Splice-Stellen. Zentrales Dogma. Splicing. Introns & Exons. Genomische Datenanalyse 5. Kapitel
|
|
- Edwina Hofer
- vor 7 Jahren
- Abrufe
Transkript
1 Splice-Stellen Zentrales Dogma Genomische Datenanalyse 5. Kapitel Splicing Introns & Exons
2 Splice-Mechanismus Splice-Apparat Splice-Site-Erkennung Der GT-AG Typ Splicing findet immer nur an wenigen genau festgelegten Positionen statt. Diese Positionen müssen vom Splice-Apparat erkannt werden. Wie geht das? Sind es Eigenschaften der Sequenz? tcacccccttctccaggcgtgcagcccttcggcgtgccgctgtccatgccaccagtgatg gcagctgccctctcgcggcatggaatacggagcccggggatcctgcccgtcatccagccg gtggtggtgcagcccgtcccctttatgtacacaagtcacctccagcagcctctcatggtc tccttatcggaggagatggaaaattccagtagtagcatgcaagtacctgtaattgaatca tatgagaagcctatatcacagaaaaaaattaaaatagaacctgggatcgaaccacagagg Wie findet man sie? Donor Acceptor Viele Introns beginnen mit GT und enden mit AG. Das ist bemerkenswert, aber hilft es uns dabei, Splice-Stellen zu finden?
3 Das kann es noch nicht gewesen sein GGATCCCTGGAAAATGGAGAAGCTGTGCTAATAGAGGGGGGCCAGAAATCCCCACTCTAGAATGCT GTAGAATGTTGGGAGACACCCAGGATGTGAGCCAGGGACTTTCTGGAAGTGTTTGTTCTGGCCCCA CCCGACCCCAGGCAGTCCCCAGCTGTCTGCACAGTCGGATGGGGAGGGGGCTTGCACAGAGTTGGA GCCAGAGGAGAGAGCTGGCTCATCCCCTACGGTAGGATGGGGAAACCTCACAGACCACATTGTCAC CCGGCCTCAGCTCTCCGCCCCGGCGCTCAGAGGGTAACTCTCACCCACCTCGTCCGCTTCTCTGAA CCAGAGTGACCCAGGCTGCCGTCCGCCCCGCTCTCCTACCCCGAGTTGGCACGGAGGTATAGCGCC AGAGGGGGGCCCCAGGCGCCCCGAGGTCTTGCCCTTGCGGCTTTCCCTTTGCGGGGGTGGGCGCCT TCTTCCGGGTAGGGGCCACGTGGCCCTGGCCGGGCGGGGGGCTCGGCCCACCCCGCGCCGGGCCCA GTGACTCAGGCCGCAGCTGTTACCGCGTCACATGAGGGAGGCCGGCGGCCACTCGGCGGGGGAGGG Introns sind zwischen 100 und Basen lang. GT-Stellen liegen viel enger zusammen. Wir brauchen mehr Information! 10 bekannte Donor Positionen Exon CTCCGAAGTAGGATT TCAGAAGGTGAGGGC TTGGAAGGTTCGCAG TACTCAGGTACTCAC CGCCCAGGTGACCGG AGAAAGAGTAAGCTC CAATGCTGTATGTGT GGTCTCGGTAACTGC CCTGCTGGTAAGGCC TGTTGCGGTAGGTCC Intron Hier schauen wir auf den Kontext der GT-Position in echten Donor- Positionen. Die Donor-GT-Positionen sind untereinander geschrieben (multiples Alignment). Auf den ersten Blick können rechts und links vom GT alle möglichen Sequenzen stehen. Donor Alignment Hauptsächlich A 3 Donor Kandidaten CTCCGAAGTAGGATT CTCCGAAGTAGGATT 3 Kandidaten TCAGAAGGTGAGGGC TTGGAAGGTTCGCAG TACTCAGGTACTCAC CGCCCAGGTGACCGG AGAAAGAGTAAGCTC CAATGCTGTATGTGT GGTCTCGGTAACTGC CCTGCTGGTAAGGCC TGTTGCGGTAGGTCC Liest man das Alignment in vertikaler Richtung, so fällt auf, daß meist eine Base häufiger vorkommt als die anderen. TCAGAAGGTGAGGGC TTGGAAGGTTCGCAG TACTCAGGTACTCAC CGCCCAGGTGACCGG AGAAAGAGTAAGCTC CAATGCTGTATGTGT GGTCTCGGTAACTGC CCTGCTGGTAAGGCC TGTTGCGGTAGGTCC 1. AGGTACG 2. CCGTCCC 3. TGGTCCG Welche ist am ehesten eine Donor-Position? 1. AGGTACG 4 orange Positionen 2. CCGTCCC 0 orange Positionen 3. TGGTCCG 2 orange Positionen Hauptsächlich G
4 3 Donor Kandidaten Donor Profil 1. AGGTACG 2. CCGTCCC 3. TGGTCCG 1. AGGTACG 4 orange Positionen 2. CCGTCCC 0 orange Positionen 3. TGGTCCG 2 orange Positionen Wir können von keinem der 3 Kandidaten mit Sicherheit entscheiden, ob er ein Donor ist oder nicht. Trotzdem scheint es wahrscheinlicher, daß 1 ein Donor ist verglichen mit 2 und 3 liegt in der Mitte CTCCGAAGTAGGATT TCAGAAGGTGAGGGC TTGGAAGGTTCGCAG TACTCAGGTACTCAC CGCCCAGGTGACCGG AGAAAGAGTAAGCTC CAATGCTGTATGTGT GGTCTCGGTAACTGC CCTGCTGGTAAGGCC TGTTGCGGTAGGTCC Numerieren wir die Spalten um die GT-Position. Für jede Position können wir die relativen Häufigkeiten der 4 Basen berechnen: Position 3: A: 20% C: 0% G: 70% T: 10% Position 5: A: 0% C: 0% G: 0% T: 100% Position 7: A: 50% C: 20% G: 20% T: 10% Donor Profil: Größeren Datensatz # DONOR FREQUENCY MATRIX from A C G T Konstruktion Zufallsexperiment Jede Spalte entspricht einer Zerlegung des Intervalls [0,1] A C G T G
5 Zufallszahlen : 0.73, 0.12, 0.50, 0.94, 0.81, 0.02, 0.92, 0.34, 0.35 G T A C G T G A G G T A T G C Wiederholtes Experiment A C G T G A G G T A T G C A A G G T G A G T C T G G T A A G G C C G G T A A A A... Alle Zufallssequenzen enthalten das GT Signal an Position 5 und 6. Dies ist in dem Experiment ein sicheres Ereignis. Und auch der Kontext um diese Ankerposition ist ähnlich wie bei den echten Donor-Positionen. Donor Model 9 Positionen 9 Zufallsvariablen Simulierte Sequenzen GAGGTATGC AAGGTGAGT CTGGTAAGG CCGGTAAAA... GAAGTAGGA AAGGTGAGG AAGGTTCGC CAGGTACTC... Echte Donor Sequenzen Die simulierten Sequenzen sind den echten zwar nicht gleich, aber ähnlich. Idee: Wir modellieren Donor-Sequenzen als ob sie aus der Simulation stammen würden. Die Zahlen sind relative Häufigkeiten gemessen in %. Aus ihnen ergeben sich die Wahrscheinlichkeiten, die den Verteilungen der Zufallsvariablen zugrunde liegen. In dem Zufallsexperiment werden 9 Zufallsvariablen X 1,...,X 9 realisiert. Dabei hat aber X 1 eine andere Verteilung als X 2 und X 3 etc. X 1 ~p 1, p 1 =(0.3408, , , ) X 4 ~p 4, p 4 =(0,0,1,0)
6 Wahrscheinlichkeiten der Kandidatensequenzen A C G T P (AAGGTACGT) 0.34*0.6*0.8*1*1*0.53*0.71*0.81*0.46 = P (CCCGTCCCC) 0.36*0.13*0.03*1*1*0.03*0.08*0.05*0.16 =2.7e P (CTGGTCCGA) 0.36*0.14*0.8*1*1*0.03*0.08*0.81*0.16 =1.25e P (TACCTCCGT) = 0 P (AAGGTACGT) = ist doch eher eine kleine Wahrscheinlichkeit. Hintergrundmodell Wie sieht es mit der Wahrscheinlichkeit von Nicht- Donor-Positionen aus? Hintergrundmodell (Q): Alle 4 Basen in etwa gleich wahrscheinlich in allen Positionen Y i ~ (0.25, 0.25, 0.25, 0.25) für alle i. Q (AAGGTACGT) = (0.25) e-06 Die Sequenz ist entweder ein Donor oder nicht. Die Chancen stehen ca zu 1 zu Gunsten des Donors ( Modellvergleich P vs. Q ). Wahrscheinlichkeit P(AAGGTACGT) = P(CCCGTCCCC) = 2.7e-08 AAGGTACGT ist mal wahrscheinlicher ein Donor als CCCGTCCCC. Hier vergleichen wir die Wahrscheinlichkeiten zweier Sequenzen bezüglich des gleichen Modells. Dies ist ein sinnvolles Vorgehen, wenn wir wissen, daß eine der beiden Sequenzen ein Donor ist und die andere nicht. Die Evidenz ist dann erdrückend zugunsten der ersten Sequenz. Situation: Ein Modell (P) und viele Sequenzen. Likelihood P(AAGGTACGT) = Q(AAGGTACGT) = 3.815e-06 Für AAGGTACGT stehen die Chancen ca. 6000:1 zugunsten des Donors. Hier vergleichen wir die Wahrscheinlichkeiten einer Sequenz unter zwei verschiedenen Modellen. Einem Donor-Model (P) und einem Hintergrundmodell (Q). Man spricht hier auch von der Likelihood der Modelle gegeben die Sequenz. Situation: Eine Sequenz und viele Modelle
7 Likelihood-Ratio Für eine beliebige Sequenz S können wir den Likelihood-Ratio ρ=p(s)/q(s) ausrechnen. Er gibt an, wie die Chancen stehen, daß die Sequenz vom Donor-Modell generiert wurde oder vom Hintergrundmodell. 1. Für AAGGTACGT stehen die Chancen ca. 6000:1 zugunsten des Donors. 2. Für CCCGTCCCC etwa 140:1 zugunsten des Hintergrundes. 3. Für CTGGTCCGA etwa 3:1 zugunsten des Donors. Kanonische Experimente Um zu Verstehen was es bedeutet, daß ein Ereignis eine Wahrscheinlichkeit von p=0.2 hat, bedienten wir uns eines kanonischen Zufallsexperiments und des Als-Ob-Prinzips 0 p 1 Ein Ereignis mit Wahrscheinlichkeit p ist genauso wahrscheinlich wie das Ereignis, daß eine Zufallszahl in das rote Intervall fällt. Likelihood und Wahrscheinlichkeit sind nicht das gleiche. Wie verstehen wir Likelihood? Ein Zufallsexperiment Likelihood-Ratio Wir haben zwei Kisten mit Bällen darin. In der ersten Kiste sind nur weiße Bälle, in der zweiten Kiste sind 50% weiße und 50% rote Bälle. Wir werfen eine faire Münze um zu entscheiden welche Kiste wir benutzen werden. Dann ziehen wir n Bälle mit Zurücklegen aus dieser Kiste. Angenommen alle gezogenen Bälle sind weiß! Aus welcher Kiste kommen sie? Der Likelihood-Ratio ist:
8 Kanonisches Experiment für Likelihood-Ratio Ein Likelihood-Ratio von 2 ist vergleichbar mit einem weißen Ball, ein Likelihood-Ratio von 8 ist vergleichbar mit 3 weiße Bällen. Ein Likelihood-Ratio von 6000 zugunsten des Splicesitemodells verglichen mit dem Hintergrundmodel ist vergleichbar mit weißen Bällen. Haben wir bei einen beliebigen Modellvergleich einen Likelihood-Ratio von ρ beobachtet, dann können wir ρ auch ausdrücken in einer Anzahl weißer Bälle. Ein numerisches Problem Wahrscheinlichkeiten für eine feste Sequenz sind Produkte von Zahlen, die kleiner als 1 sind. P (CCCGTCCCC) 0.36*0.13*0.03*1*1*0.03*0.08*0.05*0.16 = 2.7e-08 Dies führt für lange Sequenzen zu sehr kleinen Zahlen. Der Likelihood-Ratio ist dann das Verhältnis zweier sehr kleiner Zahlen, was wiederum zu numerischer Instabilität führt. Der Computer hat Schwierigkeiten, diese Zahlen nahe Null zu unterscheiden (interne Zahlendarstellung). Log-Likelihood & Score Deshalb ist es oft besser, den Log-Likelihood-Ratio zu berechnen: Die Summe läßt sich numerisch stabil berechnen. Man nennt die Summanden auch positionsspezifische Scores. Und den Log-Likelihood-Ratio den Score der Sequenz Scores in der Bioinformatik Ausdrücke der Form log( P(...)/Q(...) ) gibt es in der Bioinformatik häufig. Sie werden zum Suchen eingesetzt. Dabei ist P immer ein Modell, das beschreibt wonach man sucht und Q ein Hintergrundmodell. Anwendungen: Sequenzalignment Homologiesuche Gendetektion Mustererkennung im Allgemeinen
9 Zurück zu den Donors Bisher haben wir nur einzelne Sequenzstücke der Länge 9 betrachtet. In der Praxis wird man aber eher ein langes Stück DNA auf mögliche Splicestellen untersuchen wollen. Hier können wir wieder von gleitenden Fenstern Gebrauch machen: 1,2,... n... S(n)=AAGGTACGT Fenster der Länge 9 Ribosomal-Protein S6 Anwendung auf das humane Ribosomal-Protein S6 An jeder GT-Stelle gibt es einen Ausschlag nach oben. Die meisten sind aber zu schwach um gesehen zu werden (ungünstiger Kontext um die GT-Stelle). Es gibt einige sehr starke Ausschläge. Hier spricht der Kontex sehr für Donor-Stellen. Sind es auch welche? Score (S(n)) Validierung Rauschen Es gibt 5 experimentell bestätigte Donor-Stellen in der Sequenz. Der Score in der Umgebung dieser Splice-Stellen ist unten aufgetragen. Die echten Donorstellen sind alle deutlich erkennbar. Aber was ist mit den anderen? Peaks?
10 Rauschen Zufällige Peaks Generieren wir eine Zufallssequenz X 1 (ω),...,x 5000 (ω) mit X i ~(0.25, 0.25, 0.25, 0.25) und suchen diese nach Donor-Stellen ab. Diese Stelle wird von den beiden Modellen mit 500:1 zugunsten des Donor-Modells bewertet. Aber sie ist kein Donor.... GTGGTAAGT ACGGTAAGC......AGGGTAAGA......AAGGTAAAA... Die Zufällige Sequenz hat natürlich keine Donorstellen. Aber wir finden doch kräftige Ausschläge des Scores. Sogar eine Stelle, an der wir ein Verhältnis von mehr als 700:1 zugunsten eines Donors haben....aaggtaaaa ACGGTAAGC... Fatamorganas... GTGGTAAGT......AGGGTAAGA... Zufälligen Segmente, die wie eine Donorposition erscheinen, sind typisch für lange zufällige Sequenzen. Sie sind wie eine Fatamorgana. Lange Zufallssequenzen gaukeln alles mögliche vor. Und auch beim Durchsuchen der sehr langen Genome findet man viele Erscheinungen, die hoch interessant erscheinen, aber Täuschungen sind. Lemma von Borel-Cantelli Jede unendlich lange zufällige Folge von Buchstaben enthält jeden beliebigen endlichen Text unendlich oft. Dies schließt die gesammelten Werke Shakespeares mit ein. In jeder zufälligen Buchstabenfolge steht also irgendwo der gesamte Shakespeare... am Stück... vom ersten bis zum letzten Wort... ohne jegliche Fehler. Die Frage ist nur wo? Genome sind zwar sehr lange Sequenzen, aber doch endlich. Lange vorgegebene Wörter zu finden, ist eher unwahrscheinlich. Für kurze gilt das nicht. Das Genom ist voll von GATTACA... ohne daß das was zu bedeuten hätte.
11 Nicht Signifikante Peaks Sequenzen aussieben GGATCCCTGGAAAATGGAGAAGCTGTGCTAATAGAGGGGGGCCAGAAATCCCCACTCTAGAATGCTGTAGAATGTTGGGAGACACCCA GGATGTGAGCCAGGGACTTTCTGGAAGTGTTTGTTCTGGCCCCACCCGACCCCAGGCAGTCCCCAGCTGTCTGCACAGTCGGATGGGG AGGGGGCTTGCACAGAGTTGGAGCCAGAGGAGAGAGCTGGCTCATCCCCTACGGTAGGATGGGGAAACCTCACAGACCACATTGTCAC CCGGCCTCAGCTCTCCGCCCCGGCGCTCAGAGGGTAACTCTCACCCACCTCGTCCGCTTCTCTGAACCAGAGTGACCCAGGCTGCCGT CCGCCCCGCTCTCCTACCCCGAGTTGGCACGGAGGTATAGCGCCAGAGGGGGGCCCCAGGCGCCCCGAGGTCTTGCCCTTGCGGCTTT CCCTTTGCGGGGGTGGGCGCCTTCTTCCGGGTAGGGGCCACGTGGCCCTGGCCGGGCGGGGGGCTCGGCCCACCCCGCGCCGGGCCCA GTGACTCAGGCCGCAGCTGTTACCGCGTCACATGAGGGAGGCCGGCGGCCACTCGGCGGGGGAGGG Ribosomal-Protein S6 Zufallssequenz Der Score einiger echter Donor-Positionen ist nicht signifikant. Man findet vergleichbare Ausschläge in zufälligen Sequenzen. Wozu das ganze? Oben sehen wir ca 600 Basen, darin sind 25 GT- Positionen enthalten. Rechnet man das auf 5000 Basen hoch (etwa die Länge des Ribosom-Protein S6 Gens), so erhält man ca. 208 GT-Positionen. Nimmt man den Kontext der GT-Position dazu... und betrachtet Positionen mit einem Score >100, bleiben nur 11 Positionen über und darunter sind die 5 echten Donor-Stellen. Hypothesen-Generierung Im Vergleich zu 208 GT-Positionen hat man das Kandidatenfeld durch das statistische Modell deutlich lichten können. Und das ist schon ein Erfolg. Keinem der Peaks kann man bereits trauen. Man findet sie auch in zufälligen Sequenzen. Hier ging es nicht darum, die Hypothese zu beweisen, daß ein bestimmter Sequenzabschnitt ein Donor ist (statistische Inferenz), sondern um Hypothesen über mögliche Donor-Positionen zu generieren. Hypothesen-Generierung ist typisch für Bioinformatik und kommt in den Statistik-Lehrbüchern (noch) zu kurz. Zusammenfassung - Likelihood - Likelihood-Ratio -Score - Lemma von Borel-Cantelli - Statistische Inferenz - Hypothesengenerierung
BLAST. Datenbanksuche mit BLAST. Genomische Datenanalyse 10. Kapitel
Datenbanksuche mit BLAST BLAST Genomische Datenanalyse 10. Kapitel http://www.ncbi.nlm.nih.gov/blast/ Statistische Fragen Datenbanksuche Query Kann die globale Sequenzähnlichkeit eine Zufallsfluktuation
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
MehrStation 1 Das Galtonbrett, Realmodelle
Station 1 Das Galtonbrett, Realmodelle Zeit zur Bearbeitung: 10 Minuten 1.1 Versuch:. Münzwurf mit dem Galtonbrett Betrachtet wird folgendes Zufallsexperiment: Fünf identische Münzen werden zehn-mal geworfen.
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung
MehrSequenzanalyse mit Markov-Ketten
Sequenzanalyse mit Markov-Ketten Andreas Spillner Bioinformatik, SS 208 Ausgangspunkt Die Abfolge von Buchstaben in einer Sequenz ist zufällig, aber es gibt in der Regel Abhängigkeiten zwischen benachbarten
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,
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,
MehrStochastik - Kapitel 2
" k " h(a) n = bezeichnet man als die relative Häufigkeit des Ereignisses A bei n Versuchen. n (Anmerkung: für das kleine h wird in der Literatur häufig auch ein r verwendet) k nennt man die absolute Häufigkeit
MehrStatistische Inferenz
Statistische Inferenz Prinzip der statistischen Inferenz Datensätze = Stichproben aus einer Gesamtpopulation (meistens) Beispiel : Messung der Körpertemperatur von 106 gesunden Individuen man vermutet,
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
MehrAufgabe 8: Stochastik (WTR)
Abitur Mathematik: Nordrhein-Westfalen 2013 Aufgabe 8 a) (1) WAHRSCHEINLICHKEIT FÜR KEINE ANGABE ERMITTELN Nach der Laplace Formel ist Anzahl der Personen, die keine Angabe machten keine Angabe Gesamtzahl
MehrLösungen Wahrscheinlichkeitstheorie
Lösungen Wahrscheinlichkeitstheorie Serie 6 Aufgabe 1 (stochastische Unabhängigkeit). Für die Ereignisse A, B und C sind folgende Wahrscheinlichkeiten bekannt: P (A) = 0, 2; P (B) = 0, 6; P (A \ B) = 0,
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine diskrete reellwertige Zufallsvariable, d.h. eine ZV e mit Wertebereich R (oder einer Teilmenge davon), sodass eine
MehrStochastik Klasse 10 Zufallszahlen
Thema Grit Moschkau Stochastik Klasse 10 Zufallszahlen Sek I Sek II ClassPad TI-Nspire CAS. Schlagworte: Urnenmodell, Histogramm, absolute und relative Häufigkeit, Zufallsexperiment, Wahrscheinlichkeit,
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
MehrVorlesung 3. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3 Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
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
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
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,
MehrElementare Wahrscheinlichkeitslehre
Elementare Wahrscheinlichkeitslehre Vorlesung Computerlinguistische Techniken Alexander Koller 13. November 2015 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen?
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrZentrum für Bioinformatik. Übung 4: Revision. Beispielfragen zur Klausur im Modul Angewandte Bioinformatik (erste Semesterhälfte)
Andrew Torda Björn Hansen Iryna Bondarenko Zentrum für Bioinformatik Übung zur Vorlesung Angewandte Bioinformatik Sommersemester 2014 20./23.06.2014 Übung 4: Revision Beispielfragen zur Klausur im Modul
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
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
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrHidden Markov Model (HMM)
Hidden Markov Model (HMM) Kapitel 1 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrInformationsgehalt von DNA
Informationsgehalt von DNA Topics Genes code, gene organisation, signals, gene detection Genomes genome organisation, nucleotide patterns, junk DNA DNA als Informationsträger DNA Building Blocks Desoxyribose
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
Mehr1. Eigenschaften einer Zufallsstichprobe
1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)
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
MehrBerechnung von W für die Elementarereignisse einer Zufallsgröße
R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.
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
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16 12. November 2015 Satz 3.16 (Binomischer Lehrsatz) Seien a, b R. Dann gilt für alle
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Bayes sches Lernen Niels Landwehr Überblick Grundkonzepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münzwürfe
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 13. Juli 2011 Ziel der Vorlesung Vermittlung von Grundkenntnissen der Statistik, Simulationstechnik und numerischen Methoden (Algorithmen) Aufgabe:
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung Pseudozufallszahlen sind, wie der Name schon sagt, keine echten Zufallszahlen, sondern werden durch Generatoren erzeugt. Als Pseudozufallszahlen bezeichnet man Zahlenfolgen die durch einen
MehrSachrechnen/Größen WS 14/15-
Kapitel Daten & Wahrscheinlichkeit 3.1 Kombinatorische Grundlagen 3.2 Kombinatorik & Wahrscheinlichkeit in der Grundschule 3.3 Daten Darstellen 3.1 Kombinatorische Grundlagen Verschiedene Bereiche der
MehrHidden-Markov-Modelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Hidden-Markov-Modelle Tobias Scheffer Thomas Vanck Hidden-Markov-Modelle: Wozu? Spracherkennung: Akustisches Modell. Geschriebene
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrLokale Sequenzähnlichkeit. Genomische Datenanalyse 9. Kapitel
Lokale Sequenzähnlichkeit Genomische Datenanalyse 9. Kapitel Globale Sequenzähnlichkeit: Zwei Cytochrome C Sequenzen: Eine vom Menschen und eine aus der Maus. Die Sequenzen sind gleich lang, man kann sie
MehrKapitel I Diskrete Wahrscheinlichkeitsräume
Kapitel I Diskrete Wahrscheinlichkeitsräume 1. Grundlagen Definition 1 1 Ein diskreter Wahrscheinlichkeitsraum ist durch eine Ergebnismenge Ω = {ω 1, ω 2,...} von Elementarereignissen gegeben. 2 Jedem
MehrAlgorithmen und Datenstrukturen in der Bioinformatik Zweites Übungsblatt WS 05/06 Musterlösung
Johanna Ploog, Konstantin Clemens Freie Universität Berlin Institut für Mathematik II Arbeitsgruppe für Mathematik in den Lebenswissenschaften Algorithmen und Datenstrukturen in der Bioinformatik Zweites
MehrSS 2016 Torsten Schreiber
SS 01 Torsten Schreiber 15 Ein lineares Gleichungssystem besteht immer aus einer Anzahl an Variablen und Gleichungen. Die Zahlen vor den Variablen werden in der sogenannten zusammen gefasst und die Zahlen
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II. Beispiel II. Beispiel I. Definition 6.3 (Diskreter Wahrscheinlichkeitsraum)
Allgemeine diskrete Wahrscheinlichkeitsräume I Allgemeine diskrete Wahrscheinlichkeitsräume II Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete Wahrscheinlichkeitsräume Ω endlich
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrAllgemeine diskrete Wahrscheinlichkeitsräume I
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrHow To Find Out If A Ball Is In An Urn
Prof. Dr. P. Embrechts ETH Zürich Sommer 2012 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
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
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
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
Mehr6 Kombinatorik: Einschluß-Ausschluß Formel. 6.1 Indikatorfunktionen. I A ist eine Zufallsvariable E[I A ] = P (A) IĀ = 1 I A I A B = I A I B
6 Kombinatorik: Einschluß-Ausschluß Formel 6.1 Indikatorfunktionen I A (ω) = { 1 falls ω A 0 falls ω A I A ist eine Zufallsvariable E[I A ] = P (A) IĀ = 1 I A I A B = I A I B I 2 A = I A V ar[i A ] = P
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrWS 2016/17 Diskrete Strukturen Kapitel 3: Kombinatorik (1)
WS 2016/17 Diskrete Strukturen Kapitel 3: Kombinatorik (1) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrTesting in Microarray Experiments, StatisticalScience(18), Seiten
261 Literatur: I Lehmann & Romano, Kapitel 9 I Dudoit, Sha er & Boldrick (2003): Multiple Hypothesis Testing in Microarray Experiments, StatisticalScience(18), Seiten 71-103 Problem: Eine endliche Menge
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrSatz 16 (Multiplikationssatz)
Haug verwendet man die Denition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A \ B] = Pr[BjA] Pr[A] = Pr[AjB] Pr[B] : (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1 ; : : : ; A n
MehrBedingte Wahrscheinlichkeiten: Ein Baumdiagramm der nachstehenden Art bzw. die zugehörige Vierfeldertafel gibt jeweils absolute Häufigkeiten an.
Bedingte Wahrscheinlichkeiten: Ein Baumdiagramm der nachstehenden Art bzw. die zugehörige Vierfeldertafel gibt jeweils absolute Häufigkeiten an. Interpretiert man die numerischen Einträge als Beschreibungen
MehrSammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien
Sammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien Prof. F. Merkl 23. Mai 2016 Zu Ihrer Information und als zusätzliches Übungsmaterial sind hier die Aufgaben
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
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
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrSimulation von Zufallsversuchen mit dem Voyage 200
Simulation von Zufallsversuchen mit dem Voyage 00 Guido Herweyers KHBO Campus Oostende K.U.Leuven 1. Entenjagd Zehn Jäger, alle perfekte Schützen, lauern vor einem Feld auf Enten. Bald landen dort 10 Enten.
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrComputersimulation des Qualitätstests
.1 Computersimulation des Qualitätstests In diesem Kapitel erreichen wir ein erstes entscheidendes Ziel: Wir ermitteln näherungsweise die Wahrscheinlichkeiten und für die Fehler 1. und. Art und zwar ohne
MehrStrichlisten bei Laplace-Experimenten zum Paradox der ungleichmäßigen Verteilung
Strichlisten bei Laplace-Experimenten zum Paradox der ungleichmäßigen Verteilung DIETMAR PFEIFER INSTITUT FÜR MATHEMATIK Die Problemstellung aus: Mathebaum 4, S. 114 2 In der Klasse 6b werfen 28 Schülerinnen
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
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/
MehrKapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
MehrElemente der Stochastik (SoSe 2016) 6. Übungsblatt
Dr. M. Weimar 19.05.2016 Elemente der Stochastik (SoSe 2016 6. Übungsblatt Aufgabe 1 ( Punkte Eine Klausur, die insgesamt von zwölf Kursteilnehmern geschrieben wurde, soll von drei Gutachtern bewertet
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)
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
MehrStochastik Approximationen der Binomialverteilung
Stochastik Approximationen der Binomialverteilung Stefan Englert stefan.englert@gmx.net 21. April 2007 Inhaltsverzeichnis 1 Approximation von n! und b n,p (k) 2 2 Der Satz von de Moivre-Laplace 6 3 Die
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrMusterlösung der Klausur vom 29. Juli 2003
Statistik für Bioinformatiker SoSe 2003 Rainer Spang Musterlösung der Klausur vom 29. Juli 2003 Aufgabe 1. 10 Definieren Sie die folgenden statistischen Begriffe in einem Satz oder in einer Formel: 1.
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrWahrscheinlichkeitsrechnung und Statistik
Babeş-Bolyai Universität Fakultät für Mathematik und Informatik Oktober 2018 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrStatistische Inferenz
Statistische Inferenz Prinzip der statistischen Inferenz Datensätze = Stichproben aus einer Gesamtpopulation Beispiel : Messung der Körpertemperatur von 106 gesunden Individuen man vermutet, dass sie repräsentativ
Mehr