Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
|
|
- Margarete Becker
- vor 7 Jahren
- Abrufe
Transkript
1 Binomialverteilung Jakob Bernoulli ( ) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch näher zu charakterisierenden Situationen Situationen: Fixe Anzahl von unabhängigen Wiederholungen eines Zufallsexperiments mit genau 2 möglichen Ausgängen Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle
2 Ausgangspunkt: Bernoulli-Versuch Ereignisse mit 2 möglichen Ausgängen Münzwurf: Kopf - Adler Geburt: Mädchen - Knabe Allgemein: Erfolg - Misserfolg Ausgang ist ungewiss (zufällig) Erfolgswahrscheinlichkeit: p Wahrscheinlichkeit für Misserfolg: q=1-p Von Interesse sei X die Anzahl der Erfolge X {0, 1} Statistik für SoziologInnen 2 Diskrete Verteilungsmodelle
3 Bernoulli-Versuch X Prob X² X Prob(X) X² Prob(X) 0 1-p p 1 p p p p Statistik für SoziologInnen 3 Diskrete Verteilungsmodelle
4 Bernoulli-Versuch X Prob X² X Prob(X) X² Prob(X) 0 1-p p 1 p p p p E(X)=p E(X²)=p V(X)=E(X²)-E(X)² = p-p² = p(1-p) Statistik für SoziologInnen 4 Diskrete Verteilungsmodelle
5 Bernoulli-Versuch (Beispiel) Würfeln eines 6-ers X Prob X² X Prob(X) X² Prob(X) 0 5/ /6 1 1/6 1/6 1/6 1/6 E(X)=1/6 V(X)=1/6-1/36 = 5/36=1/6*5/6 Statistik für SoziologInnen 5 Diskrete Verteilungsmodelle
6 Binomial-Experiment Ein Binomial-Experiment besteht aus einer Folge von Bernoulli-Experimenten, wobei folgende 4 Bedingungen gelten müssen: fixe vorgegeben Anzahl von Versuchen bei jedem einzelnen Versuch gibt es nur 2 mögliche Ausgänge "Erfolg" - "Misserfolg" alle Versuche haben eine konstante Erfolgswahrscheinlichkeit (p) die einzelnen Versuche müssen voneinander unabhängig erfolgen Galton-Brett Statistik für SoziologInnen 6 Diskrete Verteilungsmodelle
7 Beispiel zur Binomialverteilung 3 unabhängige Würfelwürfe Erfolg (E): 6-er p=1/6 Misserfolg (M): 1,...,5 q=1-p=5/6 Bei jedem einzelnen Wurf 2 Ausgänge Der Ereignisraum von 3 Würfen umfasst daher 2³=8 mögliche Ereignisse X... Anzahl der Erfolge X {0, 1, 2, 3} Statistik für SoziologInnen 7 Diskrete Verteilungsmodelle
8 Struktur des Stichprobenraums Ergebnis X (Anzahl Erfolge) Prob.. MMM 0 q³ (5/6)³ = 0,58 MME 1 pq² 1/6*(5/6)² = 0,12 MEM 1 pq² 1/6*(5/6)² = 0,12 EMM 1 pq² 1/6*(5/6)² = 0,12 MEE 2 p²q (1/6)²*5/6 = 0,02 EME 2 p²q (1/6)²*5/6 = 0,02 EEM 2 p²q (1/6)²*5/6 = 0,02 EEE 3 p³ (1/6)³ = 0,004 Statistik für SoziologInnen 8 Diskrete Verteilungsmodelle
9 Struktur des Stichprobenraums Ergebnis X (Anzahl Erfolge) Prob.. MMM 0 q³ (5/6)³ = 0,58 MME 1 pq² 1/6*(5/6)² = 0,12 MEM 1 pq² 1/6*(5/6)² = 0,12 EMM 1 pq² 1/6*(5/6)² = 0,12 MEE 2 p²q (1/6)²*5/6 = 0,02 EME 2 p²q (1/6)²*5/6 = 0,02 EEM 2 p²q (1/6)²*5/6 = 0,02 EEE 3 p³ (1/6)³ = 0,004 Statistik für SoziologInnen 9 Diskrete Verteilungsmodelle
10 Wahrscheinlichkeitsfunktion von X X=x Prob Beispiel 0 q³ 0,58 1 3pq² 0,36 2 3p²q 0,06 3 p³ 0,004 Formel: PX x x p x q x ( = ) =, x,,, 3 3 = 0123 mögliche Anordnungen der x Erfolge bei 3 Versuchen Wahrscheinlichkeit der x Erfolge Wahrscheinlichkeit der 3-x Misserfolge Statistik für SoziologInnen 10 Diskrete Verteilungsmodelle
11 Binomialverteilung Allgemein n- Versuche Die Zufallsvariable X heißt binomialverteilt mit den Parametern n (fixe Anzahl der Versuche) und p (konstante Erfolgswahrscheinlichkeit) X ~ B(n,p), wenn ihre Wahrscheinlichkeitsfunktion durch folgende Formel bestimmt ist: n PX x x p x q n x ( = ) =, x,,, n, = 01 1 n Statistik für SoziologInnen 11 Diskrete Verteilungsmodelle
12 Wahrscheinlichkeit Wahrscheinlichkeitsfunktion Anzahl der 6-er 3-facher Wurf Statistik für SoziologInnen 12 Diskrete Verteilungsmodelle
13 Verteilungsfunktion von X X=x Prob(X=x) Prob(X x) Prob(X>x) 0 0,58 0,58 0,42 1 0,36 0,94 0,06 2 0,06 0,996 0, ,004 1,00 0,00 Verteilungsfunktion Überlebensfunktion Statistik für SoziologInnen 13 Diskrete Verteilungsmodelle
14 Verteilungsfunktion kumulierte Wahrscheinlichkeit Anzahl der 6-er Statistik für SoziologInnen 14 Diskrete Verteilungsmodelle
15 Vergleich mit empirischen Daten X=x n i fach Würfe Stimmen die Beobachtungen mit dem theoretischen Modell überein? Statistik für SoziologInnen 15 Diskrete Verteilungsmodelle
16 Vergleich mit empirischen Daten X=x Prob(X=x) n i h i e i 0 0, , , , , , , , beobachtete Häufigkeiten "observed" erwartete (theoretische) Häufigkeiten "expected" Offensichtlich besteht eine deutliche Diskrepanz zwischen theoretisch erwarteten Häufigkeiten und den empirischen Daten Statistik für SoziologInnen 16 Diskrete Verteilungsmodelle
17 Erwartungswert & Varianz X~B(n, p) X ergibt sich laut Definition als Summe von n unabhängigen Bernoulli Zufallsvariablen X i welche jede die Werte 0 oder 1 annehmen kann X = n i= 1 X i n n EX = E X EX ( ) i i n p ( ) = = i= 1 i= 1 n n VX = V X VX ( ) i i n p p ( ) = = ( 1 ) i= 1 i= 1 Statistik für SoziologInnen 17 Diskrete Verteilungsmodelle
18 Interaktive Demonstration zur Binomial-Verteilung p1= 0,5 p2= 0,50 0, n= 10 Anzahl Erfolge Bi(n, p1) Bi(n, p2) 0 0,0010 0, ,0098 0, ,0439 0, ,1172 0, ,2051 0, ,2461 0, ,2051 0, ,1172 0, ,0439 0, ,0098 0, ,0010 0, ,2500 0,2000 0,1500 0,1000 0,0500 E(X) 5 5 Var(X) 2,50 2,50 0, Statistik für SoziologInnen 18 Diskrete Verteilungsmodelle
19 Beispiel: Urnenmodell In einer Urne befinden sich nur rote und schwarze Kugeln Der Anteil der roten Kugeln sei 0,25, der der schwarzen Kugeln sei 0,75 Beim Ziehen mit Zurücklegen bleibt die Wahrscheinlichkeit des Ziehens einer roten Kugel (Erfolg) konstant p=0,25. Wir ziehen n=4 Kugeln Der Erwartungswert für die Anzahl roter Kugeln ist: n*p = 4*0,25 = 1. Cave: d.h. absolut nicht, dass wir mit Sicherheit eine rote Kugel ziehen Statistik für SoziologInnen 19 Diskrete Verteilungsmodelle
20 Wahrscheinlichkeitsfunktion von X X=x Prob(X=x) X.Prob(X=x) 0 0,316 1*0,25 0 *0,75 4 0, ,422 4*0,25 1 *0,75³ 0, ,211 6*0,25²*0,75² 0, ,047 4*0,25³*0,75 1 0, ,004 1*0,25 4 0,015 E(X) = 1,000 Prob(X 1)=0,684 V(X) = n*p*(1-p)=4*0,25*0,75=0,75 Standardabw: = 0,87 Statistik für SoziologInnen 20 Diskrete Verteilungsmodelle
21 4 Ziehungen mit Zurücklegen p=1/4 Wahrscheinlichkeit Anzahl roter Kugeln Statistik für SoziologInnen 21 Diskrete Verteilungsmodelle
22 Anwendung in der Umfrageforschung Mögliche Stichprobenverteilungen (n=20) in Abhängigkeit vom Anteil π in der Grundgesamtheit 0, , , , , , , , , , , π=0, , , , , , , , , , , , π=0, , , ,15000 π=0,70 0, , ,00000 Statistik für SoziologInnen 22 Diskrete Verteilungsmodelle
23 Geometrische Verteilung Diese Verteilung ergibt sich, wenn die Anzahl der Versuche nicht fix vorgegeben ist, sondern die Bernoulli-Experimente solange fortgesetzt werden, bis der erste Erfolg eintritt. Die interessierende ZV X beschreibt jetzt nicht die Anzahl der Erfolge bei einer fixen Versuchsanzahl, sondern die Anzahl der Versuche, bevor das interessierende Ereignis zum ersten Mal eintritt. Wartezeitverteilung Statistik für SoziologInnen 23 Diskrete Verteilungsmodelle
24 Beispiel zur geometrischen Verteilung Bei einem Experiment geht man davon aus, dass der Anteil der Erfolge im langfristigen Mittel nur ca. 15% beträgt. In 85% der Durchführungen kommt es zu einem Misserfolg. X... Anzahl der Misserfolge bevor ein Erfolg verzeichnet wird Statistik für SoziologInnen 24 Diskrete Verteilungsmodelle
25 Beispiel zur geometrischen Verteilung Ereignis X Prob. im Beispiel E 0 q 0 p=p 0,15 ME 1 q 1 p 0,13 MME 2 q²p 0,11 MMME 3 q³p 0,09 MMMME 4 q 4 p 0,08 MMMMME 5 q 5 p 0,07 MMMMMME 6 q 6 p 0,06 etc. Formel: X~G(p) P(X=x)=q x p=(1-p) x p Statistik für SoziologInnen 25 Diskrete Verteilungsmodelle
26 Geometrische Verteilung 1 p EX ( ) = = q/ p p 1 p VX ( ) = = q/ p 2 p Im Beispiel: EX ( ) = 0, 85 / 0, 15 = 5, 666 VX ( ) = 0, 85 / 0, 15² = 37, 777 Std. Abw.( X) = 615, 2 Statistik für SoziologInnen 26 Diskrete Verteilungsmodelle
27 p=0,15 Wahrscheinlichkeit Statistik für SoziologInnen 27 Diskrete Verteilungsmodelle
28 Verteilungsfunktion der geom. Verteilung P(X > x) = P(X x+1)=? zumindest x+1 Misserfolge P(X > x) = P(MM...M) = (1-p) x+1 x+1 - mal F(x)=P(X x) = 1- P(X > x) = 1 - (1-p) x+1 Beispiel: F(10)=P(X 10) = 1 - (1-0,15) 11 = 0,83 Die Wahrscheinlichkeit höchstens 10 Misserfolge vor dem ersten Erfolg zu beobachten ist 0,83. Statistik für SoziologInnen 28 Diskrete Verteilungsmodelle
29 Anwendungsbeispiel: Binomialverteilung Prob(Knabengeburt)= 0,52 X Prob(X=x) Prob(Mädchengeburt)= 0,48 0 0, , Familienplanung: 4 Kinder (fixe Anzahl) 2 0, , , X.. Anzahl Mädchen 1 Anwendung der Binomialverteilung Anzahl der Mädchen 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0, Statistik für SoziologInnen 29 Diskrete Verteilungsmodelle
30 Anwendungsbeispiel: Geometrische Verteilung Prob(Knabengeburt)= 0,52 Prob(Mädchengeburt)= 0,48 X Prob(X=x) 0 0,5200 Familienplanung:? Kinder mindestens 1 Knabe 1 0, , ,0575 X.. Anzahl Mädchen 4 0, ,0132 Anwendung der geometrischen Verteilung 6 0,0064 Anzahl der Mädchen 0,6000 0,5000 0,4000 0,3000 0,2000 0,1000 0, Statistik für SoziologInnen 30 Diskrete Verteilungsmodelle
31 Zusammenfassende Wiederholung Zufallsvariable X ~ B(n,p) X ist binomialverteilt mit den Parametern n (fixe Anzahl der Versuche) und p (konstante Erfolgswahrscheinlichkeit) n PX x x p x q n x ( = ) =, x,,, n, = 01 1 n Erwartungswert: E(X) = n.p Varianz: V(X) = n.p Die geometrische Verteilung ergibt sich, wenn die Anzahl der Versuche nicht fix vorgegeben ist, sondern die Bernoulli-Experimente solange fortgesetzt werden, bis der erste Erfolg eintritt. X Anzahl der Misserfolge X~G(p) P(X=x)=q x. p=(1-p) x. p Erwartungswert: E(X) = q/p Varianz: V(X) = q/p² Statistik für SoziologInnen 31 Diskrete Verteilungsmodelle
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
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
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
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
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
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Grenzwertsätze. Marcus Hudec. Statistik für SoziologInnen 1 Zentraler Grenzwertsatz
Statistik 2 für SoziologInnen Grenzwertsätze Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und seine Bedeutung für die
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
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
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert nämlich
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
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
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
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
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
MehrKonzept 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
Mehr1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen
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
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
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
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
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:
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:
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
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
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.
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
Mehrfalls 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.
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrBeispiel: 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
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
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
MehrKonzept 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
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
MehrDie Binomialverteilung
Anhand verschiedener Fragen möchten wir heute klären, was man unter der Binomialverteilung versteht: z.b. Wie groß ist die Wahrscheinlichkeit, mit einem Würfel bei 0-maligen Werfen genau -mal eine zu werfen
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrWahrscheinlichkeitsrechnung und Statistik
4. Vorlesung - 2017 Diskrete Zufallsgrößen X : Ω {x 1, x 2,..., x i,... } Wahrscheinlichkeitsverteilung von X ( ) x1 x X 2... x i... = p 1 p 2... p i... I N (Indexmenge) mit den Wahrscheinlichkeiten p
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
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.
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
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrKonzept 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
MehrMathematische und statistische Methoden II
Methodenlehre e e 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
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrBinomialverteilung und Anwendungen
Binomialverteilung und Anwendungen Dr. Elke Warmuth Sommersemester 2018 1 / 25 Modell Bernoulli-Ketten Kenngrößen und Gestalt der Binomialverteilung kσ-intervalle n-gesetz 1/ n-gesetz 2 / 25 Bernoulli-Experiment
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
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:
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
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
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
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
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 07. Januar 2015 Klausuranmeldung Prüflinge müssen sich bis spätestens 14 Tage vor
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
MehrAusgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
MehrVorlesung: 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
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
MehrVorlesung 2b. Diskrete Zufallsvariable. und ihre Verteilungen
Vorlesung 2b Diskrete Zufallsvariable und ihre Verteilungen 1 1. Die Grundbegriffe 2 Bisher hatten wir uns (vor allem) mit Zufallsvariablen beschäftigt, deren Wertebereich S endlich war. Die (schon in
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrKapitel 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.
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)
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
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
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)
MehrWahrscheinlichkeitsrechnung 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
MehrKOMPETENZHEFT ZUR STOCHASTIK II
KOMPETENZHEFT ZUR STOCHASTIK II Inhaltsverzeichnis 1. Aufgabenstellungen 1 2. Binomialverteilung 4 3. Erwartungswert und Standardabweichung 10 1. Aufgabenstellungen Aufgabe 1.1. Milchverpackungen werden
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 10. ETH Zürich, 3. Mai Institute für Datenanalyse und Prozessdesign
Marcel Dettling Institute für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling ETH Zürich, 3. Mai 2017 1 Diskrete Wahrscheinlichkeitsverteilung
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
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
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
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrGrundwissen zur Stochastik
Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2
MehrStatistik für Ingenieure Vorlesung 4
Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete
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
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Mehr3. Zufallsvariable und Verteilungen
3. Zufallsvariable und Verteilungen Häufige Situation in der Praxis: Es interessiert nicht so sehr das konkrete Ergebnis ω Ω eines Zufallsexperimentes, sondern eine Zahl, die von ω abhängt Beispiele: Gewinn
MehrSatz 61 (Chebyshev-Ungleichung)
Die folgende Abschätzung ist nach Pavnuty Lvovich Chebyshev (1821 1894) benannt, der ebenfalls an der Staatl. Universität in St. Petersburg wirkte. Satz 61 (Chebyshev-Ungleichung) Sei X eine Zufallsvariable,
MehrIst P(T) = p die Trefferwahrscheinlichkeit eines Bernoulli-Experiments,
. Binomialverteilung ==================================================================.1 Bernoulli-Experimente und Bernoullikette -----------------------------------------------------------------------------------------------------------------
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
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
MehrVorlesung 3. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3 Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrS = {W ; Z } S = {prim;prim } E=prim
Bernoulli-Versuche: Daniel Bernoulli 1700-1782 1782 Schweizer Mathematiker Ein Zufallsversuch mit nur zwei möglichen Ergebnissen heißt einstufiger Bernoulli-Versuch Versuch. Wir nennen künftig die Ergebnisse
MehrWahrscheinlichkeitstheorie 2
Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
Mehr