Kursthemen 11. Sitzung. Spezielle diskrete Verteilungen: Auswahlexperimente. Spezielle diskrete Verteilungen: Auswahlexperimente
|
|
- Chantal Hase
- vor 7 Jahren
- Abrufe
Transkript
1 Kursthemen 11. Sitzung Folie I Spezielle diskrete Verteilungen: Auswahlexperimente Spezielle diskrete Verteilungen: Auswahlexperimente A) Kombinatorik (Folien bis 5) A) Kombinatorik (Folien bis 5) B) Die diskrete Gleichverteilung (Folie 6) B) Die diskrete Gleichverteilung (Folie 6) C) Die Bernoulliverteilung (Folien 7 bis 9) C) Die Bernoulliverteilung (Folien 7 bis 9) D) Die Binomialverteilung (Folien 10 bis 19) D) Die Binomialverteilung (Folien 10 bis 19) E) Die Hypergeometrische Verteilung (Folien 0 bis 3)
2 Kombinatorik 1 / Folie I Gänsemarschproblem I: Wie viele Möglichkeiten gibt es, n Gänse in verschiedener Reihenfolge anzuordnen? Es gibt n! Möglichkeiten, n Gänse in verschiedener Reihenfolge anzuordnen. Definition: n! = 1... n, n N und 0! = 1 (sprich: "n Fakultät")
3 Kombinatorik 1 / Folie I Gänsemarschproblem II: Wie viele Möglichkeiten gibt es, n Gänse in verschiedener Reihenfolge anzuordnen, wenn jeweils n 1, n,..., n k nicht unterscheidbar sind (bzw. es auf ihre Reihenfolge nicht ankommt)? Nun gibt es nur noch n! n! n!... n! 1 k unterscheidbare Anordnungen.
4 Kombinatorik / Abgeleitete Regeln Folie I Es werden n Elemente aus N gezogen. Wie viele mögliche Ergebnisse kann dieser Auswahlprozess haben? Wenn es auf die Auswahlreihenfolge ankommt: - mit Zurücklegen (Bsp.: Lotto Super 6, Spiel 77): - ohne Zurücklegen (Bsp.: Platzwette, Toto): N n N! ( N n)! Wenn es auf die Auswahlreihenfolge nicht ankommt: - mit Zurücklegen: ( + ) n ( N 1) N + n 1! ( N + n 1) = :!! n - ohne Zurücklegen (Bsp.: Lotto 6 aus 49): N! n!( N n)! N = : n
5 Definition: Binomialkoeffizient Folie I n n! n ( n 1)... ( n k + 1) k = = ( n k)! k! 1... k (sprich: "n über k")
6 Die Gleichverteilung Folie I Ausgangssituation: Sie ziehen zufällig ein Objekte aus 1 bis n durchgehend numerierten Objekten heraus. Dann ist die Zufallsvariable X = "Nummer des gezogenen Objektes" gleichverteilt mit dem Parameter Mögliche Werte von X: k = 1,,..., n n, d. h. sie folgt der Verteilung GLV n. Häufigkeitsfunktion: Wie groß ist die Varianz von 1 Y? f ( k) = P( X = k) = n ( ) Erwartungswert von X: Varianz von X: n 1 Wie groß ist die Varianz + n 1 von Y? E( X ) = Var( X ) = 1
7 Das Urnenmodell 1 / 4 Folie I In einer Urne liegen: - 0 (N) Kugeln; - ein Anteil von 5% (p) ist schwarz, - ein Anteil von 75% (1-p) ist weiß. Die Urne enthält somit 5 (N p) schwarze und 15 (N (1-p)) weiße Kugeln Nehmen wir an, man zieht blind eine Kugel aus der Urne. Dann ist die Wahrscheinlichkeitsverteilung für die Anzahl der schwarzen Kugeln: 0,75 1-p=0,75 0,5 p=0,5 0 1 Anzahl schwarze Kugeln
8 Das Urnenmodell 1 / 4 Folie I ,75 1-p=0,75 0,5 p=0,5 0 1 Anzahl schwarze Kugeln Die Verteilung heißt Zweipunktverteilung mit dem Parameter p=0,5 oder Binomialverteilung B(n, p) mit den Parametern n=1 und p=0,5. Erwartungswert: Standardabweichung: µ = p = 0, 5 σ = p ( 1 p) = 0, 43
9 Die Zweipunktverteilung (Bernoulliverteilung) Folie I Ausgangssituation: Sie ziehen zufällig ein Objekt aus N Objekten heraus, die sich in bezug auf ein Merkmal mit zwei Ausprägungen A und A unterscheiden. Dann ist die ZV X = "Anzahl der gezogenen Objekte mit A" N A bernoulliverteilt mit dem Parameter p =, wobei N A die Anzahl der Objekte N mit A ist. D. h. die ZV folgt der Verteilung ZPV ( p). Mögliche Werte von X: k = 0, 1 Häufigkeitsfunktion: Wie groß ist die Varianz von Y? 1 ( ) ( ) k k f k = P X = k = p ( 1 p) = = = Erwartungswert von X: Varianz von X: Wie groß ist die Varianz von Y? E( X ) = p Var( X ) = p( 1 p)
10 Das Urnenmodell / 4 Folie I Nehmen wir an, man zieht blind eine Kugel, notiert die Farbe, legt die Kugel zurück, mischt und zieht ein zweites Mal. Mögliche Ergebnisse W-keit Anzahl schwarze K. WW (1 p) = 0,565 0 WS (1 p) p = 0, SW p (1 p) = 0, SS p = 0,065 W-keit (1 p) = 0,565 (1 p) p = 0,3750 p = 0,065
11 Das Urnenmodell / 4 Folie I Mögliche Ergebnisse W-keit Anzahl schwarze K. WW (1 p) = 0,565 0 WS (1 p) p = 0, SW p (1 p) = 0, SS p = 0,065 W-keit (1 p) = 0,565 (1 p) p = 0,3750 p = 0,065 0,75 ( 1 p) 0,5 p ( 1 p) p 0 1 Anzahl schwarze Kugeln µ = p = 0, 5 σ = p ( 1 p) = 0, 61
12 Das Urnenmodell 3 / 4 Folie I Nun wird dreimal mit Zurücklegen gezogen. Mögliche Ergebnisse W-keit Anzahl schwarze K. WWW 3 (1 p) = 0,40 0 WWS (1 p) p = 0,140 1 WSW (1 p) p = 0,140 1 SWW (1 p) p = 0,140 1 WSS (1 p) p = 0,047 SWS (1 p) p = 0,047 SSW (1 p) p = 0,047 SSS 3 3 p = 0,016 W-kei 3 (1 p) = 0,4 3 (1 p) p = 0,4 3 (1 p) p = 0,14 3 p = 0,0
13 Das Urnenmodell 3 / 4 Folie I Anzahl schwarze K. W-keit (1 p) = 0,4 3 (1 p) p = 0,4 3 (1 p) p = 0,14 3 p = 0,0 0,75 0,5 ( 1 ) 3 p 3 p ( 1 p) p 1 ( p) 3 p 3 Anzahl schwarze Kugeln µ = 3 p = 0, 75 σ = 3 p ( 1 p) = 0, 75
14 Das Urnenmodell 4 / 4 Die Binomialverteilung Folie I Verallgemeinerung: Es wird n-mal gezogen. Allgemeine Binomialverteilung: B(n,p) n k P( k) = p ( 1 p) k n k n n! n ( n 1)... ( n k + 1) mit (Binomialkoeffizient) k = = ( n k)! k! 1... k Erwartungswert: Standardabweichung: µ = n p σ = n p ( 1 p)
15 Die Binomialverteilung Folie I Ausgangssituation: Sie ziehen nacheinander zufällig n Objekte aus N Objekten heraus, die sich in bezug auf ein Merkmal mit zwei Ausprägungen A und A unterscheiden. Die Objekte werden zurückgelegt. Dann ist die ZV X = "Anzahl der gezogenen Objekte mit A" N A binomialverteilt mit den Parametern n und p =, wobei N A die N Anzahl der Objekte mit A ist. D. h. die ZV folgt der Verteilung BV n p. Mögliche Werte von X: Wie Häufigkeitsfunktion: groß ist die Varianz von Y? n k k = 0, 1,..., n P( k) = f ( k) = p ( 1 p) k Erwartungswert von X: Varianz Wie großvon ist X: die Varianz von Y? E( X ) = n p = Var( X ) = n p ( 1 p) (, ) n k
16 Aufgaben zur Binomialverteilung 1 / 4 Die Lostrommel Folie I Die Lostrommel... In einem Behälter befinden sich 0 Lose, von denen 5 Gewinne sind. Nach gutem Mischen wird ein Los gezogen, angeschaut und wieder zurückgelegt. a) Wie groß ist die Wahrscheinlichkeit, einen Gewinn zu ziehen? b) Wie groß ist die Wahrscheinlichkeit, dass drei nacheinander gezogene Lose Gewinne sind? c) Wie groß ist die Wahrscheinlichkeit, dass drei nacheinander gezogene Lose Nieten sind?
17 Folie I Aufgaben zur Binomialverteilung / 4 Mensch ärgere Dich nicht und Therapieversager Mensch ärgere Dich nicht... Sie würfeln 6 mal hintereinander mit einem fairen Würfel. Wie groß ist die Wahrscheinlichkeit, dass keine 6 dabei ist? Therapieversager... Sie behandeln 95 Patienten mit einem zu 95% sicheren Medikament. Wie groß ist die Wahrscheinlichkeit, keinen Therapieversager zu erleben?
18 Aufgaben zur Binomialverteilung 3 / 4 In der Manege Folie I Manege frei! Sie verteilen Handzettel an auf der Straße spielende Kinder, die zum Besuch Ihres Wanderzirkusses einladen. Aus Erfahrung wissen Sie, dass jedes 5. Kind kommt. Sie verteilen zufällig 50 Handzettel. a) Wie groß ist die Wahrscheinlichkeit, dass weniger als drei Kinder kommen (dann fällt die Vorstellung aus)? b) Wie groß ist die Wahrscheinlichkeit, dass mehr als 46 Kinder kommen (dann bricht das Zelt zusammen)? c) Wieviele Kinder werden im Schnitt zu erwarten sein?
19 Aufgaben zur Binomialverteilung 4 / 4 Die Schraubenfabrik Folie I In der Schraubenfabrik... Bei der Massenproduktion von Schrauben eines bestimmten Typs sei die Ausschussquote 10%. a) Wieviele defekte Schrauben sind in einem 50er-Pack zu erwarten? b) Wie groß ist jeweils die Wahrscheinlichkeit, dass in einem 4er-Pack i. keine defekte Schraube ist? ii. iii. eine defekte Schraube ist? zwei defekte Schrauben sind? c) Wieviele Schrauben muß man sicherheitshalber zum 4er-Pack dazugeben, damit die Wahrscheinlichkeit, dass mindestens 4 Schrauben in Ordnung sind, mehr als 95% beträgt?
20 Die hypergeometrische Verteilung Folie I Ausgangssituation: Sie ziehen nacheinander zufällig n Objekte aus N Objekten heraus, die sich in bezug auf ein Merkmal mit zwei Ausprägungen A und A unterscheiden. Die Objekte werden nicht zurückgelegt. Dann ist die ZV X = "Anzahl der Objekte mit A" ( ) hypergeometrisch verteilt mit den Parametern N, N A, n, wobei N A die Anzahl der Objekte mit A ist. D. h. die ZV folgt der Verteilung HV N N n. (,, ) A Mögliche Werte von X: ( ) k = 0, 1,...,min N, n A Wie Häufigkeitsfunktion: A groß ist die Varianz von Y? N N N k n k f ( k) = N n A Erwartungswert von X: Varianz Wie großvon ist X: die Varianz von Y? N N A N A N n A ( ) = Var( X ) = n 1 N N N 1 E X n N
21 Aufgabe zur hypergeometrischen Verteilung: Das Skat-Turnier Folie I Auf dem Skat-Turnier... Sie spielen Skat. Nach dem Geben haben Sie zwei Buben auf der Hand. a) Wie groß ist die Wahrscheinlichkeit, dass Ihr Mitspieler zur Linken zwei Buben dagegen hat? b) Wie groß ist die Wahrscheinlichkeit, dass einer Ihrer beiden Mitspieler zwei Buben dagegen hat?
22 Aufgabe: Das Capture-Recapture-Problem Folie I Um den Bestand in einem Fischteich zu schätzen, wurden außerhalb der Laichzeit 100 Fische gefangen und markiert (capture). Nach drei Tagen wurden wieder 100 Fische gefangen (recapture). Y sei die ZV Zahl der markierten Fische unter den wiedergefangenen Fischen. a) Welche Verteilung kann man für Y ansetzen, wenn in dem Teich 000 Fische leben und welche impliziten Annahmen trifft man dabei? b) Wieviele markierte Fische sind im zweiten Fang zu erwarten? c) Wie groß würden Sie den Fischbestand schätzen, wenn Sie im zweiten Fang markierte Fische finden?
23 Übersicht: Wichtige diskrete Verteilungen für Auswahlexperimente Folie I Gleichverteilung GLV ( n), n N Bernoulliverteilung (=Zweipunktverteilung) [ 0 1] ZPV ( p), p, Binomialverteilung [ 0 1] BV ( n, p), n N, p, Hypergeometrische Verteilung HV ( N, M, n), N, M, n N
Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrVorkurs Mathematik für Informatiker Kombinatorik --
Vorkurs Mathematik für Informatiker -- 10 Kombinatorik -- Thomas Huckle Stefan Zimmer 30.09.2014 1 Urnenmodell In der Kombinatorik interessiert man sich dafür, wie viele Möglichkeiten es für die Ergebnisse
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Dezember 2012 1 Kombinatorik Fakultät Binomialkoeffizienten Urnenmodelle 2 Definition Fakultät Die Zahl n! =
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrWahrscheinlichkeitstheorie Klausurvorbereitung Lösungen
Wahrscheinlichkeitstheorie Klausurvorbereitung Lösungen 1.) a) Ein Skatblatt besteht aus 32 Karten. Wieviele mögliche Anordnungen gibt es für den Kartenstapel nach dem Mischen? b) Jede Karte der 8 Symbole(7,8,9,10,B,D,K,A)
MehrAusgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
MehrVorlesung 2b. Diskrete Zufallsvariable. und ihre Verteilungen
Vorlesung 2b Diskrete Zufallsvariable und ihre Verteilungen 1 1. Die Grundbegriffe 2 Bisher hatten wir uns (vor allem) mit Zufallsvariablen beschäftigt, deren Wertebereich S endlich war. Die (schon in
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrKombinatorik kompakt. Stochastik WS 2016/17 1
Kombinatorik kompakt Stochastik WS 2016/17 1 Übersicht Auswahl/Kombinationen von N aus m Elementen Statistische unterscheidbare ununterscheidbare Physik Objekte (gleiche) Objekte ( ohne m N m+n 1 ) N mit
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrDiskrete Wa.verteilungen: Eine Zooführung. Statistik (Biol./Pharm./HST) FS 2015
Diskrete Wa.verteilungen: Eine Zooführung Statistik (Biol./Pharm./HST) FS 2015 Admin: Übungsbetrieb & Quiz Gruppeneinteilung selbstständig via Webseite Eine e-mail mit Link für Einschreibung nur nach Belegung
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrInhaltsverzeichnis (Ausschnitt)
6 Diskrete Wahrscheinlichkeitsräume Inhaltsverzeichnis (Ausschnitt) 6 Diskrete Wahrscheinlichkeitsräume Laplacesche Wahrscheinlichkeitsräume Kombinatorik Allgemeine diskrete Wahrscheinlichkeitsräume Deskriptive
MehrWahrscheinlichkeitsrechnung und Statistik
4. Vorlesung - 2017 Diskrete Zufallsgrößen X : Ω {x 1, x 2,..., x i,... } Wahrscheinlichkeitsverteilung von X ( ) x1 x X 2... x i... = p 1 p 2... p i... I N (Indexmenge) mit den Wahrscheinlichkeiten p
MehrWahrscheinlichkeitsrechnung für die Mittelstufe
Wahrscheinlichkeitsrechnung für die Mittelstufe Wir beginnen mit einem Beispiel, dem Münzwurf. Es wird eine faire Münze geworfen mit den Seiten K (für Kopf) und Z (für Zahl). Fair heißt, dass jede Seite
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
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
MehrDiskrete Strukturen I
Universität Kassel Fachbereich 10/1 PD Dr. Sebastian Petersen 14.09.2017 Klausur zur Vorlesung Diskrete Strukturen I Es können maximal 40 Punkte erreicht werden. Version mit Lösungsskizze Zur Notation:
MehrWieviele Frösche sind im Teich?
Wieviele Frösche sind im Teich? zählen, raten, schätzen? PD Dr. Sonja Kuhnt, Dipl. Stat. Viktoria Sander TU Dortmund 7. Februar 2012 TU Dortmund DOTS 2012 1 / 20 Ausgangssituation Teich mit einer unbekannten
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
Mehr2.4. Mehrstufige Zufallsexperimente
2.4. Mehrstufige Zufallsexperimente Zufallsexperimente können einstufig, also einmalig, durchgeführt werden oder auch mehrstufig, also wiederholt. Wirft man einen Würfel z.b. nur einmal, dann ist das Zufallsexperiment
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 3. November 2010 1 Kombinatorik Fakultät Binomialkoeffizienten Urnenmodelle 2 Definition Tabellen Fakultät, Beispiel
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen Diskrete Verteilungen. Hypergeometrische Verteilung Poissonverteilung
Verteilungen eindimensionaler diskreter Zufallsvariablen Diskrete Verteilungen Hypergeometrische Verteilung Approimationen Typisierung der diskreten theoretischen Verteilungen Bibliografie: Prof. Dr. Kück
MehrKAPITEL 2. Kombinatorik
KAPITEL 2 Kombinatori In der Kombinatori geht es um das Abzählen von Kombinationen 21 Geburtstagsproblem Beispiel 211 (Geburtstagsproblem In einem Raum befinden sich 200 Studenten Wie groß ist die Wahrscheinlicheit,
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 0/ 5.03.0 Dr. Sebastian Petersen Klausur: Diskrete Strukturen I Aufgabe. (8 Punkte) a) Sei X = {0, }. Geben Sie die Potenzmenge P (X) (durch Auflisten ihrer Elemente) an.
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
Mehr2 Verteilungen. Zoltán Zomotor. Versionsstand: 1. April 2015, 10:29. Die nummerierten Felder bitte während der Vorlesung ausfüllen. Inhaltsverzeichnis
2 Verteilungen Zoltán Zomotor Versionsstand: 1. April 2015, 10:29 Die nummerierten Felder bitte während der Vorlesung ausfüllen. This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike
MehrMathematik IV: Statistik
für D-UWIS, D-ERDW, D-USYS und D-HEST SS16 Sie hören Vitamin String Quartet Daniel Stekhoven 10.03.2016 1 Repetition Bedingte Wahrscheinlichkeit Kap. 2.3 Daniel Stekhoven 10.03.2016 2 Hinter einer der
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Serie 11
D-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin Serie 11 1. Frau A und Herr B wollen sich treffen und verabreden sich für 16 Uhr in einem Café. Mit T A bzw. T B bezeichnen wir die
MehrKombinatorik. 1. Beispiel: Wie viele fünfstellige Zahlen lassen sich aus den fünf Ziffern in M = {1;2;3;4;5} erstellen?
1 Kombinatorik Aus einer Grundgesamtheit mit n Elementen wird eine Stichprobe k Elementen entnommen. Dabei kann die Stichprobe geordnet oder ungeordnet sein. "Geordnet" bedeutet, dass die Reihenfolge der
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrKonversatorium -Vorbereitung für die erste Diplomprüfung - Stochas0k. -Wahrscheinlichkeitstheorie-
Konversatorium -Vorbereitung für die erste Diplomprüfung - Stochas0k -Wahrscheinlichkeitstheorie- Begriffsdefini=on Stochas=k altgriechisch stochas=kē technē, lateinisch ars conjectandi, Die Kunst des
Mehr3. Kombinatorik Modelltheoretische Wahrscheinlichkeiten Regeln der Kombinatorik
3. Kombinatorik Modelltheoretische Wahrscheinlichkeiten lassen sich häufig durch Abzählen der günstigen und möglichen Fällen lösen. Kompliziertere Fragestellungen bedürfen aber der Verwendung mathematischer
MehrÜbungen zur Kombinatorik (Laplace)
1. In einem Beutel sind 10 Spielmarken enthalten, die von 0 bis 9 nummeriert sind. X sei das Ereignis, dass man zufällig die Marke 5 oder 8 herausholt, Y das Ereignis, dass eine größere Zahl als 5 gezogen
MehrMathe K2 Stochastik Sj. 16/17
Mathe K2 Stochastik Sj. 16/17 Bernoulli-Kette 1 Galtonbrett 1 Wir lassen eine Kugel auf ein Nagelbrett fallen: Galtonbrett\Galton.exe Zufallsexperiment: Eine Kugel fallen lassen und den Weg notieren. Ein
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜBUNG 7.2 - LÖSUNGEN POISSONVERTEILUNG. Fahrzeuge, die eine Brücke passieren Zufallsexperiment: Zeitpunkt des
MehrKombinatorik. Kombinatorik ist die Lehre vom Bestimmen der Anzahlen
Kombinatorik Kombinatorik ist die Lehre vom Bestimmen der Anzahlen 1 Man benötigt Kombinatorik, um z.b. bei Laplace-Experimenten die große Anzahl von Ergebnissen zu bestimmen. Bsp: Beim Lotto 6 aus 49
MehrKOMPETENZHEFT ZUR STOCHASTIK II
KOMPETENZHEFT ZUR STOCHASTIK II Inhaltsverzeichnis 1. Aufgabenstellungen 1 2. Binomialverteilung 4 3. Erwartungswert und Standardabweichung 10 1. Aufgabenstellungen Aufgabe 1.1. Milchverpackungen werden
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
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)
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Aufgaben Aufgabe 1 Eine Firma produziert insgesamt 30 elektronische Bauteile des gleichen Typs. Aus langjähriger Erfahrung weiß man das davon jedes 70te defekt ist. Um die
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrDiskrete Zufallsvariable*
Diskrete Zufallsvariable* Aufgabennummer: 1_37 Aufgabentyp: Aufgabenformat: Multiple Choice (1 aus 6) Grundkompetenz: WS 3.1 Typ 1 T Typ Die unten stehende Abbildung zeigt die Wahrscheinlichkeitsverteilung
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 29. Oktober 2007 1. Statistik 1.1 Wahrscheinlichkeit Pragmatisch: p(e) = n(e) N für N sehr groß Kombination von Wahrscheinlichkeiten p(a oder B) =
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
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
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
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrLevel 1 Grundlagen Blatt 2
Level 1 Grundlagen Blatt 2 Dokument mit 1 Aufgaben Aufgabe A9 Ein Glücksrad besteht aus 3 Feldern, die folgendermaßen beschriftet sind: 1.Feld: 2,00 2. Feld: 5,00 3. Feld: 0,00 Das 1. Feld hat einen Mittelpunktswinkel
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.
MehrPrüfung. Wahrscheinlichkeit und Statistik. ETH Zürich SS 2016 Prof. Dr. P. Embrechts August BSc INFK. Nachname. Vorname.
ETH Zürich SS 2016 Prof. Dr. P. Embrechts August 2016 Prüfung Wahrscheinlichkeit und Statistik BSc INFK Nachname Vorname Legi Nummer Das Folgende bitte nicht ausfüllen! Aufgabe Max. Punkte Summe Kontrolle
MehrKombinatorik & Stochastik Übung im Sommersemester 2018
Kombinatorik & Stochastik Übung im Sommersemester 2018 Kombinatorik Formeln & Begriffe Begrifflichkeiten Permutation = Anordnung in einer bestimmten Reihenfolge Kombination = Anordnung ohne bestimmte Reihenfolge
Mehr4. Schularbeit/7C/2-stündig Schularbeit. 7C am
4. Schularbeit 7C am 24.5.2017 Name: Note: Beispiel-Nr. 1 2 3 4 5 6 7 8 9 10 11 12 AP Teil 1: Teil 2: Punkte Teil 1 (inkl. AP) Punkte Teil 2 Gesamtpunkte Notenschlüssel: 0 7 P von Teil 1 (inkl. Anrechnungspunkte
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
Mehr4 Diskrete Zufallsvariablen
25 4 Diskrete Zufallsvariablen 4.1 Einleitung Die Ergebnisse von Zufallsvorgängen sind nicht notwendigerweise Zahlen. Oft ist es aber hilfreich diese durch Zahlen zu repräsentieren. Beispiel 4.1 (4-maliger
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
MehrEine Zufallsvariable wird als diskret bezeichnet, wenn sie nur endlich viele oder abzählbar unendlich viele Werte annimmt.
Statistik I Sommersemester 009 Aufgabenlösung Übung 4: Diskrete Zufallsvariablen Aufgabe 5.. (Blatt ) ine Zufallsvariable bildet den reignisraum eines Zufallsvorgangs ab. Dieser bestimmt den Definitionsbereich
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 10 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrWahrscheinlichkeitsrechnung
Abiturvorbereitung Wahrscheinlichkeitsrechnung S. 1 von 9 Wahrscheinlichkeitsrechnung Kombinatorik Formeln für Wahrscheinlichkeiten Bedingte Wahrscheinlichkeiten Zusammenfassung wichtiger Begriffe Übungsaufgaben
MehrAbitur 2012 Mathematik Stochastik IV
Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 2012 Mathematik Stochastik IV Nachdem die Verfilmung eines bekannten Romans erfolgreich in den Kinos gezeigt wurde, veröffentlicht eine Tageszeitung
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
MehrStochastik Lehr-und Aufgabenbuch. Skriptum zum Vorbereitungskurs
Stochastik Lehr-und Aufgabenbuch Skriptum zum Vorbereitungskurs 1 WICHTIGER HINWEIS: Ich bitte den Eigentümer dieses Skriptes, weder das gesamte Skript noch Teilauszüge daraus zu kopieren, einzuscannen
MehrSS 2017 Torsten Schreiber
173 Diese Lücken sollten nicht auch bei Ihnen vorhanden sein: Wird die Anordnung von unterschiedlichen Objekten eines Experiments untersucht, so handelt es sich um eine. Möchte man die Anzahl der möglichen
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
Mehr1 1. Übung. Einleitung. 1.1 Urnenmodelle. 1.2 Beispiele. 1.3 Aufgaben
Einleitung Dieses sind die kompletten Präsenzaufgaben, die bei der Übung zur Vorlesung Einführung in die Stochastik im Sommersemester 2007 gerechnet wurden. Bei Rückfragen und Anmerkungen bitte an brune(at)upb.de
MehrStochastik (Laplace-Formel)
Stochastik (Laplace-Formel) Übungen Spielwürfel oder Münzen werden ideal (oder fair) genannt, wenn jedes Einzelereignis mit gleicher Wahrscheinlichkeit erwartet werden kann. 1. Ein idealer Spielwürfel
Mehralte Maturaufgaben zu Stochastik
Stochastik 01.02.13 alte Maturaufgaben 1 alte Maturaufgaben zu Stochastik 1 07/08 1. (8 P.) In einer Urne liegen 5 rote, 8 gelbe und 7 blaue Kugeln. Es werden nacheinander drei Kugeln gezogen, wobei die
MehrLevel 1 Grundlagen Blatt 1. Dokument mit 19 Aufgaben
Level 1 Grundlagen Blatt 1 Dokument mit 19 Aufgaben Aufgabe A1 Ein Glücksrad hat drei Sektoren mit den Farben Rot, Gelb und Grün. Das Rad bleibt mit einer Wahrscheinlichkeit von 0,1 so stehen, dass der
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrVorlesung. Prof. Janis Voigtländer Übungsleitung: Dennis Nolte. Mathematische Strukturen Sommersemester 2017
Vorlesung Mathematische Strukturen Sommersemester 017 Prof. Janis Voigtländer Übungsleitung: Dennis Nolte Kombinatorik: Einführung Es folgt eine Einführung in die abzählende Kombinatorik. Dabei geht es
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
MehrD. Ulmet IT 4 Blatt 5 Stochastik I SS 2005
D. Ulmet IT 4 Blatt 5 Stochastik I SS 2005 Aufgabe 1: Von den Ereignissen A, B und C trete a) nur A ein, b) genau eines ein, c) höchstens eines ein, d) mindestens eines ein, e) mindestens eines nicht ein,
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli( ) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» (X 1) oder «Misserfolg» (X ). Die Erfolgswahrscheinlichkeit sei. Wertebereich:
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrW.12 Kombinatorik 1. vermischte Aufgaben zu Vertauschungsmöglichkeiten ( )
1 Die Kombinatorik ist die Lehre von den Vertauschungsmöglichkeiten. Da man eigentlich fast jede Wahrscheinlichkeit mit irgendwelchen Vertauschungsmöglichkeiten multiplizieren muss, ist es naheliegend,
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
Mehr