Entscheidungstheorie Teil 1. Thomas Kämpke

Größe: px
Ab Seite anzeigen:

Download "Entscheidungstheorie Teil 1. Thomas Kämpke"

Transkript

1 Entschedungstheore Tel Thomas Kämpke

2 Sete 2 Entschedungstheore Tel Inhalt Kompaktensteg Wahrschenlchketsrechnung Wahrschenlchketsmaß auf Grundraum Enfaches Lotto Stochastsche Unabhänggket Verknüpfung von stochastsch Unabhängg mt räferenzrelatonen Würfel von Efron Stochastsche Unabhänggket Bedngte Wahrschenlchket Rechnen mt bedngten Wahrschenlchketen Zufallsvarablen Erwartungswert und Varanz Entschedungsbäume Vertelungsfunktonen

3 Sete 3 Entschedungstheore Tel Kompaktensteg Wahrschenlchketsrechnung (/2) Wahrschenlchkets-Rechnung oder Wahrschenlchkets-Theore beschrebt Vorgänge mt unscherem/unvorhersehbarem Ergebns. Ergebns vollkommen unvorhersehbar Würfel, Lotto etc. Ergebns telwese vorhersehbar Längenmessung mt Schwankungen Wchtg Das Kausaltätsprnzp gleche Ursache haben gleche Wrkungen wrd ncht verletzt, aber umgangen. Es wrd ncht nach (letzten) Ursachen gesucht. Wahrschenlchketen bezehen sch mmer auf Eregnsse. Ncht weter telbare Eregnsse snd Elementareregnsse. Bem Würfeln: {2, 4, } st das Eregns gerades Ergebns {5} st en Elementareregns

4 Sete 4 Entschedungstheore Tel Kompaktensteg Wahrschenlchketsrechnung (2/2) Eregnsse snd ncht unbedngt numersch, z.b. Ampelsgnal. Zufall weder gut noch schlecht ( Zentrales Motv der Entschedungstheore; denn oft gbt es ken rchtg oder falsch oder nur en des bevorzugt gegenüber jenem ) Zufall könnte negatv sen, da Kausaltät fehlt. Be Börsenkursen st des aber generell unklar.

5 Sete 5 Entschedungstheore Tel Wahrschenlchketsmaß auf Grundraum # (/2) O ) ( E) ), E ( ) ( & ' + U E % # $ * + ( E ) für paarwese dsjunkte Eregnsse E Der Wert (E ) st de Wahrschenlchket des Eregnsses E.

6 Sete Entschedungstheore Tel Wahrschenlchketsmaß auf Grundraum # (2/2) Bespel: ({} ) ({ 2} ) ({} 3 ) ({ 4} ) ({} 5 ) ({ } ) {, 2, 3, 4, 5, } ({ 2, 4, } ) ( { 2} ) + ( { 4} ) + ( { } ) 2 Wahrschenlchketen können ohne Beachtung von Häufgketen angesetzt werden Des st aber ncht snnvoll

7 Sete 7 Entschedungstheore Tel Enfaches Lotto (/3) Nur von 49 Kugeln wrd gezogen, alle Kugeln mt derselben Wahrschenlchket {,, 49}. ({} ) ( { 2} )... ( { 49} ) c ({,..., 49} ) ( {} ) ( { 49} ) 49 c c, d.h. Wahrschenlchket für Elementareregns # Elementareregnsse Wahrschenlchket hat mt Zählen zu tun Alle Wahrschenlchketen glech gross: rnzp des unzurechenden Grundes 49

8 Sete 8 Entschedungstheore Tel Enfaches Lotto (2/3) Wahrschenlchket für 2 Kugeln, Zehen ohne zurücklegen. Rehenfolge spelt kene Rolle, aber Berechnung enfacher be Berückschtgung der Rehenfolge. # der gerordneten aare 49' 48 # der ungeordneten aare 49' 48 2 & $ % 49 2 # für jedes ungeordnete aar gbt es 2 geordnete aare Allgemen: n Es gbt 2 ' 2$ n Grundgesamthet mt... ( n ) ) ( n% 2 & # O( n ) n Enheten. 49 über be gezogenen Kugeln : ungeordnete aare ohne Wederholung ( 49% & # ' $ ,8.

9 Sete 9 Entschedungstheore Tel Enfaches Lotto (3/3) ( n% & # ' 2$ # ungeordneter aare ohne Wederholung # 2 - elementge Telmengen von {,..., n} ( n% & # ' k $ ( n k + ) n k # k - elementge Telmengen & n# & n# & n # & n# $ + $ $ + $ % n n { % % ' %{ # aller 2 n Telmengen (ohne Rechnung)

10 Sete Entschedungstheore Tel Stochastsche Unabhänggket (/3) Zwe Eregnsse snd unabhängg oder stochastsch unabhängg, wenn (E,F) (E) (F) für Eregnsse E, F. Wenn E und F jewels alle Eregnsse durchlaufen, bezechnet (E,F) rod (E,F) gem (E,F) Verbund (E,F) de gemensame Wahrschenlchket oder gemensamer Vertelung und (E) (E), (F) 2 (F) de Randvertelungen oder Margnalvertelungen. Zwemalges Würfeln st stochastsch unabhängg, wenn ({ (. Wurf, 2. Wurf j) }) ( {. Wurf } ) ( { 2. Wurf j} ) 3 Es können aber auch Eregnsse E S # T (E $ F) (E) (F). Eregnsse unabhängg be unabhänggem Würfeln?, j,...,.

11 Sete Entschedungstheore Tel Stochastsche Unabhänggket (2/3) Bespel: Zwemalges Würfeln be unabhänggen Würfeln E: Summe der Ergebnsse st F: Im ersten Wurf 5 ( E) ( {(, 5)(, 2, 4)(, 3, 3 )(, 4, 2)(, 5,) }) ( {(, 5) }) ( {( 5,) }) ( F) ( {} 5 ) ( E, F) ( {( 5,) }) 3 2 ( E, F) ( E) ( F) Eregnsse E und F trotz unabhänggem Würfelns abhängg

12 Sete 2 Entschedungstheore Tel Stochastsche Unabhänggket (3/3) Bespel: Zwemalges Würfeln be unabhänggen Würfeln E: Summe der Ergebnsse st 7 F: Im ersten Wurf 5 ( E) ( {(, )(, 2, 5)(, 3, 4)(, 4, 3 )(, 5, 2)(,,) }) ( F) ( E, F) ( {( 5, 2) }) 3 ( E, F) ( E) ( F) sehe oben 3 3 Dese Eregnsse snd (stochastsch) unabhängg bem selben Vorgang. D.h. stochastsche Unabhänggket hängt ncht nur vom Zufallsvorgang oder Zufallseperment ab, sondern auch von der Fragestellung.

13 Sete 3 Entschedungstheore Tel Verknüpfung von stochastsch Unabhängg mt räferenzrelatonen (/) A B A besser als B A wrd als besser angesehen als B A wrd gegenüber B bevorzugt räferenzrelaton st bnär, mt ener Mndestanforderung: Transtvtät

14 Sete 4 Entschedungstheore Tel Würfel von Efron (/2) A B C Gegenseten haben jewels deselbe Zahl. Jeder Würfel kann grösseres oder kleneres Ergebns haben als jeder andere Ene bnäre Relaton zwschen den Würfeln wrd angesetzt zu Würfel f Würfel : 2 ( Augenzahl be Wurf mt > Augenzahl be Wurf mt 2) > 2

15 Sete 5 Entschedungstheore Tel Würfel von Efron (2/2) Dann st A B C A, denn: ( Augenzahl von A > Augenzahl von B) ( Augenzahl von B > Augenzahl von C) ( Augenzahl von C > Augenzahl von A) Würfelergebnsse stochastsch unabhängg % ( Augenzahl von A > Augenzahl von B) ( 9, 8)(, 9, 4)(, 9, 3 )(, 5, 4)(, 5, 3 ) 5 ( 9, 8 ) + ( 9, 4 ) + ( 9, 3 ) + ( 5, 4 ) + ( 5, 3 ) ( Augenzahl von B > Augenzahl von C) ( 8, 7)(, 8, )(, 8, 2)(, 4, 2)(, 3, 2 ) 9 5 ( Augenzahl von C > Augenzahl von A) ( 7, 3 )(, 7, )(,, 5)(,, )(, 2, ) 9 % Überraschungen be Transtvtät und Wahrschenlchket möglch > 2

16 Sete Entschedungstheore Tel Stochastsche Unabhänggket (/2) Mehr als zwe Eregnsse E,, E r snd stochastsch unabhängg, wenn jede Auswahl deser Eregnsse de roduktbedngungen erfüllt. ( E..., E ) ( E )... ( E ) r n, r r Stochastsche Unabhänggket ergbt sch ncht aus paarweser stochastscher Unabhänggket.

17 Sete 7 Entschedungstheore Tel Stochastsche Unabhänggket (2/2) Bespel: Behälter mt 4 Kugeln,, 2, 3, 4. Es wrd enmal gezogen. Eregnsse: E {, 2}, F {, 3}, G {, 4} ( E) ( F) ( G) ( EF) ({} ) ( EG) ( {} ) ( FG) ( {} ) ( EF) ( E) ( F) 4 ( EFG) ( {} ) ( E) ( F) ( G) 8 2 etc., aber (kene Elementareregnsse)

18 Sete 8 Entschedungstheore Tel Bedngte Wahrschenlchket (/5) Bedngte Wahrschenlchket A, B S ( A B) ( A B) ( B) für B > Grunddee: Was besagt das bedngende Eregns B über das bedngte Eregns A? Würfelt A {5} und B {2, 4, }. Dann st (A B) de Wahrschenlchket dafür, dass 5 fällt unter der Kenntns, dass gerade Zahl fällt. ({} 5 { 2, 4, } ) ({} 5 { 2, 4, } ) ( { 2, 4, } ) ({ } { }) ({ 4} ) 4 2, 4, ( { 2, 4, } ) 3 3 D.h. (A B) (A) (A B) möglch. ( O/ ) ({ 2, 4, } ) Das gemensame Entreten von 2 Eregnssen st hr Durchschntt

19 Sete 9 Entschedungstheore Tel Bedngte Wahrschenlchket (2/5) Was st be Glechhet? # ( A B) A B ( B) ( A) ( B) ( A B) d.h. de Eregnsse snd unabhängg & bedngte Wahrschenlchket unbedngte Wahrschenlchket

20 Sete 2 Entschedungstheore Tel Bedngte Wahrschenlchket (3/5) Bespel: En Arzt bestzt folgende Daten über de Wrksamket ener Behandlungsmethode, de be fast der Hälfte der 2. kranken Bewohner ener Regon angewendet wurde: Stadtbewohner Landbewohner Es bedeutet: behandelt unbehandelt behandelt unbehandelt A überlebend überlebend gestorben B behandelt C Stadtbewohner Um zu entscheden, ob de Behandlungsmethode n Zukunft weter angewendet werden soll oder ncht, berechnet der Arzt de Wahrschenlchket zu überleben unter der Bedngung, dass behandelt wurde und de Wahrschenlchket zu überleben, unter der Bedngung, dass ncht behandelt wurde. Es glt (A B),84 und (A B C ),459. Bedeutet des, dass ncht behandeln besser st als behandeln?

21 Sete 2 Entschedungstheore Tel Bedngte Wahrschenlchket (4/5) ( A B) ( A B) ( B) C C ( A B ) A B C ( B ) De gesuchten Wahrschenlchketen: ( AB) A B ( B) ( ABC) A BC ( BC) Stadtbewohner ,84 55,459 C C ( AB ) A B ( B ) C C ( ABC ) A BC C ( BC ) C C C C ( AB C ) A B C C C ( B C ) 95 55,84 und,459 C C C ( AB C) A B C C ( B C) 5,,5 Landbewohner 95 Für Stadt- und Landbewohner (getrennt) erhöhen sch also de jewelgen Überlebenswahrschenlchketen durch Behandlung. ' ',95 5,5

22 Sete 22 Entschedungstheore Tel Bedngte Wahrschenlchket (5/5) Zwe Effekte beenflussen das Überleben: Behandlung und Wohnort. Es st (A BC), <,5 (A B C C C ), d.h. de Wahrschenlchket zu überleben st für Landbewohner ohne Behandlung vel größer als für Stadtbewohner mt Behandlung Da aber unter den behandelten Enwohnern relatv vele Stadtbewohner snd & CB. # $ ( C B) nahe be % ( B). unterscheden sch (A B) und (A BC) nur kaum. Der unkontrollerbare Effekt Wohnort domnert den kontrollerbaren Effekt Behandlung. % Jewels Detalbetrachtung erforderlch

23 Sete 23 Entschedungstheore Tel Rechnen mt bedngten Wahrschenlchketen (/2) ( A B) : ( A B) ( B) bedngte Wahrschenlchket auf unbedngte zurückgeführt. Umkehrung evtl. snnvoll Wenn E ( ( E n mt E paarwese dsjunkt, dann ( A) ( A# %) ( A# ( E $... $ En ) ( A# E ) $... $ ( A# E ) A E ( A E ) 23 E paarwese dsjukt n 23 E n ( A# E ) ( A# E ) ( A# E ) ( A E ) ( E ) ( A E ) ( E ) ( A E ) ( E ) Formel der totalen Zerlegung ( A E ) ( E ) # n ( A E ) ( E ) ( A E ) n n n n

24 Entschedungstheore Tel Sete 24 Rechnen mt bedngten Wahrschenlchketen (2/2) Bayes (Umkehrformel) # $ $ # $ n j j j E E A E E A A E E A A E A B A B B A A A B A A A B A B B B A B B A B A totale Zerlegung für A

25 Sete 25 Entschedungstheore Tel Zufallsvarablen (/) Idee: Ergebnsse von zufällgen Vorgängen werden als Werte ener Funkton aufgefasst. Funkton hesst Zufallsvarable. Gewöhnungsbedürftg st:. Ene Funkton wrd Varable genannt 2. Von deser Funkton werden Werte betrachtet, Argumente werden selten betrachtet und Funktonsvorschrften snd.a. unbekannt. Bespel Würfeln: st ene Zufallsvarable mt Werten, 2,,. Be trg. Funktonen y sn oder olynomen y st jewels Argument und Funktonsvorschrft bekannt, be Zufallsvarablen ergbt sch der Wert ohne en erkennbares Argument.

26 Entschedungstheore Tel Sete 2 Erwartungswert und Varanz (/) Zufallsvarable reellwertg. Dann snd Würfel: # # n n E E E Va E Varanz Erwartungswert 97 2, 3, Va 3, E

27 Sete 27 Entschedungstheore Tel Entschedungsbäume (/) Bäume, be denen sämtlche Äste aus Aktons- und Eregnsknoten bestehen. Aktonsknoten Entschedungsknoten: Aktonsknoten mt dre Aktonen; mnd ene Akton. Eregnsknoten mt ver verschedenen Eregnssen; termnale Knoten snd Eregnsknoten ohne anschleßende Eregnsse oder Aktonen.

28 Sete 28 Entschedungstheore Tel Entschedungsbäume (2/) Bespel: Es wrd en- oder zwemal gewürfelt. Zweter Wurf nur, wenn m ersten ene gewürfelt wurde Würfeln Würfeln

29 Sete 29 Entschedungstheore Tel Entschedungsbäume (3/) Bespel: An ol Wldcatter s consderng drllng a well at a specfc ste. We wll assume that: ) If the well s drlled, t wll be drlled for a fed prce of $5. 2) The results of drllng a well wll be ether: I. fndng a major source of ol II. fndng a mnor source of ol III. fndng no ol 3) Only one test, a sesmc survey may be performed before desdng whether to drll. Ths eperment costs $2. and ndcates for certan f the substructure of the earth s of type I (very favorable to ol), type II (less favorable) or type III (unfavorable).

30 Sete 3 Entschedungstheore Tel Entschedungsbäume (4/) 4) The followng probabltes are assgned by the company geologst: (major source / type I).4 (mnor source / type I).3 (major source / type II). (mnor source / type II).4 (major source / type III) (mnor source / type III).3 and (type I).2 (type II).3 (type III).5 5) If a major source s found, the wldcatter wll mmedately sell out for $9.. If a mnor source s found, he wll sell for $3..

31 Sete 3 Entschedungstheore Tel Entschedungsbäume (5/) Assume the decson maker wshes to mamze epected profts and answer the followng: a) Draw the decson tree for ths problem and clearly label all the probabltes and all dollar consequences at the end of the tree. b) What s the probablty that ol (ether a major or mnor source) s present at the ste? c) What s the optmal strategy to follow for ths problem? d) What s the epected value of the sample mformaton (.e., the sesmc survey)? e) What s the mamum amount the wldcatter should pay for perfect nformaton? f) Calculate (type I/major source) and (type II/ mnor source).

32 Sete 32 Entschedungstheore Tel Entschedungsbäume (/) Bespel (Ölbohrung) a) bohren,,33,5 gq kq kene Quelle $ 75. $ 5. $ -5. gq: große Quelle kq: klene Quelle ncht bohren $ Typ I bohren ncht bohren,4,3,3 gq kq kene Quelle $ -2. $ 73. $ 3. $ -7. Test,2,3 Typ II bohren ncht bohren,,4,5 gq kq kene Quelle $ -2. $ 73. $ 3. $ -7. gq $ 73.,5 Typ III bohren ncht bohren,3,7 kq kene Quelle $ -2. $ 3. $ -7.

33 Sete 33 Entschedungstheore Tel Entschedungsbäume (7/) De Wahrschenlchketen m Ast bohren ergeben sch (nach der Formel der totalen Zerlegung ) we folgt: Bespel r(gq) r(gq Typ I)* r(typ I) + r(gq Typ II)* r(typ II)+ r(gq Typ III) * r(typ III),4 *,2 +, *,3 + *,5, Wetere Wahrschenlchketen Bespel r(kene Quelle Typ II) - r(gq Typ II) - r(kq Typ II) -, -,4,5

34 Sete 34 Entschedungstheore Tel Entschedungsbäume (8/) b) r(öl) r(gq oder kq) r(gq) + r(kq), +,33,44 a) c) Eregnsse dsjunkt E( bohren ), * 75. +,33 * 5. +,5 * (-5.) 48. E( ncht bohren) E( Test, dann weter gemäß ),2 [,4 * 73. +,3 * 3. +,3 * (-7.)] +,3 [, * 73. +,4 * 3. +,5 * (-7.)] +,5 * (-2.) 58. des st de optmale Stratege

35 Sete 35 Entschedungstheore Tel Entschedungsbäume (9/) d) e) Der Test kostet $ 2., mt hm kann aber en erwarteter Gewnn erzelt werden, der nun $. über dem der besten Stratege ohne Test legt. Somt st der erwartete Wert des Tests $ 3.. Be vollständger Informaton:,,33,5 gq kq kene Quelle bohren bohren ncht bohren $ 75. $ 5. $ erwarteter Gewnn be vollständger Informaton, * 75. +,33 * 5. +,5 * 32. erwarteter Gewnn ohne Informaton 48. % Wert der vollständgen Informaton

36 Sete 3 Entschedungstheore Tel Entschedungsbäume (/) f) r(typ I gq) #r(gq) #r(typ I gq) #r(grq Typ I) * #r(typ I) #r(grq Typ I) * #r(typ I) #r(typ I) #r(gq),8 8 #r(gq), #r(kq Typ II ) * #r(typ II),2 r(typ II kq) #r(kq),33 4

37 Entschedungstheore Tel Sete 37 Vertelungsfunktonen (/4) F() ( ) für belebge ) und reellwertge Zufallsvarable Eponentalvertelung hat de Dchte e für, >. D.h asymptotsch # < $ % & & # < $ ' % % ( e e dy y,,,, ) ) )

38 Entschedungstheore Tel Sete 38 Vertelungsfunktonen (2/4) Berechnung e e e e e e E # $ % & ' ( ) * +, / / e d d d { { 3 2 g f

39 Entschedungstheore Tel Sete 39 Vertelungsfunktonen (3/4) Be Vertelungen mt Dchte darf man ncht blden wegen ( b). Das bedngte Eregns muss mt postver Wahrschenlchket entreten Also z.b. b b b...,... y y y y y y y y y y y y y > + > + > > > + > > + > + # # # # # # # e e e e e e e,

40 Sete 4 Entschedungstheore Tel Vertelungsfunktonen (4/4) D.h. ( > + y > y) ( > ) z.b. ( > 5 > 3) ( > 2) * Gedächtnslosgket der Eponentalfunkton ( > 2 > ) Mehrere gedächtnslose Vertelungen Ken determnstsches Analogon

41 Sete 4 Entschedungstheore Tel Entschedungstheore (Vdeo)

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket

Mehr

4. Rechnen mit Wahrscheinlichkeiten

4. Rechnen mit Wahrscheinlichkeiten 4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,

Mehr

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel! Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY) Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk

Mehr

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden. Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40

Mehr

An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.

An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert. SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

Mehr

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Resultate / states of nature / mögliche Zustände / möglicheentwicklungen Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und

Mehr

Übung zu Erwartungswert und Standardabweichung

Übung zu Erwartungswert und Standardabweichung Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der

Mehr

Verteilungen eindimensionaler diskreter Zufallsvariablen

Verteilungen eindimensionaler diskreter Zufallsvariablen Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.

Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten. ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.

Mehr

Entscheidungstheorie Teil 3. Thomas Kämpke

Entscheidungstheorie Teil 3. Thomas Kämpke Entschedngstheore Tel 3 Thomas Kämpke Sete Entschedngstheore Tel 3 Inhalt St. Petersbrg Paradoon (Bernoll 73) Präferenzfnktonen ttelpnktsmethode zr Bestmmng von Wertfnktonen über Intervallen (endmensonal)

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

II. Wahrscheinlichkeitsrechnung und mathematische Statistik

II. Wahrscheinlichkeitsrechnung und mathematische Statistik II. Wahrschenlchketsrechnung und mathematsche Statstk Prof. Dr. Barbara Grabowsk Hochschule für Technk und Wrtschaft des Saarlandes 06 Inhaltsverzechns - I - Enletung Dese Kursenhet dent der Vermttlung

Mehr

Modul 1: Einführung und Wahrscheinlichkeitsrechnung

Modul 1: Einführung und Wahrscheinlichkeitsrechnung Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas

Mehr

Kapitel V. Parameter der Verteilungen

Kapitel V. Parameter der Verteilungen Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p

Mehr

II. Wahrscheinlichkeitsrechnung und mathematische Statistik

II. Wahrscheinlichkeitsrechnung und mathematische Statistik II. Wahrschenlchketsrechnung und mathematsche Statstk Prof. Dr. Barbara Grabowsk Hochschule für Technk und Wrtschaft des Saarlandes /0 Inhaltsverzechns - I - Enletung Dese Kursenhet dent der Vermttlung

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x, Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket

Mehr

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

Mehr

Definition des linearen Korrelationskoeffizienten

Definition des linearen Korrelationskoeffizienten Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten

Mehr

5 Gemischte Verallgemeinerte Lineare Modelle

5 Gemischte Verallgemeinerte Lineare Modelle 5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren

Mehr

Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte

Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen

Mehr

Lösungen der Aufgaben zu Kapitel 2

Lösungen der Aufgaben zu Kapitel 2 Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

2. Wahrscheinlichkeitsrechnung

2. Wahrscheinlichkeitsrechnung . Grundlagen der Wahrschenlchketsrechnung. Wahrschenlchketsrechnung Der Wahrschenlchketstheore kommt ene wchtge Rolle als Bndegled zwschen der deskrptven und der nduktven Statstk zu. Aufgabe der nduktven

Mehr

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Stochastik - Kapitel 4

Stochastik - Kapitel 4 Aufgaben ab Sete 5 4. Zufallsgrößen / Zufallsvarablen und hre Vertelungen 4. Zufallsgröße / Zufallsvarable Defnton: Ene Zufallsgröße (Zufallsvarable) X ordnet jedem Versuchsergebns ω Ω ene reelle Zahl

Mehr

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

12 UMPU Tests ( UMP unbiased )

12 UMPU Tests ( UMP unbiased ) 89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum

Mehr

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt: (Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem

Mehr

Kapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik

Kapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik Kaptel 4: Wahrschenlchketsrechnung und Kombnatork 1 4. Wahrschenlchketsrechnung De Wahrschenlchketsrechung stellt Modelle beret zur Beschrebung und Interpretaton solcher zufällger Erschenungen, de statstsche

Mehr

Folien zur Vorlesung

Folien zur Vorlesung Folen zur Vorlesung Statstk für Prozesswssenschaften (Tel : Wahrschenlchketsrechnung) U. Römsch http://www.tu-berln.de/fak3/staff/roemsch/homepage.html . WAHRSCHEINLICHKEITSRECHNUNG De Wahrschenlchketsrechnung

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung) LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

6. Übung zur Linearen Algebra II

6. Übung zur Linearen Algebra II Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der

Mehr

Exkurs: Entropie in der Wahrscheinlichkeitstheorie

Exkurs: Entropie in der Wahrscheinlichkeitstheorie Exkurs: Entrope n der Wahrschenlchketstheore a) Physk/Thermodynamk: S = k B ln(w) mt W=Anzahl glech-wahrschenlcher Möglchketen (Mkrozustände) a) Informatonstheore: Shannon (1948) Entrope wobe p = f /N

Mehr

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n. Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

Mehr

Statistik der Extremwertverteilungen

Statistik der Extremwertverteilungen KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.

Mehr

Hauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg

Hauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg Hauptprüfung Abturprüfung 2014 (ohne CAS) Baden-Württemberg Lneare Optmerung Hlfsmttel: GTR, Formelsammlung beruflche Gymnasen (AG, BTG, EG, SG, TG, WG) Alexander Schwarz www.mathe-aufgaben.com Oktober

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y 5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 Das Pumping-Lemma für reguläre Sprachen: Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma

Mehr

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9 WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung

Mehr

Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008.

Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008. Dr. Jochen Köhler, Edgenösssche Technsche Hochschule, ETH Zürch. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Lösungen Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 0BTel : Multple

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

1 Finanzmathematik. 1.1 Das Modell. Sei Xt 1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

Kapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation

Kapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng

Mehr

e dt (Gaußsches Fehlerintegral)

e dt (Gaußsches Fehlerintegral) Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1 Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

Mehr

INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen

INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

Die Jordansche Normalform

Die Jordansche Normalform De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

Die Leistung von Quicksort

Die Leistung von Quicksort De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

Mehr

Forschungsstatistik I

Forschungsstatistik I Psychologe Prof. Dr. G. Menhardt 2. Stock, Nordflügel R. 02-429 (Perske) R. 02-431 (Menhardt) Sprechstunde jederzet nach Verenbarung Forschungsstatstk I Dr. Malte Perske perske@un-manz.de WS 2008/2009

Mehr

1. Teilprüfung FS 2008

1. Teilprüfung FS 2008 . Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 Vorname:... Name:... Stud. Nr.:... Studenrchtung:... . Telprüfung: Statstk und Wahrschenlchketsrechnung

Mehr

Zusammenfassung der letzten LVA. Diskrete Mathematik

Zusammenfassung der letzten LVA. Diskrete Mathematik Zusammenfassung Dskrete Mathematk Chrstna Kohl Georg Moser Oleksandra Panasuk Chrstan Sternagel Vncent van Oostrom Insttut für Informatk @ UIBK Sommersemester 2017 Zusammenfassung der letzten LVA ene Telmenge

Mehr

Rotation (2. Versuch)

Rotation (2. Versuch) Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen

Mehr

Geschichte, Sherlock Holmes Spiel (Definition) Einteilung und Eigenschaften von Spielen Modellierungsformen Strategietypen (dominant, rein, gemischt)

Geschichte, Sherlock Holmes Spiel (Definition) Einteilung und Eigenschaften von Spielen Modellierungsformen Strategietypen (dominant, rein, gemischt) Peter Garscha Geschchte, Sherlock Holmes Spel (Defnton) Entelung und Egenschaften von Spelen Modellerungsformen Strategetypen (domnant, ren, gemscht) Nash-Glechgewcht (Defnton, Exstenz) Gefangenendlemma

Mehr

Der Erweiterungsfaktor k

Der Erweiterungsfaktor k Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang

Mehr