Statistik und Wahrscheinlichkeitsrechnung
|
|
- Dirk Winkler
- vor 7 Jahren
- Abrufe
Transkript
1 Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler
2 Der zentrale Grenzwertsatz Normalverteilung Die Wahrscheinlichkeitsdichteverteilung der Summe von Zufalls variablen konvergiert zu einer Normalverteilung wenn deren Anzahl gross wird
3 Weitere Verteilungstypen Statistik und Wahrscheinlichkeitsrechnung Alle mit Mittelwert 60, Standardabweichung 40! Lognormal: f X 2 ln ( x) λ ( x) = exp xζ 2π 2 ζ F X ( x) =Φ ln ( x) λ ζ 0 x λζ, > 0 ζ μ = exp λ p( ( ζ ) σ = μ exp ζ
4 Weitere Verteilungstypen Statistik und Wahrscheinlichkeitsrechnung Alle mit Mittelwert 60, Standardabweichung 40! Gamma: λ λ k f ( x) = exp x X ( x) Γ( k ) ( λ ) ( λ ) Γ( k ) Γ k, x t F ( x) =, Γ ( k, t) = exp k ( u) u du X 0 x 0 k 0 λ > 0 k μ = λ k σ = λ
5 Weitere Verteilungstypen Statistik und Wahrscheinlichkeitsrechnung Alle mit Mittelwert 60, Standardabweichung 40! Gleich: a+ b μ = x a a x b 2 f ( x) = F ( x) = X b a X b a b a ab, σ =
6 Weitere Verteilungstypen Statistik und Wahrscheinlichkeitsrechnung Alle mit Mittelwert 60, Standardabweichung 40! Beta: Γ ( r+ t) ( x a) r ( b x) t ( r t) u ( x a) r ( b x) t a x b Γ + f ( x) = F ( x) = du X Γ() r Γ() t ( b a) r+ t X ab, 0 Γ() r Γ() t ( b a) r+ t a rt, > 0 r μ = a+ ( b a) r + t b a rt σ = r + t r + t
7 Weitere Verteilungstypen Statistik und Wahrscheinlichkeitsrechnung Alle mit Mittelwert 60, Standardabweichung < 40! Beta: Γ ( r+ t) ( x a) r ( b x) t ( r t) u ( x a) r ( b x) t a x b Γ + f ( x) = F ( x) = du X Γ() r Γ() t ( b a) r+ t X ab, 0 Γ() r Γ() t ( b a) r+ t a rt, > 0 r μ = a+ ( b a) r + t b a rt σ = r + t r + t
8 Weitere Verteilungstypen Statistik und Wahrscheinlichkeitsrechnung Alle mit Mittelwert 60, Standardabweichung 40!
9 Bernoulli Versuch und Binomialverteilung Eine Reihe Rih von Experimenten mit nur zwei möglichen ölih und exklusiven Ereignissen nennt man einen Bernoulli Versuch. Typischerweise nennt man die Ereignisse eines Bernoulliversuches Erfolg und Versagen. Zum Beispiel: Autos auf einer Strasse; Abbiegen: Versagen, Wahrscheinlichkeit p Gerade: Erfolg, Wahrscheinlichkeit p Was ist die Wahrscheinlichkeit, dass von fünf Autos zwei abbiegen? Wahrscheinlichkeit, dass keines (von 5) abbiegt: PY [ = 0 ] = ( p )( p )... ( p ) = ( p ) 5 Wahrscheinlichkeit das zwei (von 5) abbiegen: 2 [ = 2] = ( ) 5 2 PY k p p Binomialverteilung: y p ( y) = p ( p) Y n y n y k = Anzahl Möglichkeiten 2 aus 5
10 Bernoulli Versuch und Binomialverteilung Zum Beispiel: Bi il Autos auf einer Strasse; Wahrscheinlichkeit Abbiegen p = 0.3 Gesucht Wahrscheinlichkeitsdichte für 2 aus 5 biegen ab. n y n y Binomialverteilung: py ( y) = p ( p) y 5 2 p ( 2) 0.3 ( 0.3) 5 2 Y = =
11 Bernoulli Versuch und Binomialverteilung Zum Beispiel: Bi il Autos auf einer Strasse; Wahrscheinlichkeit Abbiegen p = 0.3 y Binomialverteilung: p ( y) = p ( p) Y n y n y p= 0.3; n=
12 Bernoulli Versuch und Binomialverteilung Zum Beispiel: Bi il Autos auf einer Strasse; Wahrscheinlichkeit Abbiegen p = 0.3 y Binomialverteilung: p ( y) = p ( p) Y n y n y Momente: E [ Y] = np Var [ Y ] = np( p) p= 0.3; n=
13 Bernoulli Versuch geometrische Verteilung Zum Beispiel: Bi il Autos auf einer Strasse; Wahrscheinlichkeit Abbiegen p = 0.3 Die Wahrscheinlichkeit, dass das n te Auto abbiegt: n () Bis zum n ten Auto ist noch keines abgebogen: ( p ) (2) Das n te Auto biegt ab: p Geometrische Verteilung: p N ( n) = p( Momente: p p) n p E [ N ] = Var [ N ] = 2 p
14 Inhalt der heutigen Vorlesung Zufallsprozesse Statistik und Wahrscheinlichkeitsrechnung Poissonprozess Exponentialverteilung, Gammaverteilung Normalprozess Stationarität und Ergodizität Zusammenfassung der bisherigen Vorlesung
15 Zufallsvariablen und Zufallsprozesse Wir haben hb Zufallsvariablen eingeführt um zufällige bzw. unsichere ih Ereignisse i abzubilden, z.b. Eigenschaften von Objekten, Autos welche abbiegen usw. Wenn wir Ereignisse über die Zeit betrachten sprechen wir von Zufallsprozessen. Mit Hilfe von Modellen für Zufallsprozesse können wir die Wahrscheinlichkeit von zufälligen Ereignissen in der Zukunft abschätzen. Bi Beispiele: il Erdbeben mit einer Wiederkehrperiode von 475 Jahren 00 jähriges Hochwasser Maximale Lasten während der Lebensdauer eines Bauwerks
16 Zufallsvariablen und Zufallsprozesse Für viele Ingenieurfragen müssen wir die zufälligen fll Schwankungen über die Zeit spezifischer erfassen können: Hochwasserereignis (diskret) Das zufällige Eintreten von Ereignissen zu diskreten Zeitpunkten (Unfälle, Steinschlag, Erdbeben, Stau, Versagen, usw.) Poissonprozess, Exponentialverteilung, Gammaverteilung Die zufälligen Ausprägungen von Ereignissen, welche kontinuierlich über die Zeit eintreten (Winddruck, Wellendruck, Temperaturen, usw.) Kontinuierliche zufällige Prozesse (Normalprozess) Belastungsschwankungen aufgrund Wellen (kontinuierlich)
17 Zufallsvariablen und Zufallsprozesse Was wir heute näher bt betrachten wollen: Zufallssequenzen: Poissonprozess Wartezeit zwischen zwei Ereignissen: Exponentialverteilung, Gammaverteilung Kontinuierliche Zufallsprozesse: Normalprozess Kriterien für das Extrapolieren von Extremen: Stationarität und Ergodizität
18 Poissonverteilung Poissonprozess Ein Bernoulli Versuch lässt sich ihmit der Binomialverteilung i il beschreiben. n y n y py ( y) = p ( p) y In praktischen Situationen ist es sehr oft der Fall, dass die Anzahl Versuche nicht bekannt ist. Es ist nur bekannt, dass die Anzahl sehr gross ist. Betrachten Sie Fliegen welche bei einer spätsommerlichen Autofahrt auf ihrer Windschutzscheibe aufprallen als zufällige Sequenz und als abstrakten Bernoulli Versuch. Es ist klar, dass wir hier weder die Anzahl Versuche, noch die Aufprallwahrscheinlichkeit ausdrücken können. Betrachten wir einen bestimmten Zeitraum, etwa eine Sekunde, und stellen uns vor, dass Sekunde Autofahren einem Versuch entspricht (eine Stunde entspräche also 3600 Versuchen). Die Wahrscheinlichkeit p ist nun die Wahrscheinlichkeit, dass in einer Sk Sekunde eine Fliege an der Windschutzscheibe h ib aufprallt. Wenn wir p wissen, können wir die Binomialverteilung anwenden
19 Poissonverteilung Poissonprozess Was sind ddie Bedingungen: Die Rahmenbedingungen können für die gesamte Betrachtungsperiode konstant angenommen werden. Die Wahrscheinlichkeit, dass mehr als eine Fliege pro Sekunde anprallen ist sehr, sehr klein. Die zweite Bedingung kann entschärft werden, wenn wir die Anzahl Versuche vergrössern, bzw. den Zeitraum verkleinern. n p 0 np = u const. p = u / n n y n y im Limit py ( y) = ( v/ n) ( ( v/ n) n y p X ( x) x u ue x! y u ue y! = Poissonverteilung
20 Poissonverteilung Poissonprozess Poissonverteilung: px ( x) = x ue x! u Momente: E[ X] = u Var[ X ] = u Nh Nehmen wir an Fliegen prallen mit u = 0 pro Minute auf
21 Poissonverteilung Poissonprozess Wie sieht es für 0 Minuten aus: 3 pro Minute > 30 pro 0 Minuten u ist skalierbar über die Zeit: u = vt Poissonverteilung: p ( x) X ( vt) x u ue e = = x! x! x vt E[ X] = u = vt x x [ ] Var X = u = vt Die Abfolge von Ereignissen welche sich mit einer Poissonverteilung beschreiben lassen nennt man Poissonprozess
22 Poissonverteilung Poissonprozess Ein Poissonprozess unterliegt folgenden Annahmen: Stationärität: Die Wahrscheinlichkeit eines Ereignisses in einem beliebigen kleinen Zeitintervall [ tt, + h[ ist vh für alle t. Die Wahrscheinlichkeit von zwei oder mehr Ereignissen in einem kleinen Intervall sind vernachlässigbar klein. Die auftretenden t Ereignisse i sind voneinander unabhängig
23 Poissonprozess Exponentialverteilung Die Wahrscheinlichkeit von keinem Ereignis in einem gegebenen Zeitintervall (0,t[ ist sehr oft von Interesse in Ingenieurproblemen. Kein ernsthafter Sturm in 0 Jahren. Kein Strukturversagen in 00 Jahren. Kein Erdbeben nächstes Jahr. Diese Wahrscheinlichkeit wird folgendermassen erhalten: Die Wahrscheinlichkeit von keinem Ereignis in Abhängigkeit gg von t. Poissonverteilung: p ( 0) X ( vt) 0 vt e = = e 0! Die Wahrscheinlichkeit von einem Ereignis in Abhängigkeit von t. ( ) ( ) vt F t = p 0, t = e T X vt Exponentialverteilung
24 Poissonprozess Exponentialverteilung Exponentialverteilung: Die Wahrscheinlichkeit von einem Ereignis in Abhängigkeit von (der Wartezeit) t. F t = e T ( ) vt f ( t) = ν exp( ν t) T ft () t ν = F () t T f T () t F () t T
25 Zufallssequenzen: Exponentialverteilung Die Exponentialverteilung t il wird idoft benutzt, t um Wartezeiten zu modellieren: Zeit bis zu einem Versagen Zitbi Zeit biszumnächsten äht Edb Erdbebenb Zeit bis zum nächsten Unfall f ( t) = ν exp( ν t) T Der Erwartungswert und die Varianz einer exponentiell illverteilten Zufallsvariable fll ibl T sind gegeben als: ET [ ] = VarT [ ] = / ν
26 Zufallssequenzen: Gammaverteilung Oft ist auch die Zeit T bis zum n ten Ereignis von Interesse im Ingenieurwesen: Überschwemmungsereignisse Eintreffen von Fahrzeugen an einer Strassenkreuzung Zeit bis zu notwendigen Unterhaltsarbeiten Wenn T i, i2 i=,2,..n unabhängige, exponential verteilte tilt Wartezeiten sind, dann folgt ihre Summe T T = T + T Tn + Tn einer Gammaverteilung f T () t ν ν = ( n-) ( t) exp( νt) ( n )! Diese folgt aus der wiederholten Anwendung des Resultats der Verteilung der Summe aus zwei Zufallsvariablen
27 Zufallssequenzen: Gammaverteilung Wahrscheinlichkeitsdichtefunktion der Gammaverteilung f T () t ν = n= n= Exponential Gamma t
28 Kleine Denkaufgabe 7 7. Sie dürfen als Gewinner einer TV Quizsendung zwischen 3 verschlossenen Türen wählen. Hinter einer der Türen befindet sich der Hauptgewinn, hinter den anderen beiden Türen sind Nieten versteckt. Sie haben nun eine der Türen gewählt, diese bleibt aber verschlossen. Um die Sache für die Zuschauer spannend zu machen öffnet der Quizmaster eine der anderen beiden Türen hinter ihr befindet sich eine Niete. Sie bekommen nun nochmals die Möglichkeit sich um zu entscheiden. Was ist die beste Strategie? wechseln erste Wahl egal
29 Kleine Denkaufgabe 7 7. Lösung Was ist die beste Strategie? Wechseln Wechseln Sie das Tor, erhöht sich die Wahrscheinlichkeit, das Tor mit dem Gewinn gewählt zu haben, von /3 auf 2/3! Erklärung : Nachdem Sie ein Tor gewählt haben, besteht eine Wahrscheinlichkeit von /3, dass dort der Preis ist. Die Wahrscheinlichkeit, dass sich der Preis hinter einem der anderen beiden Tore befindet beträgt 2/3.
30 Kleine Denkaufgabe 7 7. Lösung Was ist die beste Strategie? Wechseln Wechseln Sie das Tor, erhöht sich die Wahrscheinlichkeit, das Tor mit dem Gewinn gewählt zu haben, von /3 auf 2/3! Erklärung 2: Gedankenexperiment mit00türen Türen.
31 Kleine Denkaufgabe 7 7. Lösung Was ist die beste Strategie? Wechseln Wechseln Sie das Tor, erhöht sich die Wahrscheinlichkeit, das Tor mit dem Gewinn gewählt zu haben, von /3 auf 2/3! Erklärung 3: Satzvon Bayes Es sind die Ereignisse definiert: M A : Der Moderator hat das Tor A geöffnet G A : Der Gewinn ist im Tor A analog für die Indizes B und C Tor A gewählt, Moderator öffnet Tor B. P( M ) ( ) B GC P G C 2 P( G ) 3 C MB = = = P( M ) ( ) ( ) ( ) ( ) ( ) B GA P GA + P MB GB P GB + P MB GC P GC
32 Kleine Denkaufgabe 7 7. Lösung Was ist die beste Strategie? Wechseln Wechseln Sie das Tor, erhöht sich die Wahrscheinlichkeit, das Tor mit dem Gewinn gewählt zu haben, von /3 auf 2/3! Erklärung 4: Ereignisbaum
33 Zusammenfassung des Vorlesungsinhaltes
34 Warum Statistik und Wahrscheinlichkeits rechnung im Ingenieurwesen? Entscheidungsprobleme betreffen Zustände der realen Umwelt: Mögliche Einflussgrössen bezüglich Gewicht Beton Stahl Boden Wasser Wind Steine Verkehr Schnee Temperatur Beschreibung der Phänomene durch Modelle Physik Chemie Mathematik
35 Modellierung von Risiken Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Konsequenzen von Ereignissen Risiken Entscheidungsfindung
36 Beschreiben von Datenmengen
37 Beschreiben von Datenmengen Mittelwerte: Arithmetisches Mittel: Median: Modalwert: Streuungsmasse: Varianz / Standardabweichung: Variationskoeffizient : Andere Masse: Schiefekoeffizient: Kurtosis: Schwerpunkt der Stichprobe mittlerer Wert einer Stichprobe am häufigsten vorkommender Wert Verteilung um den Mittelwert Variabilität relativ zum Mittelwert Schiefe relativ zum Mittelwert Wölbung um den Mittelwert Masse für Korrelation: Kovarianz: Tendenz für paarweise beobachtete Eigenschaften Korrelationskoeffizient : Normalisierter Koeffizient zwischen und
38 Beschreiben von Datenmengen Ein dimensionales Streudiagramm Zwei dimensionales Streudiagramm Histogramm Quantil Plot Tukey Boxplot Q Q Plot Mittel über Differenz Plot Veranschaulicht den Bereich und die Verteilung von Datenreihen entlang einer Achse, und zeigt Symmetrie. Veranschaulicht den paarweisen Zusammenhang von Daten. Stellt die Verteilung von Daten über einem Bereich von Datenreihen dar, zeigt Modalwert und Symmetrie. Stellt Median, Verteilung und Symmetrie dar. Stellt Median, obere/untere Quartile, Symmetrie und Verteilung dar. Vergleicht zwei Datenreihen, relatives Bild. Vergleichtzwei Datenreihen, relativesbild Bild
39 Beschreiben von Datenmengen Ein dimensionales Streudiagramm Veranschaulicht den Bereich und die Verteilung von Datenreihen entlang einer Achse, und zeigt Symmetrie. Mittelwert =
40 Beschreiben von Datenmengen Zwei dimensionales Streudiagramm Veranschaulicht den paarweisen Zusammenhang von Daten
41 Beschreiben von Datenmengen Histogramm Stellt die Verteilung von Daten über einem Bereich von Datenreihen dar, zeigt Modalwert und Symmetrie
42 Beschreiben von Datenmengen Quantile Plot Tukey Boxplot Stellt Median, Verteilung und Symmetrie dar. Stellt Median, obere/untere Quartile, Symmetrie und Verteilung dar. Box Plot Durchbiegung gen grosse Klammern kleine Klammern
43 Mengenlehre Der Ereignisraum und die Ereignisse können mit Venn Diagrammen dargestellt werden: Ereignis Ω Ein Ereignis ist eine Untermenge des Ereignisraumes. Wenn die Untermenge leer ist, ist das Ereignis unmöglich. Wenn die Untermenge alle möglichen Beobachtungen enthält, ist das Ereignis sicher
44 Mengenlehre Aus den Kommutativ, dem Assoziativ und dem Distributivgesetz können die De Morgan s Gesetze abgeleitet werden: E E = E E 2 2 E ( E E ) = ( E E ) E E E = E E E ( E E ) = ( E E ) E E E2 = E E E ( E E ) = ( E E ) ( E E ) E ( E E ) = ( E E ) ( E E )
45 Interpretationen von Wahrscheinlichkeit Prinzipiell gibt es drei Interpretationen von Wahrscheinlichkeit: - Frequentistisch P ( A ) lim für n exp N A = n exp - Klassisch P ( A) = n A n tot - Bayes PA ( ) = Grad der persönlichen Überzeugung, dass das Ereignis A eintreten wird
46 Die drei Axiome der Wahrscheinlichkeitstheorie Die Wahrscheinlichkeitstheorie baut auf den drei Axiomen von Kolmogorov auf: Aiom 0 PE Axiom : ( ) Axiom 2: P( Ω ) = Axiom 3: n i = i= P E P( Ei) i= n wenn E, E 2, E n sich gegenseitig ausschliessen
47 Bedingte Wahrscheinlichkeit und Satz von Bayes Sei der Ereignisraum Ω aufgeteilt in n sich gegenseitig ausschliessende Ereignisse E, E 2,, E n ( ) ( ) ( )... ( ) PA= PA E + PA E + + PA E = 2 n ( ) ( ) ( ) ( )... ( ) ( ) PAE PE + PAE PE + + PAE PE = 2 2 n n Satz der totalen Wahrscheinlichkeit ( ) i= 47 n PAE PE ( ) i i
48 Bedingte Wahrscheinlichkeit und Satz von Bayes Aus P( A E) = PAE ( ) PE ( ) = PE ( APA ) ( ) i i i i Likelihood Prior folgt PE ( A) i PAE ( i) PE ( i) PAE ( i) PE ( i) = = n PA ( ) PAE ( ) PE ( ) i= i i Posterior Bayes Rule Reverend Thomas Bayes ( )
49 Unsicherheiten bei Problemen im Ingenieurwesen Verschieden Typen von Unsicherheiten h i beeinflussen die Entscheidungsfindung. Unsicherheiten infolge natürlicher Variabilität (Zufall) Aleatorische Unsicherheit h i Unsicherheiten infolge von unvollständigem Wissen Epistemische Unsicherheit
50 Zufallsvariablen Wahrscheinlichkeitsdichte und kumulative Verteilungsfunktionen Die Wahrscheinlichkeit, dass die Realisation einer diskreten Zufallsvariablen X kleiner als x ist wird durch die kumulative Verteilungsfunktion beschrieben P ( x) = p ( x ) x X X i x < x i Die Wahrscheinlichkeitsdichtefunktion für eine diskrete Zufallsvariable ist definiert durch: x p ( x ) = P ( X = x ) p X i i P x (x) p x (x) Summe muss ergeben A B
51 Zufallsvariablen Wahrscheinlichkeitsdichte und kumulative Verteilungsfunktionen Die Wahrscheinlichkeit, dass die Realisation einer kontinuierlichen Zufallsvariablen X kleiner als x ist wird durch die kumulative Verteilungsfunktion beschrieben F x = P X < x x X ( ) ( ) Die Wahrscheinlichkeitsdichtefunktion für eine kontinuierliche Zufallsvariable ist definiert durch: f X x ( ) F () X x x = x Fx (x) fx (x) Integral muss ergeben A B
52 Zufallsvariablen Momente der Zufallsvariablen und der Erwartungswertoperator Wahrscheinlichkeitsverteilungen (Wahrscheinlichkeitsdichte und kumulative Verteilungsfunktionen) können durch ihre Parameter oder ihre Momente beschrieben werden. F X ( x, p) ( x, p) f X Parameter Die Parameter können zu den Momenten in Beziehung gesetzt werden und umgekehrt
53 Zufallsvariablen Momente der Zufallsvariablen und der Erwartungswertoperator Das i te Moment m i einer diskreten Zufallsvariable X ist definiert durch: n j= i m = i x j p X ( x j ) Der Erwartungswert E[X] einer diskretenzufallsvariable X entspricht dem ersten Moment und ist definiert durch: μ [ ] X j X j j= n = = E X x p ( x )
54 Zufallsvariablen Momente der Zufallsvariablen und der Erwartungswertoperator Das i te Moment m i einer kontinuierlichen Zufallsvariable X ist definiert durch: i m = i x f X ( x ) dx Der Erwartungswert E[X] einer kontinuierlichen Zufallsvariable X ist entsprechend dem ersten Moment definiert durch: μ X [ ] ( ) = E X = x fx x dx
55 Werkzeuge zur Modellierung von Unsicherheiten Erwartungswert Varianz Multivariate Verteilungen ( ) = ( ) F x P X x X x X X x 2 2 n n [ c ] = c [ ] = ce[ X ] [ a + bx ] = a + be[ X ] [ g ( X ) + g ( X )] = E[ g ( X )] E[ g ( X )] E c = E cx E E [ ] = ( μ ) Var X E X μx 2 2 = E X + μx 2μXX + E X 2μ E [ X ] 2 2 = μx = μx + E X 2μX = E X μx p(x, y) y 20 X x
56 Werkzeuge zur Modellierung von Unsicherheiten Eigenschaften des Erwartungswertoperators Anhand ddesdes Ergebnisses [ ] Var X = E ( X μx) = E X + μx 2μXX = E X μx ist erkennbar, dass grundsätzlich gilt: E [ g( X) ] g( E[ X]) für konvexe / konkave Funktionen JENSEN'S Ungleichheit!! Gleichheit i gilt ausschließlich h für lineare Funktionen!
57 Werkzeuge zur Modellierung von Unsicherheiten Die kumulative Verteilungsfunktion für die Summe zweier Zufallsvariablen Vorausgesetzt, die Summe ist Y X + X 2 und = X X2 Somit können wir zuerst die Dichtefunktion für bestimmen, unter der Annahme, dass X gegeben gg ist, z.b. durch f X 2 X ( x 2 x Wir erhalten: ) = f f ( x, x ), 2 Y = x + X 2,X ( x,x ) 2 f ( yx f ( x ) ) = f ( y x 2 x) YX X X X 2 X f ( yx, ) = f ( y x x ) f ( x ) = f ( y x, x ) YX, X X X X, X
58 Werkzeuge zur Modellierung von Unsicherheiten Die kumulative Verteilungsfunktion für Funktionen von Zufallsvariablen Falls g() x monoton fallend ist, kann die Realisation von Y nur dann kleiner als y 0 sein, wenn die Realisation von X größer als x 0 iti ist. In diesem Fll Fall muss das Vorzeichen vertauscht werden: man erhält: F ( y) = F ( g ( y)) Y X x fy( y) = fx( x) y Grundsätzlich folgt daraus für monoton ansteigende oder fallende Funktionen: x x fy( y) = fx( x) y
59 Werkzeuge zur Modellierung von Unsicherheiten Die kumulative Verteilungsfunktion für Funktionen von Zufallsvariablen Falls die Elemente eines Zufallsvektors Y= ( YY, 2,.. Y) T n als eineindeutige Darstellung der monoton steigenden oder fallenden Funktionen g i, i=,2,.. n der Elemente des Zufallsvektors X= (,,.. ) T angenommen werden können, Y i = g ( X ) i X X2 X n ergibt sich: fy() y = J fx() x x x... y yn Mit J als Betrag der Determinante von J = xn xn... y n
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 26.02.2008 1 Warum Statistik und Wahrscheinlichkeits rechnung im Ingenieurwesen? Zusammenfassung der letzten Vorlesung Statistik und Wahrscheinlichkeitsrechnung
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 2. Vorlesung Dr. Jochen Köhler 25.02.2011 1 Inhalt der heutigen Vorlesung Risiko und Motivation für Risikobeurteilungen Übersicht über die Wahrscheinlichkeitstheorie
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
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:
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrStatistik und Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Im ersten Schritt werden wir die Daten nur beschreiben:
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
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
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
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
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)
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
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........................
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrRechnernutzung in der Physik
Rechnernutzung in der Physik Teil 3 Statistische Methoden in der Datenanalyse Roger Wolf 15. Dezember 215 INSTITUTE OF EXPERIMENTAL PARTICLE PHYSICS (IEKP) PHYSICS FACULTY KIT University of the State of
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
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............................
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
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. 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
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrSpezielle Verteilungen
Spezielle Verteilungen Prof. Sabine Attinger Jun. Prof. Anke Hildebrandt Beschreibende Statistik Lagemaße: 1. Mittelwert: µ = x = 1 n n i= 1 x i 3. Median=0.5 Perzentil Beschreibende Statistik Streumaße:
MehrStatistische Grundlagen
Statistische Grundlagen 2 2.1 Motivation Dieses Kapitel gibt eine kurze Übersicht über die im weiteren Verlauf des Buches benötigten mathematischen und statistischen Grundlagen. Zu Beginn wird der Begriff
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
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
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS tfü. Springer Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R 3 1.1 Installieren und Starten von R 3 1.2 R-Befehle
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
MehrWahrscheinlichkeitstheorie 2
Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Oktober 2007 1. Statistik Wir denken an Experimente, bei deren Durchführung die Variable X, um die es dabei geht, verschiedene Werte annehmen
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
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
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
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........................
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
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
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrInhaltsverzeichnis. Vorwort 13. Teil I Beschreibende Statistik 17. Kapitel 1 Statistische Merkmale und Variablen 19
Inhaltsverzeichnis Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten 19 1.2 Merkmale und Merkmalsausprägungen
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
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrTeil / Ein paar statistische Grundlagen 25. Kapitel 1 Was Statistik ist und Warum sie benötigt Wird 2 7
Inhaltsverzeichnis Einführung 21 Über dieses Buch 21 Törichte Annahmen über den Leser 22 Wie dieses Buch aufgebaut ist 23 Teil I: Ein paar statistische Grundlagen 23 Teil II: Die beschreibende Statistik
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrDie mit * gekennzeichneten Abschnitte beinhalten Themen, die über die Anforderungen des Gegenstandskatalogs hinausgehen.
Die mit * gekennzeichneten Abschnitte beinhalten Themen, die über die Anforderungen des Gegenstandskatalogs hinausgehen. 1 Einleitung...1 1.1 Die Bedeutung der Statistik für die Medizin...1 1.2 Die medizinische
MehrFormelsammlung: Statistik und Wahrscheinlichkeitstheorie
Formelsammlung: Statistik und Wahrscheinlichkeitstheorie Kapitel 1: Deskriptive und explorative Statistik Empirische Verteilungsfkt (S15): Quantile (S24): Bei Typ7 1.Pkt = 0 Danach 1/(n-1) Median (S24):
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrÜberblick. Überblick. Bayessche Entscheidungsregel. A-posteriori-Wahrscheinlichkeit (Beispiel) Wiederholung: Bayes-Klassifikator
Überblick Grundlagen Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrInhaltsverzeichnis. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Inhaltsverzeichnis Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - Anwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch):
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrDeskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
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 Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
Mehr