2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
|
|
- Silvia Fuchs
- vor 6 Jahren
- Abrufe
Transkript
1 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 X bezeichnet, auf die wir hier nicht genauer eingehen wollen. Definition Ein Bernoulli-Experiment ist ein Zufallsexperiment, bei dem es nur zwei mögliche Ausgänge A und B gibt. Das Ereignis A trete mit W.K. p und das Ereignis B dann mit W.K. 1 p = q ein. Damit wird {A,B} zu einem Wahrscheinlichkeitsraum. Wir haben kein Laplace-Experiment, es sei denn, p = q = 1/2. Wenn wir ein Bernoulliexperiment n mal wiederholen, ist der Ereignisraum Ω = {A,B} n. Die Elementarereignisse heißen Bernoulliketten. Eine Kette mit k Ereignissen A und n k Ereignissen B tritt mit W.K. p k q n k ein. So wird auf Ω ein Wahrscheinlichkeitsmaß definiert. Wir definieren nun eine Zufallsvariable X auf diesem Wahrscheinlichkeitsraum wie folgt: Einer Bernoullikette mit k Einträgen A und n k Einträgen B wird die Zahl k (manchmal auch Anzahl 32
2 Erfolge genannt) zugeordnet. Offenbar gilt ( ) n P(X = k) = p k (1 p) n k. k Dies ist eine Wahrscheinlichkeitsverteilung, die sogenannte Binomialverteilung B(n,p). Sie ist komplett durch Angabe von n und p bestimmt. Wir nennen eine Zufallsvariable binomialverteilt mit Parametern n und p, wenn ihre Wahrscheinlichkeitsverteilung B(n, p) ist. Die folgenden Bilder zeigen die Wahrscheinlichkeitsverteilungen für einige Werte von p und n: B(21,0.5) : : 33
3 B(20,0.2) : : B(100, 0.8) : : Kommen wir nun zur hypergeometrischen Verteilung H(n, M, N): Wir 34
4 haben hier eine Urne mit N Kugeln, M davon seien rot. Wir ziehen ohne Zurücklegen n Kugeln. Diesem Zufallsexperiment können wir ein Wahrscheinlichkeitsmaß zuordnen sowie eine Z.V. X definieren, nämlich die Anzahl k roter Kugeln. Es gilt ( M N M ) P(X = k) = k)( n k ( N. n) Eine Zufallsvariable mit dieser Wahrscheinlichkeitsverteilung heißt hypergeometrisch verteilt. Abschließend betrachten wir die Poisson-Verteilung. Der Ereignisraum ist hier{0, 1,...} die Menge der nicht-negativen ganzen Zahlen. Die Poissonverteilung modelliert recht gut die Anzahl seltener Ereignisse, die in einem fest gewählten Zeitraum auftreten(tore pro Fußballspiel). Wir nennen eine Zufallsvariable P(λ) Poisson-verteilt wenn P(X = k) = λk k! e λ. Hier ist ein Bild für λ = 2.5, was etwa der Anzahl geschossener Tore in einem Bundesligaspiel entspricht: 35
5 In der Vorlesung zeigen wir auch einige Animationen dieser drei wichtigen Verteilungen. Interessant ist, dass die Poissonverteilung als Grenzverteilung der Binomialverteilung interpretiert werden kann: Gilt X B(n,p) mit großem n und kleinem p, so können wir die Approximation P(X = k) λk k! e λ. nutzen. Faustregel: n 50 und p
6 2.3 Lagemaße Jeder Zufallsvariablen kann man gewisse Zahlen zuordnen kann, die wichtige Eigenschaften der Z.V. beschreiben. Ein Beispiel haben wir bereits gesehen, die Quantile (Definition 2.9). In diesem Abschnitt folgen Erwartungswert und Varianz. Definition Sei X eine Zufallsvariable mit Realisierungen x 1,x 2,... Der Erwartungswert E(X) von X ist definiert als E(X) := x i P(X = x i ) i=1 sofern diese Summe existiert (was im Fall endlicher Wahrscheinlichkeitsräume immer der Fall ist). Bemerkung Es gilt E(X) = ω ΩX(ω)P(ω). Beachten Sie, dass auch hier der Erwartungswert mit einer Zufallsvariablen zusammenhängt und keine Größe des Zufallsexperimentes ist: Bei einem Zufallsexperiment kommen ja keine Zahlen heraus. Zahlen, mit denen man dann rechnen kann, entstehen erst durch das Anwenden von Zufallsvariablen! 37
7 Beispiel Wenn wir mit zwei Würfeln werfen und als Zufallsvariable jedem Ausgang den Betrag der Differenz der Augenzahlen zuordnen, so ist der Erwartungswert 35/18, siehe Vorlesung. Definition Sei X eine Zufallsvariable mit Realisierungen x 1,x 2,... und Erwartungswert µ. Wir definieren die Varianz sofern dieser Erwartungswert existiert. Bemerkung Es gilt sowie V(X) = V(X) := E((X µ) 2 ) (x i µ) 2 P(X = x i ) i=1 V(X) = E(X 2 ) µ 2. Ferner wird die Wurzel aus der Varianz auch Standardabweichung σ genannt. Entsprechend schreibt man für die Varianz manchmal σ 2. Man kann die Abweichung einer Z.V. vom Mittelwert mit Hilfe der Varianz abschätzen: 38
8 Satz 2.16 (Tschebyscheff sche Ungleichung). P( X E(X) ǫ) 1 ǫ 2V(X). Diese Abschätzung gilt für beliebige Zufallsvariablen. Wir haben drei wichtige Wahrscheinlichkeitsverteilungen kennengelernt: Binomial, Poisson, hypergeometrisch. In der folgenden Tabelle fassen wir Erwartungswert und Varianz dieser Verteilungen zusammen: E(X) V(X) B(n,p) np np(1 p) H(n,M,N) n M N n M N (1 M N P(λ) λ λ N n N 1 Bemerkung Wenn X eine Zufallsvariable ist, dann ist auch g(x) für eine Funktion g : R R eine Zufallsvariable. Man kann aber nicht unmittelbar Erwartungswert, Varianz und Wahrscheinlichkeitsverteilung aus g ablesen. Es 39
9 gilt E(g(X)) = g(x i )P(X = x i ). i=0 Satz Sei X eine Zufallsvariable mit Erwartungswert µ und Varianz σ 2. Dann gilt E(aX +b) = a µ+b V(aX +b) = a 2 σ 2 eine Zufallsvariable mit Erwartungswert 0 und Var- Insbesondere ist X µ σ ianz 1 (sofern σ 0). 2.4 Gemeinsame Verteilungen und Maße von Zufallsvariablen Satz Seien X und Y Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω,P) mit Erwartungswerten E(X) und E(Y). Dann gilt E(aX +Y) = ae(x)+e(y) 40
10 Ein entsprechender Satz für die Varianz gilt zunächst einmal nicht. Definition Zwei Zufallsvariablen X und Y heißen unabhängig, wenn für alle rellen Zahlen x,y gilt: P(X = x und Y = y) = P(X = x) P(Y = y). Mit anderen Worten: Die beiden Ereignisse {ω : X(ω) = x} {ω : Y(ω) = y} sind unabhängig. Allgemein nennen wir Z.V. X 1,...,X n auf (Ω,P) unabhängig, wenn für alle x 1,...,x n R gilt n P(X i = x i für i = 1,...,n) = P(X = x i ). Bemerkung Beachten Sie, dass X und Y auf dem selben Wahrscheinlichkeitsraum definiert sind! Bemerkung Unabhängigkeit von mehr als zwei Zufallsvariablen ist eine stärkere Bedingung als paarweise Unabhängigkeit! 41 i=1
11 Für unabhängige Zufallsvariablen gilt: Satz Seien X und Y unabhängige Zufallsvariablen auf einem W.R. (Ω,P). Dann gilt E(X Y) = E(X) E(Y) sofern beide Erwartungswerte existieren, ebenso für das Produkt mehrerer unabhängiger Zufallsvariablen Im Fall unabhängiger Z.V. kann man auch etwas über die Summe der Varianz sagen: Satz Seien X und Y unabhängige Zufallsvariablen auf einem W.R. (Ω,P). Dann gilt V(X +Y) = V(X)+V(Y) sofern V(X),V(Y) existieren. Definition Die Kovarianz zweier Zufallsvariablen X, Y ist definiert als C(X,Y) = E(X Y) E(X) E(Y) sofern die entsprechenden Erwartungswerte existieren. 42
12 Die Bedeutung der Kovarianz wird im folgenden Satz deutlich: Satz Seien X und Y zwei Zufallsvariablen auf dem W.R. (Ω,P). Dann gilt V(X +Y) = V(X)+V(Y)+2C(X,Y). Eigenschaften der Kovarianz: Proposition X,Y,X 1,...,Y 1,... seien Z.V. auf W.R. (Ω,P). Dann gilt (1.) C(X,X) = V(X), C(X,Y) = C(Y,X) (2.) C(X,Y) = E ( (X E(X)) (Y E(Y)) ) (3.) C(X +a,y +b) = C(X,Y) (4.) X und Y sind unabhängig genau dann wenn C(X,Y) = 0 (5.) V(X X n ) = n i=1 V(X i)+2 1 i<j n C(X i,x j ) (6.) C( i a ix i, j b jy j ) = i,j a ib j C(X i,y j ). 43
13 (7.) C(X,Y) 2 V(X) V(Y) Die letzte Eigenschaft zeigt, dass wir die Kovarianz normieren können. Wir nennen den Quotienten C(X,Y) V(X) V(Y) die Korrelation zwischen X und Y. Beispiel Wir würfeln zweimal nacheinander und betrachten die beiden Z.V. X und Y, wobei X die kleinere Augenzahl ist und Y die Summe der beiden Würfe. Die folgende kleine Tabelle zeigt die Ereignisse, die W.K. für die Ereignisse 44
14 sowie die Werte der Z.V.: Ereignis P X Y X Y 1,1 1/ ,2 1/ , 3 1/ , 4 1/ ,5 1/ ,6 1/ ,2 1/ ,3 1/ ,4 1/ ,5 1/ ,6 1/ , 3 1/ , 4 1/ , 5 1/ , 6 1/ , 4 1/ , 5 1/ , 6 1/ , 5 1/ ,6 1/ ,6 1/
15 Man rechnet nach: E(X) = E(Y) = 7 V(X) = V(Y) = C(X,Y) = Normierung der Kovarianz (d.h. Division durch V(X) V(Y) ergibt einen Korrelationskoeffizienten von 0.86, die Zufallsvariablen sind also vergleichsweise stark korreliert. Waspassiert,wennwirZ.V.X i haben,dieaufverschiedenenwahrscheinlichkeitsräumen (Ω i,p i ) definiert sind. Dazu definieren wir Ω = Ω 1... Ω n und definieren auf Ω das Produktmaß P(ω 1,...,ω n ) = Π n i=1p(ω i ). Zumindest im abzählbar unendlichen Fall ist das kein Problem und wir können so jeder Teilmenge von Ω eine Wahrscheinlichkeit zuordnen. Die X i kann man als 46
16 unabhängige Zufallsvariablen auf diesem Produktraum auffassen und wir können damit arbeiten so wie oben für den Fall dass die verschiedenen Z.V. auf einem W.R. definiert sind. Der begriff der Unabhängigkeit mehrerer Zufallsvariablen wird wie folgt definiert: Definition Zufallsvariablen X 1,...,X N heißen unabhängig wenn für alle x 1,...x n gilt: P(X 1 x 1... X n x n ) = n P(X i x i ). i=1 Mankanndannzeigen,dassfürunabhängigeZufallsvariablengiltE(X 1 X n ) = E(X 1 ) E(X n ). Ferner gilt das für die Statistik wichtige schwache Gesetz der großen Zahlen: Satz Es seien X 1,...,X n unabhängige Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω, P) (im Fall der n-fachen Wiederholung eines Zufallsexperimentes nimmt man hier den Produktraum, siehe oben), die alle dieselbe Verteilungsfunktion haben (i.i.d.: independently identical distribution) mit Erwartungswert µ und Varianz σ 2. Dann ist auch X = 47
17 1 n (X X n ) eine Zufallsvariable auf Ω mit für jedes ǫ > 0. lim P( X µ < ǫ) = 1 n 2.5 Der kontinuierliche Fall Im Fall eines Wahrscheinlichkeitsraumes mit einer überabzählbaren Ereignismenge Ω kann man, wie bereits erwähnt, nicht mehr sinnvoll jedem Ereignis eine Wahrscheinlichkeit zuordnen. Deshalb muss man bei der Definition einer Zufallsvariablen X : Ω R darauf achten, dass den Ereignissen {ω : X(ω) x} Wahrscheinlichkeiten zugeordnet werden können. Wir wollen diese Annahme ab jetzt stillschweigend machen. Dann können wir wie im diskreten Fall eine Verteilungsfunktion F : R R definieren: F(x) := P(X x) 48
18 Die Definitionen 2.9 und 2.7 übertragen sich, ebenso wie Satz 2.5 und Proposition 2.3. Es sei noch bemerkt: Wenn der Wahrscheinlichkeitsraum Ω unendlich viele Elemente, die Zufallsvariable X aber nur endlich viele Realisierungen hat, sprechen wir von einer diskreten Zufallsvariable. Die Frage ist nun, ob es auch so etwas wie eine Wahrscheinlichkeitsverteilung gibt. Wir können im kontinuierlichen Fall in der Regel den einelementigen Ereignissen keine positive Wahrscheinlichkeit zuordnen, ebenso kann man den Ereignissen {ω : X(ω) = x} nicht immer eine positive W.K. zurodnen. Das Analogon zur Wahrscheinlichkeitsverteilung ist hier die Dichtefunktion: Definition Wenn es für eine Verteilungsfunktion F eine Funktion f : R R gibt mit F(x) = x f(t)dt, so heißt f die zu F gehörende Dichtefunktion. Wir nennen X dann eine stetige Zufallsvariable mit Verteilungsfunktion F und Dichte f. Proposition Sei X eine stetige Zufallsvariable mit Dichte f und 49
19 Verteilungsfunktion F. Dann gilt F (x) = f(x) und Insbesondere gilt P(X = x) = 0. P(a X b) = b a f(t)dt. Beispiel 2.33 (Normalverteilung). Die vermutlich bekannteste und wichtigste Verteilungsfunktion ist die Normalverteilung mit Dichte f(x) = 1 σ π e 1 2 ( x µ σ )2 Wir nennen eine Z.V. normalverteilt wenn es µ und σ > 0 so gibt, dass die Verteilungsfunktion der Z.V. diese Dichte hat, geschrieben X N(µ,σ 2 ). Gilt µ = 0 und σ = 1 nennen wir die Zufallsvariable standardnormalverteilt. Die zugehörige Verteilungsfunktion wird oft mit Φ bezeichnet. Sie ist als(im wesentlichen) das Integral der Funktion e x2 nicht durch einfache Funktionen darstellbar. Auch die Begriffe Varianz und Erwartungswert lassen sich auf kontinuierliche Zufallsvariable übertragen: 50
Stochastik. 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.
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)
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
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
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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 zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrStochastik für Wirtschaftswissenschaftler
Stochastik für Wirtschaftswissenschaftler Hartmut Lanzinger Wintersemester 0/ Inhaltsverzeichnis Wahrscheinlichkeiten Einführung.......................................... Laplacesche Wahrscheinlichkeitsräume...........................
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
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
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrIst P(T) = p die Trefferwahrscheinlichkeit eines Bernoulli-Experiments,
. Binomialverteilung ==================================================================.1 Bernoulli-Experimente und Bernoullikette -----------------------------------------------------------------------------------------------------------------
MehrAppendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie
Appendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie Vorbemerkung: Die folgenden Seiten sind nicht zur Abschreckung gedacht, sondern als Ergänzung zu den Darstellungen, die
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
Mehra) Fragen zur diskreten Wahrscheinlichkeitstheorie
Kapitel 5 a) Fragen zur diskreten Wahrscheinlichkeitstheorie 5. Diskrete Wahrscheinlichkeitsräume (i) Was versteht man unter einem endlichen Wahrscheinlichkeitsraum? Beispiele solcher Räume an, dabei auch
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
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
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
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............................
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
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
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrDiskrete Zufallsvariable
Diskrete Zufallsvariablen Slide 1 Diskrete Zufallsvariable Wir gehen von einem diskreten W.-raum Ω aus. Eine Abbildung X : Ω Ê heißt diskrete (numerische) Zufallsvariable oder kurz ZV. Der Wertebereich
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrÜbungen zu Wahrscheinlichkeitstheorie und Statistik
Übungen zu Wahrscheinlichkeitstheorie und Statistik SS 2012 (Vorlesung von Prof. Reinhard Bürger) 1) Man gebe für die folgenden Experimente Wahrscheinlichkeitsmodelle an: (a) Wurf mit einer homogenen Münze,
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
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrStoffzusammenfassung: Statistik und Stochastik. Jan Krieger
Stoffzusammenfassung: Statistik und Stochastik Jan Krieger 18. Januar 2005 1. The time has come, the Walrus said, To talk of many things: Of shoes and ships and sealingwax Of cabbages and kings And why
Mehr8.2 Zufallsvariable und Verteilungen
8.2 Zufallsvariable und Verteilungen Sei weiter W = (Ω, E, p) ein Wahrscheinlichkeitsraum. UntereinerZufallsvariablen X von W versteht man eine Funktion X : Ω R, t X(t), für die {ω Ω; X(ω) t} für alle
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrWahrscheinlichkeitstheorie für die Fachrichtung Elektroingenieurwesen WS 2009/10
Wahrscheinlichkeitstheorie für die Fachrichtung Elektroingenieurwesen WS 2009/10 Peer Christian Kunstmann Karlsruher Institut für Technologie (KIT) Institut für Analysis Kaiserstraße 89, 76128 Karlsruhe
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
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrAufgabe 3 Was ist der Erwartungswert der größten gezogenen Zahl M beim Zahlenlotto 6 aus 49 (ohne Zusatzzahl)?
Erwartungswert Aufgaben Aufgabe Bei der Flugplatz Party haben Sie die Wahl ob Sie 3 Euro Eintritt bezahlen, oder Sie würfeln den Eintrittspreis mit einem normalen Würfel. Die Frage die sich dabei stellt
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
Mehrfalls rote Kugel im 1. Zug gezogen Die Ziehungen sind daher nicht unabhängig voneinander. Damit liegt kein Bernoulli-Prozess
6.4 Hypergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln sind nicht rot. Wir entnehmen n Kugeln, d.h. Stichproben vom Umfang n.
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
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............
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
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrElementarereignis: Stellt ein Einzelergebnis eines Zufallsexperimentes dar, wird oftmals mit E bezeichnet.
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Einführung in grundlegende
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrStatistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA
Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten 12. und 14. Prof. Dr. Stefan Etschberger HSA Outline 1 : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe
MehrStochastik. Prof. Dr. Ulrich Horst. Wintersemester 2013/2014
Stochastik Prof. Dr. Ulrich Horst Wintersemester 3/4 Institut für Mathematik Mathematisch-Naturwissenschaftliche Fakultät II Humboldt-Universität zu Berlin Dieses Skript wurde von Alexander Prang in Anlehnung
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
Mehr