Kapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen

Größe: px
Ab Seite anzeigen:

Download "Kapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen"

Transkript

1 Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population interessiert, die zu den Daten gehört, so ist eine solche Analyse unproblematisch. Oft ist man aber an der Verteilung eines Merkmals in einer Grundgesamtheit interessiert und kann aber nicht die gesamte Grundgesamtheit untersuchen. Man wird in diesem Fall eine Teilgesamtheit der Grundgesamtheit untersuchen. Der Schluss von der Teilgesamtheit auf die Grundgesamtheit ist fehlerbehaftet. Die Wahrscheinlichkeitsrechnung erlaubt es nun, eine Aussage über den Fehler zu machen. Hierzu unterstellt man für das Merkmal ein Wahrscheinlichkeitsmodell und spricht von einer Zufallsvariablen. Wir unterscheiden diskrete und stetige Zufallsvariablen. 5.1 Diskrete Zufallsvariablen Beispiel 54 Wir betrachten Familien mit zwei Kindern, wobei uns die Anzahl der Mädchen interessiert. Offensichtlich kann es in einer Familie mit zwei Kindern, 1 oder 2 Mädchen geben. Wir suchen die Wahrscheinlichkeiten dieser drei Ausprägungen. Hierzu fassen wir die Geburt eines Kindes als einen Zufallsvorgang auf. Wir beobachten diesen Zufallsvorgang zweimal. Man spricht von einem verbundenen Zufallsvorgang. Die Ergebnismenge ist Ω={WW,WM,MW,MM}. Dabei steht W für weiblich und M für männlich. Es liegt nahe, ein Gleichmöglichkeitsmodell zu unterstellen. Es gelte also P ({WW}) =.25 P ({WM}) =.25 P ({MW}) =.25 P ({MM}) =

2 146 KAPITEL 5. UNIVARIATE ZUFALLSVARIABLEN Wir ordnen nun jedem Ergebnis die Anzahl der Mädchen zu. So sind 2 Mädchen in der Familie, wenn das Ergebnis WW beobachtet wurde. Abbildung 5.1 illustriert die Zuordnung. Abbildung 5.1: Illustration einer Zufallsvariablen 2 WW MW WM 1 MM Definition 5.1 Sei Ω die abzählbare Ergebnismenge eines Zufallvorgangs. Dann heißt die Abbildung X :Ω IR diskrete Zufallsvariable X. Für Zufallsvariablen verwenden wir im Folgenden Großbuchstaben. Die Werte, die die Zufallsvariable annimmt, bezeichnen wir mit Kleinbuchstaben. Beispiel 54 (fortgesetzt) Wir betrachten die Zufallsvariable X Anzahl der Mädchen in Familien mit 2 Kindern. X kann die Werte, 1 und 2 annehmen. Haben wir den Elementarereignissen Wahrscheinlichkeiten zugeordnet, so können wir die Wahrscheinlichkeiten von Ereignissen bestimmen, die über die Zufallsvariable X beschrieben werden. Hier interessieren uns vor allem Ereignisse der Form {ω X(ω) = x}. Beispiel 54 (fortgesetzt) Es gilt {ω X(ω) =} = {MM} {ω X(ω) =1} = {MW,WM} {ω X(ω) =2} = {WW}.

3 5.1. DISKRETE ZUFALLSVARIABLEN 147 Die Wahrscheinlichkeiten von Ereignissen der Form {ω X(ω) = x} können wir folgendermaßen bestimmen: P ({ω X(ω) =x}) = {ω i X(ω i )=x} P ({ω i }). Für schreiben wir kurz P ({ω X(ω) =x}) P (X = x). Beispiel 54 (fortgesetzt) Es gilt P (X =) = P ({ω X(ω) =}) =P ({MM}) =.25 P (X =1) = P ({ω X(ω) =1}) =P ({MW})+P ({WM}) =.5 P (X =2) = P ({ω X(ω) =2}) =P ({WW}) =.25. Definition 5.2 Sei X eine diskrete Zufallsvariable. Dann heißt die Funktion f X : IR IR mit x f X (x) =P (X = x) Wahrscheinlichkeitsfunktion von X. Beispiel 54 (fortgesetzt) Es gilt.25 für x =.5 für x =1 f X (x) =.25 für x =2 sonst T X = {x f X (x) > } heißt der Träger von x. Beispiel 54 (fortgesetzt) Es gilt T X = {, 1, 2}. Die Wahrscheinlichkeitsfunktion f X (x) besitzt zwei Eigenschaften. Für alle x IR gilt f X (x). (5.1)

4 148 KAPITEL 5. UNIVARIATE ZUFALLSVARIABLEN Außerdem gilt {x x T X } f X (x) =1 (5.2) Man muss die Wahrscheinlichkeitsfunktion einer diskreten Zufallsvariablen X nicht notwendigerweise aus einem Zufallsvorgang gewinnen. Jede Funktion, die die Bedingungen in den Gleichungen (5.2) und (5.1) erfüllt, kann als Wahrscheinlichkeitsfunktion einer Zufallsvariablen X aufgefasst werden. Es muss dann natürlich überprüft werden, ob die Wahl sinnvoll ist. Beispiel 55 Ein Statistiker betrachtet alle Bundesligaspiele, in denen höchstens 5 Tore fallen. Er unterstellt eine Wahrscheinlichkeitsfunktion für die Anzahl der Tore X, die Tabelle 5.1 zu finden ist. Tabelle 5.1: Wahrscheinlichkeitsfunktion für die Anzahl der Tore in einem Bundesligaspiel x P (X = x) Um zu sehen, ob die Wahrscheinlichkeitsfunktion sinnvoll gewählt wurde, sollte man sie mit Daten konfrontieren. Der Statistiker betrachtet alle Spiele der Saison 21/22, in denen höchstens 5 gefallen sind, und bestimmt die relative Häufigkeit h(x = x) der Spiele, in denen x Tore gefallen sind. Diese sind in Tabelle 5.2 zu finden. In Statistik II werden wir Verfahren kennen lernen, mit denen wir überprüfen können, ob ein Wahrscheinlichkeitsmodell angemessen ist. Tabelle 5.2: Häufigkeitstabelle der Anzahl der Tore in einem Bundesligaspiel in der Saison 21/22, wobei nur Spiele betrachtet wurden, in denen höchstens 5 Tore fielen x n(x = x) h(x = x)

5 5.1. DISKRETE ZUFALLSVARIABLEN 149 Beispiel 56 Der Mathematiker Simon Newcomb bemerkte im Jahr 1881, dass in Logarithmentabellen die vorderen Seiten abgegriffener waren als die hinteren. Dies deutet darauf hin, dass Zahlen mit einer niedrigen Anfangsziffer häufiger sind als Zahlen mit einer hohen Anfangsziffer. Newcomb leitete folgende Wahrscheinlichkeit dafür her, dass die erste Ziffer X den Wert x annimmt: P (X = x) =log(x +1) log (x). dabei ist log der Logarithmus zur Basis 1. Tabelle 5.3 zeigt die Verteilung der Anfangsziffern der Einwohnerzahl deutscher Städte zusammen mit den Wahrscheinlichkeiten der 9 Ziffern nach dem Benford-Gesetz. Tabelle 5.3: Verteilung der der Anfangsziffern der Einwohnerzahl deutscher Städte x n(x = x) h(x = x) P (X = x) Wir sehen, dass die empirische Verteilung gut mit der theoretischen übereinstimmt. 6 Jahre nach Newcomb entdeckte der amerikanische Physiker Benford das Phänomen ebenfalls und stellte fest, dass eine Vielzahl von Datensätzen dieses Gesetz erfüllen. Nach ihm heißt es Benford-Gesetz. Sehr oft hängt die Wahrscheinlichkeitsfunktion von einer oder mehreren Größen ab, die wir Parameter nennen. Beispiel 57 Wir betrachten einen Produktionsprozess. Ein Produkt kann entweder defekt oder nicht defekt sein. Dem Produktionsprozess werden zwei Produkte entnommen. Wir sind an der Anzahl X der defekten Produkte interessiert und suchen eine geeignete Wahrscheinlichkeitsfunktion für X.

6 15 KAPITEL 5. UNIVARIATE ZUFALLSVARIABLEN Wir beobachten zweimal den gleichen Zufallsvorgang. Man spricht von einem verbundenen Zufallsvorgang. Sei D i, i =1, 2, das Ereignis, dass das i-te entnommene Produkt defekt ist. Wir nehmen an, dass die Wahrscheinlichkeit eines defekten produktes bei beiden Zufallsvorgängen identisch ist. Es gilt also P (D i )=p für i =1, 2mit p 1. Außerdem seien die beiden Zufallsvorgänge unabhängig. Dies heißt, dass alle Ereignisse des einen Zufallsvorgangs unabhängig von allen Ereignissen des anderen Zufallsvorgangs sind. Es gilt also P (D 1 D 2 ) = P (D 1 )P (D 2 )=p 2 P (D 1 D 2 ) = P (D 1 )P (D 2 )=p(1 p) P (D 1 D 2 ) = P (D 1 )P (D 2 )=(1 p)p P (D 1 D 2 ) = P (D 1 )P (D 2 )=(1 p) 2 Schauen wir uns nun die Wahrscheinlichkeitsfunktion der Zufallsvariablen X an. Es gilt P (X =) = P (D 1 D 2 )=(1 p) 2 P (X =1) = P (D 1 D 2 )+P(D 1 D 2 )=p(1 p)+(1 p)p = 2p(1 p) P (X =2) = P (D 1 D 2 )=p 2 Die Wahrscheinlichkeitsfunktion von X hängt von dem unbekannten Parameter p ab. Im Rahmen der schließenden Statistik werden wir lernen, wie man datengestützt geeignete Werte für p finden kann. Man spricht vom Schätzen von p. Neben Ereignissen der Form {ω X(ω) = x} betrachten wir noch Ereignisse der Form {ω X(ω) x}. Definition 5.3 Sei X eine diskrete Zufallsvariable. Dann heißt F X (x) =P ({ω X(ω) x}) (5.3) die Verteilungsfunktion von X. Für F X (x) =P ({ω X(ω) x})

7 5.1. DISKRETE ZUFALLSVARIABLEN 151 schreiben wir F X (x) =P (X x). Beispiel 54 (fortgesetzt) Die Verteilungsfunktion F X (x) vonx ist gegeben durch F X (x) = für x<.25 für x<1.75 für 1 x<2 1 für x 2 Abbildung 5.2 zeigt die Verteilungsfunktion. Abbildung 5.2: Verteilungsfunktion einer diskreten Zufallsvariablen x Wir sehen, dass sie eine Treppenfunktion ist, die monoton wächst. Die Verteilungsfunktion F X (x) einer Zufallsvariablen X besitzt folgende Eigenschaften, die wir ohne Beweis angeben. F X (x) ist monoton wachsend. F X (x) ist rechtsseitig stetig. lim F X(x)= x lim F X(x)=1 x

8 152 KAPITEL 5. UNIVARIATE ZUFALLSVARIABLEN Mit Hilfe der Verteilungsfunktion kann man unter anderem folgende Wahrscheinlichkeiten bestimmen. P (X = a) =F X (a) lim x a F X (x) P (X a) =F X (a) P (X <a)=f X (a) P (X = a) P (X >a)=1 F X (a) P (a <X b) =F X (b) F X (a) P (a X b) =F X (b) F X (a)+p (X = a) P (a X<b)=F X (b) F X (a) P (X = b)+p (X = a) P (a <X<b)=F X (b) F X (a) P (X = b) Beispiel 54 (fortgesetzt) Es gilt P (X 2) = F X (2) =.6 Oft ist man an einer Funktion einer Zufallsvariablen interessiert. Das folgende Beispiel stammt aus dem unveröffentlichten Skript zur Vorlesung Statistik nach der Grundausbildung von Bernd Streitberg. Beispiel 58 Ein Teilchen bewegt sich auf den ganzen Zahlen, wobei es im Nullpunkt startet. Bei jedem Schritt geht es zufällig nach rechts oder links. Das Teilchen möge drei Schritte machen. Uns interessiert die Anzahl der Schritte nach links. Offensichtlich kann es keinen, einen oder zwei Schritte nach links machen. Die Ergebnismenge ist Ω={LLL, LLR, LRL, RLL, LRR, RLR, RRL, RRR} Da das Teilchen sich zufällig bewegt, ist jedes der Elementarereignisse gleich wahrscheinlich. Es gilt also P ({LLL}) =.125 P ({LLR}) =.125 P ({LRL}) =.125 P ({LRR}) =.125 P ({LRR}) =.125 P ({RLR}) =.125 P ({RRL}) =.125 P ({RRR}) =.125

9 5.2. STETIGE ZUFALLSVARIABLEN 153 Wir betrachten nun die Position X des Teilchens nach 3 Schritten. Geht das Teilchen zum Beispiel dreimal nach rechts, so befindet es sich auf der 3. Tabelle 5.4 gibt für jedes Ergebnis ω Ω den Wert der Zufallsvariablen X an. Tabelle 5.4: Ergebnisse und zugehörige Werte einer Zufallsvariablen ω RRR RRL RLR LRR RLL LRL LLR LLL x Da das Teilchen sich zufällig bewegt, ist jedes Elementarereignis gleich wahrscheinlich. Somit erhalten wir folgende Wahrscheinlichkeitsfunktion von X: x P (X = x) Uns interessiert nun die Verteilung von Y = X, dem Abstand des Teilchens vom Nullpunkt. Die Zufallsvariable Y kann die Werte 1 und 3 annehmen. Es gilt P (Y =1)=P (X = 1) + P (X =1)=.75 P (Y =3)=P (X = 3) + P (X =3)=.25 Wie das Beispiel zeigt, kann man die Verteilung einer Funktion Y = g(x) einer diskreten Zufallsvariablen X folgendermaßen bestimmen: P (Y = y) = P (X = x) (5.4) {x g(x)=y} 5.2 Stetige Zufallsvariablen Im Beispiel 11 auf Seite 23 haben wir das stetige Merkmal Alter betrachtet. Bei einem stetigen Merkmal bilden wir Klassen und bestimmen die relativen Häufigkeiten der Klassen. Die Häufigkeitsverteilung stellen wir mit einem Histogramm dar. Abbildung 2.7 auf Seite 25 zeigt das Histogramm des Alters. Das Histogramm ist die graphische Darstellung der empirischen Dichtefunktion ˆf : IR IR. Für alle x IR gilt ˆf(x). (5.5)

10 154 KAPITEL 5. UNIVARIATE ZUFALLSVARIABLEN Außerdem gilt: ˆf(x) dx =1. (5.6) Die Wert der empirischen Verteilungsfunktion ˆF (x) an der Stelle x ist gleich der Fläche unter der empirischen Dichtefunktion bis zur Stelle x. Es gilt also ˆF (x) = x ˆf(u) du. (5.7) Wir können nun in Analogie zu dieser Eigenschaft eine stetige Zufallsvariable über die Verteilungsfunktion F X (x) =P (X x) definieren. Definition 5.4 Eine Zufallsvariable X heißt stetig, wenn eine Funktion f X : IR IR existiert, sodass für die Verteilungsfunktion F X (x) vonx gilt: F X (x) = x f(u) du (5.8) Die Funktion f X (x) heißt Dichtefunktion der Zufallsvariablen X. Für alle x IR gilt f X (x). (5.9) Außerdem gilt: f X (x) dx =1. (5.1) Jede Funktion, die die Bedingungen in den Gleichungen (5.9) und (5.1) erfüllt, kann als Dichtefunktion einer stetigen Zufallsvariablen aufgefasst werden.

11 5.2. STETIGE ZUFALLSVARIABLEN 155 Beispiel 59 Gegeben sei folgende Funktion f : IR IR mit f(x) = {.1 für x 1 sonst Offensichtlich gilt Außerdem gilt f(x) für alle x IR. f(x) dx = 1.1 dx = [ ] 1.1 u =1 =1. Es handelt sich also um die Dichtefunktion einer Zufallsvariablen. Dies ist die Dichtefunktion einer auf [, 1] gleichverteilten Zufallsvariablen. Abbildung 5.3 zeigt die Dichtefunktion. Abbildung 5.3: Dichtefunktionfunktion der Gleichverteilung auf [, 1] f(x) x Für die Verteilungsfunktion F X (x) gilt F X (x) =für x< und F X (x) =1 für x>1. Für x 1 gilt: F X (x) = x f(u) du = x.1 du = [ ] x.1 u =.1x.

12 156 KAPITEL 5. UNIVARIATE ZUFALLSVARIABLEN Also gilt für x< F X (x) =.1 x für x 1 1 für x>1 Abbildung 5.4 zeigt die Verteilungsfunktion. Abbildung 5.4: Verteilungsfunktion der Gleichverteilung F(x) x Beispiel 6 Gegeben sei folgende Funktion f : IR IR mit f(x) = { e x für x sonst Offensichtlich gilt f(x) für alle x IR. Außerdem gilt [ ] f(x) dx = e x dx = e x = ( 1) = 1. Es handelt sich also um die Dichtefunktion einer Zufallsvariablen. Dies ist die Dichtefunktion einer mit Parameter λ = 1 exponentialverteilten Zufallsvariablen. Abbildung 5.5 zeigt die Dichtefunktion.

13 5.2. STETIGE ZUFALLSVARIABLEN 157 Abbildung 5.5: Dichtefunktionfunktion der Exponentialverteilung mit Parameter λ = f(x) x Für die Verteilungsfunktion F X (x) gilt F X (x) =für x<. Für x gilt: F X (x) = x x [ ] x f(u) du = e u du = e u = e x ( 1) = 1 e x. Also gilt F X (x) = { für x< 1 e x für x Abbildung 5.6 zeigt die Verteilungsfunktion. Abbildung 5.6: Verteilungsfunktion der Exponentialverteilung mit λ = F(x) x

14 158 KAPITEL 5. UNIVARIATE ZUFALLSVARIABLEN Mit Hilfe der Verteilungsfunktion kann man wie bei einer stetigen Zufallsvariablen die relevanten Wahrscheinlichkeiten mit den Formeln auf Seite 152 bestimmen. Dabei ergeben sich einige Vereinfachungen. Die Verteilungsfunktion F X (x) einer stetigen Zufallsvariablen X ist eine stetige Funktion. Hieraus folgt, dass für eine stetige Zufallsvariabe X für alle x IR gilt denn P (X = x) =, P (X = x) = F X (x) lim u x F X (u) =F X (x) F X (x) =. Somit gilt bei einer stetigen Zufallsvariablen: P (X <a)=f X (a) P (X = a) P (X >a)=1 F X (a) P (a <X b) =F X (b) F X (a) P (a X b) =F X (b) F X (a) P (a X<b)=F X (b) F X (a) P (a <X<b)=F X (b) F X (a) Beispiel 59 (fortgesetzt) Es gilt P (2 <X<6) = F X (6) F X (2) =.6.2 =.4

Multivariate Zufallsvariablen

Multivariate 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.

Mehr

Kapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen

Kapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen

Mehr

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben

Mehr

Kapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung

Kapitel 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.

Mehr

1.4 Zufallsvariablen und ihre Verteilung

1.4 Zufallsvariablen und ihre Verteilung 1.4.1 Diskrete Zufallsvariablen Ein Zufallsexperiment wird beschrieben durch einen Grundraum Ω und eine Wahrscheinlichkeit P auf Ω. Häufig interessieren nicht die Ergebnisse an sich, sondern bestimmte

Mehr

Statistik für Ingenieure Vorlesung 3

Statistik 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

Mehr

5 Zufallsvariablen, Grundbegriffe

5 Zufallsvariablen, Grundbegriffe II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse

Mehr

Statistik I für Betriebswirte Vorlesung 3

Statistik I für Betriebswirte Vorlesung 3 Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.

Mehr

Übung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit

Übung 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

Mehr

Kapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte

Kapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte

Mehr

Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen

Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. 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:

Mehr

P (X = 2) = 1/36, P (X = 3) = 2/36,...

P (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

Mehr

Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,

Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II, Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter

Mehr

Übungsaufgaben, Statistik 1

Übungsaufgaben, Statistik 1 Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

Wahrscheinlichkeitstheorie und Statistik

Wahrscheinlichkeitstheorie und Statistik Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter

Mehr

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

13 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

Mehr

Beispiel: Zufallsvariable

Beispiel: Zufallsvariable Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

Kapitel 8: Zufallsvektoren

Kapitel 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

Mehr

8. 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. 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

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 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

Mehr

13 Grenzwertsätze Das Gesetz der großen Zahlen

13 Grenzwertsätze Das Gesetz der großen Zahlen 13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n

Mehr

3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte

3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +

Mehr

Lösung Semesterendprüfung

Lösung Semesterendprüfung MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,

Mehr

Statistik III. Walter Zucchini Fred Böker Andreas Stadie

Statistik 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............................

Mehr

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik

STATISTIK 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)

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung 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:

Mehr

Statistik I für Betriebswirte Vorlesung 3

Statistik I für Betriebswirte Vorlesung 3 Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten

Mehr

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.

Veranstaltung: 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

Mehr

i =1 i =2 i =3 x i y i 4 0 1

i =1 i =2 i =3 x i y i 4 0 1 Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 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.

Mehr

Eindimensionale Zufallsvariablen

Eindimensionale Zufallsvariablen Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert

Mehr

2 Zufallsvariable und Verteilungsfunktionen

2 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

Mehr

Fit for Abi & Study Stochastik

Fit 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

Mehr

Kapitel 17. Unabhängigkeit und Homogenität Unabhängigkeit

Kapitel 17. Unabhängigkeit und Homogenität Unabhängigkeit Kapitel 17 Unabhängigkeit und Homogenität 17.1 Unabhängigkeit Im Rahmen der Wahrscheinlichkeitsrechnung ist das Konzept der Unabhängigkeit von zentraler Bedeutung. Die Ereignisse A und B sind genau dann

Mehr

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität 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

Beispiel 6 (Einige Aufgaben zur Gleichverteilung)

Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß

Mehr

Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse

Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte

Mehr

Übungsblatt 6 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker

Übungsblatt 6 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker Übungsblatt 6 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker 29.11.2012 Gegeben sei erneut der folgende Grundraum: Ω = {1, 1.5, 2, π, 5, 12} Die Elementarereignisse

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4 TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge

Mehr

2 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. 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

Mehr

Ü b u n g s b l a t t 7

Ü b u n g s b l a t t 7 Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben

Mehr

Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen

Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de

Mehr

Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf

Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter Erwartsungswert und Varianz

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation

Mehr

Statistik I für Betriebswirte Vorlesung 4

Statistik I für Betriebswirte Vorlesung 4 Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung

Mehr

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung

2.2 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

Mehr

Modelle diskreter Zufallsvariablen

Modelle 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

Mehr

Wahrscheinlichkeitsräume und Zufallsvariablen

Wahrscheinlichkeitsräume und Zufallsvariablen Kapitel Wahrscheinlichkeitsräume und Zufallsvariablen. W-Raum Unter einem Zufallsexperiment verstehen wir einen vom Zufall beeinflussten Vorgang, der ein entsprechend zufälliges Ergebnis hervorbringt.

Mehr

Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele

Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Wahrscheinlichkeitstheorie Agenda:

Mehr

Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2

Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2 Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller

Mehr

Diskrete Wahrscheinlichkeitsverteilungen

Diskrete Wahrscheinlichkeitsverteilungen Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz

Mehr

Satz 104 (Skalierung exponentialverteilter Variablen)

Satz 104 (Skalierung exponentialverteilter Variablen) 2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable

Mehr

10 Transformation von Zufallsvariablen

10 Transformation von Zufallsvariablen 10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen 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

Mehr

1. Grundbegri e der Stochastik

1. Grundbegri e der Stochastik Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt

Mehr

Wahrscheinlichkeitsrechnung und Quantentheorie

Wahrscheinlichkeitsrechnung und Quantentheorie Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR 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

Mehr

Größe von Unendlich. Statistik. usw. Enthält die Menge. 1. der natürlichen Zahlen N = {1, 2, 3, 4,...}

Größe von Unendlich. Statistik. usw. Enthält die Menge. 1. der natürlichen Zahlen N = {1, 2, 3, 4,...} Größe von Unendlich Enthält die Menge Statistik 1. der natürlichen Zahlen N = {1, 2, 3, 4,...} Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 3 Wahrscheinlichkeitsrechnung

Mehr

Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review)

Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c

Mehr

Statistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt

Statistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................

Mehr

Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«

Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer« Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................

Mehr

Finanzmathematische Modelle und Simulation

Finanzmathematische 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

Mehr

Zufallsvariable, Verteilung, Verteilungsfunktion

Zufallsvariable, Verteilung, Verteilungsfunktion Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I 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........................

Mehr

Stichprobenverteilung bei unterschiedlichen Auswahlsätzen

Stichprobenverteilung bei unterschiedlichen Auswahlsätzen Stichprobenverteilung bei unterschiedlichen Auswahlsätzen Begleitende Unterlagen zur Übung Induktive Statistik Michael Westermann Universität Essen Inhaltsverzeichnis 1 Einleitung.......................................................

Mehr

Statistik II für Wirtschaftswissenschaftler

Statistik II für Wirtschaftswissenschaftler Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen

Mehr

Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,

Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A

Mehr

Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen

Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen

Mehr

Diskrete Zufallsvariablen (Forts.) I

Diskrete Zufallsvariablen (Forts.) I 9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig

Mehr

Diskrete Zufallsvariablen (Forts.) I

Diskrete Zufallsvariablen (Forts.) I 9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung und Statistik 10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten

Mehr

Wirtschaftsmathematik

Wirtschaftsmathematik 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

Mehr

1. Eigenschaften einer Zufallsstichprobe

1. Eigenschaften einer Zufallsstichprobe 1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)

Mehr

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit 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

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen 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

Mehr

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression

1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression 0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests 5 Regression Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen

Mehr

Stochastik für die Naturwissenschaften

Stochastik für die Naturwissenschaften Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne

Mehr

Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung

Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit

Mehr

Referenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn

Referenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn 8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 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

Mehr

Vorlesung: Statistik II für Wirtschaftswissenschaft

Vorlesung: Statistik II für Wirtschaftswissenschaft Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare

Mehr

SozialwissenschaftlerInnen II

SozialwissenschaftlerInnen 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

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition 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)

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsraume

Kapitel II Kontinuierliche Wahrscheinlichkeitsraume Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten

Mehr

Statistik I für Betriebswirte Vorlesung 2

Statistik 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

Mehr

Konzept diskreter Zufallsvariablen

Konzept diskreter Zufallsvariablen Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder

Mehr

1 Multivariate Zufallsvariablen

1 Multivariate Zufallsvariablen 1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)

Mehr

Konzept diskreter Zufallsvariablen

Konzept diskreter Zufallsvariablen Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder

Mehr

8 Verteilungsfunktionen und Dichten

8 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

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg

Statistik. 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

Mehr