1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen
|
|
- Viktor Kirchner
- vor 7 Jahren
- Abrufe
Transkript
1 6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei wird im Unterschied zur Binomialverteilung ohne Zurücklegen gezogen. Da ohne Zurücklegen gezogen wird, ändert sich nach jeder Ziehung die Zusammensetzung der Kugeln, die noch in der Urne sind und damit die Wahrscheinlichkeit, eine rote oder nicht-rote Kugel zu ziehen:. Ziehg.: M P(A) und P(A) N N M N. Ziehg.: M N M P(A A ) und P(A A ) falls rote Kugel in. Ziehg. gezogen N N M P(A A) und P(A A) N N M N falls nicht-rote K. in. Ziehg. gezogen Die Ziehungen sind also nicht unabhängig voneinander. Damit liegt zwar bei jeder Ziehung ein Bernoulli-Eeriment, aber insgesamt kein Bernoulli-Prozess vor. Das Ereignis A tritt ein, wenn eine rote Kugel gezogen wird. Entsrechend ist Ereignis, dass die gezogene Kugel nicht rot ist. Zufallsvariable X: Anzahl der Realisationen des Ereignisses A, d.h. Anzahl der gezogenen roten Kugeln A das 8
2 Herleitung der Wahrscheinlichkeitsfunktion: Wir erhalten die gesuchte Wahrscheinlichkeit, indem wir die Anzahl der Auswahlmöglichkeiten mit roten und n nicht-roten Kugeln durch die Anzahl aller denkbaren Stichroben von n aus N Kugeln teilen (Lalace-Ansatz). Da das Ziehen der Kugeln aus der Urne ohne Zurücklegen erfolgt und die Reihenfolge irrelevant ist, lässt sich die Anzahl der Auswahlmöglichkeiten über die Formel für die OR-OZ-Auswahl berechnen. 9
3 Zähler: OR-OZ-Auswahl von aus M roten Kugeln: M OR-OZ-Auswahl von n aus N M nicht-roten Kugeln: Möglichkeiten N M n Möglichkeiten OR-OZ-Auswahl von aus M roten Kugeln und n aus N M nicht-roten Kugeln: M N n M Möglichkeiten ( jede mit jeder ) Nenner: OR-OZ-Auswahl von n aus N Kugeln: N Möglichkeiten n Eine Zufallsvariable X folgt einer hyergeometrischen Verteilung mit den Parametern N, M und n, wenn die Wahrscheinlichkeitsfunktion von X durch (6.5) f M N M n N n 0 für 0,,,n sonst N gegeben ist. Dabei ist M, n N M und n. Sofern diese Bedingung nicht erfüllt ist, nimmt die Wahrscheinlichkeitsfunktion den Wert 0 an. 30
4 Beisiel 6.6: Wir illustrieren die hyergeometrische Verteilung an einem Urnenmodell. In einer Urne befinden sich N = 0 Kugeln, von denen M = 4 Kugeln rot und N M = 6 nicht rot, hier weiß, sind. Wie groß ist die Wahrscheinlichkeit, bei einer Stichrobe vom Umfang n = 3 genau = rote Kugeln zu ziehen, wenn die Kugeln nach dem Ziehen nicht wieder zurückgelegt werden? Urne Stichrobe Eine günstige Kombination ist r r w, d.h. in den ersten beiden Zügen jeweils eine rote Kugel zu ziehen und im dritten Zug eine weiße Kugel. (Ereignisse hier: Kleinbuchst.) Wahrscheinlichkeit, im ersten Zug eine rote Kugel (r ) zu ziehen: P(r ) = 4/0 Bedingte Wahrscheinlichkeit, im zweiten Zug eine rote Kugel (r ) zu ziehen, wenn im ersten Zug eine rote Kugel gezogen worden ist (r ): P(r r ) = 3/9 Bedingte Wahrscheinlichkeit, im dritten Zug eine weiße Kugel (w) zu ziehen, wenn in den ersten beiden Zügen jeweils eine rote Kugel gezogen worden ist (r r ): P(w 3 r r ) = 6/8 3
5 Daher beträgt die Wahrscheinlichkeit der Kombination r r w Pr r w3 P(r ) P(r r ) P(w3 r r ) 0, Wie viele unterschiedliche Anordnung der beiden roten und einen weißen Kugeln gibt es aber? Mit der Formel für n-q-anordnungen erhalten wir 3! A 3, 3.!! Es handelt sich hierbei um die drei Stichroben r r w, r w r, w r r. Jede dieser drei Möglichkeiten hat die gleiche Wahrscheinlichkeit 0,, so dass ist. P "zweimal rot und einmal weiß" 0, 3 0, 3 Zum selben Ergebnis gelangt man unter Verwendung der Wahrscheinlichkeitsfunktion der hyergeometrischen Verteilung (6.5). Die Wahrscheinlichkeit dafür, dass die Zufallsvariable Anzahl der roten Kugeln den Wert = annimmt, ergibt sich aus (6.5) nach Einsetzen der Parameter N=0, M=4 und n=3: f ,3. 3
6 Erwartungswert und Varianz der hyergeometrischen Verteilung Erwartungswert Varianz M (6.6) EX n (6.7) N M M N n n N N N V X Vergleich zwischen der hyergeometrischen und der Binomialverteilung Erwartungswert Die Erwartungswerte der hyergeometrischen und Binomialverteilung (= n ) stimmen überein, wenn man = M/N setzt (entsricht Ziehen mit Zurücklegen). Varianz Die Varianz der hyergeometrischen Verteilung ist für n> um den Faktor (N-n)/(N-) ganz rechts kleiner als die Varianz der Binomialverteilung [= n (-) ]. Der Unterschied nimmt mit wachsendem Stichrobenumfang n zu. ( für n =!) Erklärung: Informationsgewinn beim Ziehen ohne Zurücklegen Je mehr Kugeln ohne Zurücklegen gezogen werden, desto genauere Informationen haben wir über die restlichen noch in der Urne enthaltenen Kugeln. Die Streuung der Zufalllvariablen X verringert sich dadurch. Wenn dagegen mit Zurücklegen gezogen wird, bleibt die Zusammensetzung der Urne stets unverändert. Die Streuung der Zufallsvariablen X bleibt dann gleich. 33
7 Faustregel: Aroimation der hyergeometrischen Verteilung durch die Binomialverteilung Bei endlichem Stichrobenumfang n geht der Faktor (N-n)/(N-) gegen, wenn N über alle Grenzen wächst. Die Varianz der hyergeometrischen Verteilung geht dann in die Varianz der Binomialverteilung über. Allgemein lässt sich zeigen, dass die Wahrscheinlichkeitsfunktion der hyergeometrischen Verteilung f H ( N,M,n) für N und M in die Wahrscheinlichkeitsfunktion der Binomialverteilung f B ( I n,) übergeht, sofern M/N geht: (6.8) lim M NM / N M N M n N n n n Wenn der Auswahlsatz n/n 0,05, d.h. kleiner oder gleich 5% ist, lässt sich die Wahrscheinlichkeit bei Zufallseerimenten mit Ziehen ohne Zurücklegen aroimativ mit der einfacher handhaberen Binomialverteilung berechnen.. Der Faktor (N-n)/(N-), um den sich die Varianzen der beiden Verteilungen unterscheiden, wird in diesem Kontet auch als Endlichkeitskorrektur bezeichnet. 34
8 Beisiel 6.7: Auf einem Markt von 00 Unternehmen befinden sich 0 innovative Unternehmen. Wie groß ist die Wahrscheinlichkeit, dass in einem Kartell von 4 Unternehmen mindestens die Hälfte der Unternehmen innovativ sind? Da ein Unternehmen, das dem Kartell beigetreten ist, nicht nochmals für einen Beitritt in Betracht kommt, liegt das Auswahlmodell Ziehen ohne Zurücklegen vor. Die Zufallsvariable X gibt die Anzahl der innovativen Unternehmer (= Ereignis A) in dem Kartell an. Die gesuchte Wahrscheinlichkeit P(X) lässt sich damit originär mit der hyergeometrischen Verteilung bestimmen. Mit den Parametern N=00, M=0 und n=4 erhält man P(X ) P(X ) P(X 3) P(X 4) ,0460 0,008 0,000 0,0489. Mit einer Wahrscheinlichkeit von 4,89% ist also mindestens die Hälfte der Unternehmer in dem Kartell innovativ. 35
9 Da der Auswahlsatz n/n = 4/00 = 0,04 kleiner als 0,05 ist, können wir die gesuchte Wahrscheinlichkeit aroimativ mit der Binomialverteilung bestimmen. Mit den Parametern n=4 und =M/N=0/00=0, erhalten wir P(X ) P(X ) P(X 3) P(X 4) 4 0, 0,9 4 0, 3 0,9 0,0486 0,0036 0,000 0, , 4 0,9 Mit zunehmender Zahl der konkurrierenden Unternehmen wird die Aroimation der hyergeometrischen Verteilung durch die Binomialverteilung genauer
10 6.5 Geometrische Verteilung Wir betrachten eine Urne, die eine beliebige Anzahl von roten und nicht-roten Kugeln enthält. Es sei A j das Ereignis, dass bei Ziehung j eine rote Kugel gezogen wird. Wir entnehmen so lange Kugeln mit Zurücklegen, bis zum ersten Mal A j eintritt, d. h. eine rote Kugel gezogen wird. Daher ist die Wahrscheinlichkeit, eine rote Kugel zu ziehen, im Verlauf des Zufallsvorgangs konstant (Bernoulli-Prozess). Bei jeder Ziehung ist A j P(A j ) = und P( ) =. Zufallsvariable X: Anzahl der Durchführungen des Zufallsvorgangs, bei denen das Ereignis A j nicht realisiert wird (= Anzahl der Misserfolge) Die Zufallsvariable X nimmt den Wert an, wenn das Ereignis A j bei der (+)-ten Durchführung des Zufallsvorgangs zum ersten Mal realisiert wird. Übersicht: Wahrscheinlichkeiten bei der geometrischen Verteilung X= Ereignisse P(X=) X=0 A X= A A X= X= A A A3 A A A A Ereignisse P X 0 PA PX PA PA X PA PA PA P 3 PX PA PA PA PA Faktoren 37
11 Die Wahrscheinlichkeitsfunktion der geometrischen Verteilung lautet für 0,,, (6.9) f 0 sonst. Die Wahrscheinlichkeitsfunktion der geometrischen Verteilung verläuft grundsätzlich rechtsschief. Die Funktion nimmt um so stärker ab, je größer der Parameter ist. Die geometrische Verteilung kommt bei Zufallsvorgängen mit dem Auswahlmodell Ziehen mit Zurücklegen zur Anwendung, die bei rinziiell beliebiger Wiederholung abgeschlossen sind, wenn das Ereignis A eintritt nachdem -mal hintereinander A realisiert worden ist. Abbildung: Wahrscheinlichkeitsfunktionen der geometrischen Verteilung 0,4 f () 0,8 f () 0,3 0, 0, 0,6 0,4 0, a) =0,4 b) =0,
12 Beisiel 6.8: Der Controller einer Firma hat ermittelt, dass die Lieferanten die vereinbarten Lieferfristen im Mittel in 85 % der Bestellungen einhalten. Die Firma hat mit einem neuen Lieferanten laufende Teillieferungen von Halbfertigerzeugnissen für die Herstellung eines Produktes vereinbart. Nachdem der Lieferant dreimal fristgerecht geliefert hat, ist er bei der vierten Teillieferung in Verzug geraten. Mit welcher Wahrscheinlichkeit ein solches Verhalten des Lieferanten zu erwarten? Die Zufallsvariable X misst stets die Anzahl der Misserfolge, die hier der Anzahl der fristgerechten Lieferungen entsricht. Eine Lieferung der Firma ist mit einer Wahrscheinlichkeit von 0,85 fristgerecht (Ereignis A). Daher ist die Wahrscheinlichkeit für eine nicht fristgerechte Lieferung (Ereignis A) gleich 0,5. Gesucht ist damit die Wahrscheinlichkeit, dass die geometrisch verteilte Zufallsvariable X den Wert 3 annimmt: P(X 3) f 3 3 0,85 0,5 0,09. Die Wahrscheinlichkeit, dass ein Lieferant erst bei der vierten Teillieferung in Verzug gerät, beträgt 9, %. 39
13 Erwartungswert und Varianz der geometrischen Verteilung Erwartungswert (6.0) EX (6.) Varianz V X Bei größerem nimmt der Erwartungswert ab, die Lage der Wahrscheinlichkeitsfunktion verschiebt sich dann also weiter nach links. Die Varianz verringert sich dabei ebenfalls, was bedeutet, dass die Verteilung schneller abfällt. Abbildung: Wahrscheinlichkeitsfunktionen der geometrischen Verteilung 0,4 0,3 0, 0, f () E 0,6 0,4 X, 5 3, 75 V X 0,6 0,4 0,8 0,6 0,4 0, f () E 0, 0,8 X , 35 V X 0, 0, a) =0,4 b) =0,
14 Als Differenz der beiden Summenformeln ergibt sich F, F, F F. F und nach Division durch schließlich 4 Verteilungsfunktion der geometrischen Verteilung Die Verteilungsfunktion der geometrischen Verteilung gibt die Wahrscheinlichkeit dafür an, dass nach höchstens Misserfolgen zum ersten Mal A eintritt. Sie lässt sich in komakter form darstellen: (6.) F() = ( ) +. Beweis von (6.): Man erhält die Verteilungsfunktion F() der geometrischen Verteilung, indem die Wahrscheinlichkeiten f(y) bis zum Wert y kumuliert, d.h. addiert:. F() Multiliziert man F() mit dem Faktor ( ), erhält man. F
15 Beisiel 6.9: Angenommen, die Statistik II-Klausur ist beliebig oft wiederholbar. Der Anteil der Studenten, die die Statistik II-Klausur bestehen, beträgt 60%. Wie groß ist dann die Wahrscheinlichkeit, dass ein Student die Klausur a) sätestens im dritten b) frühestens im dritten (= mind. Misserfolge) Versuch besteht? Zu a) Klausur sätestens im dritten Versuch bestehen Die Zufallsvariable X bezeichnet die Anzahl der Misserfolge, die hier den erfolglosen Versuchen entsrechen. Wenn sätestens im dritten Versuch bestanden wird, dann sind bis zu zwei Misserfolge zulässig. Gesucht ist dann der Wert der Verteilungsfunktion an der Stelle =: 3 Aufwendiger gelangt man zum selben Ergebnis, indem man die Wahrscheinlichkeiten für 0, und Misserfolge addiert: P(X ) f (0) f () f () ( ) ( ) 0,6 ( 0,6) 0,6 ( 0,6) 0,6 0,6 0,4 0,096 0,936. Zu b) Klausur frühestens im dritten Versuch bestehen (= mindestens Misserfolge) Die Klausur frühestens im dritten Versuch zu bestehen, bedeutet, mindestens zweimal durchzufallen, d.h. mindestens zwei Misserfolge zu erzielen. Die gesuchte Wahrscheinlichkeit ist daher durch P X PX [ ( ) P(X ) F F() ] ( ) ( ) 0,6 3 0,064 0,936. 0,6 ( 0,4 ) 0,4 0, 60 (Doch richtig!) gegeben. 4
falls rote Kugel im 1. Zug gezogen Die Ziehungen sind daher nicht unabhängig voneinander. Damit liegt kein Bernoulli-Prozess
6.4 Hypergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln sind nicht rot. Wir entnehmen n Kugeln, d.h. Stichproben vom Umfang n.
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
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 Unabhängigkeit von Ereignissen A, B unabhängig:
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
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
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
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
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Zufallsvariablen Beschreibung von Ereignissen
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
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
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
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)
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)
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
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
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:
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: 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
MehrAbitur 2015 Mathematik Stochastik IV
Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 201 Mathematik Stochastik IV In einer Urne befinden sich vier rote und sechs blaue Kugeln. Aus dieser wird achtmal eine Kugel zufällig gezogen, die Farbe
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
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli(p) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» ( 1) oder «Misserfolg» ( ). Die Erfolgswahrscheinlichkeit sei p. Wertebereich
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
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
MehrIst P(T) = p die Trefferwahrscheinlichkeit eines Bernoulli-Experiments,
. Binomialverteilung ==================================================================.1 Bernoulli-Experimente und Bernoullikette -----------------------------------------------------------------------------------------------------------------
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
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
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrKAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN
htw saar 1 KAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN htw saar 2 Gliederung 18.01. Was sind Zufallsvariablen? Charakteristika einer Zufallsvariablen: Verteilung, Erwartungswert und Varianz Ausgewählte
MehrWahrscheinlichkeitsrechnung Übung Aufgabe 2.b und 3
Wahrscheinlichkeitsrechnung Übung Aufgabe 2.b und 3 B I N O M I A L V E R T E I L U N G, B I N O M I A L T A B E L L E, U N A B H Ä N G I G E E R E I G N I S S E Zentrale Methodenlehre, Europa Universität
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
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
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 und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
Mehr5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
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
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrInhaltsverzeichnis (Ausschnitt)
6 Diskrete Wahrscheinlichkeitsräume Inhaltsverzeichnis (Ausschnitt) 6 Diskrete Wahrscheinlichkeitsräume Laplacesche Wahrscheinlichkeitsräume Kombinatorik Allgemeine diskrete Wahrscheinlichkeitsräume Deskriptive
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 30. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 4 Version: 24.
MehrAufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen
Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),
MehrPflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg
Pflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com September 016
MehrWahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel
Wahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel Aufgaben Lösen Sie A1 und A sowohl mit der Bernoulli-Formel als auch mit dem TR(BV), die anderen Aufgaben lösen sie mit dem TR(BV). A1 Eine Familie
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
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
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
MehrLernkarten. Stochastik. 4 Seiten
Lernkarten Stochastik 4 Seiten Zum Ausdrucken muss man jeweils eine Vorderseite drucken, dann das Blatt wenden, nochmals einlegen und die Rückseite drucken. Am besten druckt man die Karten auf festem Papier
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
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.
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
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
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
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
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
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
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,
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
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
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
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
MehrMusterlösung. Abitur Mathematik Bayern G Bayern Aufgabe 1. Abitur Mathematik: Musterlösung. Stochastik II
Abitur Mathematik: Bayern 2012 Aufgabe 1 a) VIERFELDERTAFEL P(R ) = 88 % und P(V) = 18 % stehen in der Aufgabenstellung. 60 % in der Angabe stehen für die bedingte Wahrscheinlichkeit P R (V). P(R V) =
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.
MehrWie groß ist die Wahrscheinlichkeit Pr[X > y + x X > x]? Da bei den ersten x Versuchen kein Erfolg eintrat, stellen wir uns vor, dass das
Sei X geometrisch verteilt mit Erfolgswahrscheinlichkeit p. Dann ist Pr[X = k] die Wahrscheinlichkeit, dass wir bei einem binären Experiment mit Erfolgswahrscheinlichkeit p genau in der k-ten unabhängigen
MehrMultivariate Zufallsvariablen
Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse.
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:
MehrAbitur 2012 Mathematik Stochastik III
Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 2012 Mathematik Stochastik III Für eine Quizshow sucht ein Fernsehsender Abiturientinnen und Abiturienten als Kandidaten. Jeder Bewerber gibt in einem
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............................
MehrStichprobenverteilung bei unterschiedlichen Auswahlsätzen
Stichprobenverteilung bei unterschiedlichen Auswahlsätzen Begleitende Unterlagen zur Übung Induktive Statistik Michael Westermann Universität Essen Inhaltsverzeichnis 1 Einleitung.......................................................
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrSei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable.
Aufgabe 1 (5 + 2 + 1 Punkte) Sei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable. a) Wie lautet die Verteilungsfunktion von X? Zeichnen Sie diese! 0 x < 2 1 F (x) = x 0.5 2 x 6
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:
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
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
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
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
MehrSpezielle diskrete Verteilungen
9 Eindimensionale Zufallsvariablen Spezielle diskrete Verteilungen 9.9 Spezielle diskrete Verteilungen Im Folgenden: Vorstellung spezieller (parametrischer) Verteilungsfamilien, die häufig Verwendung finden.
MehrSpezielle diskrete Verteilungen
9 Eindimensionale Zufallsvariablen Spezielle diskrete Verteilungen 9.9 Spezielle diskrete Verteilungen Im Folgenden: Vorstellung spezieller (parametrischer) Verteilungsfamilien, die häufig Verwendung finden.
Mehrˆ Die Verluste der einzelnen Perioden sind in den ersten zehn Perioden stochastisch
Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@th-koeln.de Übungen zu QM III (Wirtschaftsstatistik) Binomialverteilung
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
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
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
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
MehrInstitut für Stochastik, SoSe K L A U S U R , 8:00-11:00. Aufgabe Punkte erreichte Punkte Korrektur
Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 2. K L A U S U R 29.9.2014, 8:00-11:00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter
Mehr2 Kombinatorik. 56 W.Kössler, Humboldt-Universität zu Berlin
2 Kombinatorik Aufgabenstellung: Anzahl der verschiedenen Zusammenstellungen von Objekten. Je nach Art der zusätzlichen Forderungen, ist zu unterscheiden, welche Zusammenstellungen als gleich, und welche
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
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
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
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
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrVorlesung 5a. Die Varianz
Vorlesung 5a Die Varianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert
Mehr