Statistik I für Betriebswirte
|
|
- Imke Brahms
- vor 7 Jahren
- Abrufe
Transkript
1 Statistik I für Betriebswirte Privat-Doz. Dr. H. Haase Inst. f. Math. u. Inf Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
2 Übersicht 1 Verteilungen von Zufallsgröÿen 2 Unabhängigkeit reeller Zufallsgröÿen 3 Numerische Kenngröÿen 4 Mittlere Wartezeiten 5 Summen von reellen diskreten Zufallsgröÿen 6 Zeitreihen mit R 7 Wiederholung 8 Klausuraufgaben rivat-doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
3 Was sind Zufallsgröÿen? Bezeichnungen: ω Ω, X (ω), X : Ω M M = R reelle Zahlen X erzeugt Ereignisse, z. B. 1 X 2 soll bedeuten:{ω Ω 1 X (ω) 2} Σ Beispiel: Σ = {/0,Ω}, wobei Ω = {a,b}, { 1 ω = a X (ω) = 0 ω = b Denition: X : Ω R heiÿt eine reelle Zufallsgröÿe über dem Wahrscheinlichkeitsraum (Ω, Σ, P), wenn für jede reelle Zahl a {ω X (ω) a} Σ (Meÿbarkeitsbedingung). Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
4 Verteilung und Verteilungsfunktion einer reellen Zufallsgröÿe Verteilung oder Verteilungsmaÿ von X : M R P (X M) Kenntnis von P(X a) bereits ausreichend!! Denition: Die Funktion F = F X heiÿt die Verteilungsfunktion der reellen Zufallsgröÿe X, wenn für alle x R gilt. F (x) = P (X x) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
5 Eigenschaften und Klassizierung von Verteilungsfunktionen Eigenschaften: F ist eine monoton wachsend mit Werten im Intervall [0,1] F ist rechtsseitig stetig. lim x F (x) = 0 und lim x F (x) = 1 Zerlegungseigenschaft: α 0,β 0,γ 0,α + β + γ = 1: Klassizierung: F (x) = α F diskret (x) + β F singulär (x) + γ F stetig (x) α = 1, X diskret verteilte Zufallsgröÿe γ = 1 X stetig verteilte Zufallsgröÿe β = 1 singulär verteilte Zufallsgröÿe (wird hier nicht betrachtet) gelegentlich kommt eine Mischung von diskret und stetig vor. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
6 Diskret verteilte Zufallsgröÿen Verteilungstabelle für X : x 1 x 2 x n p 1 p 2 p n n p n = 1, p n > 0 P (X = x n ) = p n und F = F diskret F (x) = p n (Treppenfunktion) x n x Indikatorfunktion: reelle Zufallsgröÿe mit Werten 0 und 1 Merke: Indikatorfunktionen - diskrete Zufallsgröÿen auch dichotome Zufallsgröÿen genannt. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
7 Stetig verteilte Zufallsgröÿen Verteilungstabelle wird durch eine Dichtefunktion ersetzt Dichtefunktion f = f X einer stetigen reellen Zufallsgröÿe: f : R R mit f (x) 0 für alle x Normierungsbedingung (Fläche unter der Kurve ist 1): f (x)dx = 1 zugehörige Verteilungsfunktion F = F X : x F (x) = f (t)dt. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
8 Vorgehensweise bei der Berechnung Aufgabe: Berechne P(a X b)! Welche Verteilungstyp? diskret, Verteilungstabelle? stetig, Dichtefunktion? Berechnung von: X diskret verteilt: P(a X b) = a x n b p n. X stetig verteilt: b P(a X b) = f (x)dx a Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
9 Spezielle wichtige diskrete Verteilungen Binomialverteilung: X heiÿt mit den Parametern n N 0 p 1 binomialverteilt, wenn ( ) n P(X = k) = p k (1 p) n k k und p mit für k = 0,1,...,n gilt. Poisson-Verteilung: X heiÿt mit dem Parameter λ > 0 Poisson-verteilt, wenn für k = 0,1,2,... gilt. P(X = k) = λ k k! e λ Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
10 Spezielle wichtige stetige Verteilungen Exponentialverteilung: X heiÿt mit dem Parameter λ > 0 exponentialverteilt, wenn X über die Dichtefunktion { λ e λx für x 0 f (x) = 0 sonst verfügt. Normalverteilung: X heiÿt mit dem Parametern µ und σ > 0 normalverteilt, wenn X als Dichtefunktion f (x) = 1 σ 2π (x µ) 2 e 2σ 2 für alle x R besitzt. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
11 Unabhängigkeit diskreter reeller Zufallsgröÿen Bezeichnungen: X und Y mit endlichem Wertebereich X und Y mit den Werte x 1,...,x n und y 1,...,y m vollständige Berschreibung ihrer beider Verteilungen durch die Ereignisse E i = {ω X (ω) = x i } für i = 1,...,n und F j = {ω Y (ω) = y j } für j = 1,...,m. Denition: X und Y heiÿen stochastisch unabhängig, wenn für alle möglichen Paare (i,j) gilt. P (E i F j ) = P (E i ) P (F j ) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
12 Praktische Untersuchung auf Unabhängigkeit für diesen Fall gemeinsame Verteilungstabelle aufstellen... X x1 x k x n Y... p1 p k p n y 1 q 1 p 11 p 1k p 1n y j q j p j1 p jk p jn y m q m p m1 p mk p mn Prüfen, ob Randverteilungen (zweite Zeile und zweite Spalte) p jk = q j p k erfüllen Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
13 Erwartungswert, Varianz und Streuung Erwartunsgwert E(X ) = mittlerer Wert, den X animmt. Also: X ist diskret verteilt: E(X ) = n p n x n X ist stetig verteilt: E(X ) = xf (x)dx (Existenz des Integrals angenommen!) Varianz und Streuung von X als Maÿ der Abweichung von E(X ): ) V (X ) = E ((X E(X )) 2 (Varianz) σ(x ) = V (X ) (Streuung) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
14 Eigenschaften des Erwartungswertes Monotonie: X Y (d.h. für alle ω Ω gilt X (ω) Y (ω)) folgt: E(X ) E(Y ). Linearität: α, β beliebige reelle Zahlen und X, Y zwei reelle Zufallsgröÿen E (αx + β Y ) = α E (X ) + β E(Y ) X und Y unabhängige Zufallsgröÿen E(XY ) = E(X )E(Y ) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
15 Eigenschaften der Varianz V (X ) = E(X 2 ) (E(X )) 2. E(X 2 ) das zweite Moment E(X n ) n-te Moment (für n N) X und Y unabhängige ZG: V (X + Y ) = V (X ) + V (Y ) (Gleichheit von Bienayme) V (X + Y ) = E ( ) (X + Y ) 2 (E(X + Y )) 2 = E(X 2 ) + E(Y 2 ) + 2E(XY ) ) (E(X )) 2 2E(X ) )E(Y ) (E(Y )) 2 = (E(X 2 ) (E(X )) 2 + (E(Y 2 ) (E(Y )) 2 = V (X ) + V (Y ) Für α,β R gilt V (αx + β) = α 2 V (X ) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
16 Ungleichung von Tschebysche Zusammenhang von Erwartungswert und Varianz bzw. Erwartungswert und Streuung Für jedes ε > 0 gilt P( X E(X ) ε) V (X ) ε 2 Variante: Für jedes reelle k > 0 ist, wobei σ = σ(x ), P( X E(X ) k σ) 1 k 2 Dazu folgende Abschätzung (diskreter Fall!): V (X ) = E ( (X E(X )) 2 ) = k (x k µ) 2 p k xk µ ε (x k µ) 2 p k ε 2 xk µ ε p k = ε 2 P ( X µ ε) Also V (X ) ε 2 P ( X µ ε) (für ε = k σ 2. Version!) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
17 Kovarianz und Korrelationskoezient X und Y reelle Zufallsgröÿen Denition: Kovarianz von X und Y : cov(x,y ) = E ((X E(X )) (Y E(Y ))) Vereinfachung: cov(x,y ) = E(XY ) E(X )E(Y ) (Momentenformel) Annahme: V (X ) > 0,V (Y ) > 0 Denition: Korrelationskoezient von X und Y : ρ(x,y ) = cov(x,y ) V (X ) V (Y ) X und Y unkorreliert: ρ(x,y ) = 0 ρ(x,y ) 1 ρ(x,y ) = 1 genau dann, wenn reelle Zahlen α,β existieren, so daÿ P (Y = αx + β) = 1 (Maÿ für linearen Zusammenhang) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
18 Wiederholung Stochastische Graphen stochastischer Graph Zustände: 1,...,n, n 2 zufällige Übergänge von Zustand i zu j mit Wahrscheinlichkeit: Einteilung in innere und Randzustände: innerer Zustand i: pii < 1, I = {i pii < 1} die Menge der inneren Zustände Randzustand i: pii = 1, R = {i pii = 1} die Randmenge W i zufällige Wartezeit bis R erreicht wird bei Start in i Frage: w i = E(W i )? Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
19 Die 2. Mittelwertsregel I Zusammenhang der Wartezeiten w i : w i = 0 für alle Randzustände i (plausibel?!) w i = 1 + j p ij w j Argumentation: Verteilungstabelle der (bedingten) Wartezeit: O.B.d.A. I i = {1,2,...,m}, m < n : 1 + w w w m p i1 p i2... p im mindestens ein Schritt ist notwendig!!!! Weil j p ij = 1 w i = j p ij (1 + w j ) = 1 + p ij w j. j Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
20 Die 2. Mittelwertsregel II Auswertung des kühnen Spiels: w 0 = w 5 = 0 w 1 = w 2 w 2 = w 4 w 4 = w 3 w 3 = w 1 Einsetzen: w 1 = 2,w 2 = 2,w 3 = 2,w 4 = 2 Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
21 Die erzeugende Funktion einer diskreten Verteilung P(X = k) = p k für k = 0,1,2,... erzeugende Funktion der Verteilung von X ϕ = ϕ X : [0,1] R ϕ (s) = k=0 p ks k Was kann man damit anfangen? E(X ) = ϕ (1) Vereinfachung: ϕ ein Polynom vom Grade n Ableitung von ϕ dϕ ds = ϕ (s) = n k=1 kp k s k 1. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
22 Erwartungswert einer binomialverteilten Zufallsgröÿe I Berechnung mit Hilfe der erzeugenden Funktion Nach Denition: E (X ) = n k=0 k ( n k ) p k (1 p) n k 1. Zugang (generelle Vorgehensweise): Bestimme die erzeugende ( Funktion ) ϕ ϕ(s) = n p k=0 ks k = n n p k (1 p) n k s k k=0 k Nach Binomischen Lehrsatz: ( ) (a + b) n = n n a k b n k für a = ps, b = 1 p k=0 k ϕ(s) = (1 p + ps) n, dϕ ds = np (1 p + ps)n 1 Für s = 1: E(X ) = np. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
23 Erwartungswert einer binomialverteilten Zufallsgröÿe II Berechnung mit Hilfe von Indikatorfunktion 2. Zugang (spezielle Vorgehensweise): Darstellung von X als X = n k=1 X i X i unabhängige ZG mit folgender Eigenschaft { 1 ω Ai X i (ω) = 0 ω / A i für Ereignisse A i mit P(A i ) = p. E (X ) = E ( n k=1 X i) = n k=1 E (X i) = np. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
24 Verteilung bestimmter Summen von unabhängigen Zufallsgröÿen X, Y unabhängige ganzzahlwertige ZG, Verteilung von Z = X + Y? Betrachtung von ϕ Z (s) = k P(Z = k)s k Z = k für irgendein j = 0,...,k gilt: X = j,y = k j (j + k j = k) ( ) Also ϕ Z (s) = k k j=0 P(X = j,y = k j) s k = k ( k j=0 P(X = j)p(y = k j) ) s k = k k j=0 p jq k j s k wobei p j = P(X = j), q k j = P(Y = k j) Weiterhin ( j P(X = j)s j) ( i P(Y = i)s ( ) i) = k k j=0 P(X = j)p(y = k j) s k Schluÿendlich: ϕ Z (s) = ϕ X (s) ϕ Y (s) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
25 Die Verteilung der Zufallsgröÿe absolute Häugkeit H (absolute Häugkeit): zählt das Eintreten eines Ereignisses A in n von einander unabhängigen Versuchen X i zeige für i = 1,...,n das Eintreten von A durch Annehmen der Werte 0 (für Nichteintreten) und 1 (für Eintreten) im i-ten Versuch an H = X 1 + X X n, ϕ Xi (s) = 1 p + ps Ausdehnung von ϕ Z (s) = ϕ X (s) ϕ Y (s) auf n unabhängige Zufallsgröÿen X 1,...,X n ( ) Also ϕ H (s) = (ϕ X1 (s)) n = n n k=0 p k (1 p) n k s k, k ( ) n Folglich: P (H = k) = p k (1 p) n k k H binomialverteilt mit n und p. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
26 Die Varianz der Binomialverteilung Bekannt: X, Y unabhängig Gleichheit von Bienayme erweitert: V (X + Y ) = V (X ) + V (Y ) V (H) = n k=1 V (X k ) = nv (X 1 ) = n ( E(X 2 1 ) p 2) = n ( p p 2) = np(1 p). Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
27 Eine grasche Methode zur Bestimmung der erzeugenden Funktion W zufällige Wartezeit auf einem stochastischem Graphen Interpretation von ϕ W (s) = p k s k k P (W = k) = p k - Erreichen des Randes nach k Übergängen Entscheidung: zu Fuÿ (1 s) oder auf dem Rad mit Wahrs. s Übergangswahrscheinlichkeiten p ij werden dann zusätzlich mit s multipliziert. nur auf dem Rad ergibt Faktor s k Idee: Schrumpfe den stochastischen Graphen zusammen Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
28 Regeln Zustandsbeseitigung, parellele Zweige und Schleifen Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
29 Anwendung der Regeln Ziel: ein zum Ausgangsgraphen stochastisch äquivalenten Graphen mit 2 Zuständen (Startzustand und einem Endzustand, der alle Randzustände repräsentiert) mit Übergangswahrscheinlichkeit ϕ W (s) Schritte: Ermittlung aller direkten Pfade (Zustandsbeseitigung) Ermittlung aller Zyklen zu Schleifen zusammenziehen (Zustandsbeseitigung) Problem: zusätzlich Teilzyklen, beginne mit kleinstem Zyklus Anschlieÿend: Schleifenbeseitigungsregel (Achtung parallele Schleifen zuvor zusammenfassen) Identikation der Randzustände und letzmalige Anwendung der Regel über parallele Zweige Verteilung von W aus ϕ W (s) = p 0 + p 1 s + p 2 s ablesen Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
30 Die Verteilung der Wartezeit beim kühnen Spiel I direkte Pfade nach 0: 10 und 120 Übergangsw. s 2 + s2 4 direkte Pfade nach 5: 1245 und Übergangsw. s3 8 + s4 16 Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
31 Die Verteilung der Wartezeit beim kühnen Spiel II Schrumpfung von 12431: s malige Schleifenbeseitigung und par. Zweige: ϕ(s) = s 2 + s2 4 + s3 8 + s s = s(s+2)(s2 +4) 16 1 (s 2)(s+2)(s2 +4) = s 2 s = k=1 ( 1 2) k s k (geometr. Reihe) Verteilung: P(W = k) = ( 1 2) k für k = 1,2,... Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
32 Zeitreihen mit R I Darstellen des Ifo-Index 1991 bis 2006 als Zeitreihe library(xlsreadwrite) ## xlsreadwrite version (826aa0) ## Copyright (C) 2010 Hans-Peter Suter, Treetron, Switzerland. ## ## This package can be freely distributed and used for any ## purpose. It comes with ABSOLUTELY NO GUARANTEE at all. ## xlsreadwrite has been written in Pascal and contains binary ## code from a proprietary library. Our own code is free (GPL-2). ## ## Updates, issue tracker and more info at anschlieÿend Daten einlesen: Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
33 Zeitreihen mit R II Daten <- read.xls("ifo-geschaeftsklima-d.xls", sheet = "Daten") attach(daten) names(daten) ## [1] "ifo" als Zeitreihe darstellen: ifo <- ts(ifo, start = 1991, freq = 12) plot(ifo, main = "IFO-Index", ylab = "Index", xlab = "Jahre") Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
34 Zeitreihen mit R III IFO Index Index Jahre Glätten des Ifo-Index Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
35 Zeitreihen mit R IV ifo1 <- filter(ifo, filter = rep(1/12, 12)) erneut zeichnen Verwendung des Befehls lines plot(ifo, main = "IFO-Index", ylab = "Index", xlab = "Jahre") lines(ifo1, col = "red") Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
36 Zeitreihen mit R V IFO Index Index Jahre Algorithmus der Saisonbereinigung? Glätten der Inputreihe mit einem Filter von Vielfachem der Saisonlänge Ergebnis: Saisonanteil fällt raus!!! Output Schätzung für Input ohne Saisonanteil Dierenz von ursprünglichen Input minus Output Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
37 Zeitreihen mit R VI Ergebnis: gestörter Saisonanteil Bestimmung der Saisongur daraus: Mittlung über alle gleichen Zeitpunkte (z. B. bei Saison=Jahr, alle Januarwerte u.s.w.) Zentrieren der Mittlungen (Werte minus Mittelwert, Saisongursumme soll Null werden) Subtraktion der Saisongur von der ursprünglichen Inputreihe Das Komponentenmodell des IFO-Index KModell <- stl(ifo, s.window = "periodic") plot(kmodell) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
38 Zeitreihen mit R VII remainder trend seasonal data time ifo soll schon saisonbereinigt sein! Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
39 Zeitreihen mit R VIII also keine Verbesserung durch erneute Saisonbereinigung saison <- KModell$time.series[, 1] ifo2 <- ifo - saison nun der Vergleich plot(ifo, main = "Saisonbereinigter IFO-Index") title(xlab = "Jahre", ylab = "Index") lines(ifo2, col = "red") Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
40 Zeitreihen mit R IX Saisonbereinigter IFO Index Index ifo Jahre Time zum Schluÿ eine Prognose zum IFO-Index: Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
41 Zeitreihen mit R X hw <- HoltWinters(ifo) mit einer Vorhersage für 5 Monate plot(ifo, xlim = c(1990, 2007), main = "Prognose IFO-Index") title(xlab = "Jahre", ylab = "Index") title(sub = "für Februar - Juni 2006") lines(predict(hw, n.ahead = 5), col = 2) Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
42 Zeitreihen mit R XI Prognose IFO Index Index ifo Jahre Time für Februar Juni 2006 Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
43 Formel von der totalen Wahrscheinlichkeit I Aufgabe Ein Teehersteller bezieht 70% seiner Rohstoe aus Indien, der Rest aus anderen Quellen, die mit einer Wahrscheinlichkeit von 1% beanstandet werden. Bei der Endkontrolle dürfen höchsten 3% der Teepackungen als nicht von höchster Qualität sein. a) Welche Anforderung müssen die Teelieferungen aus Indien erfüllen? b) Angenommen, es gelingt die indische Fehlerquote bei 2% zu stabilisieren. Welche Auswirkungen hätte dies für die Endqualität? Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
44 Formel von der totalen Wahrscheinlichkeit I a) b) Es gilt: Also Der Ansatz ist 0.03 = 0.7p p = 0.039, max. 3,9% d.h. p = 1.7% p = = Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
45 Formel von Bayes I Aufgabe 90% der Erdbeerernte eines Erdbeerhofes werden frisch verkauft. Der Rest wird gefrostet. Die Kunden frosten selber mit einer Wahrscheinlichkeit von 10% und kaufen auch gefrostete Ware des Erdbeerhofes. Die Portiongröÿen sind gleich. a) Wieviel Prozent der Erdbeerernte wird gefrostet? b) Wie groÿ ist die Wahrscheinlichkeit, daÿ eine aufgetaute Erdbeerportion gefrostete Ware ist? Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
46 Formel von Bayes II a) Nach der Formel von totalen Wahrscheinlichkeit p (gefrostete Erdbeeren) = = b) Nach der Formel von Bayes p (aufgetaute gefr. Ware) = = Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
47 1. Mittelwertsregel Aufgabe: Ein Würfel wird solange geworfen bis zweimal hintereinander 5 oder 6 (A,AA) bzw. 1 bis 4 (B, BB) gefallen sind. Mit welcher Wahrscheinlichkeit tritt der erste Fall ein? Lösung: x als gesuchte W. bei Start in S (y bei Start in A und z bei Start in B): x = 1 3 y z, y = z und z = 1 3 y y = ( y) = 2 9 y = y = 3 7 = z = 1 7 x = = 5 21 Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
48 Wieviel Ankreuzmuster? Kann man das Muster so abändern, dass in jeder Zeile und Spalte genau ein Kreuz steht? Wieviele solche Muster würde es dann geben? Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
49 Aufgabe aus der Testklausur 95% aller Zuschauer eines Bundesligaspiels kennen die Abseitsregel, Männer sowieso und Frauen mehrheitlich zu 60%. Wieviel Prozent der Zuschauer sind Frauen? Lösung: Sei p der Anteil der Frauen. Dann gilt nach der Formel von der totalen Wahrscheinlichkeit 0.95 = (1 p) + 0.6p, woraus p = folgt. Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
50 Klausuraufgabe Ein Sportreporter schätzt bei einem Bundligaspiel, dass 80% der Zuschauer Männer sind, die die Abseitsregel genau kennen. Im Pauseninterview befragt er 10 Zuschauer nach dieser Regel. 9 können diese Regel erklären. Für seine Äuÿerung, dass Frauen mit einem Münzwurf entscheiden, ob Abseits ist oder nicht, erhält er eine Abmahnung. Wie kommt er überhaupt zu dieser Aussage? Werten Sie die Zahlen mit Hilfe der Formel von der totalen Wahrscheinlichkeit aus! (4 Punkte) Lösung: Sei p der Anteil der Frauen,die die Abseitsregel erklären können. Dann gilt woraus p = 0.5 folgt. 0.9 = p, Privat-Doz. Dr. H. Haase (Inst. f. Math. u. Inf.) Vorlesung / 50
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
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
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrProgramm. 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
MehrLösungen zu Übungsaufgaben Blatt 9
Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
Mehr(8 + 2 Punkte) = = 0.75
Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
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:
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
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
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
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,
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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............................
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
Mehr12 Erwartungswerte. Erwartungswerte 111. Überblick
Erwartungswerte 111 12 Erwartungswerte Zur Motivation der Begrisbildung wird zunächst der Erwartungswert im diskreten Fall als Reihenwert eingeführt. Der allgemeine, auf dem Integral basierende Erwartungswert
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: X
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
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrEine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 25. November 2009 Bernd
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrDie Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten
Die Funktion f ;Y (x; y) := Pr[ = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen und Y. Aus der gemeinsamen Dichte f ;Y kann man ableiten f (x) = y2w Y f ;Y (x; y) bzw. f Y (y) = Die Funktionen
MehrEine Einführung in R: Dichten und Verteilungsfunktionen
Eine Einführung in R: Dichten und Verteilungsfunktionen Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
Mehr