1 Wahrscheinlichkeitslehre

Größe: px
Ab Seite anzeigen:

Download "1 Wahrscheinlichkeitslehre"

Transkript

1 Wahrscheilichkeitslehre. Grudlage der Wahrscheilichkeitsrechug Die Wahrscheilichkeitslehre ist ei elemetarer Bestadteil der Statistik. Die mathematische Wahrscheilichkeitslehre umfasst ei kompliziertes System uterschiedlicher Regel ud Gesetzmäßigkeite, die hier ur isoweit dargestellt werde, als es für das Verstädis der verteilugsfreie Methode erforderlich ist. Wir behadel zuächst die wichtigste Grudlage der Wahrscheilichkeitsrechug ud gehe aschließed auf die Darstellug eiiger ausgewählter Wahrscheilichkeitsverteiluge über... Vorbemerkuge Wir alle kee das auf die beschreibede Statistik gemüzte Wort: Mit Statistik ka ma alles beweise! Richtiger müsste es we ma scho mit Aphorisme operiert auf die Iferezstatistik bezoge heiße: Mit Statistik ka ma gar ichts beweise, keie Uterschied, keie Zusammehag, keie Gesetzmäßigkeit, sofer ma vo eiem Beweis fordert, dass er logisch ud sachlich uwidersproche bleibe soll. Was ka die modere Statistik als wisseschaftliche Methode wirklich leiste? Sie gibt Auskuft darüber, mit welcher Wahrscheilichkeit Uterschiede, Zusammehäge ud Gesetzmäßigkeite, die wir i Stichprobeerhebuge gefude habe, rei zufällig etstade sei köe ud iwieweit sie als allgemei, auch für ei größeres Kollektiv gültig, azusehe sid. Absolut sichere Aussage ud Voraussage sid mit Hilfe der Statistik umöglich. Jedoch liegt es a us, das Risiko, das wir für usere Aussage zulasse wolle, gemäß der wisseschaftliche Fragestellug höher oder iedriger azusetze. Naturwisseschaftliche Aussage ud Voraussage grüde sich auf Messuge: Die (klassische) Physik ket kei Problem der Messug, höchstes eies der Messgeauigkeit, sie hat ihr Zetimeter-Gramm-Sekude-System ud ka damit die astehede Probleme adäquat löse. Die biologische wie auch die Sozialwisseschafte habe es icht so leicht. I ihre empirisch ausgerichtete Bereiche sid sie uetwegt auf der Suche ach optimale Dimesioe eier gültige Messug, sid auf der Suche ach immer raffiiertere Methode der Versuchsplaug zur Kotrolle des meist bedeutsame Fehlers der idividuelle Messug eies Merkmals. Ei gazer Wisseschaftszweig, die Biometrie, beschäftigt sich mit de Voraussetzuge für objektive, zuverlässige ud gültige Ausgagsdate. Auf diese Voraussetzuge erst baut die Statistik auf.

2 2 Kapitel Wahrscheilichkeitslehre Die statistische Methode ud ihre praktische Awedug setze eie eigee, dem Afäger ugewohte Art des iduktive Dekes voraus. Im logische Dekakt folgt jeder Schluss stets zwiged ud für de Eizelfall gültig aus seie Prämisse; der statistische Dekakt dagege führt zu Schlüsse, die ur für ei (theoretisch uedlich großes) Kollektiv vo Ereigisse gelte ud für de Eizelfall icht zwiged zutreffe. Er orietiert sich a eiem Beweissystem, das i der mathematische Theorie der Statistik formal exakt begrüdet ist ud das erst i dem Grad, i dem ma seier ie wird, ei Evidez- ud Strigezerlebis vo ählicher Art vermittelt wie das Begriffssystem der Elemetarlogik. Grudlage alle statistische Dekes ist der Wahrscheilichkeitsbegriff. Begie wir deshalb mit eier kurze Eiführug zu diesem Begriff...2 Begriff der Wahrscheilichkeit Die Wahrscheilichkeit ka i verschiedeer Weise eigeführt werde. Eie izwische klassische Eiführug i Form vo aschauliche Vorlesuge mit egem Bezug zur Awedug fidet sich bei Mises (93). Für usere Zwecke soll geüge: We uter mögliche, eiader ausschließede Ereigisse, vo dee eies mit Sicherheit eitritt, g vo bestimmter Art sid, da ist die Wahrscheilichkeit, dass eies dieser g Ereigisse eitritt, gleich dem Bruch g/ (g güstige uter mögliche Ereigisse). Diese Wahrscheilichkeit wird mit p bezeichet. Dazu eiige Beispiele: (A) Die Wahrscheilichkeit, mit eiem Würfel irgedeie Zahl vo bis 6 zu werfe, beträgt ohe Zweifel p =. (B) Die Wahrscheilichkeit, aus eier Ure mit Lose vo bis 0 das Los 7 oder ei Los mit kleierer Nummer herauszuziehe, beträgt etspreched der obige Defiitio p = 0,7. (C) Die Wahrscheilichkeit, aus eiem verdeckte Bridgespiel gerade das Herzass zu ziehe, beträgt aalog p = /52 0,02. (D) Die Wahrscheilichkeit, aus demselbe Kartespiel mehr als 4 Asse zu ziehe, ist aturgemäß p=0. (E) Die Wahrscheilichkeit, mit eier Müze Zahl zu werfe, beträgt p = 0,5. (F) Die Wahrscheilichkeit, mit eiem Würfel eie Sechs zu erziele, ergibt p = /6 = 0,67. Jede Wahrscheilichkeit hat eie Wert, der icht egativ ud icht größer als ist. Die Gesamtheit aller Wahrscheilichkeitswerte kostituiert die im folgede dargestellte Wahrscheilichkeitsskala, die sich vo 0 bis erstreckt; sie ethält die obe herausgehobee Wahrscheilichkeitswerte a de etsprechede Stelle markiert. Die im Beispiel geate Ereigisse A, B, C, D, E ud F besitze eie ihrer Skalepositio etsprechede Wahrscheilichkeit. Wir habe de Begriff der Wahrscheilichkeit och etwas äher zu erläuter. Halte wir us dabei a das Würfelbeispiel (F): Vo de 6 mögliche Augezahle. Abb... Wahrscheilichkeitsskala

3 3. Grudlage der Wahrscheilichkeitsrechug tritt eie mit Sicherheit ei. Diese 6 Ereigisse sid auch gleichwertig, de jedes Ereigis hat die gleiche Chace aufzutrete, we der Würfel icht gefälscht ist. Nehme wir a, als güstiges Ereigis werde ei Wurf mit gerader Augezahl agesehe. Drei Würfelfläche ethalte gerade Augezahle, daher beträgt die Wahrscheilichkeit des Auftretes eier gerade Augezahl 3/6 = 0,5. Die beide Begriffe gleichwertig ud eiader ausschließed solle och a 2 Beispiele illustriert werde. Beispiel : Jemad möchte die Wahrscheilichkeit, aus eiem Skatspiel etweder ei As oder eie Herzkarte zu ziehe, ermittel. Das Kartespiel ethält 32 Karte, dari befide sich 4 Asse ud 8 Herzkarte. Folglich stehe so möchte ma meie die güstige Ereigisse im Verhältis zu de mögliche Ereigisse wie 2 : 32, also ist p = 0,375. Diese Schlussfolgerug ist aber urichtig, de ei Ass (das Herzass) gilt zugleich auch als Herzkarte. Das Auftrete eies Asses schließt also das Auftrete eier Herzkarte icht aus. Die Bedigug, dass die Ereigisse eiader ausschließe solle, ist icht erfüllt. Daher sid wir zu eiem urichtige Wahrscheilichkeitswert gekomme. Der richtige beträgt p=/32 = 0,344. Beispiel 2: Ageomme, jemad möchte die Wahrscheilichkeit, bei 2 hitereiader durchgeführte Würfe mit eier Müze 2-mal Zahl zu erhalte, ermittel. Die 3 mögliche Ergebisse, 2-mal Zahl, 2-mal Adler sowie -mal Zahl ud -mal Adler, schließe sich gegeseitig aus. Ma köte schlussfolger, die Wahrscheilichkeit, 2-mal Zahl zu werfe, betrage /3. Diese Überlegug ist falsch, de die 3 Ereigisse sid icht gleichwertig. Das 3. Ereigis (Zahl Adler) ka ämlich i 2facher Weise zustadekomme: das erste Mal Zahl ud das zweite Mal Adler oder umgekehrt das erste Mal Adler ud das zweite Mal Zahl. Richtig wäre folgede Überlegug gewese: Es resultiere 4 gleichwertige Ereigisse: Zahl Zahl, Adler Adler, Zahl Adler ud Adler Zahl. Daraus ersehe wir, dass die Wahrscheilichkeit, 2-mal Zahl zu werfe, icht p = /3, soder p = /4 ausmacht. Dadurch, dass wir die Aufeiaderfolge vo Zahl ud Adler außer Acht gelasse habe, sid die Ereigisse icht mehr gleich wahrscheilich...3 Theoretische ud empirische Wahrscheilichkeit We wir eie Müze werfe, so erwarte wir das Resultat Zahl mit eier Wahrscheilichkeit vo p = /2. Wir folger ämlich: Es gibt ur 2 mögliche Resultate, vo dee eies im gegebee Fall mit Sicherheit eitrete muss, so dass we die Müze icht verfälscht ist jedes der beide Resultate die gleiche Wahrscheilichkeit für sich hat. Da wir dieses Resultat allei auf logischem Weg erzielt habe, spreche wir vo eier theoretische, eier erwartete oder eier A-priori-Wahrscheilichkeit. Werfe wir dagege eie Müze, dere eie Kate stark abgeutzt wurde, so dürfe wir icht mehr erwarte, dass bei eiem beliebige Wurf das Symbol Zahl mit der Wahrscheilichkeit p = /2 ach obe zu liege komme wird. Auf die Größe der Wahrscheilichkeit, i diesem Fall Zahl zu werfe, ka us ur ei Experimet eie Hiweis gebe: Wir werfe die Müze eiige hudert Male ud zähle aus, wie oft wir das Resultat Zahl erhalte. Bilde wir Quotiete aus

4 4 Kapitel Wahrscheilichkeitslehre der Azahl der Zahle ud der Azahl der Würfe, so erhalte wir eie relative Häufigkeit, die wir als empirische oder als A-posteriori-Wahrscheilichkeit bezeiche. Mit eier zuehmede Azahl vo Versuche kovergiert die relative Häufigkeit auf eie kostate Wert p (A): Bezeiche wir die Häufigkeit eies Ereigisses A mit f (A) ud die Azahl aller Ereigisse eier Versuchsreihe mit, so ergibt sich als Formel für die A-posteriori-Wahrscheilichkeit: f A p A = lim! : : Im Folgede wede wir us de wichtigste Gesetze der Wahrscheilichkeitsrechug zu, dem Additios- ud Multiplikatiossatz für Wahrscheilichkeite...4 Additios- ud Multiplikatiossatz Beispiel : Beim Würfelspiel köe wir us frage, wie groß die Wahrscheilichkeit ist, eie Sechs oder eie Füf zu werfe. Da wir es hier mit 2 güstige uter 6 mögliche Fälle zu tu habe, ist p = 2=6 0;33. Die Wahrscheilichkeit, eie Sechs, eie Füf oder eie Zwei zu werfe, ist etspreched durch /6 + /6 + /6 = 0,5 gegebe. Sie ist also die Summe der Wahrscheilichkeite, eie Sechs, eie Füf oder eie Zwei zu werfe. Die Verallgemeierug dieser Überlegug führt zum Additiossatz der Wahrscheilichkeit. Er lautet: Die Wahrscheilichkeit p, dass vo eiader ausschließede Ereigisse das erste oder das zweite oder das dritte oder das -te eitritt, ist gleich der Summe der Wahrscheilichkeite für das Auftrete der Eizelereigisse. Bezeiche wir allgemei mit p i die Wahrscheilichkeit des i-te Ereigisses, so beträgt die zusammegesetzte Wahrscheilichkeit p=p +p 2 +p 3 + :::+p i + :::+p = X p i : :2 i = Beispiel 2: We wir eie Würfel 2-mal hitereiader werfe, so köe wir us frage: Wie groß ist die Wahrscheilichkeit p, dass wir 2-mal eie Sechs werfe? Dieselbe Frage wäre auch für de gleichzeitige Wurf zweier Würfel zu stelle. Die theoretische Wahrscheilichkeit köte wir geauso wie im Beispiel bestimme; sie leitet sich aus folgeder Überlegug her: Die Wahrscheilichkeit, dass der. Wurf eie Sechs ist, beträgt p = /6. Ageomme, wir hätte geworfe ud wirklich eie Sechs erhalte. I diesem Fall besteht wiederum eie Wahrscheilichkeit vo p 2 = /6, dass auch der 2. Wurf eie Sechs ergibt. Dieselbe Wahrscheilichkeit p 2 = /6 hätte auch i jee 5 Fälle Geltug, i dee wir beim. Wurf keie Sechs erhalte hätte. Die beide Würfe sid ämlich voeiader uabhägig. Die Wahrscheilichkeit p, 2-mal acheiader eie Sechs zu werfe, beträgt demgemäß ur /6 der Wahrscheilichkeit, überhaupt eie Sechs zu werfe. Folglich ist p = p p 2 = /6 /6 = /36. Etspreched ist die Wahrscheilichkeit, mit eier Müze 2-mal Zahl zu werfe: p=p p 2 = /2 /2 = /4. Wir köe diese als Multiplikatiossatz der Wahrscheilichkeit bekate Tatbestad allgemei so formuliere: Die Wahrscheilichkeit p, dass voeiader uabhägige Ereigisse ge-

5 5. Grudlage der Wahrscheilichkeitsrechug meisam auftrete, ist gleich dem Produkt der Eizelwahrscheilichkeite p i dieser Ereigisse. p=p p 2 p 3 ::: p i ::: p = Y p i : :3 iˆ Additios- ud Multiplikatiossatz sid wichtige Ausgagspukte der folgede Ausführuge über die Kombiatorik ud der spätere über die statistische Etscheidug...5 Puktwahrscheilichkeite Wede wir us vo de Würfelversuche, die 6 mögliche Resultate ergebe, wieder dem eifachere Müzeversuch mit 2 Alterative zu. Frage wir us, welche Kombiatioe vo Zahl (Z) ud Adler (A) wir bei gleichzeitigem Wurf mit 3 Müze theoretisch erhalte köte. Im Folgede sid die Möglichkeite vollzählig zusammegestellt: ZZZ, ZZA, ZAZ, ZAA, AAA, AAZ, AZA, AZZ. Uter de 2 3 = 8 mögliche Resultate fide wir ur eis, bei dem alle Müze auf Zahl falle. Die Wahrscheilichkeit, 3-mal Zahl zu erhalte, ist demach p = /8. Die Wahrscheilichkeit, dass wir bei eiem Wurf die Kombiatio 2-mal Zahl, -mal Adler atreffe werde, beträgt 3/8 wie auch für die Kombiatio -mal Zahl ud 2-mal Adler. Die Wahrscheilichkeit, 3-mal Adler zu werfe, ergibt sich wiederum zu /8. Die Wahrscheilichkeit, ei bestimmtes Ereigis (z. B. 2 Z, A) zu erziele, et ma Puktwahrscheilichkeit. Ma erhält die Puktwahrscheilichkeit mit (klei) p bezeichet, idem ma die Häufigkeit der 4 im vorige Absatz als Beispiel geate Kombiatioe vo = 3 Elemete durch 8 als Azahl aller mögliche Kombiatioe dividiert. Diese p-werte erhalte wir auch, we wir die Zahle der 4. Zeile aus. Tab.., dem sog. Pascalsche Dreieck, durch 2 3 =8 dividiere. Das Pascalsche Dreieck i. Tab.. wurde für = bis = 5 i Eiserschritte oder kurz für = ()5 etwickelt. (Die i Klammer gesetzte Zeile =0 wurde. Tabelle. Überwiege vo Zahl Überwiege vo Adler 2 () (0) () 2 Z A ZZ ZA AA ZZZ ZZA ZAA AAA ZZZZ ZZZA ZZAA ZAAA AAAA ZZZZZ ZZZZA ZZZAA ZZAAA ZAAAA AAAAA 5 32

6 6 Kapitel Wahrscheilichkeitslehre der Vollstädigkeit halber mit aufgeomme.) I allgemeier Schreibweise kezeichet a(i), dass vo a bis i Itervalle der Größe i gezählt wird. Wie ma leicht erket, ergebe sich die Werte eier Zeile als Summe vo jeweils 2 beachbarte Werte der voragehede Zeile, ergäzt durch die Zahl am Afag ud am Ede der Zeile. Diesem Prizip folged, lässt sich das Pascalsche Dreieck i. Tab.. beliebig ergäze. Aus dieser Tabelle etehme wir weiter, dass bei eiem Wurf mit =4 Müze p(4 Z) = /6, p(3 Z, A)=4/6, p(2 Z, 2 A) = 6/6, p( Z, 3 A) = 4/6 ud p(4 A) = /6 resultiere. Etspreched sid die Puktwahrscheilichkeite für bestimmte Adler-Zahl- Kombiatioe für mehr als 4 Müze zu bereche (zur Herleitug des Pascalsche Dreiecks 7 S. 4). Die Berechug vo Puktwahrscheilichkeite ist esseziell für viele verteilugsfreie Verfahre. Allerdigs werde wir dazu wie auch für die im folgede zu besprechede Überschreitugswahrscheilichkeite i der Regel kompliziertere Wahrscheilichkeitsmodelle beötige als das beispielhaft verwedete Wahrscheilichkeitsmodell des Müzwurfes (7 Absch...7)...6 Überschreitugswahrscheilichkeite Wir wolle im Folgede och eie adere Wahrscheilichkeit keelere, die sich am beste ahad eies Wettbeispiels eiführe lässt: Ageomme, wir habe gewettet, mit =4 Müze midestes x = 3-mal Zahl zu werfe. Wie groß ist die Wahrscheilichkeit, diese Wette zu gewie? Die Atwort ist eifach: Midestes 3-mal bedeutet 3-mal oder 4-mal Zahl zu werfe; also ist die gesuchte Wahrscheilichkeit wir bezeiche sie mit (groß) P ud ee sie Überschreitugswahrscheilichkeit ach dem Additiossatz gleich der Puktwahrscheilichkeit, 3-mal Zahl zu werfe: p(x = 3) = 4/6 plus der Puktwahrscheilichkeit, 4-mal Zahl zu werfe: p(x = 4) = /6; also ist P = 4/6 + /6 = 5/6. I gleicher Weise köte wir ach der Wahrscheilichkeit, midestes 2-mal Zahl zu werfe, frage: Sie beträgt aalog P = 6/6 + 4/6 + /6 = /6. Wir köe die Überschreitugswahrscheilichkeit defiiere als die Wahrscheilichkeit des Auftretes eies bestimmte Ereigisses, vermehrt um die Wahrscheilichkeite aller extremere Ereigisse. Statt ach der Wahrscheilichkeit für midestes 3-mal Zahl hätte wir auch ach der Wahrscheilichkeit für höchstes -mal Adler frage köe. Für beide Fälle ist die Überschreitugswahrscheilichkeit atürlich idetisch. Allgemei: Die Wahrscheilichkeit, dass ei Ereigis A bei Versuche midestes x-mal auftritt, etspricht der Wahrscheilichkeit, dass das zu A komplemetäre Ereigis A (lies: o-a) höchstes ( x)-mal auftritt. I dem obige Beispiel habe wir sozusage eiseitig gewettet. Was uter eier eiseitige Wette zu verstehe ist, wolle wir gleich am etgegegesetzte Fall eier zweiseitige Wette illustriere: Wir wette, bei 4 Würfe etweder 4-mal oder 0-mal Zahl zu werfe. Wie groß ist die Chace, diese Wette zu gewie? Die Puktwahrscheilichkeit für x = 4 beträgt p(x = 4) = /6, ud die Puktwahrscheilichkeit für x = 0 ist p(x = 0) = /6, so dass die zweiseitige Überschreitugs-

7 7. Grudlage der Wahrscheilichkeitsrechug wahrscheilichkeit, die wir durch P' kezeiche, mit P' = 2/6 der doppelte eiseitige Überschreitugswahrscheilichkeit etspricht. Hätte wir gewettet, midestes 3-mal Zahl oder höchstes -mal Zahl zu werfe, so wäre dies ebefalls eie zweiseitige Wette, dere Gewichace ach dem Pascalsche Dreieck wie folgt zu bereche wäre: Midestes 3-mal Zahl heißt 3- oder 4-mal Zahl, dere Puktwahrscheilichkeite 4/6 ud /6 betrage. Hizu komme die Wahrscheilichkeite für -mal Zahl (p = 4/6) ud für 0-mal Zahl (p = /6). Die gesamte zweiseitige Überschreitugswahrscheilichkeit ist also P' = /6 + 4/6 + 4/6 + /6 = 0/6. Die Frage, ob es sich um eie eiseitige oder zweiseitige Wette oder i der Termiologie der Statistik um eie eiseitige oder zweiseitige Test hadelt, ist für die Etscheidug bestimmter empirischer Fragestelluge vo großer Bedeutug. Wir werde darauf a späterer Stelle (7 Absch. 2.2.) och zurückkomme. Festzuhalte ist, dass die Wahrscheilichkeit für die zweiseitige Frage durch Verdopplug der Wahrscheilichkeit für die eiseitige Frage zu ermittel ist, sofer die Wahrscheilichkeitsverteilug für x symmetrisch ist (7 Absch..2)...7 Elemete der Kombiatorik Es wäre uökoomisch, wollte wir A-priori-Wahrscheilichkeite für das Auftrete bestimmter Ereigisse auf die beschriebee Art ermittel; außerdem würde wir komplexere Probleme mit usere bisherige Mittel gar icht bewältige. Zur Berechug komplexer A-priori-Wahrscheilichkeite bediee wir us verschiedeer Formel eies Teilgebietes der Mathematik, der Kombiatorik. Diese Formel grüde sich auf 2 Prizipie, die wir sofort als Aaloga des Additiosud Multiplikatiossatzes der Wahrscheilichkeitsrechug erkee werde: Prizip : We ei Ereigis A auf m-fache ud ei aderes Ereigis B auf -fache Weise etstehe ka, so ka das Ereigis A oder B auf (m + )-fache Weise etstehe, vorausgesetzt, dass A ud B icht gleichzeitig auftrete köe. Prizip 2: We ei Ereigis A auf m-fache ud ei Ereigis B auf -fache Weise etstehe ka, da ka das Ereigis (A, B), d. h. dass zuächst A ud da B eitritt, auf (m )-fache Weise etstehe, vorausgesetzt, dass alle Möglichkeite auftrete köe. Was diese beide Sätze beihalte, wolle wir us wieder a eiem eifache Beispiel überlege: Das Ereigis A eie Herzkarte aus eiem Skatblatt zu etehme ka auf 8 verschiedee Weise verwirklicht werde; das Ereigis B eie Kreuzkarte zu etehme ka ebefalls auf 8 verschiedee Weise erfolge. Es gibt also = 6 verschiedee Möglichkeite, eie Herz- oder eie Kreuzkarte aus eiem Skatblatt vo 32 Karte zu ziehe, oder die Wahrscheilichkeit, eie Herz- oder Kreuzkarte aus dem Skatblatt zu ziehe, beträgt p = 6/32 = 0,5. Dies war das. Prizip. Das 2. Prizip köe wir us dadurch veraschauliche, dass wir acheiader 2 Karte aus dem Skatspiel etehme. Bleibe wir bei de Farbe Herz ud Kreuz. Eie Herzkarte kote wir auf 8fache Weise etehme, ebeso eie

8 8 Kapitel Wahrscheilichkeitslehre Kreuzkarte. Auf wievielfache Weise köe wir u eie Herzkarte ud eie Kreuzkarte etehme? Wir köe das Herzass mit eiem Kreuzass, eie Kreuzköig, eier Kreuzdame usw. paare; es resultiere 8 Paarugsmöglichkeite. Dieselbe Azahl vo Möglichkeite ergibt sich für de Herzköig, für die Herzdame, de Bube usw. bei der Paarug mit eier Kreuzkarte. Im Gaze gibt es also 8 8 = 64 Möglichkeite. Die beide Prizipie köe vo 2 auf k Ereigisse verallgemeiert werde. Für drei eiader ausschließede Ereigisse A, B, C, die auf m-, -, o-fache Weise etstehe köe, gilt: Das Ereigis A oder B oder C ka auf (m++o)-fache Weise zustade komme; das Ereigis (A, B, C) ka i (m o)-facher Weise zustade komme. Permutatioe ud Variatioe Überlege wir us eimal, auf wieviele Weise wir die 3 Buchstabe des Wortes ROT aorde köe. Versuche wir es erst durch Probiere: ROT RTO OTR ORT TRO TOR Es habe sich 6 Aorduge ergebe. Wie ist die Etstehug dieser Aorduge zu deke? Wir habe 3 Möglichkeite, eie der 3 Buchstabe a die. Stelle zu setze. Nach der Etscheidug für eie Möglichkeit, z. B. das R, habe wir ur mehr 2 Möglichkeite, eie der verbleibede Buchstabe a die 2. Stelle zu setze; wir wähle z. B. das O. Für die Besetzug der 3. Stelle ergibt sich ur och eie Möglichkeit, das restliche T. Die. Stelle ka also auf 3fache, die 2. auf 2fache ud die 3. Stelle auf fache Weise besetzt werde. Betrachte wir die Besetzug der 3 Stelle, so ergibt sich umittelbar, dass sie auf 3 2 = 6fache Weise möglich ist. Die 6 mögliche Aorduge der 3 Buchstabe des Wortes ROT sid die Permutatioe der Elemete R, T, O; die 4 Ziffer 3, 5, 6 ud 9 ergebe ach derselbe Regel = 24 Permutatioe, k Objekte liefer etspreched k (k )... 2 Permutatioe. Schreibe wir das fortlaufede Produkt der atürliche Zahle vo bis k vereifached als k! (lies: k Fakultät), so ist die Zahl der Permutatioe Pk vo k Elemete durch die Gleichug P k = k! (.4) gegebe. Wie steht es u mit der Permutatioszahl vo Elemete, we jeweils ur ei Teil, also z. B. k Elemete i eier Aordug beutzt werde? Wieviele Permutatioe zu je k = 4 Buchstabe lasse sich beispielsweise aus dem Wort MOR- GEN mit = 6 bilde? Stelle wir aaloge Überleguge wie obe a. Die. Stelle der Aordug ka auf -fache Weise besetzt werde, die 2. ka i ( )-facher Weise besetzt werde, die 3. i ( 2)-facher Weise usw. bis zur k-te Stelle. Ehe wir die k-te Stelle eisetze, habe wir (k ) vo de Elemete i der Aordug utergebracht, ud es verbleibe och (k ) = k+ Elemete zur Dispositio für die Besetzug der letzte Stelle. Die Azahl dieser mögliche Permutatioe beträgt demach ( )... ( k + ).

9 9. Grudlage der Wahrscheilichkeitsrechug Dass auch hier wieder die Fakultäteschreibweise möglich ist, wird deutlich, we wir dieses Produkt erweiter, idem wir es mit der Azahl aller Faktore multipliziere, die zwische ( k+) ud liege, ud es durch dieselbe Faktore dividiere: 2 ::: k+ k k k 2 ::: 2 : k k k 2 ::: 2 Wede wir auf diese Ausdruck die Fakultäteschreibweise a, so erhalte wir die Azahl der Permutatioe vo Elemete zu je k Elemete oder wie ma auch sagt Variatioe vo Elemete zur k-te Klasse ach der Gleichug:! P k = k! : :5 Aus dem Wort MORGEN lasse sich also 6!/(6 4)! = 360 Permutatioe zu je 4 Buchstabe herstelle. Ka ei Elemet mehrfach eigesetzt werde, so spricht ma vo Variatioe mit Wiederholuge. Die Zahl der Variatioe vo Elemete zur k-te Klasse (i Kombiatio zu je k Elemete mit Wiederholuge) beträgt: V k = k : :6 Demach lasse sich z. B. aus dem Wort MOST ( = 4) 4 2 = 6 verschiedee Variatioe zu je k = 2 Buchstabe bilde, we Buchstabewiederholuge (MM, OO, SS ud TT) zulässig sid. Durch die Wiederholug vo Elemete ka k > sei. Für = 2 Elemete ud k Klasse ist 2V k =2 k : :7 Beim Werfe mit eier Müze z. B. habe wir = 2 Elemete (Zahl ud Adler). Diese lasse sich auf 2 3 = 8fache Weise i Dreiervariatioe aorde. Dies sid die Zahl-Adler-Abfolge, die sich bei k = 3 Müzwürfe ergebe köe. Bei 5 Würfe wäre also 2 5 = 32 Abfolge möglich. Um welche Abfolge es sich hier jeweils hadelt, lässt sich leicht dem Pascalsche Dreieck (. Tab..) etehme. Kombiatioe We wir aus Elemete alle Gruppe vo k Elemete bilde, erhalte wir alle Kombiatioe vo Elemete zur k-te Klasse. Zwei Kombiatioe sid verschiede, we sie sich midestes i eiem Elemet uterscheide. 23, 24, 234 etc. sid damit uterschiedliche Dreierkombiatioe der Elemete 234, aber icht 23, 23, 32 etc. Dies wäre Permutatioe der Kombiatio 23. Die i Gl. (.5) errechete Zahl der Permutatioe vo Elemete zur k-te Klasse umfasst sowohl alle Kombiatioe als auch dere Permutatioe. (Die Buchstabeabfolge MORG, MOGR, MROG etc. wurde hier als verschiedee Permutatioe gezählt.) Bei der Bestimmug der Azahl der Kombiatioe lasse wir die Permutatioe vo Buchstabe außer Acht, d. h. dere Reihefolge ist beliebig. Wir wisse aus Gl. (.4), dass jede Kombiatio zu k Elemete k!-fach permutiert werde ka. Die Azahl der Kombiatioe mal der Azahl der Permuta-

10 0 Kapitel Wahrscheilichkeitslehre tioe aus jeder Kombiatio muss also die Gesamtzahl der Permutatioe vo Elemete zur k-te Klasse gemäß Gl. (.5) ergebe. Bezeiche wir mit C k die Azahl der Kombiatioe vo Elemete zur k-te Klasse, so köe wir schreibe: k! C k = P k : :8 Setze wir de Wert für P k aus Gl. (.5) ei ud löse die Gleichug ach C k auf, so erhalte wir de Ausdruck für die Berechug der Kombiatioszahl! C k = k! k! : :9 Statt des verbleibede Bruches auf der rechte Seite der Gleichug schreibt ma meist das Symbol k, das vo Euler eigeführt wurde ud deshalb auch Eulersches Symbol geat ud als über k gelese wird: 2 ::: k+ C k = = : :0 k k! Aus dem Wort MORGEN lasse sich also 5 Kombiatioe mit jeweils 4 verschiedee Buchstabe bilde: 6C 4 = =5: Aus Gl. (.9) ergibt sich, dass k = k. So würde wir usere Aufgabe, 6 C 4 zu bereche, auch so bewältige: 6 C 4 = 6 C 6 4 = 6 C 2 = 6 2 =6 5=2 = 5. Setze wir i Gl. (.9) = k, so ist =, adererseits muss da aber = = 0 ebefalls sei. Ei weiteres Beispiel: Das Blatt eies Skatspielers repräsetiert eie Zeherkombiatio aus de 32 Karte des Spiels. Daach ka ei Spieler im Verlauf seies Lebes höchstes C 0 = = verschiedee Blätter erhalte, eie Möglichkeit, die er i der Tat wohl kaum ausschöpfe ka ud bei der die Spielregel, über de sog. Skat ochmals Karte austausche zu köe, och gar icht berücksichtigt ist..2 Wahrscheilichkeitsverteiluge.2. Verteilugsforme vo Zufallsvariable Das -fache Werfe eier Müze stellt eie beliebig oft wiederholbare Vorgag dar, der ach eier gaz bestimmte Vorschrift ausgeführt wird ud desse Ergebis vom Zufall bestimmt ist. Eie Vorgag dieser Art bezeiche wir als Zufallsexperimet. Die Zahl x zur Kezeichug des Ergebisses eies Zufallsexperimetes (z. B. x = 3-mal Adler) stellt dabei eie Realisierug der Zufallsvariable X dar. Ka die Zufallsvariable ur bestimmte Zahlewerte aehme, wie 0,, 2,

11 .2 Wahrscheilichkeitsverteiluge 3, 4 als Azahl der Adler beim Wurf vo 4 Müze, da hadelt es sich um eie diskrete Zufallsvariable; ka sie (u. U. auch ur ierhalb gewisser Greze) alle mögliche Werte aehme, wie der Fußpukt eies eimal gerollte Zyliders alle Werte zwische 0 ud 2rp, dem Umfag des Zyliders, da spricht ma vo eier stetige Zufallsvariable. Zufallsvariable werde im Allgemeie mit lateiische Großbuchstabe (X, Y, A, B) bezeichet, we die Gesamtheit aller mögliche Werte gemeit ist, z. B. X = alle atürliche Zahle zwische 0 ud 4 oder Y = alle reelle Zahle zwische 0 ud 2rp; sie werde mit lateiische Kleibuchstabe (x, y, a, b) symbolisiert, we bestimmte, durch Zufallsexperimete gewoee Werte (Realisatioe) gemeit sid, z. B. x = (3, 0, 2) oder y = (6,2r;,76r; 0,39r; 3,4r) im Falle der obige beide Experimete. Wahrscheilichkeitsfuktio Bei eier diskrete Zufallsvariable ordet die Wahrscheilichkeitsfuktio f(x) jeder Realisatio x i eie Wahrscheilichkeit p i zu: f X = p i fur X = x i 0 fur alle ubrige x. Für x = 3-mal Adler beim Werfe vo =4 Müze beträgt die Wahrscheilichkeit ach 7 Absch...5 f(x = 3) = 4/6. Durch die Wahrscheilichkeitsfuktio ist die Wahrscheilichkeitsverteilug oder kurz die Verteilug eier Zufallsvariable vollstädig bestimmt. Die Summe der Wahrscheilichkeite aller mögliche Realisatioe eier diskrete Zufallsvariable ist : P f(x i )=. Wird eie Wahrscheilichkeitsverteilug vo eier stetige Variable X gebildet, da resultiert aalog eie stetige Wahrscheilichkeitsverteilug, die icht durch Eizelwahrscheilichkeite, soder durch eie sog. Dichtefuktio f(x) mathematisch beschriebe wird, dere Itegral wie obe die Summe gleich ist: R f(x)dx =. Hier ka die Wahrscheilichkeit, dass ei mögliches Ergebis realisiert wird, ur auf ei bestimmtes Itervall J der Dichtefuktio bezoge werde: Ma ka also um dies am Zufallsexperimet des Zyliderrolles zu veraschauliche frage, wie groß die Wahrscheilichkeit ist, dass der Zylider i eiem Itervall zwische de Marke 3,4r ud 6,28r des Zyliderumfages aufliege werde. Diese Wahrscheilichkeit ist im vorliegede Fall (eier stetige Gleichverteilug) mit p = 0,5 ebeso groß wie die Wahrscheilichkeit, dass der Fußpukt des Zyliders ach dem Rolle zwische 0,00r ud 3,4r liege werde. Verteilugsfuktio Wahrscheilichkeitsverteiluge lasse sich auch so darstelle, dass sie agebe, wie groß die Wahrscheilichkeit P ist, dass i eiem Zufallsexperimet die Variable eie Wert kleier oder gleich x aimmt. Aus derartige Verteiluge lasse sich damit eifach die i 7 Absch...6 behadelte Überschreitugswahrscheilichkeite P ablese. Diese Darstellugsform der Wahrscheilichkeite eier Zufallsvariable bezeichet ma als Verteilugsfuktio F(X). Bei diskrete Zufallsvariable erhält ma sie wie das folgede Beispiel zeigt durch fortlaufede

12 2 Kapitel Wahrscheilichkeitslehre Summatio (Kumulatio) der Puktwahrscheilichkeite der Wahrscheilichkeitsfuktio. Für das Werfe vo = 4 Müze erhält ma: Azahl der Adler =X i Wahrscheilichkeitsfuktio f(x i ) /6 4/6 6/6 4/6 /6 Verteilugsfuktio F(x i ) /6 5/6 /6 5/6 6/6. Formalisiert ma das Vorgehe der fortlaufede Summierug bis jeweils zum Variablewert x k, so ergibt sich für diskrete Wahrscheilichkeitsverteiluge F x k = Xk iˆ0 f x i : : a Die Verteilugsfuktio stetiger Zufallsvariable F(X) erhält ma i etsprecheder Weise, we ma statt vo 0 bis x k zu summiere vo bis x k itegriert: F x k = Z x k f X dx : : b Die stetige Wahrscheilichkeitsverteilug useres Zyliderbeispiels begit zwar bei x = 0 (ud icht bei x = ), doch köe wir i gleicher Weise argumetiere: Die Wahrscheilichkeit, eie Variablewert vo 3,4r oder eie iedrigere Wert zu errolle (x 3,4 r), beträgt P = F(3,4 r) = 0,5, die Wahrscheilichkeit eies Wertes x 4,7 r ist 0,75 ud die Wahrscheilichkeit eies Wertes x 6,28 r ist,00. Erwartugswerte Oft stellt sich die Frage, wieviele Realisatioe eier bestimmte Art ma bei eiem Zufallsexperimet zu erwarte hat, beim Müzewurf etwa, wie oft ma bei N Würfe mit =4 Müze x = i Adler zu erwarte hat. Ket ma die Wahrscheilichkeitsfuktio der Zufallsvariable, da bildet ma eifach E(N, x = i) = Nf(x = i) = N p i. Mittels dieser Gleichug wäre die theoretisch zu erwartede Häufigkeite E(x i ) der Ergebisse vo N Zufallsexperimete vorauszusage: Werfe wir = 4 Müze N=28-mal, so erwarte wir E(x = 0) = 28 (/6) = 8-mal 0 Adler, E(x = ) = 28 (4/6) = 32-mal Adler, E(x = 2) = 28 (6/6) = 48-mal 2 Adler, E(x = 3) = 28 (4/6) = 32-mal 3 Adler ud E(x = 4) = 28 (/6) = 8-mal 4 Adler. Mit dieser theoretisch zu erwartede Häufigkeitsverteilug köte wir die Ergebisse eies tatsächlich durchgeführte Experimetes 28-mal 4 Müze wer-

13 3.2 Wahrscheilichkeitsverteiluge fe vergleiche ud feststelle, wie gut Beobachtug ud Erwartug übereistimme, wie gut sich die beobachtete der erwartete Häufigkeitsverteilug apasst (7 Absch. 5..3). Ebeso oft stellt sich die Frage, welche durchschittliche Wert die Zufallsvariable X bei viele Versuche aimmt. Dieser Wert wird als Erwartugswert eier Zufallsvariable X bezeichet. Für diskrete Zufallsvariable errechet ma de Erwartugswert E(X) ach folgeder Gleichug: E X = X i f x i x i : :2 a Der Erwartugswert E(X) der Zufallsvariable Azahl der Adler bei eiem Wurf mit = 4 Müze lautet damit E(X) = 0 /6 + 4/ / /6 + 4 /6 =2. Bei stetige Zufallsvariable errechet ma de Erwartugswert ach folgeder Beziehug: E X = Z X f X d X : :2 b Für de Erwartugswert eier Zufallsvariable verwedet ma auch das Symbol l. l bzw. E(X) kezeiche damit de Mittelwert bzw. die zetrale Tedez eier Verteilug. Ei weiteres wichtiges Maß zur Charakterisierug der Verteilug eier Zufallsvariable ist die Variaz r 2. Mit ihr wird die Uterschiedlichkeit, die die Werte eier Zufallsvariable X aufweise, beschriebe: r 2 = X i x i l 2 f x i : :3 a Betrachte wir de Ausdruck x i l als eie eue Zufallsvariable, erket ma uter Bezug auf Gl. (.2), dass die Variaz mit dem Erwartugswert der quadrierte Abweichug (X l) 2 idetisch ist: r 2 =E X l 2 : :4 Im obe geate Müzwurfbeispiel erreche wir eie Variaz vo r 2 = = = = = =6 =: Ist die Zufallsvariable stetig, errechet ma die Variaz ach folgeder Beziehug: r 2 = Z X l 2 f X dx : :3 b

14 4 Kapitel Wahrscheilichkeitslehre.2.2 Die Biomialverteilug Mit dem Müzbeispiel habe wir eie Wahrscheilichkeitsverteilug verwedet, die für gleich mögliche Ereigisse ( Z ud A ) gilt. Diese Verteilug heißt Biomialverteilug für gleich wahrscheiliche Alterativereigisse. Die Wahrscheilichkeitsfuktio für die Zufallsvariable X (z. B. Häufigkeit für das Ereigis Zahl ) lautet: p X = X 2 : :5 Diese Verteilug wurde bereits im Pascalsche Dreieck (. Tab..) tabelliert. Die Zahlewerte im Dreieck etspreche dem. Faktor x. I der rechte Radspalte fide wir de Kehrwert 2 des 2. Faktors der Gl. (.5). Wir köe daach die Puktwahrscheilichkeite, x-mal Zahl zu werfe, für Würfe mit beliebig viele () Müze bereche. Es ist u der allgemeie Fall zu betrachte, dass die beide Ereigisse icht gleich wahrscheilich sid. Herleitug der Wahrscheilichkeitsfuktio Ei Ereigis E habe die Realisatioswahrscheilichkeit p (E) = /2 ud das alterative Ereigis E (lies: No-E) die komplemetäre Wahrscheilichkeit (E) = (E). Nach dem Multiplikatiossatz gelte da für die Sukzessio des Auftretes vo E oder E i =2 Versuche, wobei zur Veraschaulichug E das Würfel eier Sechs ud E das Würfel eier adere Augezahl bedeute möge, folgede Wahrscheilichkeite [für p (E) schreibe wir vereifached p]: p (EE) = p p p(ee) = p ( p) p(ee)=( p) p p(ee)=( p) ( p). Lässt ma die Reihefolge der Ereigisse uberücksichtigt, ergebe sich die folgede Wahrscheilichkeite: p (EE) = p p = () p 2 = 2 p2 ( p) 0 p(ee oder EE) = p ( p) + ( p) p = (2) p ( p) = 2 2 p ( p) p(ee) = ( p) ( p) = () ( p) 2 = 2 0 p0 ( p) 2. I = 3 Versuche wäre die etsprechede Wahrscheilichkeite p(eee) = p p p = () p 3 = 3 p3 3 ( p) 0 p(eee oder EEE oder EEE) = (3) p 2 ( p) = 3 p2 2 ( p) p(eee oder EEE oder EEE) = (3) ( p) 2 p = 3 p ( p) 2 p(eee) = ( p) ( p) ( p) = () ( p) 3 = 3 p0 0 ( p) 3.

15 5.2 Wahrscheilichkeitsverteiluge Wir sehe, dass die eigeklammerte Faktore de Zahle der 2. ud 3. Zeile des Pascalsche Dreiecks etspreche, die sich als x mit x =,..., 0 ergebe. Verallgemeier wir vo =3 auf Versuche, so erhalte wir folgede Wahrscheilichkeite für das x-malige Auftrete des Ereigisses E: x = : p (-mal E ud 0-mal E) = p ( p) 0 x = : p ( -mal E ud -mal E) = p ( p) x = 2: p ( 2-mal E ud 2-mal E) = 2 p 2 ( p) 2.. x = 0: p (0-mal E ud -mal E) = 0 p0 ( p). Da mit x =,,...,0 alle mögliche Realisieruge der Zufallsvariable X erschöpft sid, muss die Summe der Wahrscheilichkeite dieser Realisieruge ergebe. Setzt ma p = p ud q = p, muss wege p+q=folgede Gleichug gelte: p+q = p q 0 + p q p 2 q p 0 q : Die rechte Seite dieser Verteilug stellt die Etwicklug des Bioms p+q für die -te Potez dar ud heißt deshalb biomische Etwicklug. Die Koeffiziete x heiße Biomialkoeffiziete, die ach dem Pascalsche Dreieck eifach zu bereche sid. Setzt ma weiterhi x = x, wobei x die Zahle 0,,..., durchläuft, so erhält ma p x = p x p x! = x x! x! px p x : :6 Nach dieser Gleichug lässt sich die Wahrscheilichkeit bereche, geau x-mal E zu beobachte. Die Wahrscheilichkeitsverteilug für alle Realisieruge der Zufallsvariable X heißt Biomialverteilug. Ist = p = /2, geht Gl. (.6) i Gl. (.5) über. Wie ma zeige ka (vgl. etwa Kreyszig, 973, Absch. 40) beträgt der Erwartugswert E(X) der Biomialverteilug l = p ud die Variaz r 2 = p ( p). Verteilugsfuktio Will ma icht Puktwahrscheilichkeite, soder Überschreitugswahrscheilichkeite dafür ermittel, dass X k, bediet ma sich zweckmäßiger der Verteilugsfuktio bzw. der Summefuktio der Biomialverteilug. Für de spezielle Fall p = p=/2 lautet sie P X k = Xk x 2 : :7 xˆ0 Für beliebiges p lautet die Summefuktio der Biomialverteilug etspreched

16 6 Kapitel Wahrscheilichkeitslehre P X k = Xk xˆ0 p x p x : x :8 Diese Verteilug ist für ausgewählte Werte p tabelliert (7 Tafel des Ahags). Die Beutzug dieser Tafel sei ahad vo Beispiele demostriert. Bei eier Jahrmarktslotterie möge die Chace für ei Gewilos 0% (p=0,) betrage. Wie groß ist die Wahrscheilichkeit, beim Kauf vo = 5 Lose midestes 4-mal zu gewie? Wir etehme der Tafel für = 5, p= 0, ud x = 4; 5...5: P = 0, , , , (0) = 0,0555. Oder als ei Beispiel für eie zweiseitige Fragestellug: Wie groß ist die Wahrscheilichkeit, dass sich i eier Familie mit = 0 Kider höchstes 2 oder midestes 8 Juge befide, we wir davo ausgehe, dass die Wahrscheilichkeit für die Geburt eies Juge bei p = 0,5 liegt? Für = 0, p= 0,5 ud x = 0; ; 2 bzw. x = 8; 9; 0 etehme wir Tafel : P' = 0, , , , , ,000 = 2 0,0547 = 0,094. Liegt die Wahrscheilichkeit für die utersuchte Alterative im Bereich p > 0,50, beutzt ma die adere Alterative ud dere Häufigkeite x für die Ermittlug der Überschreitugswahrscheilichkeit. Bezoge auf das. Beispiel ist die Wahrscheilichkeit für midestes 4 Gewilose (p =0,) mit der Wahrscheilichkeit für höchstes 5 4= Niete (p = 0,9) idetisch..2.3 Die Normalverteilugsapproximatio der Biomialverteilug Wird die Azahl der Versuche groß ( > 50), da ermittelt ma die Überschreitugswahrscheilichkeite bei icht zu kleier oder icht zu großer Wahrscheilichkeit der betrachtete Alterative (0, <p < 0,9) ökoomischer über die sog. Normalverteilug, der sich die Biomialverteilug mit wachseder Azahl der Versuche schell ähert. (Zur Bedeutug der Normalverteilug für die Statistik vgl. z. B. Bortz, 2005, Absch ) Die Gleichug für die Dichtefuktio der Normalverteilug lautet: f x = p r exp x l 2 =2r 2 Š :9 2p mit p=3,46. Ersetzt ma die Parameter l ud r durch die Parameter der Biomialverteilug, l= p ud, r = pq, so lautet die Gleichug für die Normalap- p proximatio der Biomialverteilug f x = p exp x p 2 =2pqŠ : :20 2ppq Die Normalverteilug liegt als sog. Stadard- oder Eiheitsormalverteilug mit l = 0 ud r= tabelliert vor (7 Tafel 2 des Ahags): f u = p exp u 2 =2 : :2 2p

17 7.2 Wahrscheilichkeitsverteiluge Hier ka zu jedem Wert x bzw. dem ihm etsprechede Wert u= p x p pq :22 die zugehörige Überschreitugswahrscheilichkeit P abgelese werde (7 S. 34). Die Trasformatio überführt eie Verteilug mit beliebigem ud r i eie Verteilug mit l=0 ud r = (vgl. dazu etwa Bortz, 2005, uter dem Stichwort z-trasformatio). Die Wahrscheilichkeit, beim Wurf vo = 0 Müze midestes x = 8 Zahle zu erhalte, erreche wir ach der exakte Biomialverteilug [Gl. (.8)] zu P = 0,0547. Über die Normalverteilug erhalte wir für p=q=/2 u= 8 0 =2 p =;90 0 =2 =2 Diesem Abszissewert u der Stadardormalverteilug etspricht ach Tafel 2 des Ahags ei P-Wert vo 0,0287, der im Verhältis zum exakt ermittelte P = 0,0547 zu iedrig ausgefalle ist. Offebar ist usere Stichprobe mit =0 zu klei für die Normalverteilugsapproximatio. Die Uterschätzug lässt sich allerdigs wie wir i 7 Absch. 5.. sehe werde mit Hilfe der sog. Kotiuitätskorrektur reduziere. Da die Normalverteilug symmetrisch ist, etspricht eiem positive u-wert dieselbe Überschreitugswahrscheilichkeit wie eiem egative u-wert..2.4 Die Polyomialverteilug Lasse wir die Beschräkug auf 2 Ausprägugsarte falle, so geht die Biomialverteilug i die Polyomialverteilug oder auch Multiomialverteilug über. Für m Ausprägugsarte mit de Wahrscheilichkeite p, p 2,...p m ergibt sich die Puktwahrscheilichkeit eier bestimmte Zusammesetzug eier Stichprobe des Umfages mit Elemete der erste, 2 Elemete der zweite ud m Elemete der m-te Ausprägug zu! p ; 2 ;...; m =! 2!... m! p p p m m : :23 Die Überschreitugswahrscheilichkeit P, die beobachtete oder eie extremere Zusammesetzug der Stichprobe durch Zufall azutreffe, ergibt sich zu P ˆ X p = X p ; 2 ;...; m ; :24 wobei die p alle Puktwahrscheilichkeite für Aorduge mit ; 2 ;...; m Elemete bezeichet, die kleier oder gleich der Puktwahrscheilichkeit der beobachtete Zusammesetzug sid. Die Ermittlug vo Pukt- ud Überschreitugswahrscheilichkeite sei a eiem Beispiel verdeutlicht. Ageomme, i eiem akademische Etscheidugsgremium befide sich = 4 Studete, dee die folgede Parteizugehörigkeite achgesagt werde:

18 8 Kapitel Wahrscheilichkeitslehre Partei A: =0, Partei B: 2 = ud Partei C: 3 =3. I der studetische Populatio habe die 3 Parteie folgede Sympathisateateile: p = 0,5, p 2 = 0,3 ud p 3 = 0,2. Wir frage ach der Wahrscheilichkeit der Gremiezusammesetzug agesichts dieser Populatiosverhältisse. Nach Gl. (.23) ergibt sich p =0; 2 =; 3 =3 = 4! 0!! 3! 0;50 0;3 0;2 3 =0;0096 : Diese Wahrscheilichkeit ist sehr gerig ud spricht icht für eie repräsetative Auswahl. Frage wir im Sie der Überschreitugswahrscheilichkeit, wie wahrscheilich diese ud och extremere Auswahle sid (extremer im Sie eier och stärkere Abweichug vo der Populatiosverteilug), beötige wir die Puktwahrscheilichkeite der extremere Auswahle. I userem Beispiel sid dies die Zusammesetzuge =0; 2 =4; 3 = 0 mit p =0;008 ; =0; 2 =0; 3 = 4 mit p =0;006 : Alle übrige Zusammesetzuge habe eie größere Puktwahrscheilichkeit als die agetroffee. Als Überschreitugswahrscheilichkeit erreche wir damit P = 0, , ,006 = 0,093. Die Polyomialverteilug spielt überall dort als Prüfverteilug eie Rolle, wo Elemete oder Ereigisse ach mehr als 2 Klasse aufgeteilt sid; sie wird, wie wir im ächste Abschitt sehe werde, durch eie adere, viel leichter zu hadhabede Verteilug hireiched gut ageähert, bei der die Bestimmug vo Überschreitugswahrscheilichkeite keierlei Mühe macht. Ei Spezialfall der Polyomialverteilug ist die Gleichverteilug oder Rechteckverteilug, i der p = p 2 =... p m = /m für alle m Klasse ist. Die Puktwahrscheilichkeit eier Stichprobe vo, 2,..., m Elemete ist gegebe durch p ; 2 ;...; m =!! 2!... m! =m 2... m =!! 2!... m! m : :25 Die Gleichverteilug für m=2 Klasse ist die Biomialverteilug für p=0,5. Nach der Termiologie vo Gl. (.5) etspricht = x ud 2 = x, so dass p ; 2 = =! 2! 2 =! x! x! 2 x 2 :

19 9.2 Wahrscheilichkeitsverteiluge.2.5 Die v 2 -Approximatio der Polyomialverteilug Die Ermittlug der Überschreitugswahrscheilichkeite ach der Polyomialverteilug ist scho für kleie Stichprobe sehr mühsam. Glücklicherweise geht sie bereits für relativ kleie Stichprobeumfäge i eie adere theoretische Verteilug, die v 2 -Verteilug, über, die vo Pearso (900) ach Überleguge vo Helmert (876) erarbeitet wurde. Diese Verteilug liegt ebefalls tabelliert vor (7 Tafel 3 des Ahags). Die v 2 -Verteilug geauer: die v 2 -Verteilug für k Freiheitsgrade ist defiiert als Verteilug der Summe der Quadrate vo k uabhägige Stadardormalvariable u i =(x i l)/r ach v 2 =u 2 u u2 k : :26 Durch ifiitesimale Ableitug lässt sich zeige, dass die Ordiate f der v 2 -Verteilug im Pukt v 2 der Abszisse gegebe ist durch f v 2 =K v k e v2 =2 wobei die Kostate K de folgede Wert aimmt: K= :!2 k 2 =2 k 2 2 :27 Wie die Polyomialverteilug eie Verallgemeierug der Biomialverteilug ist, so ist auch die v2-verteilug eie Verallgemeierug der Normalverteilug: Etimmt ma jeweils ur k= ormalverteilte Zufallszahle, da geht der Ausdruck (.27) i die Form f v 2 =K e x2 =2 p über, die mit Gl. (.2) idetisch ist, we ma v 2 durch u 2 ud K durch = 2p ersetzt. :28 Kritisch für die Bestimmug der zu eiem bestimmte v 2 -Wert gehörede Überschreitugswahrscheilichkeit P ist die Zahl der Freiheitsgrade (Fg). I der Defiitiosgleichug (.26) ist Fg = k, also gleich der Zahl der uabhägige u-werte. Liegt aber P u=cost. fest, weil etwa l u = P u/k als Durchschitt der u-variable gegebe ist, da reduziert sich die Zahl der Freiheitsgrade um ; dies ist auch bei m Klasse vo Häufigkeite f der Fall, we P f = =cost. Wie Pearso gezeigt hat, ist auch der folgede Ausdruck approximativ v 2 -verteilt: v 2 = Xm iˆ b i e i 2 e i : :29 Dabei sid b i die i eier Kategorie i beobachtete ud e i die theoretisch erwartete Häufigkeite. Dieser Ausdruck ist v 2 -verteilt, we die erwartete Häufigkeite e i geüged groß sid. Als Richtwerte für ei ausreiched großes e i werde i der statistische Literatur uter verschiedee Bediguge Werte e i =5, e i =0 oder e i = 30 agegebe (7 dazu Kap. 5). Zur Verdeutlichug vo Gl. (.29) greife wir ereut das i 7 Absch..2.4 geate Beispiel auf, u allerdigs mit eier größere Stichprobe. Ageomme, vo = 30 Studete sympathisiere b = 5 mit Partei A, b 2 = mit Partei B ud

20 20 Kapitel Wahrscheilichkeitslehre b 3 = 4 mit Partei C. Die theoretisch erwartete Häufigkeite erhalte wir, idem die auf S. 8 geate p-werte mit multipliziert werde: e = 0,5 30 = 5, e 2 = 0,3 30 = 9 ud e 3 = 0,2 30 = 6. Nach Gl. (.29) resultiert damit ei v 2 vo v 2 = =; : Da die theoretische Häufigkeite i diesem Beispiel die gleiche Summe ergebe müsse wie die beobachtete, hat dieser v 2 -Wert m =2 (m = Azahl der Kategorie) Freiheitsgrade. Tafel 3 des Ahags ist zu etehme, dass für Fg=2 ei v 2 =,022 eie Überschreitugswahrscheilichkeit vo P = 0,60 ud ei v 2 =,386 eie Überschreitugswahrscheilichkeit vo P = 0,50 aufweise. Demach hat der empirisch ermittelte v 2 -Wert eie Überschreitugswahrscheilichkeit, die zwische 0,50 ud 0,60 liegt. Daraus wäre zu folger, dass die theoretische Verteilug icht graviered vo der empirische Verteilug abweicht (Näheres dazu 7 Absch. 5..3)..2.6 Die Poisso-Verteilug We die Azahl der Ereigisse sehr groß ud die Wahrscheilichkeit des utersuchte Ereigisses p sehr klei sid, wird die Ermittlug biomialer Wahrscheilichkeite ach Gl. (.6) sehr aufwedig. I diesem Falle empfiehlt es sich, die exakte biomiale Wahrscheilichkeite durch die Wahrscheilichkeite eier adere Verteilug, der Poisso-Verteilug, zu approximiere. Die Wahrscheilichkeitsfuktio der Poisso-Verteilug lautet: p x = lx x! e l :30 mit l= p ud e=2,783 (Basis der atürliche Logarithme). Die Biomialverteilug geht i die Poisso-Verteilug über, we??, p? 0 ud p=cost. (vgl. dazu etwa Kreyszig, 973, Absch. 42). Variaz ud Mittelwert sid bei der Poisso-Verteilug idetisch: l=r 2 = p. Die Poisso-Verteilug wird gelegetlich auch als Verteilug selteer Ereigisse bezeichet. Ihre Berechug sei im Folgede a eiem Beispiel verdeutlicht. (Weitere Aweduge der Poisso-Verteilug fidet ma z. B. bei Hays, 973, Absch. 5.2). A eiem Roulettetisch werde a eiem Abed = 300 Spiele gemacht. Ei Spieler behauptet, dass a diesem Abed die Zahl 3 icht häufiger als 2-mal fällt. Mit welcher Wahrscheilichkeit hat der Spieler mit seier Behauptug recht, we es sich um ei faires Roulette hadelt, d. h. we p=/37? Nach Gl. (.30) erreche wir l = 300/37 = 8, ud p x =0 = p x = = p x =2 = 8; 0 e 8; =0;0003 0! 8; e 8; =0;0024! 8; 2 e 8; =0;0099 : 2!

21 2.2 Wahrscheilichkeitsverteiluge Als Überschreitugswahrscheilichkeit ergibt sich damit der Wert P = 0,026. Es empfiehlt sich also icht, der Ituitio des Spielers zu folge. Uter Verwedug vo Gl. (.6) lautet die exakte Überschreitugswahrscheilichkeit ach der Biomialverteilug P = 0, , ,0094 = 0,020. Die Poisso-Approximatio ka damit bereits für - ud p-werte i der Größeordug des Beispiels als brauchbar agesehe werde..2.7 Die hypergeometrische Verteilug Wir habe u abschließed och eie Wahrscheilichkeitsverteilug keezulere, die sich da ergibt, we Stichprobe zweiklassiger Elemete aus eier edlich begrezte Grudgesamtheit etomme werde: die hypergeometrische Verteilug. Die hypergeometrische Verteilug lässt sich ahad eies sog. Uremodells folgedermaße herleite: I eier Ure befide sich K farbige ud N K farblose Kugel, isgesamt also N Kugel. Die Wahrscheilichkeit, eie farbige Kugel zu ziehe, ist damit p = K/N. Die Wahrscheilichkeit, geau x farbige Kugel i eier Stichprobe vo Kugel zu fide, ergibt sich aus folgede Überleguge: Es bestehe K x Möglichkeite, x farbige Kugel aus de K isgesamt vorhadee farbige Kugel herauszugreife; es bestehe weiterhi N K x Möglichkeite, x farblose Kugel aus de isgesamt vorhadee N K farblose Kugel herauszugreife. Daher ergebe sich ach dem Multiplikatiossatz K x N K x Möglichkeite, aus de N Kugel x farbige ud x farblose Kugel zu ziehe. Da die Gesamtzahl aller Kombiatioe für Kugel aus N Kugel N beträgt, ergibt sich die Wahrscheilichkeit p(x) für x farbige Kugel aus Kugel zu: p x = K N K x x N : :3 Der Ausdruck p(x) etspricht eier Puktwahrscheilichkeit. Die Überschreitugswahrscheilichkeit, x oder weiger farbige Kugel zu ziehe, bestimmt ma als Summe der zugehörige Puktwahrscheilichkeite: P = p(x) + p(x ) +...+p(0). Die hypergeometrische p Verteilug hat eie Mittelwert vo p ud eie Stadardabweichug vo p p N = M ; sie hat p also das gleiche Mittel wie die Biomialverteilug, ur eie um de Faktor N = N kleiere Streuug. Sie geht i die Biomialverteilug über, we N??. Auch diese Verteilug sei a eiem Beispiel erläutert: We wir bereche wolle, wie hoch die Chace ist, im Zahlelotto 6 aus 49 de iedrigste Gewirag (x = 3 Richtige) zu habe, so wäre eizusetze: K = 6 (Azahl der mögliche Treffer), x = 3 (Azahl der tatsächliche Treffer), N = 49 (Azahl der Kugel im Ziehugsgerät), = 6 (Azahl zu zieheder Kugel), N K = 43 ud x= p x =3 = = =0;077 :

22

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen: 61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl

Mehr

15.4 Diskrete Zufallsvariablen

15.4 Diskrete Zufallsvariablen .4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet

Mehr

Wahrscheinlichkeit & Statistik

Wahrscheinlichkeit & Statistik Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege

Mehr

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:

Mehr

2 Vollständige Induktion

2 Vollständige Induktion 8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes

Mehr

Kapitel 6: Statistische Qualitätskontrolle

Kapitel 6: Statistische Qualitätskontrolle Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle

Mehr

Statistik und Wahrscheinlichkeitslehre

Statistik und Wahrscheinlichkeitslehre Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug

Mehr

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere

Mehr

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis 6. Grudlage der Wahrscheilichkeitsrechug 6.. Defiitioe ud Beispiele Spiele aus dem Alltagslebe: Würfel, Müze, Karte,... u.s.w. sid gut geeiget die Grudlage der Wahrscheilichkeitsrechug darzustelle. Wir

Mehr

3. Einführung in die Statistik

3. Einführung in die Statistik 3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :

Mehr

Statistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html

Statistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html Statistik Prof. Dr. K. Melzer kari.melzer@hs-esslige.de http://www.hs-esslige.de/de/mitarbeiter/kari-melzer.html Ihaltsverzeichis 1 Eileitug ud Übersicht 3 2 Dategewiug (kurzer Überblick) 3 2.1 Plaugsphase

Mehr

Monte Carlo-Simulation

Monte Carlo-Simulation Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil

Mehr

Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung

Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK Physikalische Prozesse, die eier statistische Gesetzmäßigkeit uterworfe sid, lasse sich mit eier Verteilugsfuktio beschreibe. Die Gauß-Verteilug

Mehr

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39 Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle

Mehr

Übungsblatt 1 zur Vorlesung Angewandte Stochastik

Übungsblatt 1 zur Vorlesung Angewandte Stochastik Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche

Mehr

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige

Mehr

Auch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.

Auch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert. Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl

Mehr

SUCHPROBLEME UND ALPHABETISCHE CODES

SUCHPROBLEME UND ALPHABETISCHE CODES SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich

Mehr

5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung

5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung Seite vo 7 5 Beroulli-Kette Jakob Beroulli 654-705 Schweizer Mathematiker ud Physiker 5. Beroulli-Exerimet 5.. Eileitug Oft iteressiert ma sich bei Zufallsexerimete icht für die eizele Ergebisse, soder

Mehr

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen.

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen. 3. Variazaalyse Die Variazaalyse mit eier quatitative abhägige Variable ud eier oder mehrerer qualitativer uabhägiger Variable wird auch als ANOVA (Aalysis of Variace) bezeichet. Mit eier Variazaalyse

Mehr

Innerbetriebliche Leistungsverrechnung

Innerbetriebliche Leistungsverrechnung Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der

Mehr

Zahlenfolgen, Grenzwerte und Zahlenreihen

Zahlenfolgen, Grenzwerte und Zahlenreihen KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:

Mehr

6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment

6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment 103 66 Grudzüge der Fehler- ud Ausgleichsrechug 661 Fehlerarte- Aufgabe der Fehler- ud Ausgleichsrechug Jedes physikalisch-techische Experimet liefert gewisse gemessee Werte x Bei dem Messvorgag verwede

Mehr

Statistik I/Empirie I

Statistik I/Empirie I Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass

Mehr

x 2 + 2 m c Φ( r, t) = n q n (t) φ n ( r) (5) ( + k 2 n ) φ n ( r) = 0 (6a)

x 2 + 2 m c Φ( r, t) = n q n (t) φ n ( r) (5) ( + k 2 n ) φ n ( r) = 0 (6a) Quatisierug eies skalare Feldes Das Ziel ist eigetlich das elektromagetische Feld zu quatisiere, aber wie ma scho a de MAXWELLsche Gleichuge sehe ka, ist es zu kompliziert, um damit zu begie. Außerdem

Mehr

Kryptologie: Kryptographie und Kryptoanalyse Kryptologie ist die Wissenschaft, die sich mit dem Ver- und Entschlüsseln von Informationen befasst.

Kryptologie: Kryptographie und Kryptoanalyse Kryptologie ist die Wissenschaft, die sich mit dem Ver- und Entschlüsseln von Informationen befasst. Krytologie: Krytograhie ud Krytoaalyse Krytologie ist die Wisseschaft, die sich mit dem Ver- ud Etschlüssel vo Iformatioe befasst. Beisiel Iteretkommuikatio: Versiegel (Itegrität der Nachricht) Sigiere

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

Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I

Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I Uiversität des Saarlades Fakultät für Mathematik ud Iformatik Witersemester 2003/04 Prof. Dr. Joachim Weickert Dr. Marti Welk Dr. Berhard Burgeth Lösuge der Aufgabe zur Vorbereitug auf die Klausur Mathematik

Mehr

Gliederung. Value-at-Risk

Gliederung. Value-at-Risk Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug

Mehr

Behandlung von Messunsicherheiten (Fehlerrechnung)

Behandlung von Messunsicherheiten (Fehlerrechnung) Behadlug vo Messusicherheite (Fehlerrechug). Ermittlug vo Messusicherheite. Messug ud Messusicherheit Die Messug eier physikalische Größe erfolgt durch de Vergleich dieser Größe mit eier Bezugseiheit ach

Mehr

Kapitel 4: Stationäre Prozesse

Kapitel 4: Stationäre Prozesse Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud

Mehr

Der natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier

Der natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier Der atürliche Werkstoff Holz - Statistische Betrachtuge zum uiaxiale Zugversuch am Beispiel vo Furier B. Bellair, A. Dietzel, M. Zimmerma, Prof. Dr.-Ig. H. Raßbach Zusammefassug FH Schmalkalde, 98574 Schmalkalde,

Mehr

3. Tilgungsrechnung. 3.1. Tilgungsarten

3. Tilgungsrechnung. 3.1. Tilgungsarten schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie

Mehr

Elementare Wahrscheinlichkeitsrechnung und Statistik

Elementare Wahrscheinlichkeitsrechnung und Statistik CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar

Mehr

Beschreibende Statistik Kenngrößen in der Übersicht (Ac)

Beschreibende Statistik Kenngrößen in der Übersicht (Ac) Beschreibede Statistik Kegröße i der Übersicht (Ac) Im folgede wird die Berechugsweise des TI 83 (sowie vo SPSS, s. ute) verwedet. Diese geht auf eie Festlegug vo Moore ud McCabe (00) zurück. I der Literatur

Mehr

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung MaMaEuSch Maagemet Mathematics for Europea Schools http://www.mathematik.uikl.de/ mamaeusch Grudgesamtheitsaaylse ud Stichprobe. Betrachtuge zur Stichprobefidug Paula Lagares Justo Puerto 1 MaMaEuSch 2

Mehr

Stichproben im Rechnungswesen, Stichprobeninventur

Stichproben im Rechnungswesen, Stichprobeninventur Stichprobe im Rechugswese, Stichprobeivetur Prof Dr Iree Rößler ud Prof Dr Albrecht Ugerer Duale Hochschule Bade-Württemberg Maheim Im eifachste Fall des Dollar-Uit oder Moetary-Uit Samplig (DUS oder MUS-

Mehr

elektr. und magnet. Feld A 7 (1)

elektr. und magnet. Feld A 7 (1) FachHochschule Lausitz Physikalisches Praktikum α- ud β-strahlug im elektr. ud maget. Feld A 7 Name: Matrikel: Datum: Ziel des Versuches Das Verhalte vo α- ud β-strahlug im elektrische ud magetische Feld

Mehr

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt 2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:

Mehr

Höhere Finanzmathematik. Sehr ausführliches Themenheft (d. h. mit Theorie) Aber auch mit vielen Trainingsaufgaben

Höhere Finanzmathematik. Sehr ausführliches Themenheft (d. h. mit Theorie) Aber auch mit vielen Trainingsaufgaben Expoetielles Wachstum Höhere Fiazmathematik Sehr ausführliches Themeheft (d. h. mit Theorie) Aber auch mit viele Traiigsaufgabe Es hadelt sich um eie Awedug vo Expoetialfuktioe (Wachstumsfuktioe) Datei

Mehr

Statistik I Februar 2005

Statistik I Februar 2005 Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet

Mehr

Erwartungswert und Varianz bei Verteilungen und Glücksspielen

Erwartungswert und Varianz bei Verteilungen und Glücksspielen HL Saalfelde Erwartugswert / Variaz Seite vo 7 Wilfried Rohm Erwartugswert ud Variaz bei Verteiluge ud Glücksspiele Mathematische / Fachliche Ihalte i Stichworte: Erwartugswerte ud Variaz (Stadardabweichug)

Mehr

BINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008

BINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008 Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe

Mehr

Aufgaben zur vollständigen Induktion

Aufgaben zur vollständigen Induktion c 7 by Raier Müller - Aufgabe zur vollstädige Idutio We ichts aderes agegebe ist, da gelte die Behauptuge für IN {; ; ;...}. A) Teilbareit: ) ist gerade (d.h. durch teilbar). ) ist durch teilbar. ) ist

Mehr

2. Gleichwertige Lösungen

2. Gleichwertige Lösungen 8. Gleichwertige Lösuge Für die Lösug jeder lösbare Aufgabe gibt es eie uedliche Azahl vo (abstrakte ud kokrete) Algorithme. Das folgede Problem illustriert, dass eie Aufgabe eifacher oder kompliziert,

Mehr

Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT

Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT Qualitätskezahle für IT-Verfahre i der öffetliche Verwaltug Lösugsasätze zur Vo Stefa Bregezer Der Autor arbeitet im Bereich Softwaretest ud beschäftigt sich als Qualitätsbeauftragter mit Theme zu Qualitätssicherug

Mehr

... a ik) i=1...m, k=1...n A = = ( a mn

... a ik) i=1...m, k=1...n A = = ( a mn Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,

Mehr

Kapitel 6: Quadratisches Wachstum

Kapitel 6: Quadratisches Wachstum Kapitel 6: Quadratisches Wachstum Dr. Dakwart Vogel Ui Esse WS 009/10 1 Drei Beispiele Beispiel 1 Bremsweg eies PKW Bremsweg Auto.xls Ui Esse WS 009/10 Für user Modell des Bremsweges gilt a = a + d a =

Mehr

Lernhilfe in Form eines ebooks

Lernhilfe in Form eines ebooks Ziseszisrechug Lerhilfe i Form eies ebooks apitel Thema Seite 1 Vorwort ud Eiführug 2 2 Theorie der Ziseszisrechug 5 3 Beispiele ud Beispielrechuge 12 4 Testaufgabe mit Lösuge 18 Zis-Ziseszis.de 212 Seite

Mehr

1 Analysis T1 Übungsblatt 1

1 Analysis T1 Übungsblatt 1 Aalysis T Übugsblatt A eier Weggabelug i der Wüste lebe zwei Brüder, die vollkomme gleich aussehe, zwische dee es aber eie gewaltige Uterschied gibt: Der eie sagt immer die Wahrheit, der adere lügt immer.

Mehr

Lerneinheit 2: Grundlagen der Investition und Finanzierung

Lerneinheit 2: Grundlagen der Investition und Finanzierung Lereiheit 2: Grudlage der Ivestitio ud Fiazierug 1 Abgrezug zu de statische Verfahre Durchschittsbetrachtug wird aufgegebe Zeitpukt der Zahlugsmittelbewegug explizit berücksichtigt exakte Erfassug der

Mehr

Nennenswertes zur Stetigkeit

Nennenswertes zur Stetigkeit Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit

Mehr

Daten und Zufall in der Jahrgangsstufe 9 Seite 1

Daten und Zufall in der Jahrgangsstufe 9 Seite 1 Date ud uall i der Jahrgagsstue Seite usammegesetzte uallsexperimete, Padregel Aubaued au de Erahruge aus de vorhergehede Jahrgagsstue beschätige sich die Schüler systematisch mit zusammegesetzte uallsexperimete

Mehr

Löslichkeitsdiagramm. Grundlagen

Löslichkeitsdiagramm. Grundlagen Grudlage Löslichkeitsdiagramm Grudlage Zur etrachtug des Mischugsverhaltes icht vollstädig mischbarer Flüssigkeite, das heißt Flüssigkeite, die sich icht bei jeder Temperatur i alle Megeverhältisse miteiader

Mehr

Musterlösung zu Übungsblatt 2

Musterlösung zu Übungsblatt 2 Prof. R. Padharipade J. Schmitt C. Schießl Fuktioetheorie 25. September 15 HS 2015 Musterlösug zu Übugsblatt 2 Aufgabe 1. Reelle Fuktioe g : R R stelle wir us üblicherweise als Graphe {(x, g(x)} R R vor.

Mehr

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I Model CreditRisk + : The Ecoomic Perspective of Portfolio Credit Risk Part I Semiar: Portfolio Credit Risk Istructor: Rafael Weißbach Speaker: Pablo Kimmig Ageda 1. Asatz ud Ziele Was ist CreditRisk +

Mehr

Ein kleines Einmaleins über Mittelwertbildungen

Ein kleines Einmaleins über Mittelwertbildungen Vorlesugsergäzug zur Igeieurmathematik R.Brigola Ei kleies Eimaleis über Mittelwertbilduge Grudlage über arithmetische Mittel, geometrische Mittel, harmoische Mittel, quadratische Mittel ud das arithmetisch-geometrische

Mehr

2. Diophantische Gleichungen

2. Diophantische Gleichungen 2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze

Mehr

Versuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE

Versuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE Versuch 3/ NEWTONSCHE INTERFERENZRINGE Blatt NEWTONSCHE INTERFERENZRINGE Die Oberfläche vo Lise hat im allgemeie Kugelgestalt. Zur Messug des Krümmugsradius diet das Sphärometer. Bei sehr flacher Krümmug

Mehr

LV "Grundlagen der Informatik" Programmierung in C (Teil 2)

LV Grundlagen der Informatik Programmierung in C (Teil 2) Aufgabekomplex: Programmiere i C (Teil vo ) (Strukturierte Datetype: Felder, Strukture, Zeiger; Fuktioe mit Parameterübergabe; Dateiarbeit) Hiweis: Alle mit * gekezeichete Aufgabe sid zum zusätzliche Übe

Mehr

Linsengesetze und optische Instrumente

Linsengesetze und optische Instrumente Lisegesetze ud optische Istrumete Gruppe X Xxxx Xxxxxxxxx Xxxxxxx Xxxxxx Mat.-Nr.: XXXXX Mat.-Nr.: XXXXX XX.XX.XX Theorie Im olgede werde wir eie kurze Überblick über die Fuktio, de Aubau ud die Arte vo

Mehr

Empirische Methoden I

Empirische Methoden I Hochschule für Wirtschaft ud 2012 Umwelt Nürtige-Geislige Fakultät Betriebswirtschaft ud Iteratioale Fiaze Prof. Dr. Max C. Wewel Prof. Dr. Corelia Niederdrek-Felger Aufgabe zum Tutorium Empirische Methode

Mehr

Informatik II Dynamische Programmierung

Informatik II Dynamische Programmierung lausthal Iformatik II Dyamische Programmierug. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Zweite Techik für de Algorithmeetwurf Zum Name: "Dyamische " hat ichts mit "Dyamik" zu tu, soder mit

Mehr

Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet

Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet Humboldt-Uiversität zu Berli Istitut für Iformatik Logik i der Iformatik Prof. Dr. Nicole Schweikardt Page-Rak: Markov-Kette als Grudlage für Suchmaschie im Iteret Skript zum gleichamige Kapitel der im

Mehr

SBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit

SBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur

Mehr

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte. Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste

Mehr

Physikalische Grundlagen: Strahlengang durch optische Systeme

Physikalische Grundlagen: Strahlengang durch optische Systeme ieser Text ist ür iteressierte Leser gedacht, die sich über die klausur-relevate, physiologische Grudlage hiaus mit der Optik des Auges beschätige wolle! Physikalische Grudlage: Strahlegag durch optische

Mehr

Stochastik für WiWi - Klausurvorbereitung

Stochastik für WiWi - Klausurvorbereitung Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F

Mehr

Wahrscheinlichkeitsrechnung

Wahrscheinlichkeitsrechnung www.s.schule.de/~matheabi 1 Wahrscheilichkeitsrechug Eileitug Dieser Text ist etstade, um Schülerie ud Schüler der Jahrgagsstufe 12 die Wiederholug des Stoffs voragegageer Jahre zu erleichter. Nebe viele

Mehr

Maximum Likelihood Version 1.6

Maximum Likelihood Version 1.6 Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel

Mehr

Allgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable

Allgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex

Mehr

Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003

Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Credit Risk+ Itegratiossemiar zur BBL ud BWL Witersemester 2002/2003 Oksaa Obukhova lia Sirsikova Credit Risk+ 1 Ihalt. Eiführug i die Thematik B. Ökoomische Grudlage I. Ziele II. wedugsmöglichkeite 1.

Mehr

15. WAHRSCHEINLICHKEITSRECHNUNG

15. WAHRSCHEINLICHKEITSRECHNUNG 5. WAHRSCHEINLICHKEITSRECHNUNG 5.. Eiführug Ereigisse sid oft icht geau vorhersagbar. Ma weiß vorher icht sicher, ob sie eitrete werde. Solche Ereigisse et ma zufällig. Beispiele: Müzwurf (Kopf oder Zahl)

Mehr

A Ω, Element des Ereignisraumes

A Ω, Element des Ereignisraumes ue biostatisti: grudlegedes zur wahrscheilicheit ud ombiatori 1/6 WAHRSCHEINLICHKEIT / EINIGE BEGRIFFE Ereigisraum Ω Elemetarereigis A: Ω ist die Mege aller mögliche Elemetarereigisse A Ω, Elemet des Ereigisraumes

Mehr

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0 UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Prof. Dr. Rolad Speicher M.Sc. Tobias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 01 Musterlösug zu Blatt 0 Aufgabe 1. Käpt Schwarzbart,

Mehr

Statistische Formelsammlung Begleitende Materialien zur Statistik - Vorlesung des Grundstudiums im Fachbereich IK

Statistische Formelsammlung Begleitende Materialien zur Statistik - Vorlesung des Grundstudiums im Fachbereich IK Statistische Formelsammlug Begleitede Materialie zur Statistik - Vorlesug des Grudstudiums im Fachbereich IK Erstellt im Rahme des studierede Projektes PROST Studiejahr 00/00 uter Aleitug vo Frau Prof.

Mehr

Kunde. Kontobewegung

Kunde. Kontobewegung Techische Uiversität Müche WS 2003/04, Fakultät für Iformatik Datebaksysteme I Prof. R. Bayer, Ph.D. Lösugsblatt 4 Dipl.-Iform. Michael Bauer Dr. Gabi Höflig 17.11. 2003 Abbildug E/R ach relatioal - Beispiel:

Mehr

Die Gasgesetze. Die Beziehung zwischen Volumen und Temperatur (Gesetz von J.-L. und J. Charles): Gay-Lussac

Die Gasgesetze. Die Beziehung zwischen Volumen und Temperatur (Gesetz von J.-L. und J. Charles): Gay-Lussac Die Gasgesetze Die Beziehug zwische olume ud Temeratur (Gesetz vo J.-L. Gay-Lussac ud J. Charles): cost. T oder /T cost. cost.. hägt h vo ud Gasmege ab. Die extraolierte Liie scheidet die Temeratur- skala

Mehr

FINANZMATHEMATIK. 1. Zinsen und Zinseszinsen. Finanzmathematik 81

FINANZMATHEMATIK. 1. Zinsen und Zinseszinsen. Finanzmathematik 81 Fiazmathematik 8 FINANZMATHEMATIK. Zise ud Ziseszise Die Zise als Preis für die Zurverfügugstellug vo Geld bilde das zetrale Elemet i der Fiazmathematik. Hierbei sid verschiedee Arte der Verzisug zu uterscheide.

Mehr

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie

Mehr

1. Ein Kapital von 5000 ist zu 6,5% und ein Kapital von 4500 zu 7% auf 12 Jahre angelegt. Wie groß ist der Unterschied der Endkapitalien?

1. Ein Kapital von 5000 ist zu 6,5% und ein Kapital von 4500 zu 7% auf 12 Jahre angelegt. Wie groß ist der Unterschied der Endkapitalien? Fiazmathematik Aufgabesammlug. Ei Kapital vo 5000 ist zu 6,5% ud ei Kapital vo 4500 zu 7% auf 2 Jahre agelegt. Wie groß ist der Uterschied der Edkapitalie? 2. Wa erreicht ei Kapital eie höhere Edwert,

Mehr

AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3

AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3 INHALTSVERZEICHNIS AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2 Datefluß ud Programmablauf 2 Vorbedigug 3 Nachbedigug 3 Schleifeivariate 3 KONSTRUKTION 4 ALTERNATIVE ENTWURFSMÖGLICHKEITEN 5 EFFEKTIVE

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Istitut für tochastik Prof. Dr. N. Bäuerle Dipl.-Math.. Urba Lösugsvorschlag 9. Übugsblatt zur Vorlesug Fiazmathematik I Aufgabe Ei euartiges Derivat) Wir sid i eiem edliche, arbitragefreie Fiazmarkt,

Mehr

Betriebswirtschaft Wirtschaftsmathematik Studienleistung BW-WMT-S12 011110

Betriebswirtschaft Wirtschaftsmathematik Studienleistung BW-WMT-S12 011110 Name, Vorame Matrikel-Nr. Studiezetrum Studiegag Fach Art der Leistug Klausur-Kz. Betriebswirtschaft Wirtschaftsmathematik Studieleistug Datum 10.11.2001 BW-WMT-S12 011110 Verwede Sie ausschließlich das

Mehr

IWW Studienprogramm. Aufbaustudium. Gründungscontrolling. Lösungshinweise zur 3. Musterklausur

IWW Studienprogramm. Aufbaustudium. Gründungscontrolling. Lösungshinweise zur 3. Musterklausur Istitut für Wirtschaftswisseschaftliche Forschug ud Weiterbildug GmbH Istitut a der FerUiversität i Hage IWW Studieprogramm Aufbaustudium Grüdugscotrollig Lösugshiweise zur 3. Musterklausur Lösugshiweise

Mehr

Versicherungstechnik

Versicherungstechnik Operatios Research ud Wirtschaftsiformati Prof. Dr. P. Recht // Dipl.-Math. Rolf Wedt DOOR Versicherugstechi Übugsblatt 3 Abgabe bis zum Diestag, dem 03..205 um 0 Uhr im Kaste 9 Lösugsvorschlag: Vorbereituge

Mehr

Grundkompetenz-Aufgaben

Grundkompetenz-Aufgaben Durch starte Mathematik übugsbuch bis Grudkompetez-Aufgabe Aufgrud der eue schriftliche Reifeprüfug i Mathematik ist es otwedig, sich mit de eue Grudkompetez-Aufgabe auseiaderzusetze. Die Olie-Ergäzug

Mehr

Kapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung

Kapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier

Mehr

Datenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007

Datenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007 Dateauswertug Prof. Dr. Josef Brüderl Uiversität Maheim Frühjahrssemester 007 Methode-Curriculum B.A. Soziologie Basismodul: Methode ud Statistik: VL Dateerhebug (): 5 ÜK (): 3 ----------------------------------------------------------

Mehr

Parameter von Häufigkeitsverteilungen

Parameter von Häufigkeitsverteilungen Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige

Mehr

Mathematischer Vorkurs zum Studium der Physik

Mathematischer Vorkurs zum Studium der Physik Uiversität Heidelberg Mathematischer Vorkurs zum Studium der Physik Übuge Aufgabe zu Kapitel 1 (aus: K. Hefft Mathematischer Vorkurs zum Studium der Physik, sowie Ergäzuge) Aufgabe 1.1: SI-Eiheite: a)

Mehr

Quantitative Methoden in der klinischen Epidemiologie Der statistische Test

Quantitative Methoden in der klinischen Epidemiologie Der statistische Test Lerziele Quatitative Methode i der kliische Epidemiologie Der statistische Test Dr. Markus Pfirrma pfi@ibe.med.ui-mueche.de IBE Der Statistische Test Im Zetrum jeder kliische ud epidemiologische Studie

Mehr

Aufgaben und Lösungen der Probeklausur zur Analysis I

Aufgaben und Lösungen der Probeklausur zur Analysis I Fachbereich Mathematik AG 5: Fuktioalaalysis Prof. Dr. K.-H. Neeb Dipl.-Math. Rafael Dahme Dipl.-Math. Stefa Wager ATECHNISCHE UNIVERSITÄT DARMSTADT SS 007 19. Jui 007 Aufgabe ud Lösuge der Probeklausur

Mehr

2.3 Kontingenztafeln und Chi-Quadrat-Test

2.3 Kontingenztafeln und Chi-Quadrat-Test 2.3 Kotigeztafel ud Chi-Quadrat-Test Die Voraussetzuge a die Date i diesem Kapitel sid dieselbe, wie im voragegagee Kapitel, ur dass die Stichprobe hier aus Realisieruge vo kategorielle Zufallsvariable

Mehr

1 = 1. 6 Induktionsannahme: Die Formal gelte für n = k. Induktionsschritt: Gültigkeit der Formel für k+1: 1 2 + 2 2 +... + k 2 + (k + 1) 2 = 2 = 6 = 6

1 = 1. 6 Induktionsannahme: Die Formal gelte für n = k. Induktionsschritt: Gültigkeit der Formel für k+1: 1 2 + 2 2 +... + k 2 + (k + 1) 2 = 2 = 6 = 6 65 Eric Müller Vollstädige Iduktio Nach GIUSEPPE PEANO (858-93) ka ma die Mege N der atürliche Zahle durch folgede Axiome defiiere []:. ist eie atürliche Zahl.. Zu jeder atürliche Zahl gibt es geau eie

Mehr

WS 2000/2001. zeitanteiliger nomineller Jahreszinssatz für eine unterjährige Verzinsungsperiode bei einfachen Zinsen

WS 2000/2001. zeitanteiliger nomineller Jahreszinssatz für eine unterjährige Verzinsungsperiode bei einfachen Zinsen Aufgabe 1: WS 2000/2001 Aufgabe 1: (4 P (4 Pukte) Gebe Sie die Formel zur Bestimmug des relative sowie des koforme Zissatzes a ud erläuter Sie die Uterschiede bzw. Gemeisamkeite der beide Zisfüße. Lösug:

Mehr

Satz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.

Satz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist. Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,

Mehr

Demo für www.mathe-cd.de

Demo für www.mathe-cd.de Wahrscheilichkeitsrechug Hypergeometrische Verteilug Themeheft ud Traiigsheft Datei r. 4211 Stad 17. April 2010 Friedrich W. Buckel Demo für ITERETBIBLIOTHEK FÜR SCHULMATHEMATIK 4211 Hypergeometrische

Mehr

1 Einführung in die Fehlerrechnung

1 Einführung in die Fehlerrechnung Physik für Biologie ud Zwei-Fächer-Bachelor Chemie Kap.: Eiführug i die Fehlerrechug Eiführug i die Fehlerrechug Tiefemessschiee Abbildug: Messschieber. Theoretische Grudlage Bei jeder physikalische Messug

Mehr