3. Kombinatorik und Wahrscheinlichkeit
|
|
- Adolph Günther
- vor 7 Jahren
- Abrufe
Transkript
1 3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel: A 1... A n = A A n, falls A 1,..., A n paarweise disjunkt sind Produktregel: A 1... A n = A 1 A n Potenzregel: A B = A B Potenzmenge: 2 A = 2 A 1
2 3.1 Permutationen und Binomialkoeffizienten Definition. Sei M eine endliche Menge. Eine bijektive Abbildung ϕ: M M heißt eine Permutation von M. Wir bezeichnen die Menge der Permutationen von M mit Perm(M). Bemerkung. Perm(M) ist bezüglich der Komposition von Abbildungen eine Gruppe. Die Gruppenoperation ist also Perm(M) Perm(M) Perm(M), (ϕ, ψ) ϕ ψ Das Neutralelement ist die Identität id M auf M. Die Inverse von ϕ Perm(M) ist die zu ϕ inverse Abbildung. 2
3 Definition. (Fakultät) Die Fakultätsfunktion ist rekursiv definiert durch 0! = 1 und n! = n (n 1)! für n N, n > 0. Satz. Sei M eine endliche Menge mit M = n. Dann Perm(M) = n!. 3
4 Definition. Seien k, n N. Sei M eine Menge mit M = n. Die Kardinalität von ( ) M : = {X 2 M : X = k} k heißt Binomialkoeffizient und wird mit ( n k) bezeichnet. Bemerkung. ( n k) ist also die Anzahl k-elementiger Teilmengen von M. Offensichtlich ist ( n k) unabhängig von der Wahl von M. ( n k) = 0 für k > n ( n 0) = 1, ( n n) = 1 4
5 Proposition. Für n N gilt 2 n = n k=0 ( n k). Proposition. (Symmetrie) Für k, n N mit 0 k n gilt: ( ) ( ) n n =. k n k 5
6 Satz. (Rekursionsformel) Für k, n N, k, n 1, gilt ( ) ( ) ( ) n n 1 n 1 = +. k k 1 k Aus der Rekursionsformel folgt die rekursive Berechnung von Binomialkoeffizienten mit dem Pascalschen Dreieck. 6
7 Satz. Für k, n N, 0 k n, gilt ( ) n k = n! k!(n k)! Folgerung. ( ) n k = n (n 1) (n 2) (n k + 1) k Beispiel. ( ) 6 4 = = 15. 7
8 Satz. (Binomischer Lehrsatz) Sei R ein kommutativer Ring, x, y R, n N. Dann gilt (x + y) n = n k=0 ( ) n x k y n k. k 8
9 Folgerung. R = Z (1) 2 n = (1 + 1) n = n k=0 ( n k). Wissen wir schon! (2) Für n 1 gilt 0 = (1 1) n = n ( ) n ( 1) k. k k=0 9
10 3.2 Endliche Wahrscheinlichkeitsräume Entwickeln ein mathematisches Modell zur Beschreibung und Analyse von zufälligen Experimenten. Zuerst Motivation der Begriffe. Bsp: Die möglichen Augenzahlen beim Würfeln sind beschrieben durch ein Element ω der Menge Ω: = {1, 2, 3, 4, 5, 6}. Nennen Ω Ergebnisraum ω bzw. {ω} heißt Elementarereignis Unter einem Ereignis verstehen eine Teilmenge A Ω. Z.B. beschreibt A = {2, 4, 6} das Ereignis gerade Augenzahl. 10
11 Angenommen, wir wiederholen ein Experiment n mal unabhängig. Sei n A die Anzahl Experimente, bei denen das Ereignis A Ω eingetreten ist (absolute Häufigkeit). relative Häufigkeit n A n Intuitive Vorstellung: für großes n kommt n A n sogenannte Wahrscheinlichkeit von A. nahe an eine Zahl p A [0, 1], die Z.B. bei einem fairen Würfel ist p A = 3 6 = 1 2 für A = {2, 4, 6}. Feststellung. Für A, A 1, A 2 Ω gilt: (1) 0 n A n 1 (2) n n = 0, n Ωn = 1 (3) n A 1 A 2 n = n A 1 n + n A 2 n, falls A 1 A 2 =. 11
12 Definition. Sei Ω eine endliche Menge. Eine Abbildung Pr: 2 Ω [0, 1] heißt Wahrscheinlichkeitsmaß, falls Pr( ) = 0, Pr(Ω) = 1 und für disjunkte A, B Ω. Pr(A B) = Pr(A) + Pr(B) Man nennt das Paar (Ω, Pr) einen (endlichen) Wahrscheinlichkeitsraum. 12
13 Bemerkung. Sei (Ω, Pr) ein Wahrscheinlichkeitsraum. Es gilt Pr(A 1 A 2... A n ) = Pr(A 1 ) + Pr(A 2 ) Pr(A n ) für paarweise disjunkte A 1,..., A n Ω. (Beweis mit Induktion.) Die Funktion Ω [0, 1], ω Pr(ω) := Pr({ω}) erfüllt ω Ω Pr(ω) = 1. Solche Funktionen heißen Wahrscheinlichkeitsverteilungen auf Ω. 13
14 Bemerkung. Sei p: Ω [0, 1] eine Wahrscheinlichkeitsverteilung, d.h. ω Ω p(ω) = 1. Dann definiert Pr: 2 Ω [0, 1], Pr(A): = ω A p(ω) ein Wahrscheinlichkeitsmaß. Fazit: Wahrscheinlichkeitsmaße und Wahrscheinlichkeitsverteilungen sind äquivalente Konzepte. Im folgenden schreiben dafür kurz W-Verteilung bzw. W-Maß. 14
15 Proposition. Sei (Ω, Pr) ein Wahrscheinlichkeitsraum, A, B Ω Ereignisse. Dann gilt A B = Pr(A) Pr(B) Pr(Ω \ A) = 1 Pr(A) Pr(A B) = Pr(A) + Pr(B) Pr(A B) Der Beweis ist trivial. 15
16 Beispiel. Die uniforme Verteilung (oder Gleichverteilung) auf Ω ist gegeben durch Pr(A) = A Ω. Man spricht dann auch vom Laplace-Modell. In diesem Modell reduziert sich die Berechnung von Pr(A) auf die Bestimmung der Kardinalität von A. Beispiel. (Lotto) Gegeben sei eine Menge von 49 Kugeln, nummeriert von 1 bis 49. Ziehe daraus 6 Kugeln (ohne Zurücklegen). Die Reihenfolge der gezogenen Kugeln sei egal. Ω = ( ) {1,2,...,49} 6. Jedes Elementarereignis ω Ω tritt auf mit Wahrscheinlichkeit Pr(ω) = ( ) , falls Gleichverteilung angenommen wird. 16
17 Beispiel. Was ist wahrscheinlicher, bei vier Würfen mit einem Würfel mindestens eine Sechs zu werfen oder bei 24 Würfen mit zwei Würfeln eine Doppelsechs? 17
18 Beispiel. (Binomialverteilung) Ω = {0, 1} n, 0 p 1. Für ω = (ω 1,..., ω n ) Ω bezeichne ω : = {i: ω i = 1} die Anzahl der Einsen in ω. Behauptung. Pr: Ω [0, 1], Pr(w) = p ω (1 p) n ω definiert eine W-Verteilung, die sog. Binomialverteilung zum Parameter p. Beachte: Pr{ω Ω : ω = k} = ( ) n p k (1 p) n k k 18
19 Beispiel. Andreas und Berta gehen zum Abendessen. Um zu entscheiden, wer bezahlen soll, werfen sie dreimal eine faire Münze. Falls öfters Zahl (Z) als Kopf (K) herauskommt, bezahlt Andreas, andernfalls Berta. 1. Wie sind die Chancen? 2. Nach erstmaligem Wurf der Münze kommt Zahl heraus. Wie sind jetzt die Chancen? 19
20 Definition. (Bedingte Wahrscheinlichkeit) Sei (Ω, Pr) ein W-Raum und B Ω ein Ereignis mit Pr(B) > 0. Für A Ω heißt Pr(A B): = Pr(A B) Pr(B) die bedingte Wahrscheinlichkeit des Ereignisses A unter der Bedingung B. 20
21 Beispiel. Die Polizei macht Fahrzeugkontrollen. Die Erfahrung zeigt: Mit Wahrscheinlichkeit 3% wird das angehaltene Auto gelb sein und mit Wahrscheinlichkeit 2% wird das angehaltene Auto gelb und der Fahrer blond sein. Ich sehe, dass die Polizei gerade ein gelbes Auto angehalten hat. Wie groß ist die Wahrscheinlichkeit, dass der Fahrer blond ist? 21
22 Wir definieren nun einen sehr wichtigen Begriff. Intuitiv: Wenn das Ereignis A unabhängig von B ist, so gilt Pr(A B) = Pr(A). Letzteres bedeutet Pr(A B) Pr(B) = Pr(A), d.h. Pr(A B) = Pr(A) Pr(B). 22
23 Definition. (stochastische Unabhängigkeit) Sei (Ω, Pr) ein W-Raum. Zwei Ereignisse A, B Ω heißen unabhängig, falls Pr(A B) = Pr(A) Pr(B) gilt. Andernfalls heißen A und B abhängig. Bemerkung. (1) Pr(A) = 0 oder Pr(B) = 0 A und B unabhängig (2) Falls Pr(B) > 0 so gilt A und B unabhängig Pr(A B) = Pr(A) (3) Vorsicht: A B = impliziert nicht, dass A und B unabhängig sind. Gilt nämlich Pr(A) > 0, Pr(B) > 0 und A B =, so sind A und B abhängig. 23
24 Definition. Sei (Ω, Pr) ein W-Raum. Die Ereignisse A 1, A 2,..., A n heißen unabhängig, falls für alle I {1, 2,..., m}, I, gilt ( ) Pr A i = Pr(A i ). i I i I Vorsicht: A 1,..., A n paarweise unabhängig A 1,..., A n unabhängig 24
25 Bemerkung. Seien (Ω 1, Pr 1 ) und (Ω 2, Pr 2 ) zwei W-Räume. Wir definieren das Produktmaß auf Ω: := Ω 1 Ω 2 folgendermassen: Für E Ω setzen Pr(E): = Pr 1 (ω 1 )Pr 2 (ω 2 ). (ω 1,ω 2 ) E Dann ist (Ω, Pr) ein W-Raum, der sogenannte Produktraum von (Ω 1, Pr 1 ) und (Ω 2, Pr 2 ). Behauptung. Seien A 1 Ω 1, A 2 Ω 2. Dann sind A 1 Ω 2 und Ω 1 A 2 unabhängig im Produktraum. Eine analoge Definition kann für mehrere Faktoren gemacht werden. 25
26 Analyse der Binomialverteilung. Sei 0 p 1. Sei Ω i = {0, 1} mit W-Verteilung Pr i (1) = p und Pr i (0) = 1 p. Definiere Ω = Ω 1... Ω n = {0, 1} n und betrachte das Produktmaß Pr(ω 1,..., ω n ) = Pr 1 (ω 1 ) Pr 2 (ω 2 ) Pr n (ω n ) = p ω (1 p) n ω wobei ω : = {i: ω i = 1}. Die resultierende W-Verteilung auf Ω = {0, 1} n ist die Binomialverteilung zum Parameter p. Betrachte das Ereignis A i = {ω {0, 1} n : ω i = 1}. Dann gilt Pr(A i ) = p. Seien 1 i 1 < i 2 <... < i m n. Beh: Die Ereignisse A i1, A i2,..., A im sind unabhängig. Interpretation: n unabhängige Münzwürfe: Kopf entspricht 0, Zahl entspricht 1. 26
27 3.3 Zufallsvariablen Definition. Sei (Ω, Pr) ein W-Raum. Eine (reelle) Zufallsvariable (Zva) ist eine Abbildung X : Ω R. 27
28 Sei X : Ω R eine Zva. Für a R interessiert die Wahrscheinlichkeit, dass X den Wert a annimmt, d.h. Pr{ω Ω: X(ω) = a}. Man schreibt dafür meist kürzer Pr(X = a). Sei S = {X(ω): ω Ω} die Bildmenge von X. S ist endlich und Pr(X = a) = 0 für a R \ S. Die Abbildung S [0, 1], a Pr(X = a) definiert eine W-Verteilung auf S. Diese heißt die von X induzierte W-Verteilung. 28
29 Beispiel. Ω = {1, 2,..., 6} 2, X(ω 1, ω 2 ) = ω 1 + ω 2, S = {2, 3,..., 12}. a Pr(X = a)
30 Indikator Zva. Sei A Ω ein Ereignis. Definiere die Zva 1 falls ω A X A : Ω {0, 1}, X A (ω) = 0 sonst. X A heißt die Indikator Zufallsvariable von A. Offensichtlich gilt Pr(X A = 1) = Pr(A). 30
31 Definition. Sei X : Ω R eine Zva im W-Raum (Ω, Pr). Der Erwartungswert von X ist definiert als die Zahl E(X): = ω Ω X(w)Pr(ω) Behauptung. Für eine Zva X : Ω R mit Bildmenge S gilt E(X) = a S a Pr(X = a). Insbesondere hängt E(X) nur von der von X induzierten Verteilung auf S ab. Bemerkung. Sei X A die Indikator Zva des Ereignisses A. Dann gilt E(X A ) = Pr(X A = 1) = Pr(A). 31
32 Die folgende Eigenschaft von Erwartungswerten ist außerordentlich wichtig. Proposition. (Linearität des Erwartungswertes) Seien X, Y : Ω R Zva und α, β R. Dann gilt E(αX + βy ) = αe(x) + βe(y ). 32
33 Beispiel. Sei Ω = {0, 1} n mit der Binomialverteilung zum Parameter p [0, 1]. Sei X : Ω N, X(ω) = Anzahl Einsen in ω = (ω 1,..., ω n ). Man sagt, daß X binomialverteilt zum Parameter p ist. Interpretation: Führe n-mal unabhängig ein Experiment mit Erfolgswahrscheinlichkeit p durch. Die Zva X zählt die totale Anzahl Erfolge. Satz. Für eine binomialverteilte Zva zum Parameter p gilt E(X) = np. 33
34 Definition. Sei (Ω, Pr) ein W-Raum und X i : Ω R eine Zva für 1 i n. Die Zva X 1,..., X n heißen unabhängig, falls die Ereignisse {ω Ω: X 1 (ω) = a 1 },..., {ω Ω: X n (ω) = a n } unabhängig sind, für alle (a 1,..., a n ) R n. Bemerkung. Zwei Zva X, Y : Ω R sind unabhängig, genau dann, wenn Pr(X = a, Y = b) = Pr(X = a) Pr(Y = b) für alle a, b R. Hierbei ist (X = a, Y = b) eine Abkürzung für das Ereignis {ω Ω: X(a) = a, Y (ω) = b}. 34
35 Satz. Seien X, Y : Ω R unabhängige Zva. Dann gilt E(X Y ) = E(X) E(Y ). 35
36 Bemerkung. (Konstruktion unabhängiger Kopien von Zva) Sei X : Ω R eine Zva und n N, n 1. Bilde den Produktraum Ω n (mit dem Produktmaß) und für i = 1,... n die Zva X i : Ω n R, (ω 1,..., ω n ) X(ω i ). Dann sind X 1,..., X n unabhängig. Diese Zva induzieren jedoch die gleiche Verteilung auf S = X(Ω). Beweis als Übung. 36
37 Wir definieren nun ein Maß für die Abweichung einer Zva von ihrem Erwartungswert. Defintion. Sei (Ω, Pr) ein W-Raum und X : Ω R eine Zva mit µ = E(X). Die Varianz von X ist definiert als Var(X) = E((X µ) 2 ). Bemerkung. 1. Var(X) ist die mittlere quadratische Abweichung von X von µ. 2. Beachte E(X µ) = E(X) µ = µ µ = Var(cX) = c 2 Var(X) für c R. 4. Var(X) hängt nur von der Verteilung von X ab. 37
38 Proposition. Für eine Zva X : Ω R gilt Var(X) = E(X 2 ) E(X) 2. 38
39 Satz. Seien X 1,..., X n : Ω R paarweise unabhängige Zva. Dann gilt Var(X X n ) = Var(X 1 ) Var(X n ). 39
40 Anwendung: Proposition. (Varianz einer binomialverteilten Zva) Sei Ω = {0, 1} n mit Binomialverteilung zum Parameter p [0, 1]. X : Ω N, X(ω) = Anzahl Einsen in ω = (ω 1,..., ω n ). Dann gilt Var(X) = np(1 p). Beispiel. (Augensumme bei zwei Würfeln) Ω = {1, 2,..., 6} 2, X : Ω N, X(ω 1, ω 2 ) = ω 1 + ω 2. Var(X) = 35/6 = 5,
41 Die Bedeutung der Varianz liegt darin, dass sie die Abweichung einer Zva vom Erwartungswert mißt. Die folgende Aussage ist oft nützlich zur Abschätzung von Wahrscheinlichkeit. Markowsche Ungleichung Sei Y : Ω R eine Zufallsvariable mit nichtnegativen Werten. Dann gilt für ε R, ε > 0 Pr(Y ε) 1 E(Y ). ε 41
42 Tschebyschewsche Ungleichung (1867) Sei (Ω, Pr) ein W-Raum und X : Ω R eine Zva mit Erwartungswert µ = E(X) und Standardabweichung σ = Var(X). Dann gilt für t > 0. Pr( X µ t σ) 1 t 2 Folgerung. Pr( X µ 2σ) 1 4 = 25% Gültig für jede Zva X! Pr( X µ 10 σ) = 1% Bemerkung. Wenn X binomialverteilt ist, gibt es viele bessere Abschätzungen. 42
43 Schwaches Gesetz der großen Zahlen Sei (Ω, Pr) ein W-Raum und seien X 1,..., X n : Ω R paarweise unabhängige Zufallsvariablen mit Erwartungswert µ = E(X i ) und Varianz σ 2 = Var(X i ) (1 i n). Setze S n : = X 1 + X X n. Dann gilt für t > 0 Pr( S n n µ t σ) 1 nt 2. Interpretation. Für wachsendes n wird eine Abweichung von S n n unwahrscheinlicher. Präziser: von µ immer Für jedes t > 0 konvergiert Pr( S n n Analysis). µ t σ) gegen 0 für n (vgl. 43
44 Spezialfall: Binomialverteilung (Jakob Bernoulli 1713) Ein Experiment mit Erfolgswahrscheinlichkeit p werde n mal unabhängig durchgeführt. Sei S n die Anzahl Erfolge. Dann gilt für die relative Häufigkeit S n n der Erfolge für jedes δ > 0 Pr( S n n p δ) p(1 p)) nδ 2. Die rechte Seite konvergiert gegen Null für n. 44
Grundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrLemma 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
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
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
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
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
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie
Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
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,
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrPaarweise Unabhängigkeit vs. Unabhängigkeit
Paarweise Unabhängigkeit vs. Unabhängigkeit Beispiel: Wir betrachten das Szenario von zuvor. Wissen bereits, dass A 1, A 2 und A 1, B unabhängig sind. Analog folgt, dass A 2 und B unabhängige Ereignisse
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
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
MehrKapitel 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
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
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,
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
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
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.
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,
MehrKapitel 1. Grundlagen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
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
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
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
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
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:
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
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
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
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
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
Mehr6: Diskrete Wahrscheinlichkeit
Stefan Lucks Diskrete Strukturen (WS 2009/10) 219 6: Diskrete Wahrscheinlichkeit 6: Diskrete Wahrscheinlichkeit Stefan Lucks Diskrete Strukturen (WS 2009/10) 220 Wahrscheinlichkeitsrechnung Eines der wichtigsten
Mehr7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten Da G X (s) := Pr[X = k] s k = E[s X ], k Pr[X = k] = E[X].
7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten Da G X (s) := gilt G X(1) = Pr[X = k] s k = E[s X ], k=0 k Pr[X = k] = E[X]. k=1 DWT 7.1 Einführung 182/476 Beispiel 73 Sei X binomialverteilt
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
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.
MehrDWT 6.1 Die Ungleichungen von Markov und Chebyshev 157/467 Ernst W. Mayr
Die Markov-Ungleichung ist nach Andrey Andreyevich Markov (1856 1922) benannt, der an der Universität von St. Petersburg bei Chebyshev studierte und später dort arbeitete. Neben seiner mathematischen Tätigkeit
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
MehrWichtige 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
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
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
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
MehrKapitel I Diskrete Wahrscheinlichkeitsräume
Kapitel I Diskrete Wahrscheinlichkeitsräume 1. Grundlagen Definition 1 1 Ein diskreter Wahrscheinlichkeitsraum ist durch eine Ergebnismenge Ω = {ω 1, ω 2,...} von Elementarereignissen gegeben. 2 Jedem
MehrDiskrete Zufallsvariable
Diskrete Zufallsvariablen Slide 1 Diskrete Zufallsvariable Wir gehen von einem diskreten W.-raum Ω aus. Eine Abbildung X : Ω Ê heißt diskrete (numerische) Zufallsvariable oder kurz ZV. Der Wertebereich
MehrDie Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten
Die Funktion f ;Y (x; y) := Pr[ = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen und Y. Aus der gemeinsamen Dichte f ;Y kann man ableiten f (x) = y2w Y f ;Y (x; y) bzw. f Y (y) = Die Funktionen
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
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
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)
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrDie Probabilistische Methode
Die Probabilistische Methode Wladimir Fridman 233827 Hauptseminar im Sommersemester 2004 Extremal Combinatorics Zusammenfassung Die Probabilistische Methode ist ein mächtiges Werkzeug zum Führen von Existenzbeweisen.
Mehr15. September 2010 Prof. Dr. W. Bley. Universität Kassel Klausur SS 2010 Diskrete Strukturen I (Informatik) Name:... Matr.-Nr.:... Viel Erfolg!
15. September 010 Prof. Dr. W. Bley Universität Kassel Klausur SS 010 Diskrete Strukturen I (Informatik) 1 3 4 5 6 Name:................................................ Matr.-Nr.:............................................
MehrDiskrete Strukturen II
SS 2006 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2006ss/ds2/ Sommersemester 2006 c Ernst W. Mayr 3. Einleitung Was bedeutet Zufall? Große Menge
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
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
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
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
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
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
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine diskrete reellwertige Zufallsvariable, d.h. eine ZV e mit Wertebereich R (oder einer Teilmenge davon), sodass eine
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
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/16 13.09.01 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
MehrPartialbruchzerlegung
Partialbruchzerlegung Beispiel: Partialbruchzerlegung Seien g(x) = x und f (x) = 1 x x 2. f R (x) = x 2 x 1 besitzt die beiden Nullstellen 1 2 ± 1 4 + 1, d.h. φ = 1+ 5 2 und φ = 1 5 2. Damit gilt f (x)
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrSprechstunde zur Klausurvorbereitung
htw saar 1 Sprechstunde zur Klausurvorbereitung Mittwoch, 15.02., 10 12 + 13.30 16.30 Uhr, Raum 2413 Bei Interesse in Liste eintragen: Max. 20 Minuten Einzeln oder Kleingruppen (z. B. bei gemeinsamer Klausurvorbereitung)
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrDiskrete Strukturen. Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Wahrscheinlichkeitstheorie
Diskrete Strukturen Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Wahrscheinlichkeitstheorie Quasiendliche Wahrscheinlichkeitsräume Definition quasiendlicher Wahrscheinlichkeitsraum
MehrSatz 16 (Multiplikationssatz)
Haug verwendet man die Denition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A \ B] = Pr[BjA] Pr[A] = Pr[AjB] Pr[B] : (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1 ; : : : ; A n
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
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
MehrStatistik 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
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
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
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
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:
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 stheorie: Grundbegriffe Prof. Dr. Achim Klenke http://www.aklenke.de 5. Vorlesung: 25.11.2011 1/33 Inhalt 1 Zufallsvariablen 2 Ereignisse 3 2/33 Zufallsvariablen Eine Zufallsvariable
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
MehrDWT 1 Grundlagen 17/476 c Ernst W. Mayr
Ē heißt komplementäres Ereignis zu E. Allgemein verwenden wir bei der Definition von Ereignissen alle bekannten Operatoren aus der Mengenlehre. Wenn also A und B Ereignisse sind, dann sind auch A B, A
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrZufallsvariable X. 30 e. 40 e = 33,33...% 6
Zufallsvariable Wir führen ein Zufallsexperiment mit Ergebnisraum Ω durch. Eine Zufallsvariable X ordnet jedem möglichen Ergebnis einen Zahlenwert zu. Eine Zufallsvariable ist also eine Funktion X : Ω
Mehr