Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung"

Transkript

1 R. Brinkmann Seite Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0, ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer Binomialverteilung für n = 40 und p = 0, Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,4 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 6 Treffer Binomialverteilung für n = 40 und p = 0,4 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite von 6

2 R. Brinkmann Seite Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,5 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 0 Treffer Binomialverteilung für n = 40 und p = 0,5 Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,6 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 4 Treffer Binomialverteilung für n = 40 und p = 0,6 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite von 6

3 R. Brinkmann Seite Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,8 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 3 Treffer Binomialverteilung für n = 40 und p = 0,8 Beim Würfeln erwarten wir, dass bei 6000 Würfen die Zahl 6 etwa 000 mal auftritt. Das bedeutet nicht, dass die Zahl 6 tatsächlich 000 mal auftritt. Der Erwartungswert setzt unendlich viele Experimente voraus, deren Mittelwert er darstellt. Zusammenfassend kann man sagen: Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p ist, n mal durchgeführt, dann erwarten wir im Mittel n mal p Treffer. Erwartungswert einer gilt für den Erwartungswert E( X ) der Zufallsvariablen X: Anzahl der Erfolge Bei einem n stufigen Bernoulli Versuch mit der Erfolgswahrscheinlichkeit p Binomialverteilung: E( X) = n p Statt E( X ) schreiben wir auch μ (in der mathematischen Lit. üblich) Damit ist der Erwartungswert einer binomial verteilten Zufallsgröße X μ= np Der Beweis soll an dieser Stelle nicht geführt werden. Er kann mithilfe des Binomischen Lehrsatzes erfolgen. Bei Betrachtung der Histogramme fällt auf, das die mit der größten Wahrscheinlichkeit auftretenden Ergebnisse dem Erwartungswert entsprechen. Die Form der Histogramme ist ähnlich, sie entspricht der einer Glocke. Für p = 0,5 liegen die Werte symmetrisch zum Erwartungswert. Für p < 0,5 ist die Verteilung linksschief, für p > 0,5 dagegen rechtsschief. In der Nähe des Erwartungswertes liegen die Ergebnisse mit den höchsten Wahrscheinlichkeiten. Die Höhe einer Säule entspricht der Wahrscheinlichkeit des zugehörigen Ergebnisses, ihre Breite beträgt Einheit. Da aber die Summe aller Einzelwahrscheinlichkeiten eines Zufallsexperimentes immer ist, ergibt die Summe aller Säulenflächen ebenfalls den Wert. Die Fläche der Säulen in einem bestimmten Intervall ist somit ein Maß für die Wahrscheinlichkeit aller Erfolge, die in diesem Intervall liegen. Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 3 von 6

4 R. Brinkmann Seite Varianz und Standardabweichung einer binomial verteilten Zufallsgröße Pk 0.08 Pk k Binomialverteilung für n = 0 und p = 0, k Binomialverteilung für n = 40 und p = 0,3 Beide Binomialverteilungen haben den gleichen Erwartungswert; μ= np = 00, = μ = np = 400,3 = Obwohl beide Verteilungen den gleichen Erwartungswert haben sehen sie unterschiedlich aus. Wir untersuchen die Streuung um den Erwartungswert. Aus der beschreibenden Statistik ist die Varianz, bzw. die Standardabweichung als Streumaß bekannt. Der Ausdruck ( ) ( ) ( ) ( ) ( 3) ( 3 ) ( n) ( n ) s = h x x x + h x x x + h x x x h x x x wurde als Varianz einer Stichprobe bezeichnet. Die Werte h x ;h x ;h x ;... ;h x stellen relative Häufigkeiten dar. 3 n Für die Standardabweichung galt s = Analog hierzu definieren wir für Wahrscheinlichkeitsverteilungen: s Ist X eine Zufallsvariable, welche die Werte x ;x ;x 3;x 4;...;x annehmen kann und den Erwartungswert μ hat, so heißt n n Varianz und Standardabweichung: V( x) = P( X = x ) ( x μ ) + P( X = x ) ( x μ ) P( X = x ) ( x μ) die Varianz der Zufallsvariablen X. Die Quadratwurzel aus der Varianz einer Zufallsgröße heißt Standardabweichung σ= V x n Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 4 von 6

5 R. Brinkmann Seite Speziell für Binomialverteilungen gilt: Varianz Bei einem n stufigen Bernoulli Versuch mit der Erfolgswahrscheinlichkeit und p und der Misserfolgswahrscheinlichkeit p und der Zufallsgröße Standardabweichung X: Anzahl der Erfolge gilt für die Varianz: V( X) = n p ( p) für Binomialverteilungen: und für die Standardabweichung: σ= np ( p) Der Beweis soll an dieser Stelle nicht geführt werden. Für die oben abgebildeten Wahrscheinlichkeitsverteilungen gilt: Binomialverteilung für n = 0 und p = 0, Erwartungswert : μ= n p = 0 0,= S tandardabweichung : σ= np ( p) = 00,0,9 3,86 Binomialverteilung für n = 40 und p = 0,3 Erwartungswert : μ= np = 400,3 = S tandardabweichung : σ= n p p = 40 0,3 0,7,898 Bei der ersten Verteilung ist die Streuung etwas größer als bei der zweiten. Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 5 von 6

6 R. Brinkmann Seite Wahrscheinlichkeiten von Umgebungen Bei einer Binomialverteilung ist der Erwartungswert der mit der größten Wahrscheinlichkeit. In der Umgebung des Erwartungswertes befinden sich die Anzahlen der Erfolge mit den höchsten Wahrscheinlichkeiten. Je mehr die Anzahl der Erfolge sich vom Erwartungswert unterscheiden, desto geringer wird deren Wahrscheinlichkeit. Wir interessieren uns zunächst für die nähere Umgebung des Erwartungswertes und die in diesem Bereich auftretenden Wahrscheinlichkeiten. Dazu soll folgende Verteilung als Beispiel dienen: Binomialverteilung für n = 00 und p = 0,4 Erwartungswert : μ= n p = 00 0,4 = 48 S tandardabweichung : σ= n p p = 00 0,4 0,76 6,04 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 6 von 6

7 R. Brinkmann Seite Wahrscheinlichkeit einer Sigma- Umgebung. Um den Erwartungswert 48 werden drei Umgebungen eingezeichnet;. eine σ Umgebung der Breite σ 6. eine σ Umgebung der Breite σ 3. eine 3σ Umgebung der Breite 3σ 8 In diesen Bereichen ist die Wahrscheinlichkeit zu untersuchen. P(X) 3 σ 8 3 σ 8 σ σ σ 6 σ µ Dazu benötigen wir zunächst eine kumulierte Wahrscheinlichkeitstabelle für den interessierenden Bereich. Binomialverteilung für n = 00 und p = 0,4 k P X k k P X k k P X k k P X k k P X k k P X k 8 0, ,07 4 0,8 49 0, , , , , , , , , , , ,84 5 0,7 58 0, , , , , , , , , , , , , , , , , , , , ,0 4 0, , ,89 6 0,990 69,000 ( ) ( ) ( ) ( ) ( ) ( ) Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 7 von 6

8 R. Brinkmann Seite Wahrscheinlichkeit der einfachen Sigma- Umgebung. ( μ σ X μ+σ) Zu bestimmen ist P mit μ= 48 und σ 6 wird μ σ 48 6 = 4 und μ+σ = 54 und damit P 4 X 54 = P X 54 P X 4 = 0,859 0,40 = 0,79 Mit einer Wahrscheinlichkeit von etwa 0,79 (7,9%) liegt die Anzahl der Erfolge im Intervall [ 4 ; 54 ]. Das entspricht etwa der einfachen Sigma- Umgebung vom Erwartungswert Wahrscheinlichkeit der einfachen σ Umgebung 0,79 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 8 von 6

9 R. Brinkmann Seite Wahrscheinlichkeit der doppelten Sigma- Umgebung. ( μ σ μ+ σ) Zu bestimmen ist P X mit μ= 48 und σ 6 wird μ σ 48 = 36 und μ+ σ 48 + = 60 und damit P 36 X 60 = P X 60 P X 35 = 0,979 0,07 = 0,96 Mit einer Wahrscheinlichkeit von etwa 0,96 (96,%) liegt die Anzahl der Erfolge im Intervall [ 36 ; 60 ]. Das entspricht etwa der doppelten Sigma- Umgebung vom Erwartungswert Wahrscheinlichkeit der doppelten σ Umgebung 0,96 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 9 von 6

10 R. Brinkmann Seite Wahrscheinlichkeit der dreifachen Sigma- Umgebung. ( μ σ μ+ σ) Zu bestimmen ist P 3 X 3 mit μ= 48 und σ 6 wird μ 3σ 48 8 = 30 und μ+ 3σ = 66 und damit P 30 X 66 = P X 66 P X 9 = 0,998 0,00= 0,997 Mit einer Wahrscheinlichkeit von etwa 0,997 (99,7%) liegt die Anzahl der Erfolge im Intervall [ 30 ; 66 ]. Das entspricht etwa der dreifachen Sigma- Umgebung vom Erwartungswert Wahrscheinlichk eit der dreifachen σ Umgebung 09, 97 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 0 von 6

11 R. Brinkmann Seite Umgebungsradius. Der Umgebung des Erwartungswerts wird ein Radius zugeordnet. Darunter verstehen wir den beidseitigen Abstand vom Erwartungswert. Eine Grafik soll das erläutern. Radius r Radius r μ r μ μ+ r Jedem Umgebungsradius lässt sich eine bestimmte Wahrscheinlichkeit zuordnen. Im oben angeführten Beispiel gehört zu einer einfachen Sigma- Umgebung (r = 6) eine Umgebungswahrscheinlichkeit von etwa 0,79, zur doppelten Sigma- Umgebung ( r = ) eine von etwa 0,96 und zur dreifachen Sigma- Umgebung (r = 8) eine von etwa 0,997. Umgekehrt gehört zu jeder Umgebungswahrscheinlichkeit ein bestimmter Radius. Der Umgebungsradius bei fest vorgegebener Umgebungswahrscheinlichkeit (90%, 95%, 99%) lässt sich wie folgt bestimmen: P(X) r =? σ 99% r =? σ r =? σ 95% r =? σ r =? σ 90% r =? σ µ Liegt für die Binomialverteilung eine Tabelle mit den kumulierten Wahrscheinlichkeiten vor, lässt sich das Problem durch Einschachtelung lösen. Für die zwei Sigma- Umgebung, (im obigen Beispiel r = ), war die Umgebungswahrscheinlichkeit etwa 96,%. Für die 90% Wahrscheinlichkeit ist der Umgebungsradius geringer. Ansatz mit r = 0. μ r μ r X μ+ r P( X μ+ r) P( X μ r ) X 58 0,957 0,038 = 0, X 57 0,940 0,055 = 0,885 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite von 6

12 R. Brinkmann Seite Der gesuchte Radius liegt zwischen den Werten 9 und 0. Da es sich bei der Binomialverteilung um eine diskrete Verteilung handelt, muss man sich für den Radius entscheiden, der der gewünschten Wahrscheinlichkeit am nächsten liegt. In diesem Fall ist das der Radius r = 9. Teilt man diesen Wert durch Sigma, dann lässt sich der Radius als vielfaches von Sigma darstellen. r 9 =, 49 r, 49 σ σ 6,04 In einer,49 σ Umgebung liegen etwa 88,5% aller Erfolge Radius der 90% Umgebung r 9,49 σ P μ 9 X μ+ 9 0,885 Für die 95% Wahrscheinlichkeit wird der Ansatz mit r = versucht. μ r μ r X μ+ r P X μ+ r P X μ r X 60 0,979 0,07 = 0, X 59 0,969 0,06 = 0,943 Der gesuchte Radius liegt zwischen den Werten und. Der Radius r = liegt der gewünschten Wahrscheinlichkeit am nächsten. r =, 8 r, 8 σ σ 6,04 In einer,8 σ Umgebung liegen etwa 94,3% aller Erfolge. Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite von 6

13 R. Brinkmann Seite Radius der 95% Umgebung r,8 σ P μ X μ+ 0,943 Für die 99% Wahrscheinlichkeit wird der Ansatz mit r = 4 versucht. μ r μ r X μ+ r P X μ+ r P X μ r X 6 0,990 0,007 = 0, X 63 0,994 0,004 = 0,99 Der gesuchte Radius hat den Wert r = 5 r 5 =, 48 r, 48 σ σ 6,04 In einer,48 σ Umgebung liegen etwa 99% aller Erfolge Radius der 99% Umgebung r 5,48 σ P μ 5 X μ+ 5 0,99 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 3 von 6

14 R. Brinkmann Seite Approximation der Binomialverteilung durch die Normalverteilung Histogramme von Binomialverteilungen sind für nicht zu kleine n glockenförmig. Mit größer werdendem n tritt die Glockenform immer deutlicher hervor. Die Histogrammform nähert sich mit größer werdendem n immer mehr der Gaußschen Verteilungskurve, auch Glockenkurve genannt. Die gesamte Fläche zwischen der Kurve und der waagerechten Achse hat den Wert. Das gilt ebenso für die Summe aller Säulenflächen. Funktionsgleichung der Glockenkurve: f x = e π σ ( x μ) σ Approximation der Binomialverteilung durch die Gaußsche Normalverteilung Dies ermöglicht es für große n, Wahrscheinlichkeiten in einem bestimmten Intervall näherungsweise zu bestimmen. Die Fläche, die die Normalverteilung mit der x Achse einschließt, b b ( x μ) lässt sich über das Integral f ( x ) e σ = berechnen. a a π σ Die Berechnung der Fläche mit dem Integral ist recht mühsam, deshalb gibt es Tabellen in denen die Wahrscheinlichkeit von Sigma- Umgebungen aufgelistet sind. Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 4 von 6

15 R. Brinkmann Seite Für Sigma- Umgebungen gilt folgender Zusammenhang: P = f(x) f x = e π σ ( x μ) σ 68,3% μ σ μ μ+ σ x ( μ σ μ+σ) = 68,3% ( σ ) P X 0,683 einfache Umgebung P = f(x) f x = e π σ ( x μ) σ 95,4% μ σ μ μ+ σ x ( μ σ μ+ σ) = 95,4% ( σ ) P X 0,954 doppelte Umgebung Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 5 von 6

16 R. Brinkmann Seite P = f(x) f x = e π σ ( x μ) σ 99,7% μ 3 σ μ μ+ 3 σ x ( μ σ μ+ σ) = 99,7% ( σ ) P 3 X 3 0,997 dreifache Umgebung Für %- Umgebungen gilt folgender Zusammenhang: P = f(x) f x = e π σ ( x μ) σ 90% μ, 64 σ μ μ+, 64 σ ( μ σ μ+ σ) 899 = % ( 90% Umgebung) P,64 X,64 0, 89,9 x Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 6 von 6

17 R. Brinkmann Seite P = f(x) f x = e π σ ( x μ) σ 95% μ, 96 σ μ μ+, 96 σ ( μ σ μ+ σ),95 = % ( 95% Umgebung) P,96 X, x P = f(x) f x = e π σ ( x μ) σ 99% μ,58 σ μ μ+,58 σ ( μ σ μ+ σ),99 = % ( 99% Umgebung) P,58 X, x Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 7 von 6

18 R. Brinkmann Seite In der Literatur hat man sich auf folgende Umgebungswahrscheinlichkeiten geeinigt: Radius Wahrscheinlichkeit Wahrscheinlichkeit Radius der Umgebung der Umgebung der Umgebung der Umgebung σ 0,68 0,90,64 σ σ 0,955 0,95,96 σ 3 σ 0,997 0,99,58 σ Die zu einem Radius gehörige Umgebungswahrscheinlichkeit Der zu einer Umgebungswahrscheinlichkeit gehörige Radius Da die Histogrammform der Binomialverteilung sich nur für entsprechend große n der Form der Normalverteilung immer mehr nähert, gilt folgendes Kriterium für die Verwendung der Intervallwahrscheinlichkeiten der Normalverteilung. Falls die Bedingung σ= np ( p) > 3 erfüllt ist ( Laplace- Bedingung ), liefert die Näherung durch die Normalverteilung hinreichend genaue Intervallwahrscheinlichkeiten. Bislang war für jede Binomialverteilung mit einem bestimmten n und einer bestimmten Wahrscheinlichkeit p jeweils eine Tabelle mit den kumulierten Wahrscheinlichkeiten nötig, um Umgebungswahrscheinlichkeiten zu bestimmen. Falls nun die Werte einer Binomialverteilung die Laplace- Bedingung erfüllen, dürfen Tabellenwerte der Normalverteilung benutzt werden. Die Laplace- Bedingung ist in jedem Fall vorher zu überprüfen. Für den Fall, dass der Umgebungsradius in Einheiten von Sigma angegeben wird, gilt folgender Zuammenhang: ( = x) P X f x = e π σ ( x μ) σ μ z σ μ μ+ z σ x Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 8 von 6

19 R. Brinkmann Seite Der Umgebungsradius vom Erwartungswert wird als Vielfaches in Einheiten von Sigma ausgedrückt. Dabei ist z der Faktor, mit dem Sigma zu multiplizieren ist. Die Wahrscheinlichkeiten solcher Sigma- Umgebungen sind in der folgenden Tabelle in Abhängigkeit vom Faktor z dargestellt. Der wesentliche Unterschied zur Darstellung der Wahrscheinlichkeiten in einer Binomialverteilung, wie sie bisher verwendet wurde, ist, dass in der Normalverteilung die Werte auf der x- Achse als kontinuierlich angesehen werden können. Bei der Binomialverteilung handelt es sich um diskrete Werte für k. Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 9 von 6

20 R. Brinkmann Seite Wahrscheinlichkeiten für σ Umgebungen normalverteilter Zufallsvariablen P = P μ z σ X μ z σ falls σ > 3 Laplace- Bedingung z P z P z P z P z P z P 0,0 0,008 0,5 0,390,0 0,688,5 0,869,0 0,956,5 0,988 0,0 0,06 0,5 0,397,0 0,69,5 0,87,0 0,957,5 0,988 0,03 0,04 0,53 0,404,03 0,697,53 0,874,03 0,958,53 0,989 0,04 0,03 0,54 0,4,04 0,70,54 0,876,04 0,959,54 0,989 0,05 0,040 0,55 0,48,05 0,706,55 0,879,05 0,960,55 0,989 0,06 0,048 0,56 0,45,06 0,7,56 0,88,06 0,96,56 0,990 0,07 0,056 0,57 0,43,07 0,75,57 0,884,07 0,96,57 0,990 0,08 0,064 0,58 0,438,08 0,70,58 0,886,08 0,96,58 0,990 0,09 0,07 0,59 0,445,09 0,74,59 0,888,09 0,963,59 0,990 0,0 0,080 0,60 0,45,0 0,79,60 0,890,0 0,964,60 0,99 0, 0,088 0,6 0,458, 0,733,6 0,893, 0,965,6 0,99 0, 0,096 0,6 0,465, 0,737,6 0,895, 0,966,6 0,99 0,3 0,03 0,63 0,47,3 0,74,63 0,897,3 0,967,63 0,99 0,4 0, 0,64 0,478,4 0,746,64 0,899,4 0,968,64 0,99 0,5 0,9 0,65 0,484,5 0,750,65 0,90,5 0,968,65 0,99 0,6 0,7 0,66 0,49,6 0,754,66 0,903,6 0,969,66 0,99 0,7 0,35 0,67 0,497,7 0,758,67 0,905,7 0,970,67 0,99 0,8 0,43 0,68 0,503,8 0,76,68 0,907,8 0,97,68 0,993 0,9 0,5 0,69 0,50,9 0,766,69 0,909,9 0,97,69 0,993 0,0 0,59 0,70 0,56,0 0,770,70 0,9,0 0,97,70 0,993 0, 0,66 0,7 0,5, 0,774,7 0,93, 0,973,7 0,993 0, 0,74 0,7 0,58, 0,778,7 0,95, 0,974,7 0,993 0,3 0,8 0,73 0,535,3 0,78,73 0,96,3 0,974,73 0,994 0,4 0,90 0,74 0,54,4 0,785,74 0,98,4 0,975,74 0,994 0,5 0,97 0,75 0,547,5 0,789,75 0,90,5 0,976,75 0,994 0,6 0,05 0,76 0,553,6 0,79,76 0,9,6 0,976,76 0,994 0,7 0,3 0,77 0,559,7 0,796,77 0,93,7 0,977,77 0,994 0,8 0, 0,78 0,565,8 0,799,78 0,95,8 0,977,78 0,995 0,9 0,8 0,79 0,570,9 0,803,79 0,97,9 0,978,79 0,995 0,30 0,36 0,80 0,576,30 0,806,80 0,98,30 0,979,80 0,995 0,3 0,43 0,8 0,58,3 0,80,8 0,930,3 0,979,8 0,995 0,3 0,5 0,8 0,588,3 0,83,8 0,93,3 0,980,8 0,995 0,33 0,59 0,83 0,593,33 0,86,83 0,933,33 0,980,83 0,995 0,34 0,66 0,84 0,599,34 0,80,84 0,934,34 0,98,84 0,995 0,35 0,74 0,85 0,605,35 0,83,85 0,936,35 0,98,85 0,996 0,36 0,8 0,86 0,60,36 0,86,86 0,937,36 0,98,86 0,996 0,37 0,89 0,87 0,66,37 0,89,87 0,939,37 0,98,87 0,996 0,38 0,96 0,88 0,6,38 0,83,88 0,940,38 0,983,88 0,996 0,39 0,303 0,89 0,67,39 0,835,89 0,94,39 0,983,89 0,996 0,40 0,3 0,90 0,63,40 0,838,90 0,943,40 0,984,90 0,996 0,4 0,38 0,9 0,637,4 0,84,9 0,944,4 0,984,9 0,996 0,4 0,36 0,9 0,64,4 0,844,9 0,945,4 0,984,9 0,996 0,43 0,333 0,93 0,648,43 0,847,93 0,946,43 0,985,93 0,997 0,44 0,340 0,94 0,653,44 0,850,94 0,948,44 0,985,94 0,997 0,45 0,347 0,95 0,658,45 0,853,95 0,949,45 0,986,95 0,997 0,46 0,354 0,96 0,663,46 0,856,96 0,950,46 0,986,96 0,997 0,47 0,36 0,97 0,668,47 0,858,97 0,95,47 0,986,97 0,997 0,48 0,369 0,98 0,673,48 0,86,98 0,95,48 0,987,98 0,997 0,49 0,376 0,99 0,678,49 0,864,99 0,953,49 0,987,99 0,997 0,50 0,383,00 0,683,50 0,866,00 0,954,50 0,988 3,00 0,997 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 0 von 6

21 R. Brinkmann Seite Berechnung von Umgebungswahrscheinlichkeiten und Sigma- Umgebungen. An einigen Beispielen soll gezeigt werden, wie mit dieser Tabelle zu arbeiten ist. Zu beachten ist, dass die zu dem Wert z gehörige Umgebung immer symmetrisch zum Erwartungswert liegt.. Gegeben ist ein n- stufiger Bernoulli- Versuch mit n = 500 und p = 0,33. Zu bestimmen ist die Wahrscheinlichkeit für die Anzahl der Erfolge im Intervall [ 50 ; 80]. Es soll mit einer Genauigkeit von drei Stellen hinter dem Komma gerechnet werden. n = 500 p = 0,33 μ = 500 0,33 = 65 n = 500 μ= n p = 500 0,33 = 65 p = 0,33 σ= n p p = 65 0,67 = 0,55 0,54 > 3 ( ) = ( ) *) P50 X 80 P49,5 X 80,5 Radius um den Erwartungswert: r = μ 49,5 = 65 49,5 = 5,5 r 5,5 = z =,474 r = z σ,474 σ σ 0,55 P 50 X 80 = P μ z σ X μ+ z σ = P μ,474 σ X μ+,474 σ z =,474 Tabellenwert: 0,858 P 50 X 80 0,858 85,8% Die Wahrscheinlichkeit für die Anzahl der Erfolge im Intervall [ 50 ; 80 ] beträgt etwa 85,8% ( ) P 50 X 80 0,855 85,5% Warum sind die Intervallgrenzen um jeweils 0,5 zu vergrößern, wenn mit den Tabellenwerten der Normalverteilung die Intervallwahrscheinlichkeit bestimmt wird? Bei P( 50 X 80) = P ( 49,5 X 80,5 ) war das der Fall. Die Daten der verwendeten Tabelle basieren auf der Normalverteilung. Würde man den Radius r = = 5 wählen, so wäre dieser um 0,5 zu klein. Er würde nur die halbe Fläche der Säule von k = 50 bzw. von k = 80 berücksichtigen. Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite von 6

22 R. Brinkmann Seite Die folgende Grafik soll das erläutern. r = 4 r = 4 µ Der gewählte Radius r = 4 ist zu klein. Er berücksichtigt auf jeder Seite vom Erwartungswert eine halbe Säule zu wenig, so dass die gewählte Umgebung nicht vollständig erfasst wird. r = 4,5 r = 4,5 µ Der gewählte Radius r = 4,5 berücksichtigt auf jeder Seite vom Erwartungswert eine halbe Säule mehr, so dass die gewählte Umgebung vollständig erfasst wird. Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite von 6

23 R. Brinkmann Seite Bestimmen Sie die 90% - Umgebung vom Erwartungswert für n = 550 und p = 0,36 n = 550 μ= n p = 550 0,36 = 98 p = 0,36 σ= n p ( p) = 98 0,64 = 6,7,57 > 3 P( μ z σ X μ+ z σ ) = 0,90 Der dazugehörige z- Wert wird aus der Tabelle abgelesen für P = 0,90 z =,64 Umgebungsradius: r = z σ,64 6,7 8,46 μ z σ= 98 8,46 = 79,54 80 μ+ z σ= ,46 = 6,46 6 Das Intervall soll symmetrisch zum Erwartungswert μ= 98 liegen. Wir wählen: P( 80 X 6) Es ist zu prüfen, ob das Intervall { } der Forderung (90%) entspricht. P( 80 X 6) = P( 79,5 X 6,5) r 8,5 r = 8,5 = r,64 σ z 0,,64 σ,57 P 80 X 6 0,899 Die Wahrscheinlichkeit für die Anzahl der Erfolge im Intervall [ 80 ; 6 ] beträgt etwa 90% 90% 79, ,5 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 3 von 6

24 R. Brinkmann Seite Gegeben ist ein n- stufiger Bernoulli- Versuch. Gesucht ist die Wahrscheinlichkeit für die Ergebnisse außerhalb von Umgebungen um den Erwartungswert. a) n = 300 p = 0,56 bestimmen Sie P( X < 6) b) n = 40 p = bestimmen Sie P( X > 80) 3 zu a) n = 300 μ= n p = 300 0,56 = 68 p = 0,56 σ= n p ( p) = 68 0, 44 = 73,9 8,598 > 3 Zu bestimmen ist die Wahrscheinlichkeit für das Intervall [0 ; 6]. Aus der Tabelle kann nur die Wahrscheinlichkeit für ein um den Erwartungswert symmetrisches Intervall abgelesen werden, dieses enthält die Werte [ ]. Daran anschließend folgt das Intervall [ ], welches aus Symmetriegründen die gleiche Größe wie [0 ; 6] hat. Es gilt folgender Ansatz: [ { } { } { }] P( X < 6) = P( X 6) = P( 6,5 X 74,5) r 6,5 Radius : r = 68 6,5 = 6,5 = z = 0,756 r 0,756 σ σ 73,9 mit z 0,76 wird P( 6,5 X 74,5) = P( μ z σ X μ+ z σ) 0,553 und damit wird P( X < 6) [ 0,553] = 0,447 = 0,35 Die Wahrscheinlichkeit für weniger als 6 Erfolge ist etwa,4% P( X < 6) 0,4 =, 4% 6 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 4 von 6

25 R. Brinkmann Seite zu b) n = 40 μ= np = 40 = 80 3 p = 60 3 σ= np ( p) = 80 = 7,303> [ 0;79][ 79,5;80,5 ][ 8;40] P( X > 80) = P( 79,5 X 80,5) r 0,5 Radius : r = 80 79,5 = 0,5 = z = 0,068 r 0,07 σ σ 60 3 mit z 0,07 wird P ( 79,5 X 80,5) = P ( μ z σ X μ+ z σ) 0,056 und damit wird P X > 80 0,5 0,056 = 0,5 0,944 0, 47 Die Wahrscheinlichkeit für mehr als 80 Erfolge ist etwa 47,% P( X > 80) 0, 47 = 47,% 8 Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 5 von 6

26 R. Brinkmann Seite Bestimmen Sie die Wahrscheinlichkeit einer nicht symmetrischen Umgebung vom Erwartungswert. n = 80, p = 0,55, [ ]. = = ( ) { }{ }{ } n 80 p 0,55 bestimmen Sie P 89 X 04 Ansatz: P( 89 X 04) = P ( 89 X 09) P( 94 X 04) + n = 80 μ= np = 800,55 = 99 p = 0,55 σ= n p p = 99 0,45 = 44,55 6,675 > 3 ( ) = ( 5) P 89 X 09 P 88,5 X 09, r 0,5 r = 0,5 = z =,57 r,57 σ σ 6,675 P89 ( X 09) 0,884 P( 94 X 04) = P( 93,5 X 04,5) r 5,5 r = 5,5 = z = 0,8 r 0,8 σ σ 6,675 P94 ( X 04) 0,588 P( 89 X 04) = [ 0, ,588] = 0,736 Die Wahrscheinlichkeit der Erfolge im Intervall [89 ; 04] ist etwa 73,6% P( 89 X 04) 0,736 = 73,6% Erstellt von R. Brinkmann p9_w_rechnung_.doc :5 Seite 6 von 6

Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.

Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer. R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,

Mehr

Approximation der Binomialverteilung durch die Normalverteilung

Approximation der Binomialverteilung durch die Normalverteilung R. Brinkmann http://brinkmann-du.de Seite 4.0.007 Approimation der Binomialverteilung durch die Normalverteilung Histogramme von Binomialverteilungen sind für nicht zu kleine n glockenförmig. Mit größer

Mehr

S tandardabweichung : σ= n p 1 p = 200 0,24 0,76 6,04

S tandardabweichung : σ= n p 1 p = 200 0,24 0,76 6,04 R. Brinkmann http://brinkmann-du.de Seite 1 19.01.2008 Wahrscheinlichkeiten von Umgebungen Bei einer Binomialverteilung ist der Erwartungswert der mit der größten Wahrscheinlichkeit. In der Umgebung des

Mehr

S tandardabweichung : σ= n p 1 p = 200 0,24 0,76 6,04

S tandardabweichung : σ= n p 1 p = 200 0,24 0,76 6,04 R. Brinkmann http://brinkmann-du.de Seite 1 14.10.2007 Wahrscheinlichkeiten von Umgebungen Bei einer Binomialverteilung ist der Erwartungswert der mit der größten Wahrscheinlichkeit. In der Umgebung des

Mehr

Wenn es sich um ein faires Spiel handeln soll, muss der Einsatz 1 betragen (2) Weniger als 3 mal Wappen ( ) 32 (3) Mindestens 1 mal Wappen ( )

Wenn es sich um ein faires Spiel handeln soll, muss der Einsatz 1 betragen (2) Weniger als 3 mal Wappen ( ) 32 (3) Mindestens 1 mal Wappen ( ) R. Brinkmann http://brinkmann-du.de Seite 7.09.0 Lösungen Stochastik vermischt II Ergebnisse: E E E E4 E E6 Ergebnis Wenn es sich um ein faires Spiel handeln soll, muss der Einsatz betragen. Ergebnisse

Mehr

Casio fx-cg20 Binomialverteilung, Intervallwahrscheinlichkeit, Normalverteilung und Grenzen

Casio fx-cg20 Binomialverteilung, Intervallwahrscheinlichkeit, Normalverteilung und Grenzen R. Brinkmann http://brinkmann-du.de Seite.0.04 Casio fx-cg0 Binomialverteilung, Intervallwahrscheinlichkeit, Normalverteilung und Grenzen Intervallwahrscheinlichkeit Ein n-stufiger Bernoulli-Versuch mit

Mehr

Sigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75

Sigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75 Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert

Mehr

Kapitel VII. Einige spezielle stetige Verteilungen

Kapitel VII. Einige spezielle stetige Verteilungen Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,

Mehr

M13 Übungsaufgaben / pl

M13 Übungsaufgaben / pl Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr

Mehr

Spezielle Eigenschaften der Binomialverteilung

Spezielle Eigenschaften der Binomialverteilung Spezielle Eigenschaften der Binomialverteilung Wir unterscheiden: 1) die Wahrscheinlichkeitsfunktion einer diskreten Variablen 2) die Verteilungsfunktion einer diskreten Variablen. 1) Die Wahrscheinlichkeitsfunktion

Mehr

STETIGE VERTEILUNGEN

STETIGE 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

Mehr

4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2

4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2 4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [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

Mehr

Heute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung

Heute. 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

Mehr

Zusammenfassung 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 Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind

Mehr

Fit for Abi & Study Stochastik

Fit 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

Mehr

Mathematik für Naturwissenschaften, Teil 2

Mathematik 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

Mehr

Einführung in Quantitative Methoden

Einführung in Quantitative Methoden Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung

Mehr

Motivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik

Motivation. 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

Mehr

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet

Mehr

70 Wichtige kontinuierliche Verteilungen

70 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

Mehr

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Hypothesentest, ein einfacher Zugang mit Würfeln

Hypothesentest, ein einfacher Zugang mit Würfeln R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit

Mehr

Basiswissen 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)

Mehr

SozialwissenschaftlerInnen II

SozialwissenschaftlerInnen 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

Mehr

15.5 Stetige Zufallsvariablen

15.5 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

Mehr

Wahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel

Wahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel Wahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel Aufgaben Lösen Sie A1 und A sowohl mit der Bernoulli-Formel als auch mit dem TR(BV), die anderen Aufgaben lösen sie mit dem TR(BV). A1 Eine Familie

Mehr

Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler

Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler 6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung

Mehr

Das Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.

Das Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern. 10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung

Mehr

5. Spezielle stetige Verteilungen

5. 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

Mehr

Box. Mathematik ZU DEN KERNCURRICULUM-LERNBEREICHEN:

Box. Mathematik ZU DEN KERNCURRICULUM-LERNBEREICHEN: Box Mathematik Schülerarbeitsbuch P (μ o- X μ + o-) 68,3 % s rel. E P (X = k) f g h A t μ o- μ μ + o- k Niedersachsen Wachstumsmodelle und Wahrscheinlichkeitsrechnung ZU DEN KERNCURRICULUM-LERNBEREICHEN:

Mehr

Abiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.

Abiturvorbereitung 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

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert

Mehr

Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.

Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. .3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil

Mehr

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung

2.2 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

Mehr

6.6 Poisson-Verteilung

6.6 Poisson-Verteilung 6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt

Mehr

1. Was ist eine Wahrscheinlichkeit P(A)?

1. 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

Mehr

Von der Binomialverteilung zur Normalverteilung

Von der Binomialverteilung zur Normalverteilung Von der Binomialverteilung zur Normalverteilung Wir interessieren uns für Binomialverteilungen mit grossen Werten für n. Als Beispiele können wir uns das Experiment vorstellen, dass ein idealer Würfel

Mehr

0, t 0,5

0, t 0,5 XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------

Mehr

Abiturvorbereitung Alkoholsünder, bedingte Wahrscheinlichkeit, Hypothesentest Aufgabenblatt

Abiturvorbereitung Alkoholsünder, bedingte Wahrscheinlichkeit, Hypothesentest Aufgabenblatt R. Brinkmann http://brinkmann-du.de Seite 2.05.2009 Abiturvorbereitung Alkoholsünder, bedingte Wahrscheinlichkeit, Hypothesentest Aufgabenblatt Aufgabe 0 0. In einer bestimmten Stadt an einer bestimmten

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009

Mehr

7.5 Erwartungswert, Varianz

7.5 Erwartungswert, Varianz 7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: X

Mehr

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 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

Mehr

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit 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

Mehr

Übungen mit dem Applet Zentraler Grenzwertsatz

Übungen mit dem Applet Zentraler Grenzwertsatz Zentraler Grenzwertsatz 1 Übungen mit dem Applet Zentraler Grenzwertsatz 1 Statistischer Hintergrund... 1.1 Zentraler Grenzwertsatz... 1. Beispiel Würfeln... 1.3 Wahrscheinlichkeit und relative Häufigkeit...3

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Basistext - Wahrscheinlichkeitsrechnung

Basistext - Wahrscheinlichkeitsrechnung Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.

Mehr

Stetige Verteilungen Rechteckverteilung

Stetige 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

Mehr

Korollar 116 (Grenzwertsatz von de Moivre)

Korollar 116 (Grenzwertsatz von de Moivre) Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition 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)

Mehr

Verteilung von Summen

Verteilung von Summen Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel

Mehr

1 Stochastische Konvergenz 2

1 Stochastische Konvergenz 2 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

7.2 Moment und Varianz

7.2 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

Mehr

Lösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI

Lösungen 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

Mehr

Biostatistik, Winter 2011/12

Biostatistik, 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

Mehr

Kinga Szűcs

Kinga Szűcs Kinga Szűcs 28.10.2014 Warum wird Stochastik in der Schule unterrichtet? Welche Vorteile kann der Stochastikunterricht in den MU bringen? Welche Nachteile kann der Stochastikunterricht haben? Welche Ziele

Mehr

Normalverteilung und Standardisierung

Normalverteilung und Standardisierung Normalverteilung und Standardisierung N(0,1) z 0 z N(µ,) }{{}}{{} µ µ z z z µ+z Die Normalverteilungen N(µ, ) ergeben sich aus der Standardnormalverteilung N(0, 1) (Gaussche Glockenkurve) durch strecken

Mehr

7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen

7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen

Wahrscheinlichkeitsrechnung 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

Mehr

6.2 Approximation der Binomialverteilung

6.2 Approximation der Binomialverteilung 56 6.2 Approximation der Binomialverteilung Im Beispiel auf den Seiten 52 53 haben wir gesehen, dass die Wahrscheinlichkeiten P 50 (k) der dort betrachteten Binomialverteilung durch die Werte der Funktion

Mehr

1 Dichte- und Verteilungsfunktion

1 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

Mehr

Ausgewählte spezielle Verteilungen

Ausgewählte spezielle Verteilungen Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:

Mehr

Pfadregel. 400 Kugeln durchlaufen die möglichen Pfade. Das Diagramm zeigt das Ergebnis am Ende der Versuchsdurchführung.

Pfadregel. 400 Kugeln durchlaufen die möglichen Pfade. Das Diagramm zeigt das Ergebnis am Ende der Versuchsdurchführung. Würfelsimulation 1) Bezeichnen Sie in den Säulendiagrammen (Histogrammen - 2. Graphik) die senkrechten Achsen und vervollständigen Sie im ersten Diagramm die Achseneinteilung. Lesen Sie im Histogramm für

Mehr

Anfänger-Praktikum I WS 11/12. Michael Seidling Timo Raab Enrico Mank. Praktikumsbericht: Galton-Brett

Anfänger-Praktikum I WS 11/12. Michael Seidling Timo Raab Enrico Mank. Praktikumsbericht: Galton-Brett Anfänger-Praktikum I WS 11/12 Michael Seidling Timo Raab Enrico Mank Praktikumsbericht: Galton-Brett Inhaltsverzeichnis Inhaltsverzeichnis I. Theoretische Grundlagen 2 1. Zentraler Grenzwertsatz 2 2. Binomialverteilung

Mehr

R. Brinkmann Seite

R. Brinkmann  Seite R. Brinkmann http://brinkmann-du.de Seite 7.9. Lösungen zum Hypothesentest II Ausführliche Lösungen: A A Aufgabe Die Firma Schlemmerland behauptet, dass ihre Konkurrenzfirma Billigfood die Gewichtsangabe,

Mehr

Modelle diskreter Zufallsvariablen

Modelle diskreter Zufallsvariablen Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst

Mehr

Stellen Sie den Sachverhalt durch eine geeignete Vierfeldertafel mit relativen Häufigkeiten

Stellen Sie den Sachverhalt durch eine geeignete Vierfeldertafel mit relativen Häufigkeiten Bei der Bearbeitung der Aufgabe dürfen alle Funktionen des Taschenrechners genutzt werden. Aufgabe 4: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein.

Mehr

Berechnung von W für die Elementarereignisse einer Zufallsgröße

Berechnung von W für die Elementarereignisse einer Zufallsgröße R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.

Mehr

Institut für Biometrie und klinische Forschung. WiSe 2012/2013

Institut 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

Mehr

Übungen mit dem Applet

Übungen mit dem Applet Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung

Mehr

SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf. SBP Mathe Aufbaukurs 1

SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf. SBP Mathe Aufbaukurs 1 SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf SBP Mathe Aufbaukurs 1 # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das

Mehr

7.5 Erwartungswert, Varianz

7.5 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

Mehr

8 Experimentieren: Sigma-Regeln

8 Experimentieren: Sigma-Regeln 8 Experimentieren: Sigma-Regeln Didaktische Hinweise Mit dieser Station wird ein Unterrichtsbeispiel zur Einführung der Sigma-Regeln vorgestellt, die von den Schülerinnen und Schülern an mehreren Beispielen

Mehr

Stetige Standardverteilungen

Stetige Standardverteilungen Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen

Wahrscheinlichkeitsrechnung 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

Mehr

Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.

Anliegen: 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

Mehr

Binomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec

Binomialverteilung. 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

Mehr

Kapitel VII. Punkt- und Intervallschätzung bei Bernoulli-Versuchen

Kapitel VII. Punkt- und Intervallschätzung bei Bernoulli-Versuchen Kapitel VII Punkt- und Intervallschätzung bei Bernoulli-Versuchen Einführungsbeispiel: Jemand wirft einen korrekten Würfel 60 mal. Wie oft etwa wird er die 6 würfeln? Klar: etwa 10 mal, es kann aber auch

Mehr

Der Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),

Der 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

Mehr

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.

Veranstaltung: 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

Mehr

Statistische Methoden in den Umweltwissenschaften

Statistische Methoden in den Umweltwissenschaften Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal

Mehr

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6

Lösungen 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

Mehr

In den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt.

In den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt. .3.3 Theoretisch-prozentuale Häufigkeitsverteilung In den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt. Charakteristisch für

Mehr

P n (k) f(k) = 1 σ 2π e ) 2. σ 2π

P n (k) f(k) = 1 σ 2π e ) 2. σ 2π 53 Allgemein gilt der folgende Satz. Satz 6.1 (Lokaler Grenzwertsatz von de Moivre und Laplace) Die Wahrscheinlichkeit P n (k) einer Binomialverteilung (mit der Erfolgswahrscheinlichkeit p im Einzelexperiment)

Mehr

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97. Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )

Mehr

Eine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann

Eine 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)

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche

Mehr

Grundwissen zur Stochastik

Grundwissen zur Stochastik Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

13 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

Mehr

Die Familie der χ 2 (n)-verteilungen

Die Familie der χ 2 (n)-verteilungen Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung 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

Mehr

{ } { } Casio fx-cg20 Kombinatorik und Zufallszahlen. x-fakultät (x!) [MENU] 1 [OPTN] [F6] {PROB} Zahl {x!} [EXE] Berechne 7!

{ } { } Casio fx-cg20 Kombinatorik und Zufallszahlen. x-fakultät (x!) [MENU] 1 [OPTN] [F6] {PROB} Zahl {x!} [EXE] Berechne 7! R. Brinkmann http://brinkmann-du.de Seite 1 21.02.2014 Casio fx-cg20 Kombinatorik und Zufallszahlen x-fakultät (x!) {PROB} Zahl {x!} [] Berechne 7! {PROB} 7 {x!} [] (5040) Berechne 49!/(49-6)! 49 x! (

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II 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 persike@uni-mainz.de

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Beziehungen zwischen Verteilungen

Beziehungen zwischen Verteilungen Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie

Mehr

Marcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung

Marcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die

Mehr

Grundlagen der Wahrscheinlichkeitstheorie

Grundlagen 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,...)

Mehr