Mathematische Methoden der Biowissenschaften II
|
|
- Theresa Nadine Kästner
- vor 6 Jahren
- Abrufe
Transkript
1 Universität Bieefed SS 2007 Fakutät für Mathematik Prof. Dr. M. Baake Mathematische Methoden der Biowissenschaften II TEXed by Marc Paffen Kristina Petkau Eya Wiing Inhatsverzeichnis Eementare Konzepte und Beispiee 2. Münzwurf Mehrfacher Münzwurf Binomiaverteiung Geichverteiung Weiterentwickung der agemeinen Theorie Fortsetzung: Diskrete Verteiung Geometrische Verteiung Poisson-Verteiung Theorie neu beeuchtet, Standardgrößen Statistik 4 2. Grundegende Definitionen Merkmatypen Skaen Intervaskaierte Größen
2 Mathematische Methoden der Biowissenschaften II (Prof. Dr. M. Baake) WS 2007 TEXed by ewiing , VL 0 Eementare Konzepte und Beispiee. Münzwurf Ene Münze besitzt die zwei Zustände Kopf/Zah. Wir gehen davon aus, dass nur diese beiden Zustände eintreten können. Es sei: n Versuche: n K Anzah Kopf, n Z Anzah Zah, n K + n Z = n Man erwartet, dass n K n Z (für n groß), obwoh (wei?) jeder einzene Wurf zufäig ist. Idee: n K p }{{} K := im n n Definition.. (fair) Wahrscheinichkeit für Kopf Eine Münze heißt fair, wenn p K = p Z git (Dann ist p K = p Z = 2 ). (abstrakte) Deutung: K, 0 Z; P() = p K = p P(0) = p Z = q = p Grundraum: Ω = {0, } Ereignisraum: P(Ω) = {, {0}, {}, {0, }} entspricht hier der Potenzmenge von Ω, aso der Menge aer Teimengen. {}, {0}: sind die Eementarereignisse.2 Mehrfacher Münzwurf Ereignis Deutung Wahrscheinichkeit weder K noch Z 0 unmögiches Ereignis {0} Z q = p {} K p {0, } K oder Z Sicheres Ereignis (s, s 2,...,s n ), s i {0, } Wie hoch ist die Wahrscheinichkeit -ma eine zu werfen? (Frage: P( ma )?) Ansatz: 2 n mögiche Eemtarereignisse, davon ( ) n = n!!(n )! mit ma. Daraus fogt: ) P( ma ) = P = 2 n ( n 0 2
3 Konsistenzcheck P = 2 n ( ) n = etztes Sem. Beispie n = 4 P Agemeiner P(K) = p, P(Z) = p = q, 0 p ( ) P( ma ) (!) n = P = p ( p) n Check ( ) n p ( p) n = (p + ( p)) n = n =.2. Binomiaverteiung Definition.2. (Binomiaverteiung) Die durch P := ( ) n p ( p) n, 0 p, n gegebene Verteiung heißt Binomiaverteiung zu den Parametern n und p, abgekürzt as B(n, p). Frage: Wieviee er dürfen wir denn erwarten? m := = P = n = n = n = ( n ( n k k=0 n ( n =n p k k= ( ) n p ( p) n ) p ( p) n = ) p k+ ( p) n k ) p k ( p) n k = n p Dabei heißt m Mittewert oder Erwartungswert der Verteiung. 3
4 Mathematische Methoden der Biowissenschaften II (Prof. Dr. M. Baake) WS 2007 TEXed by mpaffen , VL 02 Frage: Wie stark variiert das Ergebnis? V := ( m) 2 P = ( 2 2m + m 2 ) P ( n ) ( n ) n = 2 P 2m P +m 2 ( n ) = 2 P m 2 } {{ } m P }{{} Diese Größe heißt Varianz, und σ := V heißt Standardabweichung der Verteiung. Der Ausdruck 2 P heißt 2. Moment. Um die Varianz zu bestemmen müssen wir noch das 2. Moment berechnen: ( ) n ( ) n 2 P = p ( p) n = 2 p ( p) n = ( ) n = n p ( p) n = n = n p ( ) n ( + ) = p ( p) n =0 = n p Damit erhaten wir: Satz.2. [ n =0 ( ) ] n p ( p) n + } {{ } = = n p + n (n ) p 2 [ n V = n p + n(n )p 2 n 2 p 2 = n p + (n 2 n)p 2 n 2 p 2 ( ) ] n p ( p) n =0 }{{} =(n ) p = n p + n 2 p 2 n p 2 n 2 p 2 = n p n p 2 = n p ( p) = n p q Die Binomiaverteiung B(n, p) besitzt die (eementaren) Wahrscheinichkeiten ( ) n P = p ( p) n, 0 n, 4
5 den Erwartungswert und die Varianz m = n p V = n p q (q = p) Beispie: Faire Münze p = q = 2 m = 2 n, V = n 4 n bzw. σ = 2 n = 00, m = 50, σ = 5 Beachte: 2 n ist noch ziemich groß..2.2 Geichverteiung Ein anderes Beispie: Der kassische Würfe Eementarereignisse (Ω) :, 2, 3, 4, 5, 6 Fair: P() = = P(6) = 6 Erwartungswert: m = 6 = 6 = = 7 2 oder: P + 2 P(2) P(6) = ( ) 6 = 6 k(k + ) 2 = k= = 7 2 = 3, 5 ( 6 ) Varianz V = = = 35 2 = Definition und Satz.2. (Geichverteiung) Der faire Würfe mit n Seiten wird durch die Geichverteiung beschrieben, mit P = P 2 = = P n = n. Dabei git: m = (n + ) 2 V = (n + ) (n ) 2 Beweis: (i) (ii) m = n ( n) = n n + n (n + ) = P = = = 2 n = n = 2 (!) = n (n + )(2n + ) n (n + ) (2n + ) = 6 6 5
6 Dann ist die Varianz: V = (n + )(2n + ) 6 (n + )2 4 = = n2 2 = (n + )(n ) 2.3 Weiterentwickung der agemeinen Theorie Ω = {, 2, 3, 4, 5, 6} P(Ω) = {, {}, {2}, {3},..., {6}, {, 2}, {, 3},..., Ω} (Grundraum) Ereignisraum Der Ereignisraum hat 2 6 Eemente. Deutung: Wahrschenichkeiten: unmögiches Ereignis {}, etc Eementarwurf {, 2} Wurf von oder 2. {, 3, 5} Wurf ist ungerade. {, 2, 3, 4, 5, 6} sicheres Ereignis A P(Ω) P(A) Wir nehmen an, dass P(A) für ae A P(Ω) existiert. Axiome (offensichtiche Eigenschaften) 0 P(A), P( ) = 0 P(Ω) = A P(Ω) A B = P(A B) = P(A) + P(B) Ā := Ω \ A P(Ā) = P(A) Kompementärereignis Dies motiviert: Definition:.3. (Wahrscheinichkeitsraum) Ist ein endicher Grundraum Ω gegeben, zusammen mit einer Abbidung. P : P [0, ], die Axiome erfüt, so heißt das Tripe (Ω, P(Ω), P) ein Wahrscheinichkeitsraum. Beispie: Münzwurf, Würfe, Rouette Probem: Wenn Ω nicht endich ist, muss man P(Ω) durch eine keinere Menge ersetzen, genannt Σ. Satz von Vitai P(Ω) dann nicht mögich..4 Fortsetzung: Diskrete Verteiung.4. Geometrische Verteiung Ausgangspunkt: (gezinkte) Münze: Bernoui-Experiment mit Wahrscheinichkeit 0 < p < 6
7 Frage: Was ist die Wahrscheinichkeit, dass (Kopf) genau beim n-ten Wurf zum ersten ma auftritt? Normierung: Satz.4. P( zum ersten Ma genau in Wurf n) = ( p) n p = P n (Ω = N) P n = ( p) n p = p ( p) = p ( p) = p p = Die geometrische Verteiung mit Parameter p, 0 < p <, ist durch die Wahrscheinichkeit P n = ( p) n p, n N, gegeben. Sie erfüt m = p und V = p p 2 7
8 Mathematische Methoden der Biowissenschaften II (Prof. Dr. M. Baake) WS 2007 TEXed by kpetkau , VL 03 Erwartungswert: Varianz: m = n P n = n ( p) n p =p n x x= p n d = p (!) =p d dx n=0 x n }{{} x dx xn (!) x= p = p d dx x n x= p d = p = p dx x ( x) 2 = p p 2 = p x= p x= p x= p 2.Moment: n 2 P n = n 2 ( p) n p = p n d dx xn }{{} Varianz: (!!) =p =p d dx ( d x dx ) d dx xn = p x= p n x n d dx x= p x d dx }{{ x } ( x) 2 x= p x + x ( x) 2 =... = p ( x) 3 = 2 p p 2 x= p x= p V = 2 p p 2 V =2. Moment m 2 p 2 = p p p 2 σ = p Beispie: Ideaer Würfe Wann erscheint eine 6? p =, m = 6, V = 30 (groß!) Poisson-Verteiung Betrachte B(n, p) mit n riesig und p kein unbequem! Setze λ = n p Asymptotisch betrachten wir einen Grenzwert: { n p 0 } mit λ = n p 8
9 In diesem Limes wird die Wahrscheinichkeit, dass genau n-ma eintritt (extrem gezinkte Münze) gegeben durch: P(n ma ) = P n = λn n! e λ (n N 0 ) Der Beweis fogt mit der sogenannten Stiringschen Forme, wird hier aber ausgeassen. Normierung: Erwartungswert: n=0 λ n n! e λ = e λ n=0 n=0 λ n n! }{{} e λ n λn n! e λ = λe λ = e λ e λ = e 0 = λ n (n )! } {{ } =e λ = λ 2.Moment: n=0 n 2 λn n! e λ = λe λ (n )! = d λe λ dλ (n )! n n λn (!) = λe λ d λ n dλ (n )! = d λe λ dλ n λ λ n (n )! n = d ( λe λ λe λ ) dλ }{{} e λ = λe λ (e λ + λe λ ) = λ + λ 2 λ n Varianz: V = 2. Moment m 2 = λ + λ 2 λ 2 = λ Satz: Die Poisson-Verteiung mit Parameter λ > 0 ist gegeben durch die Wahrscheinichkeiten Sie besitzt Erwartungswert und die Varianz P n = λn n! e λ, n N 0. m = λ V = λ. 9
10 Beispie/Anwendung: (i) radioaktive Zerfäe pro Zeiteinheit. (ii) # Rosinen pro Voumeneinheit in (eng.) Kuchen (iii) # Regentropfen pro Pfasterstein und Zeiteinheit (iv) # Pferdehufschagtote in preussischen Kavaerieregimenten Drei Bemerkungen: (i) ( ) α n = α(α )... (α n+) n!, (α R) ( ) α (ii) ( + x) α = x n, für α R und x < (Newton 667) n n=0 (iii) Poisson aus Binomia Ergänzung! Siehe Skript 0
11 .5 Theorie neu beeuchtet, Standardgrößen Zurück zu (Ω, P(Ω), P)(bzw.(Ω, Σ, P)): Da Ω recht abstrakt sein kann ( Farbe,Kopf/Zah), benötigt man noch ein Konzept zum Quantifizieren. Definition.5. (Zufasvariabe, ZV) Unter einer Zufasvariabe (ZV) versteht man eine Abbidung X : Ω R. Die Werte, die X annehmen kann, heißen Ihre Reaisierungen. Je nach Bidbereich nennt man X diskrete oder kontinuieriche Zufasvariabe. Beispie: Ω = {Kopf, Zah}; X : Ω R : X(Kopf) = X(Zah) =0 Wei der Münzwurf zufäig ist, mit Ereignis w Ω, ist auch x = X(w) zufäig. Notation: X für Zufasvariabe, x für Reaisierung (oder auch K für Zufasvariabe, k für Reaisierung) Zuordnung: (im diskreten Fa): p i = P(X = x i ) = Definition.5.2 (Verteiungsfunktion) j X(w j)=x i P(w j ) Sei X eine Zufasvariabe, zum Wahrscheinichkeitsraum (Ω, Σ, P). Dann heißt: die zugehörige Verteiungfunktion. Eigenschaften (i) 0 F(x), mit im x ± F(x) = (ii) x y F(x) F(y) Beipie: Münzwurf: X(Ω) = {0, } R F(x) := P(X x) { (+) 0 ( ) (Monotonie) GRAPH rechtsseitig stetig Für diskrete Zufasvariaben ist die Verteiungsfunktion eine Funktion mit Sprungsteen versehen. Für kontinuieriche Zufasvariaben hingegen sieht das vieeicht so aus: GRAPH
12 Dies iegt nahe: x F(x) }{{} = f(ξ) }{{} dξ Verteiungsfunktion f(ξ)ist Dichtefunktion, f 0, Fäche Beispie: Geichverteiung auf [a, b] GRAPH, Funktionen { f(x) = b a, wenna x b 0, sonst 0, x < a x a F(x) = b a, a x b, b x P(X [α, β]) = β Definition.5.3 (Standardgrößen (E,V,SD)) Ist X eine diskrete Zufasvariabe (über(ω, Σ, P)), so heißt ihr Erwartungswert. Ist X kontinuierich, mit Dichte f(x), so ist Agemein: Weiter heißt E(g(x)) := + α f(x) dx = F(β) F(α) (!) m := E(X) := x i P(X = x i ) m := E(x) := + x f(x)dx g(x) f(x)dx (bzw. E(x) = V = E((X m) 2 ) Varianz von X, und σ = V heißt Standardabweichung. i (g(x i )) P(X = x i )) Lemma.5.: E ( (X m) 2) = E ( X 2) m 2 = E ( X 2) ( E(X) 2) 2
13 Beweis: Wie früher, nämich : E(.) ist inear!!! E ( (X m) 2) =E(X 2 2mX + m 2 ) = E(X 2 ) 2m E(X) +m 2 E() }{{}}{{} m = =E(X 2 ) 2m 2 + m 2 =E(X 2 ) m 2 =E(X 2 ) (E(X)) 2 3
14 Mathematische Methoden der Biowissenschaften II (Prof. Dr. M. Baake) WS 2007 TEXed by mpaffen , VL 05 2 Statistik Angenommen, wir haben eine faire Münze. Sie wird 4 ma geworfen. Wie hoch ist dann die Wahrschienichkeit 2 ma Kopf zu erhaten. P 4 (2 Erfoge) = ( ) 4 2 ( ) 2 2 ( ) 2 2 Wahrscheinichkeitsrechnung Berechne Wahrscheinichkeiten Schüsse über die Verteiung (schießende Statistik) Sammung und Darsteung von Daten (Beschreibende Statistik) 2. Grundegende Definitionen Beschreibende Statistik befasst sich mit der Sammung und Darsteung der Daten. Schießende Statistik zieht Schüsse über die Verteiung auf Geund von gesammeten Daten. Statistiche Einheiten sind die Objekte/Personen, über die wir unsere Daten samme, Gegenstück in der Wahrscheinichkeitsrechnung ist ω. Grundgesamtheit ist die Menge aer statistischen Einheiten. Gegenstück in der Wahrscheinichkeitsrechnung ist Ω. Stichprobenumfang nennt man die Größe der Stichprobe. Stichprobe ist eine Teimenge der Grundgesamtheit. (Teigesamtheit). x,...,x n. Die einzenen Eemente der Stichprobe müssen dabei zufäig (gut gemischt) aus der Grundgesamtheit ausgewäht werden. Merkmae sind Größen, die an den statistischen Einheiten gemessen werden. Merkmasprägungen sind die mögichen Werte der Merkmae. 2.. Merkmatypen Diskrete Merkmae haben endich viee oder abzähbar unendiche mögiche Werte. Stetige Merkmae können ae Werte eines Intervas annehmen. Stetige Merkmae assen sich durch Gruppierung des Intervas in diskrete Merkmae transformieren. 4
15 2..2 Skaen Nominaskaierte Merkmae sind soche, deren Werte Namen (Bezeichnungen) sind. (Farbe, Reigion, Geschecht) Ordinaskaierte Merkmae sind deren Werte Ordnungsreationenn zuassen, aber Wertedifferenzen haben keine Bedeutung. (Engagement) Intervaskaierte Merkmae erauben Ordnungsreationen und die Wertedifferenzen enthaten Informationen. (Temperatur) 2.2 Intervaskaierte Größen Merkma Ausprägung Stichprobe Skaenart auszähen ordnen Differenz biden nomina ja nein nein ordina ja ja nein interva ja ja ja Zufasvariabe X Die Mögichen Werte von X x, x 2,..., x n (unabhängige, zufäige n Reaisierungen von X) Ordne nach Werten ξ < ξ 2 <... < ξ r, r n Absoute Häufigkeiten Reative Häufigkeiten approkimierte wahrscheinichkeit empirischer Mittewert empirische Varianz n, n 2,..., n r, n j = n h j := n j n, hj = h = n n, h 2 = n 2 n,..., h r = n r n x x 2... x n ξ < ξ 2 <... < ξ r n n 2... n r h h 2... h r im n h j = p j = P(X = ξ j ) x := x x n n j = n r n i ξ i i= s 2 := (x x) (x n x) 2 n 5
16 Index Binomia -verteiung, 3 Binomiaverteiung, 5 Ereignisraum, 2 Erwartungswert, 3 Binomiaverteiung, 5 fair, 2 Geichverteiung, 5 Grundraum, 2 Münzwurf, 2 -mehrfacher, 2 Mittewert, 3 Raum Ereignis-, 2 Grund-, 2 Standardabweichung, 4 Varianz, 4 Binomiaverteiung, 5 Verteiung Binomia-, 3 Wahrscheinichkeitsraum, 6 6
Programm. 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
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
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
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
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
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)
Mehr7.2 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
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
Mehr7.5 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
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
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:
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
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
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
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)
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie
Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 5. Erwartungswert E und Varianz V Literatur Kapitel 5 * Storrer: (37.9)-(37.12), (38.4), (40.6)-(40.9), (41.2) * Stahel: Kapitel 5 und 6 (nur
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
Mehr7.7 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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
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
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
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,
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrBei 10 dieser Würfe wurde gleichzeitig eine 1 gewürfelt. Bei 25 dieser Würfe wurde gleichzeitig eine Augenzahl größer als 2 gewürfelt.
3 Wahrscheinlichkeiten 1 Kapitel 3: Wahrscheinlichkeiten A: Beispiele Beispiel 1: Ein Experiment besteht aus dem gleichzeitigen Werfen einer Münze und eines Würfels. Nach 100 Wiederholungen dieses Experiments
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
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
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
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
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
MehrPaarweise Unabhängigkeit vs. Unabhängigkeit
Paarweise Unabhängigkeit vs. Unabhängigkeit Beispiel: Wir betrachten das Szenario von zuvor. Wissen bereits, dass A 1, A 2 und A 1, B unabhängig sind. Analog folgt, dass A 2 und B unabhängige Ereignisse
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
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
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
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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
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 ]
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
MehrKapitel 6. Irrfahrten und Bernoullischemata
Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 12
Übung zur Vorlesung Statistik I WS 2013-2014 Übungsblatt 12 20. Januar 2014 Die folgenden ufgaben sind aus ehemaligen Klausuren! ufgabe 38.1 (1 Punkt: In einer Studie werden 10 Patienten therapiert. Die
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrMathematische 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+
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,
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
MehrAufgabe Punkte
Institut für Mathematik Freie Universität Berlin Carsten Hartmann, Stefanie Winkelmann Musterlösung für die Nachklausur zur Vorlesung Stochastik I im WiSe 20/202 Name: Matr.-Nr.: Studiengang: Mathematik
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrFourierreihenentwicklung Prof. K. Weinberg Universität Siegen Lehrstuhl für Festkörpermechanik
Fourierreihenentwickung Prof. K. Weinberg Universität Siegen Lehrstuh für Festkörpermechanik Mathematische Grundagen für Einfachreihenentwickungen Für viee mathematische, physikaische und technische Probeme
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Josef Leydold c 2006 Mathematische Methoden II Wahrscheinlichkeitstheorie 1 / 24 Lernziele Experimente, Ereignisse und Ereignisraum Wahrscheinlichkeit Rechnen mit Wahrscheinlichkeiten
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
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............................
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
MehrWahrscheinlichkeitstheorie. Alea iacta est!
Wahrscheinlichkeitstheorie Alea iacta est! "Wissenschaftliche Theorien, die auf Eigenschaften einer großen Zahl von Individuen rekurrieren, [...] werden anfällig gegen Fehlinterpretationen, wenn man die
Mehrp k (1 p) n k s k = (1 p + ps) n. k p(1 p) k 1 s k ((1 p)s) k 1 =
Binomialverteilung Für X Bin(n, p) gilt nach der binomischen Formel G X (s) = E[s X ] = n ( ) n p k (1 p) n k s k = (1 p + ps) n. k Geometrische Verteilung Sei X eine geometrisch verteilte Zufallsvariable
MehrMathematische 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
MehrModelle 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
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
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.
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 5. Erwartungswert E und Varianz V Literatur Kapitel 5 * Storrer: (37.9)-(37.12), (38.4), (40.6)-(40.9), (41.2) * Stahel: Kapitel 5 und 6 (nur
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
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
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
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
MehrMultivariate Zufallsvariablen
Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse.
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
Mehr