15 Verteilungsfunktionen
|
|
- Helene Peters
- vor 7 Jahren
- Abrufe
Transkript
1 15 Verteilungsfunktionen _D := n = Length@datenD; Length@Select@daten, &DDên êê ND In den Kapiteln 13 und 14 haben wir gesehen, dass eine diskrete bw stetige Verteilung durch ihre Verteilungsdichte vollständig bestimmt ist. Eine andere, ebenso effiiente Methode, eine Verteilung anugeben, besteht in der Angabe ihrer Verteilungsfunktion. Eine Unterscheidung in diskrete bw stetige Verteilungen ist dabei nicht notwendig. Außerdem lassen sich mit Verteilungsfunktionen auch gemischte Verteilungen beschreiben Der Begriff Verteilungsfunktion Ohne auf den Beweis näher eingehen u können, erwähnen wir den für Verteilungen entralen Sat Sat: Ist eine Verteilung, also ein W-Maß auf, so gilt für alle Mengen ai, b i DD BŒ D ai, b i D< i=1 i=1 wobei das Infimum über alle möglichen Überdeckungen der Menge B durch abählbar viele Intervalle der Form D a i, b i D u bilden ist. Die Verteilung ist somit durch Angabe der a, bdd von Intervallen der Form D a, bd bereits vollständig bestimmt. Nun lässt sich die a, bdd des Intervalls D a, bd aber a, add durch die Wahrscheinlichkeiten der beiden Intervalle D-, bd und D-, ad ausdrücken. Die Verteilung ist daher bereits durch Angabe der DD von Intervallen der Form D-, D vollständig bestimmt. Wir nehmen diesen Sat um Anlass und definieren Definition: Unter der Verteilungsfunktion (im Englischen Cumulative Distribution Function oder kur CDF genannt) einer Verteilung versteht man die Abbildung : Ø@0, DD Wegen Sat ist die Verteilung durch ihre Verteilungsfunktion vollständig bestimmt. Wir haben nicht vorausgesett, dass die Verteilung diskret bw stetig sein muss. Der Begriff der Verteilungsfunktion macht nämlich auch dann Sinn, wenn die Verteilung weder diskret noch stetig ist. Für praktische Anwendungen ist dies insbesondere dann von Interesse, wenn es sich bei der Verteilung um eine Verteilung mit diskreten und stetigen Anteilen (man spricht dabei von einer gemischten Verteilung) handelt Bemerkung: a) Ist eine diskrete Verteilung mit Träger und Verteilungsdichte, so gilt für @xd xœ xœ x x
2 60 15_Verteilungsfunktionen.nb Die Verteilungsfunktion einer diskreten Verteilung ist damit eine Stufenfunktion mit den Sprungstellen œ und den b) Ist eine stetige Verteilung mit der Verteilungsdichte, so gilt für alle œ DD=Ÿ x+ - xdd=ÿ x Die Verteilungsfunktion einer stetigen Verteilung ist damit eine stetige und stückweise differenierbare Funktion mit der Ableitung. Wir veranschaulichen diese Tatsache graphisch: Die folgende Zeichnung eigt die Verteilungsdichte (oben) sowie die ugehörige Verteilungsfunktion (unten) einer diskreten bw einer stetigen Verteilung. Bei einer diskreten Verteilung entspricht die Summe der roten Balken der oberen Zeichnung dem roten Balken der unteren Zeichnung; bei einer stetigen Verteilung entspricht die rot eingeeichnete Fläche der oberen Zeichnung dem roten Balken der Bemerkung: Ist die Verteilungsfunktion einer Verteilung, so gilt a) ist monoton nicht abnehmend, d.h. für alle x, yœ mit x< b) ist rechtsseitig stetig, d.h. für alle œ gilt c) ist normiert, d.h. lim und lim Beweis: a) Für alle x, yœ mit x< y gilt wegen b) Für alle œ gilt wegen a) und der Stetigkeit von xdd= + 1 x x nø n 1 D-, + n=1 n c) Ebenfalls wegen a) und der Stetigkeit von Wahrscheinlichkeitsmaßen gilt DD= D-, Ø- Ø- nø n=1
3 15_Verteilungsfunktionen.nb 61 DD= D-, D=1 Ø Ø nø n=1 Diese drei Eigenschaften sind charakteristisch in dem Sinn, dass jede Funktion : Ø@0, 1D mit diesen Eigenschaften als Verteilungsfunktion einer Verteilung aufgefasst werden kann. Man nennt diese drei Eigenschaften daher die charakteristischen Eigenschaften einer Verteilungsfunktion. Für das Rechnen mit Verteilungen ist die folgende Bemerkung von Bedeutung (wir verwenden dabei die - D=lim für den linksseitigen Grenwert der Funktion an der Stelle ): Bemerkung: Sei eine Verteilung mit der Verteilungsfunktion. a) Für alle @c - D Die der einelementigen Menge 8c< ist somit gleich der Sprunghöhe der Verteilungsfunktion an der Stelle c. Ist die Verteilungsfunktion der Verteilung stetig, so besiten alle einelementigen Mengen (und damit auch alle Mengen mit abählbar vielen Elementen) die Wahrscheinlichkeit 0. b) Für alle a, bœ mit a<b a, -
4 62 15_Verteilungsfunktionen.nb 15.2 Verteilungsfunktionen in Mathematica Mit dem folgenden Befehl lassen sich die Verteilungsfunktionen von in Mathematica implementierten Verteilungen (numerisch und formelmäßig) auswerten: à D wertet die Verteilungsfunktion der Verteilung distribution an der Stelle (sowohl numerisch als auch formelmäßig) aus. Die Verteilungsfunktionen sowohl von diskreten als auch von stetigen Verteilungen lassen sich mit dem Befehl Plot eichnen. Einige dieser Verteilungsfunktionen verwenden dabei die regularisierte Gamma-Funktion, die regularisierte Beta- Funktion sowie die Gauß'sche Fehlerfunktion (diese Funktionen werden in Mathematica mit den Befehlen GammaRegularied bw BetaRegularied bw Erf aufgerufen) ur geschlossenen Darstellung von Summen und Integralen. Ohne auf ihre Eigenschaften im Detail einugehen, definieren wir: Definition: a) Unter der regularisierten Gamma-Funktion versteht man die Abbildung G r @Ø mit G x, yd= 1 G@aD Ÿ y t a-1 -t t x b) Unter der regularisierten Beta-Funktion versteht man die Abbildung 1 B r :@0, 1Dµ@0, 1DµD mit B y, a, bd= B@a, bd Ÿ y t a-1 H1- tl b-1 t x c) Unter der Gauß'schen Fehlerfunktion versteht man die Abbildung Erf : Ø mit Erf@D= 2 p Ÿ -t 2 t 0 Man verwendet oft die Abkürungen G D=1-G 0, D und B a, bd=b a, bd. Wir wollen nun die Verteilungsfunktionen der wichtigsten in Mathematica implementierten Verteilungen analysieren. Unser Ziel besteht dabei wieder darin, diese Verteilungsfunktionen formelmäßig expliit anugeben und mit Hilfe von Plot und Manipulate auf dynamische Weise graphisch darustellen Beispiel: Man ermittle die Verteilungsfunktion der diskreten n<d mit den Parametern m<nœ und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der pd mit den Parametern nœ und 0 p 1 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der negativen pd mit den Parametern nœ und 0 p 1 und eichne diese Verteilungsfunktion.
5 15_Verteilungsfunktionen.nb Beispiel: Man ermittle die Verteilungsfunktion der mit dem Parameter l>0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der b<d auf dem bd und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der b<d auf dem bd und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der mit dem Parameter l> 0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der Gammaverteilung amma@a, ld mit den Parametern a>0 und l>0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der ld mit den Parametern aœ und l>0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der Betaverteilung eta@a, bd mit den Parametern a > 0 und b > 0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der sd mit den Parametern mœ und s>0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der logarithmischen mit den Parametern mœ und s>0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der Chi-Quadrat Verteilung hi@nd mit dem Parameter nœ und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der Student T mit dem Parameter nœ und eichne diese Verteilungsfunktion.
6 64 15_Verteilungsfunktionen.nb Beispiel: Man ermittle die Verteilungsfunktion der Fisher F nd mit den Parametern m, nœ und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der bd mit den Parametern a > 0 und b > 0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der Extremwertverteilung xtrem@m, bd mit den Parametern mœ und b>0 und eichne diese Verteilungsfunktion Beispiel: Man ermittle die Verteilungsfunktion der mit dem Parameter s>0 und eichne diese Verteilungsfunktion Verteilungsfunktionen von Zufallsvariablen Bisher haben wir uns nur mit den Verteilungsfunktionen von Verteilungen beschäftigt. In diesem Abschnitt befassen wir uns mit den Verteilungsfunktionen Z von Zufallsvariablen Z Definition: Unter der Verteilungsfunktion Z einer Zufallsvariablen Z versteht man die Verteilungsfunktion der Verteilung Z von Z, also die Abbildung Z : Ø@0, 1D <D Wegen Bemerkung ist die Verteilung Z der Zufallsvariablen Z durch ihre Verteilungsfunktion Z bereits vollständig bestimmt. An Hand von einigen Beispielen werden wir nun eigen, wie sich die Verteilungsfunktion Z einer Zufallsvariablen Z ermitteln lässt, wobei wir uns unächst nochmals mit den bereits in den Abschnitten 13.3 und 14.3 behandelten Zufallsvariablen, deren Verteilungsdichten wir bereits ermittelt haben, befassen werden. Wir werden die auf diese Weise ermittelten Verteilungsfunktionen jeweils Mathematica-gerecht aufbereiten und eichnen Beispiel: Unser Zufallsexperiment besteht im Werfen von wei homogenen Würfeln. Mit der Zufallsvariablen Z wird die dabei auftretenden Augensumme beeichnet. Man analysiere die Verteilungsfunktion Z von Z. Lösung: In Beispiel haben wir die Verteilungsdichte der Zufallsvariablen Z bereits = <D= H-1Lê6 2 für œ82, 3,..., 7< H13-Lë6 2 für œ88, 9,..., 12< 0 sonst und Mathematica-gerecht aufbereitet:
7 15_Verteilungsfunktionen.nb 65 := 0 ê; Or@ < 2, > 12, NumberQ@D && Not@IntegerQ@DDD fd1@_d :=H-1Lí 6 2 ê; 2 7; fd1@_d :=H13-Lí 6 2 ê; 8 12; Wegen Bemerkung FullSimplify@Sum@fd1@iD, 8i, 2, <DD FullSimplifyBSumBHi - 1Lí 6 2, 8i, 2, <FF FullSimplifyBSumBH13 - ilí 6 2, 8i, 8, <FF fd1@id i=2 1 H 1+L 72 1 H 18+L H 7+L 72 besitt diese Zufallsvariable Z damit die Verteilungsfunktion 0 für <k dt i=2 H-1L für 2 <7 72 dt i=2 1 H42+H18- LH-7LL für 7 < für 12 Diese Verteilungsfunktion lässt sich mittels Piecewise mühelos in Mathematica eingeben Fd1@_D := Piecewise@88H-1Lê 72, 2 <7<, 81ê72H42 +H18 - LH-7LL, 7 < 12<, 81, 12<<D und für beliebige Werte von k und n auf dynamische Weise graphisch darstellen: Plot@Fd1@D, 8, -2, 20<, PlotPoints Æ 200, AspectRatio Æ 0.4, PlotStyle Æ Thickness@0.015D, AxesOrigin Æ 8-1, 0<, PlotRange Æ All, AxesLabelÆ8"", ImageSie Æ8200, Beispiel: Durch einen Kanal werden n unabhängige Kodeworte übertragen. Die Wahrscheinlichkeit dafür, dass das Kodewort richtig empfangen wird, ist 0.9. Mit der Zufallsvariablen Z wird die Anahl der Kodeworten, die richtig empfangen wurden, beeichnet. Man analysiere die Verteilungsdichte Z von Z. Man analysiere die Verteilungsfunktion Z von Z.
8 66 15_Verteilungsfunktionen.nb Lösung: In Beispiel haben wir die Verteilungsdichte œ Z =81, 2,, n< der Zufallsvariablen Z bereits = <D= K n O n- für œ Z und Mathematica-gerecht aufbereitet: 0 sonst fd1@_, n_, p_d := 0 ê; Or@ < 1, > n, NumberQ@D && Not@IntegerQ@DDD fd1@_, n_, p_d := Binomial@n, D p^h1 - pl^hn - L Wegen Bemerkung besitt diese Zufallsvariable Z damit die Verteilungsfunktion 0 für <k dt i=1 pl n dt n i=1k i O p i für 1 <n 1-p 1 für n Diese Verteilungsfunktion lässt sich mittels Piecewise mühelos in Mathematica eingeben Fd1@_, n_, p_d := PiecewiseB::H1-pL n SumBBinomial@n, id p 1-p i, 8i, 1, <F, 1 <n>, 81, n<>f und für beliebige Werte von k und n auf dynamische Weise graphisch darstellen: Manipulate@ListPlot@Table@8, Fd1@, n, pd<, 8, 1, 50<D, PlotStyle Æ PointSie@0.03D, Filling Æ Axis, AspectRatio Æ 0.4, AxesOrigin Æ 8-1, 0<, PlotRange Æ All, AxesLabel ImageSie Æ 8200, 100<D, 8n, 1, 50, 1, Appearance Æ "Labeled"<, 8p, 0, 0.99, Appearance Æ "Labeled"<D n 40 p Nach diesen Beispielen über Verteilungsfunktionen von diskreten Zufallsvariablen befassen wir uns nun mit Beispielen über Verteilungsfunktionen von stetigen Zufallsvariablen Beispiel: Aus dem 1D werden ufällig n Zahlen ausgewählt und ihr Minimum Z beobachtet. Man analysiere die Verteilungsfunktion Z von Z.
9 15_Verteilungsfunktionen.nb 67 Lösung: In Beispiel haben wir die Verteilungsdichte Z dieser Zufallsvariablen Z bereits ermittelt nh1- L n-1 für sonst und Mathematica-gerecht aufbereitet: fs1@_, n_d := Piecewise@88nH1-L n-1, 0 1<<D Wegen Bemerkung und Fs1@_, n_d := Evaluate@Integrate@fs1@, nd, DD; Fs1@, nd H1 L n 0 < 1 0 True (das Integral muss uerst mit Hilfe von Evaluate ausgewertet werden, bevor damit weitere Berechnungen angestellt werden können) gilt damit 0 für <0 Ÿ x=1-h1-l n 0 für 0 <1 1 für 1 Man hätte diese Verteilungsfunktion natürlich auch direkt berechnen können. Für alle 0 <1 gilt > n Punkte liegen rechts von <D=1-H1- L n Diese Verteilungsfunktion lässt sich nun für beliebige Werte von n auf dynamische Weise graphisch darstellen: Manipulate@Plot@Fs1@, nd, 8, -0.1, 1.1<, AspectRatio Æ 0.4, PlotStyle Æ Thickness@0.015D, AxesOrigin Æ8-0.1, 0<, PlotRange Æ All, AxesLabel Æ 8"", ImageSie Æ8200, 100<D, 8n, 1, 10, 1, Appearance Æ "Labeled"<D n Beispiel: Ein Punkt wird ufällig in den ersten Quadrant des Einheitskreises geworfen und seine x- Koordinate Z bestimmt. Man ermittle die Verteilungsfunktion Z von Z.
10 68 15_Verteilungsfunktionen.nb Lösung: In Beispiel haben wir die Verteilungsdichte Z dieser Zufallsvariablen Z bereits ermittelt 1 œ@, + D<D= 1- p 2 für sonst und Mathematica-gerecht aufbereitet: fs2@_d := Piecewise@884 Sqrt@1-2 Dêp, 0 1<<D Wegen Bemerkung und Fs2@_D := Evaluate@Integrate@fs2@D, DD; Fs2@D ArcSin@D 0< 1 π 1 True gilt damit 0 für <0 Ÿ 0 x= 2 p H ArcSin@DL für 0 <1 1 für 1 Diese Verteilungsfunktion lässt sich natürlich mühelos eichnen: Plot@Fs2@D, 8, -0.1, 1.2<, PlotStyle Æ Thickness@0.015D, AspectRatio Æ 0.4, AxesOrigin Æ 8-0.1, 0<, PlotRangeÆAll, AxesLabel Æ8"", Beispiel: Auf der unteren und der linken Seitenkante eines Quadrats der Seitenlänge 1 werden willkürlich wei Punkte P und Q ausgewählt. Man ermittle die Verteilungsfunktion Z ihres Abstandes Z. Lösung: In Beispiel haben wir die Verteilungsdichte dieser Zufallsvariablen Z bereits ermittelt pê2 für 0 <1 pê2-2 ArcTan@ 2-1 D für sonst und Mathematica-gerecht aufgereitet: fs3@_d := Piecewise@88pê2, 0 1<, 8pê 2-2 ArcTan@Sqrt@ 2-1DD, 1 Sqrt@2D<<D Wegen Bemerkung und
11 15_Verteilungsfunktionen.nb 69 := DD; gilt damit 0 0 π 2 0< 1 4 π ArcTanB F 1< 2 1 True 0 für <0 Ÿ x= 2 pê4 0 für 0 <1 Ÿ x= 2 pê4+h ArcTan@ 2-1 DL 0 für 1 < 2 1 für 2 Diese Verteilungsfunktion lässt sich wieder mühelos eichnen: Plot@Fs3@D, 8, -0.2, 1.7<, PlotStyle Æ Thickness@0.015D, AspectRatio Æ 0.4, AxesOrigin Æ 8-0.2, 0<, PlotRangeÆAll, AxesLabel Æ8, Z HL Beispiel: n Punkte werden ufällig in den Einheitskreis geworfen und der Abstand Z vom Mittelpunkt des Einheitskreises um nächst gelegenen dieser n Punkte beobachtet. Man ermittle die Verteilungsfunktion Z von Z. Lösung: In Beispiel haben wir die Verteilungsdichte dieser Zufallsvariablen Z bereits ermittelt 2 n H1-2 L n-1 für sonst und Mathematica-gerecht aufbereitet: fs4@_, n_d := Piecewise@882 n H1-2 L n-1, 0 1<<D Wegen Bemerkung und Fs4@_, n_d := Evaluate@Integrate@fs4@, nd, DD; Fs4@, nd I1 2 M n 0 < 1 0 True gilt damit
12 70 15_Verteilungsfunktionen.nb 0 für <0 Ÿ x=1-h1-2 L n 0 für 0 <1 1 für 1 Man hätte diese Verteilungsfunktion auch wieder direkt berechnen können. Für alle 0 <1 gilt nämlich alle n Punkte liegen nicht im > mit Mittelpunkt80, 0< und Radius >D=1-H1-2 L n Diese Verteilungsfunktion lässt sich wieder für beliebige Werte von n auf dynamische Weise graphisch darstellen: Manipulate@Plot@Fs4@, nd, 8, -0.1, 1.1<, PlotStyle Æ Thickness@0.015D, AspectRatio Æ 0.4, AxesOrigin Æ 8-0.1, 0<, PlotRange Æ All, AxesLabel Æ8"", ImageSie Æ 8200, 100<D, 8n, 1, 20, 1, Appearance Æ "Labeled"<D n Beispiel: Der Punkt P sei auf der Oberfläche der Einheitskugel gleichverteilt. Man ermittle die Verteilungsfunktion des Winkels Q, den der Ortsvektor OP um Punkt P mit der -Achse einschließt. In manchen Fällen kann es sinnvoll sein, die Verteilungsfunktion einer Zufallsvariablen durch Simulation näherungsweise u ermitteln. Man ereugt dau eine genügend große Anahl (vergleiche dau unsere Faustregel) von Realisierungen dieser Zufallsvariablen Z und ermittelt von diesem Datenmaterial daten unter Verwendung des Befehls EmpiricalCDF die empirische Verteilungsfunktion. Für alle œ stellt die empirische Verteilungsfunktion ` Z@D=relative Häufigkeit des IntervallsD-, D im Datenmaterial daten eine gute Näherung für die gesuchte Verteilungsfunktion der Zufallsvariablen Z an der Stelle dar. Man beachte wieder, dass sich die auf diese Weise ermittelte empirische Verteilungsfunktion von Simulationslauf u Simulationslauf geringfügig ändern wird. à EmpiricalCDF@daten, D ordnet jedem œ die relative Häufigkeit des Intervalls D-, D im Datenmaterial daten u.
13 15_Verteilungsfunktionen.nb Beispiel: Aus einer Urne mit s=8 schwaren, r= 6 roten und g=4 grünen Kugeln werden so lange Kugeln geogen und nach jedem Zug wieder urückgelegt, bis erstmals hintereinander wei gleich gefärbte Kugeln geogen werden. Die Zufallsvariable Z gibt an, wieviele Züge dafür notwendig sind. Man ermittle die Verteilungsfunktion Z von Z.
14 72 15_Verteilungsfunktionen.nb Beispiel: Aus dem 1D werden ufällig drei Zahlen ausgewählt. Man ermittle die empirische Verteilungsfunktion ` Z ihrer Summe Z.
13 Diskrete Verteilungen
13 Diskrete Verteilungen DiscreteEmpiricalPDF@daten_, z_d := Module@8n, min, max, uni
Mehr12 Zufallsvariable und Verteilungen
12 Zufallsvariable und Verteilungen VariationenMitWiederholung@n_Integer, k_integerd := Distribute@Table@Table@i, 8i, 1, n
Mehr16 Erwartungswert und Varianz
16 Erwartungswert und Varianz KombinationenOhneWiederholung@n_Integer, k_integerd := Permutations@Join@Table@1, 8k
Mehr20 Charakteristische Funktionen
20 Charakteristische Funktionen Viele Probleme im Umgang mit Verteilungen lassen sich einfacher behandeln, wenn man sie in einen geeigneten Raum abbildet. Die Verwendung von derartigen Transformationen
Mehr11 Unabhängige Ereignisse
11 Unabhängige Ereignisse In engem Zusammenhang mit dem Begriff der bedingten Wahrscheinlichkeit steht der Begriff der Unabhängigkeit von Ereignissen. Wir klären zuerst, was man unter unabhängigen Ereignissen
Mehr18 Bedingte Verteilung
18 Bedingte Verteilung In diesem Kapitel wollen wir uns mit der Verteilung (Verteilungsdichte, Verteilungsfunktion, Erwartungswert) einer Zufallsvariablen Z befassen, wenn man über die zusätzliche Information
MehrSoll ein Zufallsexperiment näher untersucht werden, so muss zuerst geklärt werden, was man als dessen mögliche Ausgänge ansieht:
2 Zufallsexperimente Nachdem wir uns spielerisch mit dem Phänomen "Zufall" beschäftigt und den Begriff "Zufallsexperiment" bereits intuitiv erfasst haben, wollen wir in diesem Kapitel den Begriff "Zufallsexperiment"
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
Mehr21 Der Bernoulliprozess
21 Der Bernoulliprozess Needs@"MultivariateStatistics`"D BernoulliProzess@n_, p_d := Module@8liste, posliste, m, punkte
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
Mehrj K j d j m j h j f j
Für eine stetige Zufallsvariable X in einem Intervall [ a ; b ] kann X jeden beliebigen Wert annehmen. Die Wahrscheinlichkeiten werden in diesem Fall nicht mehr wie bei einer diskreten Zufallsvariable
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
Mehr(6.29) Z X. Die standardnormalverteilte Zufallvariable Z, Z ~ N(0,1), weist den Erwartungswert (6.30) E(Z) = 0 und die Varianz (6.31) V(Z) = 1 auf.
Standardnormalverteilung Da die arameter μ und σ beliebige reelle Zahlenwerte bw. beliebige positive reelle Zahlenwerte (σ >0) annehmen können, gibt es unendlich viele Normalverteilungen. Die Dichtefunktion
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
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
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
MehrModellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
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
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
MehrMoivre-Laplace und Stetigkeitskorrektur
Moivre-Laplace und Stetigkeitskorrektur Abstract: Vorstellung und Veranschaulichung des Satzes (mit wxmaxima), Stetigkeitskorrektur, Beispiel für seine Benutzung Moivre-Laplace Theorem ( ) n Sei b n,p
Mehr10 Bedingte Wahrscheinlichkeit
10 Bedingte Wahrscheinlichkeit Vor allem dann, wenn man es mit mehrstufigen Zufallsexperimenten zu tun hat, kommt dem Begriff der bedingten Wahrscheinlichkeit eine bedeutende Rolle zu. Wir klären dazu
MehrDefinition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch
Kapitel 4 Diskrete Verteilungen 4.1 Bernoulli-Verteilung Definition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch È Üµ ½ für Ü ¼ für Ü ½ ¼ sonst Die Bernoulli-Verteilung
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
Mehr1, 2, oder 3 Wuerfel: Jeweils Augenzahl addieren. Zufallsvariable addieren bedeutet Verteilungsdichten falten.
WQ FS 2013 1, 2, oder 3 Wuerfel: Jeweils Augenzahl addieren. Zufallsvariable addieren bedeutet Verteilungsdichten falten. pn_integer Ifn 0 && n 7, 1. 6., 0.0; w1 Table6 pk, k, 1, 7 p2k_integer Sumpj pk
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 5 29.03.2011 1 Inhalt der heutigen Übung Vorrechnen der Hausübung D.3 Gemeinsames Lösen der Übungsaufgaben D.4: Zufallsvektoren D.5: Multivariate Wahrscheinlichkeiten
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
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
MehrVektorrechnung. Grundlegende Operationen. VL Mathematische Software WS 2006/07 Rudolf Schürer. Letzte Änderung: 28. Jänner vl06-evaluated.
vl6-evaluated.nb Vektorrechnung VL Mathematische Software WS 26/7 Rudolf Schürer Lette Änderung: 28. Jänner 27 Grundlegende Operationen Vektoren werden in Mathematica durch Listen dargestellt, deren Elemente
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........................
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
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
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
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
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
MehrDiskrete Strukturen II
SS 2004 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2004ss/ds/index.html.de 18. Juni 2004 Exponentialverteilung als Grenzwert der geometrischen
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
Mehr9 Geometrische Wahrscheinlichkeit
9 Geometrische Wahrscheinlichkeit Bertrand1 := Module@8s, t, u, v, k, d, a, b
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrÜ b u n g s b l a t t 7
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrSampling. 7. Vorlesung
Sampling 7. Vorlesung Photorealistische Computergrafik Thorsten Grosch Einleitung Bisher Lösung der Rendering Equation durch das Radiosity Verfahren mit den Vereinfachungen Heute Diskretisierung der Geometrie
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
Mehrf(x nk ) = lim y nk ) = lim Bemerkung 2.14 Der Satz stimmt nicht mehr, wenn D nicht abgeschlossen oder nicht beschränkt ist, wie man z.b.
Proposition.13 Sei f : D R stetig und D = [a, b] R. Dann ist f(d) beschränkt. Außerdem nimmt f sein Maximum und Minimum auf D an, d.h. es gibt x max D und ein x min D, so dass f(x max ) = sup f(d) und
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 4 12.03.2008 1 Aufgabe 4.1 Die monatliche Aufwendung X [CHF] für den Wasserverbrauch einschliesslich h der Abwassergebühren eines 2 Personenhaushalts seien
Mehr2 Zufallsvariablen und deren Verteilungen
2 Zufallsvariablen und deren Verteilungen 2.1 Zufallsvariablen Zufallsvariablen sind Funktionen von Ω in die reellen Zahlen R. Beispiel 2.1.1 (Zweimaliger Münzwurf). Ω = ZZ, KK, KZ, ZK}. Sei X(ω) die Anzahl
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrGeometrie in der Ebene und im Raum
KAPITEL Geometrie in der Ebene und im Raum. Koordinaten Wir beschreiben nach einer Idee von René Descartes (596 650) jeden Punkt in der Ebene durch ein Paar reeller Zahlen. Die Menge der Paare reeller
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
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
MehrSumme von Zufallsvariablen
Summe von Zufallsvariablen Gegeben sind die unabhängigen, gleichverteilten Zufallsvariablen X und Y mit den Wahrscheinlichkeitsdichten f() und g(). { für f() = g() = sonst Wir interessieren uns für die
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
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
MehrÜbung 7. Aufgabe 1. H* Der kritsche Punkt ist also, nachdem man die partiellen Ableitungen 0 gesetzt hat: H0. H* Es ergibt sich die Hesse-Matrix:
Übung 7 H* Muster von Tom Quaas, Tom Schilling, u.a., leicht bearbeitet von WQ Aufgabe f @x_, y_d = x ^ y ^ 3 x y3 Plot3D@x ^ y ^ 3, 8x, 3, 3
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
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........................
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrApproximation der Binomialverteilung durch die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 4.0.007 Approimation der Binomialverteilung durch die Normalverteilung Histogramme von Binomialverteilungen sind für nicht zu kleine n glockenförmig. Mit größer
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte,, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 3 4 5 6 P
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
Mehr52 Andreas Gathmann. =: f + (z)
52 Andreas Gathmann 9. Laurent-Reihen In den letten beiden Kapiteln haben wir gesehen, dass sich holomorphe Funktionen lokal um jeden Punkt 0 in eine Potenreihe a n( 0 n entwickeln lassen, und daraus viele
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,
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie 8 Termin: 1. Juni 2007 Aufgabe
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrEinführung in die Simulation. Dr. Christoph Laroque Wintersemester 11/12. Dresden,
Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Einführung in die Simulation Dr. Christoph Laroque Wintersemester 11/12 Dresden, 11.10.2011 01.11.2011 Einführung
Mehr3. STOCHASTISCHE PROZESSE 73
3. STOCHASTISCHE PROZESSE 73 3. Stochastische Prozesse 3.1. Grundlegende Begriffe bei zufälligen Prozessen. In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
MehrSpezielle Eigenschaften der Binomialverteilung
Spezielle Eigenschaften der Binomialverteilung Wir unterscheiden: 1) die Wahrscheinlichkeitsfunktion einer diskreten Variablen 2) die Verteilungsfunktion einer diskreten Variablen. 1) Die Wahrscheinlichkeitsfunktion
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrReduSoft Ltd. Kurzbeschreibungen zu einigen Modulen, die im Programm
ReduSoft Ltd. www.redusoft.de Kurzbeschreibungen zu einigen Modulen, die im Programm MathProf 5.0 unter dem Themenbereich Stochastik implementiert sind. Urnenmodell Das Modul Urnenmodell ermöglicht die
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
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
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
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:
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
Mehr03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
MehrK A N T O N S S C H U L E I M L E E MATHEMATIK. Grafiktaschenrechner ohne CAS, beliebige Formelsammlung
K A N T O N S S C H U L E I M L E E W I N T E R T H U R MATURITÄTSPRÜFUNGEN 06 Klasse: 4g Profil: MN Lehrperson: Rolf Kleiner MATHEMATIK Zeit: 3 Stunden Erlaubte Hilfsmittel: Grafiktaschenrechner ohne
Mehr