ω i gehören, die in A liegen. Beispiel In der deskriptiven Statistik hatten wir die relative Häufigkeitsverteilung eines Merkmals eingeführt. Sind a 1,...,a k die möglichen Ausprägungen des Merkmals und sind f 1,...,f k die zugehörigen relativen Häufigkeiten, so gilt: f f k = 1. Setzen wir Ω = {a 1,...,a k } und definieren das Wahrscheinlichkeitsmaß P (A) = f j, A Ω, j:a j A dann ist P eine Wahrscheinlichkeitsverteilung auf Ω. Es gilt insbesondere für die Elementarereignisse {a j }: P ({a j })=f j. Das zu Grunde liegende Zufallsexperiment besteht darin, zufällig aus der Grundgesamtheit G ein Element g auszuwählen und den zugehörigen Merkmalswert X(g) {a 1,...,a k } = Ω zu berechnen. Jede relative Häufigkeitsverteilung der deskriptiven Statistik definiert also ein Wahrscheinlichkeitsmaß, und sämtliche Rechenregeln, die wir im Folgenden vorstellen, gelten insbesondere für relative Häufigkeiten. Ist speziell f j =1/n für alle j =1,...,n,dann heißt P empirisches Wahrscheinlichkeitsmaß. Aus der Additivität von P bei Vorliegen von disjunkten Vereinigungen ergeben sich die folgenden wichtigen Rechenregeln:
6 78 2 Wahrscheinlichkeitsrechnung Rechenregeln Für Ereignisse A, B Ω gelten die folgenden Regeln: 1) P (A) =1 P (A). 2) Für A B gilt: P (B\A) =P (B) P (A). 3) Für beliebige Ereignisse A, B gilt: 4) Für beliebige Ereignisse A, B gilt: P (A B) =P (A)+P (B) P (A B). P (A B) =P (A)+P (B) P (A B). Herleitung: (i) Ω kann disjunkt in A und A zerlegt werden. Daher ist 1=P (Ω) =P (A)+P (A) P (A) =1 P (A). (ii) Gilt A B, dannist(b\a) A eine disjunkte Vereinigung von B in die Mengen B\A und A. Daher gilt: P (B) =P (B\A)+P (A). Umstellen liefert: P (B\A) =P (B) P (A). (iii) Wir können A B disjunkt aus A und B\(A B) zusammensetzen. Daher gilt: P (A B) =P (A)+P (B\(A B)). Für den zweiten Term auf der rechten Seite wenden wir (ii) an (A B ist Teilmenge von B) und erhalten: P (A B) =P (A)+P (B) P (A B). (iv) folgt aus (iii) durch Auflösen nach P (A B). Wie wir schon in Beispiel gesehen hatten, ist die Berechnung von Wahrscheinlichkeiten besonders einfach, wenn die Elementarereignisse von Ω gleichwahrscheinlich sind. Laplace-Raum Man spricht von einem Laplace-Raum (Ω,P), wenn die Ergebnismenge Ω = {ω 1,...,ω K } endlich ist und das Wahrscheinlichkeitsmaß P auf Ω jedem Elementarereignis dieselbe Wahrscheinlichkeit zuordnet: P (ω) =P ({ω}) = 1 K, ω Ω. P heißt auch (diskrete) Gleichverteilung auf Ω.
7 2.1 Grundbegriffe 79 In Laplace schen Wahrscheinlichkeitsräumen erhält man die Wahrscheinlichkeit eines Ereignisses A durch Abzählen. Regel Ist (Ω,P) ein Laplace-Raum, dann gilt für jedes Ereignis A: P (A) = A Anzahl der für A günstigen Fälle =. Ω Anzahl aller Fälle Hierbei bezeichnet A die Anzahl der Elemente von A (Kardinalität). Beispiel (Urnenmodelle I und II) (i) Urnenmodell I: Ziehen in Reihenfolge mit Zurücklegen In einer Urne befinden sich N Kugeln mit den Nummern 1 bis N. Die Urne mit den N Kugeln kann etwa für eine Grundgesamtheit mit N statistischen Einheiten stehen. Man greift n-mal in die Urne und zieht jeweils eine Kugel. Nach Notieren der Nummer wird die Kugel zurückgelegt. Ist ω i {1,...,N} = A die Nummer der i-ten gezogenen Kugel, dann beschreibt das n-tupel ω =(ω 1,...,ω n ) das Ergebnis einer Stichprobenziehung. Hier ist Ω I = {ω =(ω 1,...,ω n ) ω 1,...,ω n A}. Da alle Stichproben gleichwahrscheinlich sind, liegt ein Laplace-Raum mit Ω I = N n vor. (ii) Urnenmodell II: Ziehen in Reihenfolge ohne Zurücklegen Man geht wie in (i) vor, jedoch werden nun die gezogenen Kugeln nicht zurückgelegt. Alle ω i sind also verschieden. Man kann Ω II = {(ω 1,...,ω n ): ω 1,...,ω n A, ω i ω j für i j} wählen. Es gilt Ω II = N (N 1)... (N n +1). Für N N und n N mit n N setzt man: (N) n = N (N 1)... (N n +1). Beispiel ) k Objekte sollen in einem Array der Länge n gespeichert werden, wobei der Speicherplatz zufällig ausgewählt wird (Hashing). Ist ein Platz schon vergeben, so spricht man von einer Kollision; in diesem Fall wird in der Regel der nächste freie Platz vergeben. Es bezeichnet A nk das Ereignis einer Kollision. Um die Wahrscheinlichkeit P (A nk )zu berechnen, benötigen wir ein korrektes Modell. Bezeichnen wir mit ω i den
8 80 2 Wahrscheinlichkeitsrechnung für das ite Objekt ausgewählten Speicherplatz, so liegt das Urnenmodell I(mitN = n und n = k) vor: Ω = {ω =(ω 1,...,ω k ):ω 1,...,ω k {1,...n}}, P(ω) = 1,ω Ω. nk Nunkanndaskomplementäre Ereignis A nk (keine Kollision) formal in der Form A nk = {(ω 1,...,ω k ) Ω : ω i ω j,i j} dargestellt werden. Dies entspricht genau dem Urnenmodell II (mit N = n und n = k). Somit gilt: q nk = P (A nk )= n(n 1) (n k +1) n k und P (A nk ) = 1 q nk. Wir wollen noch eine obere Schranke für q nk herleiten: Man hat q nk = (n) k 1 ( k n k = 1 i ) n =exp i=1 i=1 ( k 1 ln i=1 ( 1 i n) ). Für x<1 gilt ln(1 x) x. Damit erhalten wir ( ) k 1 ( ) i (k 1)k q nk exp =exp, n 2n wobei die Formel k 1 i=1 i = (k 1)k 2 verwendet wurde. 2) Die Marketing-Abteilung mit n = 6 Mitarbeitern kann sich nicht darauf einigen, wie k = 3 anliegende Aufgaben verteilt werden sollen. Schließlich wird entschieden, die Sache auszuwürfeln. Es wird k mal gewürfelt und der entsprechende Mitarbeiter bekommt die Aufgabe. Wie wahrscheinlich ist es, dass ein Mitarbeiter mehr als eine Aufgabe bekommt? Es liegt das Urnenmodell I vor mit N = 6 und n = k: Bezeichnet ω i das Ergebnis des iten Wurfs, i =1,...,k,soist Ω = {ω =(ω 1,...,ω k ):ω 1,...,ω k {1,...6}}, P(ω) = 1,ω Ω. 6k Sei A das Ereignis, dass alle Mitarbeiter verschiedene Aufgaben erhalten: A = {(ω 1,...,ω k ) Ω : ω i ω j,i j} Gesucht ist dann P (A) =1 P (A). Das Ereignis A entspricht gerade der Ergebnismenge des Urnenmodells II mit N = 6 und n = k. Somit ist P (A) = 6 5 (6 k+1). Nun kann für verschiedene Werte von k die Wahrscheinlichkeit berechnet werden. Für k =3erhält 6 k man =
9 2.1 Grundbegriffe Chancen (Odds) Chancen (Odds) Die Chance (engl.: odds) o = o(a) eines Ereignisses A ist definiert als der Quotient der Wahrscheinlichkeit p = P (A) vona und der komplementären Wahrscheinlickeit P (A) =1 p: o = o(a) = p 1 p. Durch Logarithmieren erhält man die logarithmierten Chancen (engl.: log-odds): log(o) = log(p/(1 p)) = log(p) log(1 p). Die logarithmierten Chancen transformieren Wahrscheinlichkeiten, also Zahlen zwischen 0 und 1, in reelle Zahlen. Sie besitzen eine interessante Symmetrieeigenschaft: Die logarithmierte Chance des komplementären Ereignisses A ist gerade das Negative der logarithmierten Chance von A: ( ) ( ) 1 p p log o(a) = log = log = log o(a). p 1 p Sind A und A gleichwahrscheinlich, d.h. p = P (A) =P (A) =1/2, dann ergibt sich o = 1 und somit log(o) =0. Chancenverhältnis (Odds-Ratio) Die Chancen o(a) und o(b) von zwei Ereignissen A und B werden häufig durch das Chancenverhältnis (engl.: Odds Ratio) verglichen: r = o(a) P (A)/(1 P (A)) = o(b) P (B)/(1 P (B)). Das logarithmierte Odds Ratio ist gerade die Differenz der logarithmierten Odds. Trägt man Wahrscheinlichkeiten auf der log-odds-skala auf, so ist ihre Differenz gleich dem logarithmierten Odds Ratio. Beispiel Das Ereignis A, ein Spiel zu gewinnen, trete mit Wahrscheinlichkeit p = P (A) =0.75 ein. Die Chancen stehen also 75 zu 25, so dass sich o =0.75/0.25 = 3 ergibt. Zu gewinnen ist dreimal so wahrscheinlich wie zu verlieren. Gilt für ein anderes Spiel p = 0.9, so ist es o = 0.9/0.1 = 9-mal wahrscheinlicher zu gewinnen als zu verlieren. Das Chancenverhältnis beträgt
10 82 2 Wahrscheinlichkeitsrechnung r =9/3 = 3. Die Chancen sind beim zweiten Spiel um den Faktor 3 günstiger. Auf der logarithmischen Skala erhalten wir log(3) und log(9) mit Abstand log(9) log(3) = log(r) = log(3). Siebformel Mitunter muss man die Wahrscheinlichkeit von ODER-Ereignissen berechnen, bei denen mehr als zwei Ereignissen verknüpft werden. Es gilt: P (A B C) =P (A)+P (B)+P (C) P (A B) P (A C) P (B C)+P (A B C). Herleitung: Wir wenden die Formel P (A B) =P (A)+P (B) P (A B) zweimal an und markieren durch Unterstreichen, welche Mengen A und B auf der linken Seite der Formel entsprechen. Zunächst ist P (A B C) =P (A)+P (B C) P (A (B C)) Für den letzten Term gilt: = P (A)+P (B)+P (C) P (B C) P (A (B C)). P (A (B C)) = P ((A B) (A C)) = P (A B)+P (A C) P (A B C). Setzt man dies oben ein, so ergibt sich die gewünschte Formel. Die Formeln für P (A B) und P (A B C) sind Spezialfälle einer allgemeinen Formel: Siebformel Sind A 1,...,A n Ω Ereignisse, dann gilt: n P (A 1 A n )= P (A i ) P (A i A j ) i=1 i<j + P (A i A j A k ) +( 1) n 1 P (A 1 A n ). i<j<k Ereignis-Algebra In Anwendungen treten nicht nur Ergebnismengen auf, die abzählbar unendlich sind, wie die folgenden Beispiele zeigen.
11
Grundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
Mehr2. Rechnen mit Wahrscheinlichkeiten
2. Rechnen mit Wahrscheinlichkeiten 2.1 Axiome der Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung ist ein Teilgebiet der Mathematik. Es ist üblich, an den Anfang einer mathematischen Theorie
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 0.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrVorkurs Mathematik. Christoph Hindermann. Wahrscheinlichkeitstheorie
Kapitel 4 Christoph Hindermann Vorkurs Mathematik 1 4.0 Motivation Wenn 100 Münzen geworfen werden, wie ist dann die Wahrscheinlichkeit, dass genau 50 davon Kopf zeigen? Angenommen, es befinden sich 300
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Grundbegriffe: Experiment: ein Vorgang, den man unter gleichen Voraussatzungen beliebig oft wiederholen kann. Ergebnis ω : Ausgang eines Experiments Ergebnismenge Ω : Menge
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrMathematik: Mag. Schmid Wolfgang & LehrerInnenteam Arbeitsblatt 7-9 7. Semester ARBEITSBLATT 7-9. Was ist Wahrscheinlichkeit
ARBEITSBLATT 7-9 Was ist Wahrscheinlichkeit "Ein guter Mathematiker kann berechnen, welche Zahl beim Roulette als nächstes kommt", ist eine Aussage, die einfach falsch ist. Zwar befassen sich Mathematiker
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 1. Grundbegriffe der Wahrscheinlichkeitsrechnung
Vorlesungscharts Vorlesung 1 Grundbegriffe der Wahrscheinlichkeitsrechnung Zufallsvorgänge und Zufallsereignisse Definitionen der Wahrscheinlichkeit Seite 1 von 11 Chart 1: Vorgänge deterministisch zufällig
Mehr3. Grundbegriffe der Wahrscheinlichkeitstheorie
03. JULI 2006: BLATT 17 3. Grundbegriffe der Wahrscheinlichkeitstheorie (v.a. nach Manning/Schütze: 40ff und Fahrmeir /Künstler/Pigeot/Tutz: 171ff) Übersicht Um entscheiden zu können, ob eine statistische
MehrStatistik I für Betriebswirte Vorlesung 1
Statistik I für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrAufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen
Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),
MehrKapitel N. Wahrscheinlichkeitsrechnung
Kapitel N Wahrscheinlichkeitsrechnung Inhalt dieses Kapitels N000 1 Diskrete Wahrscheinlichkeitsräume 2 Bedingte Wahrscheinlichkeit und Unabhängigkeit 1 Produktexperimente 2 Kombinatorik und Urnenmodelle
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 stheorie: Grundbegriffe Prof. Dr. Achim Klenke http://www.aklenke.de 5. Vorlesung: 25.11.2011 1/33 Inhalt 1 Zufallsvariablen 2 Ereignisse 3 2/33 Zufallsvariablen Eine Zufallsvariable
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrWahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele
Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Wahrscheinlichkeitstheorie Agenda:
MehrZufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
MehrEinführung. Wahrscheinlichkeit. 1 Wahrscheinlichkeit: Definition und Interpretation. 2 Elementare Wahrscheinlichkeitsrechnung, bedingte
Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare Wahrscheinlichkeitsrechnung, bedingte Wahrscheinlichkeit Axiome nach Kolmogorov Gegeben sei ein Zufallsexperiment mit Ergebnisraum
MehrLeseprobe. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Leseprobe Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - nwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch): 978-3-446-43255-0
MehrRumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Rumpfskript Elementare Wahrscheinlichkeitsrechnung Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrVenndiagramm, Grundmenge und leere Menge
Venndiagramm, Grundmenge und leere Menge In späteren Kapitel wird manchmal auf die Mengenlehre Bezug genommen. Deshalb sollen hier die wichtigsten Grundlagen und Definitionen dieser Disziplin kurz zusammengefasst
MehrWAHRSCHEINLICHKEIT. Erinnere dich
Thema Nr.9 WAHRSCHEINLICHKEIT Erinnere dich Zufallsexperiment Ein Experiment, bei dem verschiedene Ergebnisse möglich sind und bei dem das Ergebnis nur vom Zufall abhängt heißt Zufallsexperiment. Beispiele
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
MehrErgebnis Ergebnisraum Ω. Ereignis. Elementarereignis
Stochastik Die Stochastik besteht aus zwei Teilgebieten, der Statistik und der Wahrscheinlichkeitsrechnung. Die Statistik beschreibt die Vergangenheit und verwendet Informationen, die (in realen Versuchen)
MehrZusammenfassung Stochastik
Zusammenfassung Stochastik Die relative Häufigkeit Ein Experiment, dessen Ausgang nicht vorhersagbar ist, heißt Zufallsexperiment (ZE). Ein Würfel wird 40-mal geworfen, mit folgendem Ergebnis Augenzahl
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
Mehr1 Elemente der Wahrscheinlichkeitstheorie
H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen
MehrWie hoch ist das Risiko, dass ein System, das aus mehreren Komponenten besteht, ausfällt?
In diesem Kapitel werden wir den egriff Wahrscheinlichkeit und die Grundlagen der Wahrscheinlichkeitsrechnung kennenlernen, um z.. folgende Fragestellungen zu beantworten. Wie hoch ist das Risiko, dass
MehrStatistik nach der Grundausbildung
Statistik nach der Grundausbildung Andreas Handl Torben Kuhlenkasper 8. Januar 2016 1 Grundlage des vorliegenden Skripts sind Aufzeichnungen von Andreas Handl, die er bis zum Jahr 2007 an der Universität
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrElemente der Stochastik (SoSe 2016) 9. Übungsblatt
Dr. M. Weimar 06.06.2016 Elemente der Stochastik (SoSe 2016) 9. Übungsblatt Aufgabe 1 (2+2+2+2+1=9 Punkte) In einer Urne befinden sich sieben Lose, darunter genau ein Gewinnlos. Diese Lose werden nacheinander
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 7. Übung SS 16: Woche vom
Übungsaufgaben 7. Übung SS 16: Woche vom 23. 5. 27. 5.. 2016 Stochastik I: Klassische Wkt.-Berechnung Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/... (SS16).html
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche
MehrElementare Wahrscheinlichkeitsrechnung
Elementare Wahrscheinlichkeitsrechnung Skript Jun.-Prof. Dr. Zakhar Kabluchko Universität Ulm Institut für Stochastik Inhaltsverzeichnis Vorwort 1 Literatur 1 Kapitel 1. Grundbegriffe der Wahrscheinlichkeitstheorie
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
Mehr4b. Wahrscheinlichkeit und Binomialverteilung
b. Wahrscheinlichkeit und Binomialverteilung Um was geht es? Häufigkeit in der die Fehlerzahl auftritt 9 6 5 3 2 2 3 5 6 Fehlerzahl in der Stichprobe Wozu dient die Wahrscheinlichkeit? Häfigkeit der Fehlerzahl
Mehr1 Grundlagen Wahrscheinlichkeitsrechung
1 Grundlagen Wahrscheinlichkeitsrechung 1.1 Grundbegriffe Alle möglichen Ereignisse eines Zufallsexperiments fassen wir in einer Ereignismenge Ω zusammen. Ereignisse sind Teilmengen von Ω. Umfasst das
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrMultivariate Zufallsvariablen
Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse.
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
R. Brinkmann http://brinkmann-du.de Seite 08..2009 Von der relativen Häufigkeit zur Wahrscheinlichkeit Es werden 20 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 20 Schülern
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
MehrDiskrete Strukturen. Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds16/ 1. Februar 2017 Vorlesung 21
Diskrete Strukturen Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds16/ 1. Februar 2017 Vorlesung 21 Quasiendliche Wahrscheinlichkeitsräume Definition quasiendlicher Wahrscheinlichkeitsraum
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜBUNG - LÖSUNGEN. Zweimaliges Werfen eines Würfels mit Berücksichtigung der Reihenfolge a. Ergebnismenge (Ereignisraum)
MehrStochastik für Wirtschaftswissenschaftler
Stochastik für Wirtschaftswissenschaftler Vorlesungsskript Wintersemester 03/4 von Markus Kunze ii Inhaltsverzeichnis Diskrete Wahrscheinlichkeitsräume. Beschreibung von Zufallsexperimenten.......................
MehrStatistik I für Betriebswirte Vorlesung 1
Statistik I für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 1. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 1 Version: 18. März
MehrBasiswissen Statistik
Springer-Lehrbuch Basiswissen Statistik Kompaktkurs für Anwender aus Wirtschaft, Informatik und Technik von Ansgar Steland 2. Aufl. Basiswissen Statistik Steland schnell und portofrei erhältlich bei beck-shop.de
MehrStatistik Einführung // Wahrscheinlichkeitstheorie 3 p.2/58
Statistik Einführung Wahrscheinlichkeitstheorie Kapitel 3 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Wahrscheinlichkeitstheorie
MehrMathematische und statistische Methoden für Pharmazeuten
Mathematische und statistische Methoden für Pharmazeuten Josef Berger 11. Juni 2018 Dieses Manuskript enthält auszugsweise einige Teile der Vorlesung. Das Lesen des Manuskriptes ersetzt nicht den Besuch
Mehr1.4 Zufallsvariablen und ihre Verteilung
1.4.1 Diskrete Zufallsvariablen Ein Zufallsexperiment wird beschrieben durch einen Grundraum Ω und eine Wahrscheinlichkeit P auf Ω. Häufig interessieren nicht die Ergebnisse an sich, sondern bestimmte
Mehr8. Wahrscheinlichkeitsrechnung
Didaktik der Geometrie und Stochastik WS 09/10 Bürker 27. 1. 11 8. Wahrscheinlichkeitsrechnung 8.1 Begriffe 8.1.1 Zufallsexperiment Was ist ein Zufallsexperiment? a) Mehrere Ergebnisse möglich b) Ergebnis
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung. Semester Begleitendes Skriptum zur Vorlesung im FH-Masterstudiengang Technisches Management von Günther Karigl FH Campus Wien 206/7 Inhaltsverzeichnis. Semester: Wahrscheinlichkeitsrechnung
MehrAllgemeine Definition von statistischer Abhängigkeit (1)
Allgemeine Definition von statistischer Abhängigkeit (1) Bisher haben wir die statistische Abhängigkeit zwischen Ereignissen nicht besonders beachtet, auch wenn wir sie wie im Fall zweier disjunkter Mengen
Mehr1 Grundbegriffe der Wahrscheinlichkeitsrechnung
4 1 Grundbegriffe der Wahrscheinlichkeitsrechnung 1.1 Grundlegende Begriffe Der Begriff wahrscheinlich wird im Alltag in verschiedenen Situationen verwendet, hat dabei auch unterschiedliche Bedeutung.
Mehr1.1 Ergebnisräume einfacher Zufallsexperimente. 2) Es gibt mindestens zwei mögliche Ausgänge des Experiments.
Übungsmaterial 1 1 Zufallsexperimente 1.1 Ergebnisräume einfacher Zufallsexperimente Damit ein Experiment ein Zufallsexperiment ist, müssen folgende Eigenschaften erfüllt sein: 1) Das Experiment lässt
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrElemente der Stochastik (SoSe 2016) 3. Übungsblatt
Dr. M. Weimar 18.04.016 Elemente der Stochastik (SoSe 016) 3. Übungsblatt Aufgabe 1 (1++=5 Punkte) Das nachfolgende Glücksrad wird einmal gedreht. Ferner bezeichne P eine Abbildung mit den Eigenschaften
MehrWahrscheinlichkeitsrechnung
Teil V Wahrscheinlichkeitsrechnung Inhaltsangabe 6 Einführung in die Wahrscheinlichkeitsrechnung 125 6.1 Kombinatorik......................... 125 6.2 Grundbegri e......................... 129 6.3 Wahrscheinlichkeiten.....................
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrInhaltsverzeichnis (Ausschnitt)
6 Diskrete Wahrscheinlichkeitsräume Inhaltsverzeichnis (Ausschnitt) 6 Diskrete Wahrscheinlichkeitsräume Laplacesche Wahrscheinlichkeitsräume Kombinatorik Allgemeine diskrete Wahrscheinlichkeitsräume Deskriptive
Mehra) (A B) tritt ein = A tritt ein oder B tritt ein. = Mindestens eines der Ereignisse A, B tritt ein.
Lösungsvorschläge zu den Aufgaben von Blatt 6: 43) 7 Telefonzellen ( 7 Kugeln in der Urne); 3 davon sind von je einem Benutzer besetzt ( 3 Kugeln in die Stichprobe). Die Telefonzellen werden nicht mehrfach
Mehr1 Wahrscheinlichkeitsrechnung und Zufallsvariablen
1 Wahrscheinlichkeitsrechnung und Zufallsvariablen Zoltán Zomotor Versionsstand: 18. Mai 2015, 09:29 Die nummerierten Felder bitte während der Vorlesung ausfüllen. This work is licensed under the Creative
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrBernoullikette und Binomialverteilung. Binomialverteilung
Binomialverteilung Inhaltsverzeichnis Vorbemerkungen... 3 Listen und Mengen... 3 Beispiele für Ergebnisräume... 3 Bernoulliketten... 3 Binomialverteilung... 3 Aufgabe... 3 Graphische Veranschaulichung...
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
MehrStatistik I für Betriebswirte Vorlesung 1
Statistik I für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 9. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 1 1 Organisatorisches
MehrGrundwissen zur Stochastik
Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2
Mehr7. Kapitel: Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten
7. Kapitel: Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten 7.1 Zufallsvorgänge - zufälliges Geschehen/ Zufallsvorgang/ stochastische Vorgang: aus Geschehen/Vorgang/Experiment (mit gegebener Ausgangssituation)
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr6: Diskrete Wahrscheinlichkeit
Stefan Lucks Diskrete Strukturen (WS 2009/10) 219 6: Diskrete Wahrscheinlichkeit 6: Diskrete Wahrscheinlichkeit Stefan Lucks Diskrete Strukturen (WS 2009/10) 220 Wahrscheinlichkeitsrechnung Eines der wichtigsten
Mehr2 Ereignisse. Für Ereignisse A und B kann durch Bildung des Durchschnitts (engl.: intersection) A B := {ω Ω : ω A oder ω B}
5 2 Ereignisse ei einem stochastischen Vorgang interessiert oft nur, ob dessen Ergebnis zu einer gewissen Menge von Ergebnissen gehört. So kommt es zu eginn des Spiels Mensch-ärgere- Dich-nicht! nicht
Mehr1. Grundlagen. R. Albers, M. Yannik Skript zur Vorlesung Stochastik (Elementarmathematik)
1. Grundlagen 1.1 Zufallsexperimente, Ergebnisse Grundlage für alle Betrachtungen zur Wahrscheinlichkeitsrechnung sind Zufallsexperimente. Ein Zufallsexperiment ist ein Vorgang, der - mehrere mögliche
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
Mehr1 Elementare Wahrscheinlichkeitstheorie
1 Elementare Wahrscheinlichkeitstheorie 1.1 Zufallsexperiment Definition 1.1. Ein Zufallsexperiment ist ein Vorgang, der im Prinzip beliebig oft unter identischen Randbedingungen wiederholt werden kann.
MehrGründe für die Behandlung von stochastischen Problemen (nach KÜTTING)
Vorlesung 03.01.09 Stochastik Gründe für die Behandlung von stochastischen Problemen (nach KÜTTING) Der Mathematikunterricht der Schule hat die Aufgabe, eine Grundbildung zu vermitteln, die auf ein mathematisches
Mehr9. Elementare Wahrscheinlichkeitsrechnung
9. Elementare Wahrscheinlichkeitsrechnung I. Zufällige Ereignisse Beispiel (Einmaliges Würfeln): Alle möglichen Ausgänge 1, 2,, 6 des Experiments werden zur Ergebnismenge Ω ( Ergebnisraum ) zusammengefasst.
MehrZiegenproblem, Monty-Hall-Problem, Wahrscheinlichkeitsrechnung. Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem
Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Wahrscheinlichkeitsrechnung Theorie Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem,
Mehr