Diskrete Zufallsvariablen
|
|
- Leopold Mann
- vor 7 Jahren
- Abrufe
Transkript
1 Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( ) p, 0, 0, sost besitzt. Bedeutug? Beispiel? Bemerkug Bei eiem Zufallsvorgag oft vo Iteresse ob ei Ereigis A eitritt oder icht Kodierug durch Beroulli-Variable Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 407
2 Diskrete Zufallsvariable Diskrete Gleichverteilug Eie diskrete Zufallsvariable heißt gleichverteilt auf dem Träger T { a, a, K, a }, k falls sie die Wahrscheilichkeitsfuktio f, k ( ) ( a ),, K k besitzt. Bedeutug? Beispiel? Geometrische Verteilug Eie diskrete Zufallsvariable heißt geometrisch verteilt mit arameter p, kurz ~ G(p), falls sie die Wahrscheilichkeitsfuktio f ( ) ( ) ( p) p, 0, sost,, K, besitzt. Wie lautet die Summe aller Wahrscheilichkeite? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 408
3 Modell der geometrische Verteilug Diskrete Zufallsvariable Bei eiem Zufallsvorgag sei ur vo Iteresse, ob ei bestimmtes Ereigis A eitritt oder icht, wobei (A) p mit 0 < p <. Der Zufallsvorgag wird u uabhägig voeiader so oft wiederholt, bis zum erste Mal A eitritt. Defiiere Zufallsvariable Azahl der Versuche bis zum erste Mal A eitritt! Gelegetlich auch alterative Defiitio: Azahl der Fehlerversuche bis zum erste Mal A eitritt ( ) ( A ) p, ( ) ( A A ) ( A) ( A) ( A) A ( 3) ( A A A ) ( A) ( A) ( A) ( A) Warum geht das? ( ) ( ) ( p), ( ) ( A) ( p), p 3 p M k A K A A A K k ( ) ( ) ( ) ( A) ( A) ( p). k k p Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 409
4 Diskrete Zufallsvariable Geometrische Verteilug mit p 0. Geometrische Verteilug mit p 0.5 Träger? Awedugsmöglichkeite: Lebesdauer- ud Wartezeitmodelle Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 40
5 Diskrete Zufallsvariable Uabhägigkeit vo diskrete Zufallsvariable Zur Erierug: ostulat der empirische Uabhägigkeit zweier Merkmale (vgl. S. 4): f f i i f f i f fi für i,..., k ud,..., l Übertragug auf Zufallsvariable Uabhägigkeit vo zwei diskrete Zufallsvariable Zwei diskrete Zufallsvariable ud Y mit Träger T {,, a a K, ak,k} { b, b, K, b,k} T T heiße uabhägig, falls für beliebige Y l (, Y y) ( ) ( Y y) ud ud y TY gilt. Aalogie zur Uabhägigkeit vo zwei Ereigisse? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 4
6 Diskrete Zufallsvariable Bemerkug: Sid zwei Zufallsvariable ud Y gemäß dieser Defiitio uabhägig, so folgt sogar allgemeier die Uabhägigkeit vo zwei Ereigisse der Form { A } ud { Y B }, sid (vgl. S. 399). wobei A ud B zulässige Bereiche auf der Mege der reelle Zahle Beispiel: Zweimaliger Würfelwurf Augezahl im erste Wurf, Y Augezahl im zweite Wurf Klar: (, Y ) ( ) ( Y ) / / / 3. Es gilt aber auch (, Y ) ( ) ( Y ) / 3 / /8, (, Y ) (, Y ) + (, Y ) ( ) ( Y ) + ( ) ( Y ) [ ( ) + ( ) ] ( Y ) ( ) ( Y ). da Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 4
7 Diskrete Zufallsvariable Uabhägigkeit vo mehrere diskrete Zufallsvariable Die diskrete Zufallsvariable,,..., heiße uabhägig, falls für beliebige Werte,,..., aus de eweilige Träger (,,, ) ( ) ( ) K ( ) K gilt. Aalogie zur Uabhägigkeit vo mehrere Ereigisse? Bemerkug: Beachte: Aus der Uabhägigkeit gemäß dieser Defiitio lässt sich wiederum die Uabhägigkeit vo mehrere Ereigisse ableite. Beispiel: Dreimaliger Würfelwurf i Augezahl im i-te Wurf, i,, 3. Da gilt z.b.: (, ) ( ) ( ) / 3 / /8, da Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 43
8 Diskrete Zufallsvariable ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ,,,,, i i i i i i i i i i i i ( ) ( ) ( ) ( ) + Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 44 ( ) ( ) [ ] ( ) + ( ) ( ). ( ) ( ) ( ) ( ) + Uabhägige Zufallsvariable erzeuge uabhägige Ereigisse.
9 Berechug vo Lageparameter Berechug vo Erwartugswerte Diskrete Zufallsvariable Erwartugswert eier diskrete Zufallsvariable Der Erwartugswert E( ) E Astelle vo eier diskrete Zufallsvariable ist gegebe durch ( ) a p + K + a + ( ) ( ). k pk K a p a a a f a E( ) wird auch häufig das Symbol µ oder eifach µ verwedet. Aalogie i deskriptiver Statistik? Iterpretatio?! Erwartugswert ka bereits vor Ablauf des Zufallsvorgags berechet werde. Die Berechug beruht also icht auf vorliegede Date!! Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 45
10 Wie ist der Erwartugswert zu iterpretiere? 4
11 Was uterscheidet arithmetisches Mittel ud Erwartugswert? 47
12 Diskrete Zufallsvariable Beispiel: Würfelwurf Sei Augezahl beim eimalige Würfelwurf. E a p + K+ a p ( ) 3. 5 Ageomme, ei Würfel werde füfmal uabhägig voeiader geworfe. i Sei u die Augezahl beim i-te Würfelwurf für i,..., 5. Da sid die Zufallsvariable,, K stochastisch uabhägig ud idetisch, verteilt wie. Laute die Ergebisse der Zufallseperimete (Realisatioe) 4, 3, 3, 4 3, 5, so ergibt sich für das arithmetische Mittel der Realisatioe (Beobachtugswerte) 5 i i 3.. Was ist bei eier 000-malige Wiederholug des Eperimets zu erwarte? 5! Beachte: Zufallsvariable werde i.d.r. groß, Realisatioe klei geschriebe. Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 48
13 Diskrete Zufallsvariable Trasformatiosregel für Erwartugswerte Sei eie diskrete Zufallsvariable ud g() eie reelle Fuktio. Da gilt für Y g(): ( ) E g( ) E Y ( ) g( a ) p g( a ) f ( a ). Beispiel: Sei Augezahl beim eimalige Würfelwurf E ( ) Erwartugswert bei Lieartrasformatio Sei eie diskrete Zufallsvariable. Da gilt für Y a + b: ( Y ) a b E( ). E + Aalogie i deskriptiver Statistik? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 49
14 Diskrete Zufallsvariable Beachte: ( ) b p ( a + ba ) E Y a p + be p ( ) a + be( ) ap + b a p für b a +. ba Erwartugswert der Summe vo Zufallsvariable Für zwei diskrete Zufallsvariable ud Y gilt: Für diskrete Zufallsvariable ( + Y ) E( ) E( Y ). E +,,, K ud Kostate ( c + c + K+ c ) c E( ) + c E( ) + K c E( ). E + c, c, K, c gilt: Ohe formale Beweis Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 40
15 Diskrete Zufallsvariable roduktregel für uabhägige Zufallsvariable Für zwei uabhägige(!) diskrete Zufallsvariable ud Y gilt: ( Y ) E( ) E( Y ). E Ohe formale Beweis Beispiel: Beim zweimalige Würfel gilt für das rodukt der Augezahl ud Y E ( Y ) ( ) Wie würde Sie ohe roduktregel E Y bereche? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 4
16 Berechug vo Quatile Diskrete Zufallsvariable Quatile ud Media eier diskrete Zufallsvariable Sei eie diskrete Zufallsvariable mit Verteilugsfuktio F(). Da heißt q mit 0 <α < α α-quatil vo, falls F( q ) ( q ) α ud F( q ε ) < α α α Aalogie i deskriptiver Statistik? α für ε > 0. Iterpretatio? Für α 0.5 heißt q0. 5 Media. Beispiel: Eimaliger Würfelwurf a f ( a ) F( a ) / / / / / / / / 3/ 4/ 5/ Fortsetzug auf Folgeseite... Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 4
17 Diskrete Zufallsvariable Übug: Zeiche Sie die Verteilugsfuktio der diskrete Zufallsvariable, wobei Augesumme beim eimalige Würfelwurf. Bestimme Sie aschließed das 0.5-, das 0.5- ud das 0.75-Quatil vo. Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 43
18 Diskrete Zufallsvariable Aufgabe 48 Gegebe sei die Situatio des viermalige Müzwurfs (vgl. S. 395 ud 405). Die Zufallsvariable gebe die Azahl vo Zahl a. R F Der Erwartugswert vo ist gleich. Der Media vo ist gleich.5. Das 0.5-Quatil ist gleich.5. Das 0.75-Quatil ist gleich 3. Der Erwartugswert vo 3 ist gleich 8. Der Erwartugswert vo Y mit Y - 8 ist gleich 0. Würde die Müze 5 mal geworfe, so wäre der Erwartugswert für die Azahl vo Zahl gleich.5. Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 44
19 Berechug vo Streuugsparameter Diskrete Zufallsvariable Variaz ud Stadardabweichug eier diskrete Zufallsvariable Die Variaz Var( ) Var eier diskrete Zufallsvariable ist gegebe durch ( ) E( ) ( ) E ( µ ) µ Astelle vo Var( ) ( a µ ) f ( a ) a f ( a ) ( ) a f a. wird auch häufig das Symbol σ σ σ Die Stadardabweichug ist Var( ). oder eifach σ verwedet. Aalogie i deskriptiver Statistik? Iterpretatio? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 45
20 Diskrete Zufallsvariable Beachte: ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) µ µ µ µ µ µ µ µ E E E E E E E Die adere Gleichuge i der Defiitio folge aus de Recheregel für Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 4 Erwartugswerte. Beispiel: Würfelwurf ( ) ( ) µ E Var Sei Augezahl beim eimalige Würfelwurf.
21 Diskrete Zufallsvariable Ageomme, ei Würfel werde füfmal uabhägig voeiader geworfe. Sei u i die Augezahl beim i-te Würfelwurf für i,..., 5. Da sid die Zufallsvariable,, K stochastisch uabhägig ud idetisch verteilt wie. Laute die Ergebisse der Zufallseperimete (Realisatioe) 4, 3, 3, 4 3, 5, so ergibt sich für die (empirische) Variaz der Realisatioe (Beobachtugswerte) s 5 5 i i i, ( ) i Was ist bei eier 000-malige Wiederholug des Eperimets zu erwarte? Weitaus schwierigere Frage: Ageomme, der füfmalige Würfelwurf werde 000 mal wiederholt ud edes mal die empirische Variaz berechet. Würde das arithmetische Mittel der eizele Variaze da der Variaz vo (ahezu) etspreche? roblemfeld der schließede Statistik: Erwartugstreue Schätzug der arameter vo Verteiluge durch edliche Stichprobe. 5 Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 47
22 Diskrete Zufallsvariable Variaz bei Lieartrasformatio Sei eie diskrete Zufallsvariable. Da gilt für Y a + b: Var ( Y ) b Var( ) ud σ Y bσ. Beweis: Var( Y ) σy Var( a + b ) E ( a + b E( a + b )) E b ( µ ) b E µ b Var Aalogie i deskriptiver Statistik? ( ) E( a + b a bµ ) ) ( ) ( ) ) ( ) b σ Variaz der Summe vo uabhägige Zufallsvariable Für uabhägige diskrete Zufallsvariable ud Y bzw. ud mit beliebige Kostate ( + Y ) Var( ) Var( Y ) Var + c, c,, K,,, K ( c + c + K+ c ) c Var( ) + c Var( ) + K c Var( ). Var + c gilt: Ohe formale Beweis Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 48
23 Diskrete Zufallsvariable Übug: Bereche Sie die Variaz für, falls eier Beroulli-Verteilug geügt. Wahrscheilichkeitsfuktio der Beroulli-Verteilug f Var( ) ( ) ( ) p, p, 0,, 0, sost Für welche Wert vo p ist die Variaz vo maimal? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 49
24 Diskrete Zufallsvariable Aufgabe 49 Gegebe sei eie diskrete Zufallsvariable. Da gilt stets: R F Var( ) 0, falls E( ) 0, ( ) E( ) ( ), ( a ) Var ( ) ( ) Var( ). E µ Var + für ede beliebige Kostate a, Var Aufgabe 50 Gegebe sei die Situatio des viermalige Müzwurfs (vgl. S. 395 ud 405). Die Zufallsvariable gebe die Azahl vo Zahl a. R F Die Variaz vo ist gleich. Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 430
25 Diskrete Zufallsvariable Aufgabe 5 Für zwei uabhägige diskrete Zufallsvariable ud Y gilt stets: R F Seie ( Y ) Var( Y ), ( Y ) Var( ) Var( Y ), ( + Y ) 4Var( Y ). Var + Var Aufgabe 5 Var +,,, K E( ) µ ud ( ) i R F Var stochastisch uabhägig ud idetisch verteilt mit i E i µ i σ Var i i σ für i,...,. Da gilt: Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 43
26 Spezielle diskrete Verteilugsmodelle Diskrete Zufallsvariable Ziel: Lösug bestimmter roblemstelluge durch parametrische Verteiluge. arametrische Verteilug: Wahrscheilichkeitsfuktio wird durch eie oder mehrere arameter bestimmt, z.b. Beroulli-Verteilug ud Geometrische Verteilug (eweils eiparametrige Verteiluge mit arameter p) Biomialverteilug Uremodell: Aus eier Ure mit N Kugel, daruter M schwarze ud N-M weiße Kugel, werde Kugel mit Zurücklege gezoge. Die Zufallsvariable gebe gerade die Azahl der schwarze Kugel i der Stichprobe a. Wie sieht die Verteilug vo aus? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 43
27 Diskrete Zufallsvariable Realisatio köte z.b. so aussehe: Wie groß ist die Wahrscheilichkeit für dieses Ergebis? Wahrscheilichkeit für Ereigis A schwarze Kugel ist bei edem Zug p M/N /3. Die Wahrscheilichkeit für dieses spezielle Ergebis errechet sich da durch 4 ( A A A A ) ( A ) ( A ) ( A ) ( A ). Allerdigs folgt daraus icht ( ) 4 /8, da z.b. auch das Ergebis A A A A das Ereigis { } impliziert. 4 Nach kombiatorische Überleguge (vgl. S. 33) gibt es hier geau mögliche Ergebisse (Elemetarereigisse), die das Ereigis impliziere. 4 3 Damit gilt: ( ) { } Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 433
28 Biomialverteilug Diskrete Zufallsvariable Eie Zufallsvariable heißt biomialverteilt mit de arameter ud p, kurz ~ B(, p), we sie die Wahrscheilichkeitsfuktio f ( ) p ( p), 0,, K, 0, sost Bedeutug? besitzt. Die Verteilug heißt Biomialverteilug oder kurz B(, p)-verteilug. Biomialverteilug ud Beroulli-Verteilug Die B(, p)-verteilug etspricht gerade eier Beroulli-Verteilug mit arameter p. Sid,, K, stochastisch uabhägig B(, p)-verteilt, so ist die Summe i i B(, p)-verteilt. Damit folgt umittelbar: Sid ~ B(, p) ud Y ~ B(m, p) uabhägig, so ist + Y ~ B (+ m, p). Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 434
29 Diskrete Zufallsvariable Betrachte ochmals das vorige Uremodell. Das Ereigis A schwarze Kugel wird u mit der Zahl kodiert ud das Gegeereigis mit 0. Da ist beroulliverteilt mit arameter p /3, falls ur eimal gezoge wird. Da u aber mal uabhägig (mit Zurücklege) gezoge wird, etspricht gerade der Summe vo uabhägige Beroulli-Variable Erwartugswert ud Variaz der Biomialverteilug a) Falls ~ B(, p)-verteilt, so gilt: E( ) p, Var ( ) p ( p). b) Falls ~ B(, p)-verteilt, so gilt: E( ) p, Var ( ) p ( p). Beweis vo a) ist klar (vgl. auch Übug S. 49). Teil b) folgt aus dem Zusammehag vo Biomial- ud Beroulli-Verteilug. Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 435
30 Diskrete Zufallsvariable Beispiele :Wahrscheilichkeitsfuktioe der Biomialverteilug für 0 Schief oder symmetrisch? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 43
31 Diskrete Zufallsvariable Beispiele :Wahrscheilichkeitsfuktioe der Biomialverteilug für p 0. Bedeutug? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 437
32 Hypergeometrische Verteilug Diskrete Zufallsvariable Uremodell: Aus eier Ure mit N Kugel, daruter M schwarze ud N-M weiße Kugel, werde Kugel ohe Zurücklege gezoge. Die Zufallsvariable gebe gerade die Azahl der schwarze Kugel i der Stichprobe a. Wie sieht die Verteilug vo aus? Realisatio köte z.b. so aussehe: 3 5 Wie groß ist die Wahrscheilichkeit für dieses Ergebis? Klar: Die Ergebisse der eizele Züge sid icht mehr uabhägig voeiader. Weshalb? Was passiert, falls /N (Auswahlsatz) sehr klei ist? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 438
33 Diskrete Zufallsvariable Verteilug vo durch rei kombiatorische Überleguge ermittel Wir beachte folgede kombiatorische Fakte für das Ziehe ohe Zurücklege ud ohe Berücksichtigug der Aordug.. Es gibt geau 5 4. Es gibt geau 4 3. Es gibt geau Möglichkeite, 4 Kugel aus Kugel zu ziehe. Möglichkeit, aus de schwarze Kugel zu ziehe. Möglichkeite, aus de 4 weiße Kugel zu ziehe. Die Wahrscheilichkeit aus eier Ure mit 4 weiße ud schwarze Kugel i vier Züge geau schwarze ud weiße Kugel zu ziehe beträgt damit 4 5 ( ) Weshalb? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 439
34 Diskrete Zufallsvariable Hypergeometrische Verteilug Eie Zufallsvariable heißt hypergeometrisch verteilt mit de arameter, M ud N, kurz ~ H(, M, N), falls sie die Wahrscheilichkeitsfuktio f ( ) besitzt. Dabei ist M N M N 0,, T sost Bedeutug? T durch T { ma( 0, ( N M )), K, mi(, M ) } Was soll de das? gegebe. M M M N N N N N Es gilt: E( ), Var( ). Iterpretatio? Beweis? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 440
35 Diskrete Zufallsvariable oisso-verteilug Eie Zufallsvariable, die zählt, wie oft ei relativ seltees Ereigis i eiem feste, vorgegebee Zeititervall auftritt, ka oft als poissoverteilt ageomme werde. Ebeso erhält ma die oisso-verteilug als Grezverteilug der B(, p)-verteilug, falls p sehr klei ud sehr groß ist (vgl. Seite 443). oisso-verteilug Eie Zufallsvariable heißt poissoverteilt mit arameter λ > 0, kurz ~ o(λ), falls sie die Wahrscheilichkeitsfuktio f ( ) λ e! λ, 0, { 0,,, K } sost besitzt. Es gilt: E( ) λ, Var( ) λ. Bedeutug? Sid ~ o(λ ) ud Y ~ o(λ ) uabhägig, so ist + Y ~ o (λ +λ ). Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 44
36 Diskrete Zufallsvariable Beispiele :Wahrscheilichkeitsfuktioe der oisso-verteilug Bedeutug? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 44
37 Diskrete Zufallsvariable Verteilugskovergez der Biomialverteilug gege die oisso-verteilug Sei biomialverteilt mit arameter ud p. Für p λ gilt da: ( ) ( ) ( ) ( ).! p p + λ λ λ λ λ λ K Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 443 Damit folgt für festes ud festes λ für,, + λ ud. λ λ e Daraus folgt. ( ) λ λ e! für Bedeutug?
38 Diskrete Zufallsvariable Beispiel: Azahl vo Schadesmelduge bei eier Sachversicherug Die Wahrscheilichkeit für eie Versicherugsfall eies Versicherugsehmers bei eier Sachversicherug bezoge auf eie Zeitraum vo eiem Jahr beträgt p Ageomme, die Azahl der Versicherugsehmer ist Im Falle vo mehr als 30 Versicherugsfälle wäre das Versicherugsuterehme ruiiert. Es iteressiert u die Frage, mit welcher Wahrscheilichkeit mehr als 30 Versicherugsfälle eitrete. Zur Vereifachug sei ageomme, dass die eizele Versicherugsfälle stets uabhägig voeiader eitrete. Für Azahl der Versicherugsfälle gilt ~ B(0000, 0.000). 30 Eakte Lösug wäre also: ( 30) p ( p) 0 robleme? Da u p klei ud groß, ka ~ o(λ) mit λ p ageomme werde. 30 λ! λ Damit gilt: ( 30) e e ! Wa ist p klei ud wa ist groß? e 30 0! Weshalb? Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 444
39 Diskrete Zufallsvariable Diskrete Verteiluge im Überblick Verteilug Wahrscheilichkeitsfuktio E() Var() ~ B( p) f ( ), p ( p), 0,, K, 0, sost p p( p) (, M N ) ~ H, (, M, N sivoll ) f ( ) M N M 0, N, T sost λ ~ o( λ) f ( ) e, { 0,,, K }! ( λ > 0) 0, sost ~ G( λ) f ( ) λ ( p) p, 0, sost,, K,, M N λ p siehe Seite 440 λ p p Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 445
40 Diskrete Zufallsvariable Diskrete Verteilugsmodelle ud Approimatiosregel Azahl des Eitretes vo A i Versuche ( mal Ziehe) B(, p) Modell mit Zurücklege uabhägige Wiederholuge /N klei p M/N H(, M, N) Modell ohe Zurücklege G(p) Azahl der Versuche bis zum Eitrete vo A o(λ) p klei, groß p λ Azahl der beobachtete Ereigisse i eiem Zeititervall /N klei, M/N klei, N groß M/N λ Approimatiosregel /N klei: < 0.05 p bzw. M/N klei: < 0.05 bzw. N groß: > 30 Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 44
41 Diskrete Zufallsvariable Aufgabe 53 Beim Lotto aus 49 (Ziehe ohe Zurücklege ud ohe Berücksichtigug der Aordug) ist die Wahrscheilichkeit R F für gerade Zahle größer als %, für midestes Richtige größer als 50%, für geau Richtige größer als 40%, für midestes 3 Richtige größer als %, Aufgabe 54 Ei Versicherugsvertreter schließt mit 5 Kude, die alle das gleiche Alter besitze, Lebesversicherugsverträge ab. Nach der Sterbetafel beträgt die Wahrscheilichkeit, die ächste 30 Jahre zu überlebe, für ede Versicherugsehmer 0.5. Die Wahrscheilichkeit dafür, dass ach 30 Jahre Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 447
42 Diskrete Zufallsvariable R F alle Kude och lebe, ist größer als 0., weigstes 3 Kude och lebe, ist größer als 0.8, geau Kude och lebe, ist kleier als 0., höchstes Kude och lebt, ist kleier als 0.05, Aufgabe 55 Folgede Verteilugsapproimatioe sid zulässig: R F H(4, 50, 00)-Verteilug durch B(4, 0.5)-Verteilug, B(0.03, 00)-Verteilug durch o(3)-verteilug, H(4, 0, 00)-Verteilug durch o(0.4)-verteilug. Eidimesioale Zufallsvariable - Diskrete Zufallsvariable 448
Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrR. Brinkmann Seite
R. Brikma http://brikma-du.de Seite 1.0.014 Lösuge zur Biomialverteilug I Ergebisse: E1 E E E4 E E E7 Ergebis Ei Beroulli-Experimet ist ei Zufallsexperimet, das ur zwei Ergebisse hat. Die Ergebisse werde
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrAngStat1(Ue13-21).doc 23
3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrKlassifizierung der Verteilungen. Streuung der diskreten Verteilung
Wichtigste Verteiluge der Biostatisti Disrete Zur Erierug Klassifizierug der Verteiluge Kotiuierliche Disrete Gleichverteilug Kotiuierliche Gleichverteilug Biomialverteilug Normalverteilug Poisso Verteilug
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrKapitel 5: Gemeinsame Verteilung und Unabhängigkeit von Zufallsvariablen
- 39 (Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable 5 Deiitio : : Ω Ω,, seie Abbilduge über derselbe Mege Ω Die Abbildug
MehrKapitel 2: Laplacesche Wahrscheinlichkeitsräume
- 12 - (Kapitel 2 : Laplacesche Wahrscheilicheitsräume) Kapitel 2: Laplacesche Wahrscheilicheitsräume Wie beim uverfälschte Müzewurf ud beim uverfälschte Würfel spiele Symmetrieüberleguge, die jedem Elemetarereigis
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 8.1 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12.075, p-wert: 0.0168 f χ
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)
Mehr3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-
MehrBernoulli-Experiment und Binomialverteilung
IV Beroulli-Exerimet ud Biomialverteilug Beroulli-Exerimet ud Beroulliette Defiitio: Zufallsexerimete, bei dee ma sich ur für das Eitrete ( Treffer, Symbol ) oder das Nichteitrete ( Niete, Symbol 0 ) eies
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
MehrStochastik: Binomialverteilung Stochastik Bernoulli-Experimente, binomialverteilte Zufallsvariablen Gymnasium ab Klasse 10
Stochastik Beroulli-Experimete, biomialverteilte Zufallsvariable Gymasium ab Klasse 0 Alexader Schwarz www.mathe-aufgabe.com November 203 Hiweis: Für die Aufgabe darf der GTR beutzt werde. Aufgabe : Ei
Mehr10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
MehrFakultät für Wirtschafts- und Rechtswissenschaften
F A C H H O C H S C H U L E K Ö L N Fakultät für Wirtschafts- ud Rechtswisseschafte F O R M E L S A M M L U N G Deskriptive Statistik Iduktive Statistik Herausgeber: c 2004 Fachgruppe Quatitative Methode
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrEvaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
MehrPraktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle
Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
MehrKombinatorik. Systematisches Abzählen und Anordnen einer endlichen Menge von Objekten unter Beachtung vorgegebener Regeln.
Systematisches Abzähle ud Aorde eier edliche Mege vo Objekte uter Beachtug vorgegebeer Regel Permutatioe Variatioe Kombiatioe Permutatioe: Eie eieideutige (bijektive) Abbildug eier edliche Mege i sich
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
MehrZählterme (Seite 1) Aufgabe: Wie viele Nummernschilder kann es theoretisch im Raum Dresden geben? Wann müsste die 4.Ziffer eingeführt werden?
Bemerkug: I Mathematik sollte ma keie Fahrpläe verwede, i der Stochastik erst recht icht. Zitat vo S.L. Das Baumdiagramm ist aber fast immer ei geeigetes Hilfsmittel. Produktregel Aufgabe: Wie viele Nummerschilder
MehrInduktive Statistik. Formelsammlung. Prof. Dr. W. Assenmacher. Stichprobenraum: Ω = {ω 1, ω 2,...,ω m }
Prof. Dr. W. Assemacher Statistik ud Ökoometrie Uiversität Duisburg-Esse Campus Esse Iduktive Statistik Formelsammlug Stichproberaum: Ω = {ω 1, ω,...,ω m } Vollstädiges System vo Ereigisse {A 1,..., A
MehrElection: Nachrichtenkomplexität. Mittlere Nachrichtenkomplexität (1) - Beispiel: Sei k = n = 4 - Über alle Permutationen mitteln (wieviele?
Electio: Nachrichtekompleität - Message-etictio-Prizip vo Chag ud Roberts 979 - war eier der erste verteilte Algorithme Mittlere Nachrichtekompleität () - Beispiel: Sei k = = - Über alle Permutatioe mittel
Mehr5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung
Seite vo 7 5 Beroulli-Kette Jakob Beroulli 654-705 Schweizer Mathematiker ud Physiker 5. Beroulli-Exerimet 5.. Eileitug Oft iteressiert ma sich bei Zufallsexerimete icht für die eizele Ergebisse, soder
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
MehrSBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur
MehrTeil II Zählstatistik
Teil II Zählstatistik. Aufgabestellug. Vergleiche Sie experimetelle Zählverteiluge mit statistische Modelle (POISSON-Verteilug ud Normalverteilug) 2. Theoretische Grudlage Stichworte zur Vorbereitug: Impulszahl,
MehrUmrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung
.3. Prozetuale Häufigkeitsverteilug (HV) Die prozetuale Häufigkeitsverteilug erlaubt de Vergleich vo Auswertuge, dee uterschiedliche Stichprobegröße zugrude liege. Es köe auch uterschiedliche Stichprobegröße
Mehr9. Diskrete Zufallsvariable, Wahrscheinlichkeitsverteilung, Erwartungswert, Varianz
44 9. Diskrete Zufallsvariable, Wahrscheilichkeitsverteilug, Erwartugswert, Variaz Bei Zufallsversuche iteressiere oft icht die Ergebisse selbst, soder Zahle, die de mögliche Ergebisse des Zufallsversuchs
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Ihaltsverzeichis 1 Vorbemerkuge 1 Zufallsexperimete - grudlegede Begriffe ud Eigeschafte 3 Wahrscheilichkeitsaxiome 4 4 Laplace-Experimete 6 5 Hilfsmittel aus der Kombiatorik 7 6 Bedigte Wahrscheilichkeite
MehrX n = 10 j Y j. i.w. i.w. i.v.
3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9},
MehrStochastik A. Prof. Dr. Barbara Gentz
Stochastik A Prof. Dr. Barbara Getz Zusammefassug. Diese Mitschrift basiert auf Frau Prof. Getz Vorlesug Stochastik A aus dem Witersemester 2010/2011, welche sich i weite Teile a [Mee03] orietiert. Wer
MehrErfolg im Mathe-Abi 2013
Gruber I Neuma Erfolg im Mathe-Abi 2013 Vorabdruck Wahlteil Stochastik für das Abitur ab 2013 zum Übugsbuch für de Wahlteil Bade-Württemberg mit Tipps ud Lösuge Vorwort Vorwort Erfolg vo Afag a...ist das
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrKlausur 3 Kurs 11ma3g Mathematik
202-06-2 Klausur 3 Kurs ma3g Mathematik Lösug I eier Lotto-Ure befide sich 49 Kugel, die mit de Zahle vo bis 49 beschriftet sid. Eie eizige Kugel wird gezoge. Bereche Sie die Wahrscheilichkeit, dass diese
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger IDUKTIVE STTISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUG - LÖSUGE erutatioe. zahl der erutatioe vo verschiedefarbige erle!! 0. zahl der erutatioe vo 0 uerierte Kugel! 0!.8.800
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
MehrZufallsvariablen und Wahrscheinlichkeitsverteilungen
Zufllsvrible ud Whrscheilichkeitsverteiluge Kombitorik Zusmmestellug bzw. Aordug vo Elemete Kombitorik mit Berücksichtigug der Reihefolge ohe Berücksichtigug der Reihefolge Permuttioe Vritioe ohe Wiederholug
Mehr5.4.2 Die empirische Verteilungsfunktion als Ausgangspunkt
Tests 9 5.4 Der Kolmogorov Smirov Test Grudlage für de Kolmogorov Smirov Apassugs Test ist ei Satz vo Kolmogorov, die asymptotische Verteilug eier Statistik Δ betreffed. Aus Δ ergibt sich durch Modifikatio
MehrKonfidenzintervall_fuer_pi.doc Seite 1 von 6. Konfidenzintervall für den Anteilswert π am Beispiel einer Meinungsumfrage
Kofidezitervall_fuer_pi.doc Seite 1 vo 6 Kofidezitervall für de Ateilswert π am Beispiel eier Meiugsumfrage Nach eier Meiugsumfrage der Wochezeitug Bezirksblatt vom März 005, ei halbes Jahr vor de Ladtagswahle
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrP{k Fehlschläge vor dem ersten Erfolg} P(X=k) = p k = f(k) = p(1-p) k, k= 0, 1, 2,..., 0< p <1, F(k) = 1 - q k+1, q:=1-p, E(X) = q p, var(x) = q p 2
GEOMETRIC geometrische Verteilug (Pascalverteilug mit r)/geometric distributio (df)/ la loi geometrique/distribució geométrica/distribuzioe geometrica P{k Fehlschläge vor dem erste Erfolg} P(Xk) k f(k)
Mehr1 Randomisierte Bestimmung des Medians
Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser
MehrAufgabenbereich Analysis: Lösungen
a) Schittpukte x-achse: N( ) e x (- x) -,5x (da e x für alle x IR) x Schittpukt y-achse: P( ) f()e (-,5) Asymptote: Aufgabebereich Aalysis: Lösuge für x gilt: f(x) Die x-achse ist für de Graphe für x eie
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
MehrFolgen und Reihen. 23. Mai 2002
Folge ud Reihe Reé Müller 23. Mai 2002 Ihaltsverzeichis 1 Folge 2 1.1 Defiitio ud Darstellug eier reelle Zahlefolge.................. 2 1.1.1 Rekursive Defiitio eier Folge......................... 3 1.2
Mehr2.2.1 Lagemaße. Exkurs: Quantile. und n. p n
Ekurs: Quatile Ausgagspukt : Geordete Urliste Jeder Wert p, mit 0 < p
MehrÜbungen mit dem Applet erwartungstreu
Übuge mit dem Applet erwartugstreu Visualisierug vo erwartugstreu Begriffe ud statischer Hitergrud. Visualisieruge mit dem Applet..3. Zufallsstreuug der Eizelwerte...3. Mittelwerte 3.3 Variaz. 4.4 Variaz
MehrKATA LOGO Mathematik Statistik Wahrscheinlichkeitsverteilungen
KATA LOGO Mathematik Statistik Wahrscheilichkeitsverteiluge x = reelle Zahl X = Zufallsgröße 1. Diskrete Zufallsgröße Beschreibug durch: a) Liste ihrer Merkmalswerte (x1,x2,...) b) dazugehörige Wahrscheilichkeite
Mehr7. Grenzwertsätze Grenzwertsätzen Zentraler Grenzwertsatz Gesetz der großen Zahlen Tschebyscheffsche Ungleichung
7. Grezwertsätze Bei de Grezwertsätze geht es um Aussage, die ma sogar da treffe ka, we keierlei Iformatioe über de Verteilugs-Typ der betrachtete Zufallsvariable vorliege. Zetraler Grezwertsatz Aussage
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrDer Additionssatz und der Multiplikationssatz für Wahrscheinlichkeiten
Der Additiossatz ud der Multiplikatiossatz für Wahrscheilichkeite Die Wahrscheilichkeitsrechug befasst sich mit Ereigisse, die eitrete köe, aber icht eitrete müsse. Die Wahrscheilichkeit eies Ereigisses
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrStatistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.
Statistik, Abschitt.. Schätzmethode.. Mometemethode Für Parameter, die sich i bekater Weise aus de Momete zusammesetze, erhält ma Schätzuge, idem ma die theoretische Momete durch die sogeate empirische
MehrStochastik für Physiker: Aufgaben und Lösungsvorschläge
Stochastik für Physiker: Aufgabe ud Lösugsvorschläge Simo Stützer Stad: 4. Februar 9 Aufgabe : Vergleiche Sie die Wahrscheilichkeit, beim Spiel mit eiem Würfel i 4 Würfe midestes eimal 6 zu würfel, mit
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
MehrParameterschätzung. Numero, pondere et mensura Deus omnia condidit
Parameterschätzug Numero, podere et mesura Deus omia codidit Populatio, Zufallsvariable, Stichprobe Populatio Zufallsvariable X Stichprobe x eie"realisierug vo X (Beobachtug) alle mäliche Rekrute der US
MehrAussage über die Verteilung Summen und Durchschnitte beliebig verteilter Zufallsvariablen
7. Grezwertsätze Die Grezwertsätze bilde de Abschluss der Wahrscheilichkeitsrechug ud sid vo zetraler Bedeutug vor allem für die iduktive Statistik. Gesetz der große Zahle Aussage über die Geauigkeit der
Mehr