MATLAB-Praktikum 2: Wahrscheinlichkeiten, Simulation
|
|
- Gabriel Meissner
- vor 7 Jahren
- Abrufe
Transkript
1 Stochastik f ur ET SS 2017 Juliane.Schuetze@fh-jena.de MATLAB-Praktikum 2: Wahrscheinlichkeiten, Simulation 1. Die diskrete Zufallsgröße X habe folgende Verteilung i p i a) Berechnen Sie die Wahrscheinlichkeiten P (X 5); P (2 X < 7); P (X > 4) sowie Erwartungswert EX, Varianz V arx : b) Berechnen Sie für Y = 3 X 4 die analogen Größen wie unter a) c) Berechnen Sie für Z = X 2 =2 die analogen Größen wie unter a) De nieren Sie jeweils die Vektoren X der Realisierungen und p der Wahrscheinlichkeiten als Spaltenvektoren. a) Summation von ausgewählten Komponenten von p sum(p) summiert alle Komponenten des Vektors p p(x<=5) wählt die Komponenten p(i) von p aus, für die X(i) <= 5 wahr ist sum(p(x<=5)) summiert die Elemente p(i) auf, für die Bedingung X(i) <= 5 wahr ist dabei kann die Bedingung auch eine Verknüpfung mehrerer logischer Ausdrücke sein, z.b. (2 <= X & X < 7) Erwartungswert m = P i p i : : y komponentenweises Produkt der Vektoren ; y gleicher Dimension; ist Vektor y Skalarprodukt der Vektoren ; y, mit Zeilenvektor, y Spaltenvektor; ist Zahl Varianz v = ((X m):^2) 0 p se a): P (X 5) = 0:29; P (2 X < 7) = 0:47; P (X > 4) = 0:89 m = 6:34, v = 3:8644 b), c) analog se b): P (Y 5) = 0:10; P (2 Y < 7) = 0:07; P (Y > 4) = 0:95 m = 15:02, v = 34:7796 se c) P (Z 5) = 0:05; P (2 Z < 7) = 0:02; P (Z > 4) = 0:95 m = 22:03, v = 140: Für folgende Vektoren X und Y ist die gemeinsame Verteilung in folgender Tabelle gegeben. Berechnen Sie die Randverteilungen von X und Y sowie ihre Korrelation (vgl. Aufgabe 6 aus Übungsserie ). Y p(,y) X
2 X = [ ] (Spaltenvektor) Y = [001 2] (Spaltenvektor) py = B A sum(a,1) summiert Komponenten der Marti A spaltenweise; ist Zeilenvektor sum(a,2) summiert Komponenten der Marti A zeilenweise; ist Spaltenvektor sum(a(:)) summiert alle Komponenten der Marti A; ist Zahl Randverteilung von X: p=sum(py; 2) (Spaltenvektor p) Randverteilung von Y : py=sum(py,1) (Zeilenvektor py) Korrelation von X und Y = Cov(X; Y )=sqrt(v arx V ary ) Hilfsgrößen EX; EY; V arx V ary wie in Aufgabe 1 sowie Cov(X; Y ) = E(X EX)(Y EY ) = P 6 P 3 i=1 k=1 ( i nach folgenden Schritten EX)(y k EY ) p y (1) Erzeugen der Matri X_mal_Y der Produkte aller Realisierungen ( i EX)(y k EY ) (gleiche Anordnung wie in Matri py): X_mal_Y = (X EX) (Y EY ) 0 (X EX ist Spaltenvektor, Y EY ist Zeilenvektor, Produkt ergibt Matri!) (2) mexy = X_mal_Y: py (elementweises Produkt der Matrizen X_mal_Y und py) (3) Cov(X; Y ) = sum(mexy (:)) damit Berechnung der Korrelation = Cov(X; Y )=sqrt(v arx V ary ) se EX = 2.8; EY = 0.7; EXY = 0 V arx = 1:66; V ary = 0:61; Cov(X; Y ) = 0 (angegeben als 6: ); rho = 0 3. Wenn beide Elternteile Linkshänder sind, ist ihr Kind mit Wahrscheinlichkeit 0.26 auch Linkshänder. Betrachtet man in 20 solcher Familien jeweils die erstgeborenen Kinder, mit welcher Wahrscheinlichkeit ndet man darunter a) keinen Linkshänder b) weniger als 4 Linkshänder c) mehr als 8 Linkshänder binopdf(,n,p) P (X = ) = n p (1 p) n Einzelwahrscheinlichkeit für Erfolge bei n Versuchen, Erfo binocdf(,n,p) P (X ) = P n k=0 k p k (1 p) n k Kumulative Wahrscheinlichkeit für Erfolge se a) , b) , c) Es wird erwartet, dass ein neues Medikament in 1% aller Fälle eine bestimmte Nebenwirkung verursacht. (vgl. Übungsserie 2) Wie viele Probanden n müssen in einer Studie mindestens erfasst werden, um diese Nebenwirkung mit Sicherheit von 95% mindestens einmal (zweimal, dreimal) zu beobachten? 2
3 Finden Sie durch Modellierung mit der Binomialverteilung jeweils eine geeignete Gleichung für n und lösen Sie diese numerisch mit MATLAB. X: Anzahl NW bei n Probanden, X ~Bin(n, p=0.01) P(mindestens einmal NW bei n Probanden) = P(X 1) = 1 P (X = 0) = 1 binopdf(0; n; 0:01) 0:95 äquivalent zu binopdf(0; n; 0:01) 0:05 P(mindestens zweimal NW bei n Probanden) = P(X 2) = 1 P (X = 0) P (X = 1) = 1 binocdf(1; n; 0:01) 0:95 äquivalent zu binocdf(1; n; 0:01) 0:05 P(mindestens dreimal NW bei n Probanden) = P(X 3) = 1 P (X = 0) P (X = 1) P (X = 2) = 1 binocdf(2; n; 0:01) 0:95 äquivalent zu binocdf(2; n; 0:01) 0:05 Variante 1 Ungleichung jeweils über while-schleife lösen (n schrittweise erhöhen, bis Ungleichung erfüllt ist) Variante 2 Ungleichungen umstellen: alles auf rechte Seite bringen, Vektor y(n) berechnen mit Wert der rechten Seite als n te Komponente Inde n nden, bei dem erstmals Komponente positiv ist y(n) = 0:05 binocdf(2; n; 0:01) y=[]; for n=1:1000 y=[y;0.05-binocdf(2,n,0.01]; end; ind= nd(y>0,1, rst ) se mind 1 NW: n = 299 mind 2 NW: n = 473 mind 3 NW: n = Ein Student benötigt für die Konstruktion eines Schaltkreises 12 Chips einer bestimmten Sorte. Er kann sie bei einem Hersteller kostengünstig bestellen, allerdings produziert dieser Hersteller mit 4% Ausschuss. Wie viele Chips sollte er bestellen, um mit Sicherheit 0.99 über genügend intakte Chips zu verfügen? bei n bestellten Chips ist die Anzahl X von intakten Chips dieses Herstellers binomialverteilt mit X~Bin(n; p = 0:96) n ist so zu bestimmen, dass P (X 12) 0:99! P (X 12) = P (X = 12) + ::: + P (X = n) = 1 binocdf(11; n; 0:96) > 0:99 ausprobieren, wann die Summe erstmalig > 0:99 ist (analog Aufgabe 4) 15 Chips 6. Eine Fluggesellschaft hat aus bisherigen Daten ermittelt, dass etwa 4% der reservierten Flüge nicht angetreten werden. Daher plant sie zukünftig eine Überbuchung von Maschinen mit 250 Sitzplätzen um 10 Reservierungen. Mit welcher Wahrscheinlichkeit wird dann noch jeder Fluggast, der die Reservierung in Anspruch nehmen möchte, mit der gebuchten Maschine befördert? Mit wie vielen Plätzen darf überbucht werden, wenn man das Risiko, dass nicht alle diese Fluggäste befördert werden können, auf 5% begrenzen möchte? Lösen Sie die Aufgabe 3
4 a) unter Verwendung der Binomialverteilung b) durch Näherung mit der Normalverteilung. a) X : Anzahl in Anspruch genommener Reservierungen bei 260 Buchungen, X~Bin(n = 260; p = 0:96); P (X 250) = binocdf(250; 260; 0:96) = 0:5944 d.h. in etwa 40% der Flüge werden nicht alle Fluggäste befördert!!! maimale Anzahl möglicher Überbuchungen, damit P (X 250) > 0:95 n = 256 : Wkt.= 0:945 n = 255 :Wkt. = 0:9764 bei Überbuchung mit 5 Plätzen ist Sicherheit > 0:95; dass alle Fluggäste mit Reservierung befördert werden können b) nach Grenzwertsatz von Moivre-Laplace gilt für X~Bin(n; p) näherungsweise X~N V mit den Parametern = n p; 2 = n p (1 p) normcdf(,mu,sigma) P (X ) Kumulative Wahrscheinlichkeit für X~N(mu; sigma 2 ) n p= 260 : mu = n p = 260 0:96 = 249:6; 2 = n p (1 p) = 260 0:96 0:04 = 9:984! sigma = 9:984 = 3:1597 P (X 250) normcdf(250; 249:6; 3:1597) = 0:5504 0:5504 6= 0:5944 Näherung ist also ziemlich schlecht (Binimialverteilung bei p = 0:96 sehr schief im Unterschied zur NV) Achtung: Streuungsparameter der NV bei MATLAB ist Standardabweichung!!! 7. An einem Server gehen Anfragen von 3 Zwischenstellen ein, die unabhängig voneinander als poissonverteilt mit den Parametern 1 = 3; 2 = 3:5; 3 = 5 pro Minute verteilt sind. Berechnen Sie die Verteilung der insgesamt eingehenden Anfragen pro Minute sowie die Wahrscheinlichkeit dafür, dass mehr als 15 Anfragen pro Minute eingehen. poisspdf(,lambda) P (X = ) = poisscdf(,lambda) P (X ) = P k=0! e Punktwahrscheinlichkeit bei Poissonverteilung, lambda = = E k k! e Kumulative Wahrscheinlichkeit für X~P ois() Anzahl Anfragen an Zwischenstellen:X i ~P ois( i ); i = 1; 2; 3 Verteilung der insgesamt eingehenden Anfragen pro Minute am Server S (Summe von unabhängigen Poissonverteilungen) S = X 1 + X 2 + X 3 es ist S~P ois( ); also = = 11:5 P (S > 15) = 1 P (S 15) = 1 poisscdf(15; 11:5) Wahrscheinlichkeit dafür, dass mehr als 15 Anfragen pro Minute eingehen: p = 0: Eine bestimmte Krankheit kann durch einen Bluttest eindeutig nachgewiesen werden. Sie trete mit Wahrscheinlichkeit p auf. Der Test erfolgt bei n Personen üblicherweise separat, so dass n Tests erforderlich sind. Alternativ kann man die n Blutproben mischen und das Gemisch testen (von jeder Probe nur ein Teil in Mischung geben): falls Test dieses Gemischs negativ ist, sind alle n Personen negativ diagnostiziert, bei positivem des Gemischs muss man jede Probe noch einmal separat testen, man braucht dann also zusätzlich n 1 Tests, falls die ersten n 1 negativ sind (der n-te muss dann positiv sein), und man braucht also zusätzlich n Tests in jedem der übrigen Fälle. (Dieses Verfahren wurde bei Armeeangehörigen im 2.Weltkrieg für den Test auf Syphilis angewandt.) a) Berechnen Sie für eine Erkrankungswahrscheinlichkeit p = 0:1 und n = 3 die erwartete Anzahl von Tests. 4
5 b) Wie großist die Anzahl n der zu mischenden Proben für eine Optimierung der Kosten pro Person bei p = 0:1 zu wählen? c) Wie ändert sich n bei p = 0:05 bzw. p = 0:2? a) Verteilung der benötigten Anzahl A von Tests bei n Personen A = 1 mit Wahrscheinlichkeit p 1 = 0:9 n (alle gesund) A = 1 + (n 1) = n Tests mit Wahrscheinlichkeit p 2 = 0:9 n 1 0:1 (genau ein Kranker im letzten Einzeltest, der zwangsläu g positiv sein muss, also Test muss nicht mehr durchgeführt werden) A = 1 + n = n + 1 Tests mit Wahrscheinlichkeit p 3 = 1 0:9 n 0:9 n 1 0:1 für n = 3 P (A = 1) = 0:729 P (A = 3) = 0:081 P (A = 4) = 0:19 Erwartungswert der Anzahl der Tests: EA = 1:732 Verhältnis zu n : 1:732=3 = 0: b) für verschiedene Werte von n Erwartungswert berechnen, durch Anzahl n Testpersonen dividieren und min suchen n = 4 : P (A = 1) = 0:6551 P (A = 4) = 0:0531 P (A = 5) = 0:2818 EA = 1 0: :9 3 0:1 + 5 (1 0:9 4 0:9 3 0:1) = 2:302 7 Verhältnis 2:302 7=4 = 0: n = 5 : EA = 1 0: :9 4 0:1 + 6 (1 0:9 5 0:9 4 0:1) = 2:981 9 Verhältnis 2:981 9=5 = 0:59638 optimal ist also n = 4 c) analog b) p = 0:05 : n = 2 bis7 pro Gruppe ergibt Erwartungswerte 1: :6991 2:0904 2:5508 3:0749 Verhältnisse 0:5737 0:4609 0:4248 0:4181 0:4251 0:4393, somit n = 5 p = 0:2 : n = 2 bis7 pro Gruppe ergibt Erwartungswerte 1:5600 2:3360 3:2592 4:2797 5:3616 6:4796 Verhältnisse 0:7800 0:7787 0:8148 0:8559 0:8936 0:9257, somit n = 3 9. Die Wartezeit an einer Kasse in einem Supermarkt (in min) sei normalverteilt mit N (7, 1,9 2 ). a) Mit welcher Wahrscheinlichkeit liegt die Wartezeit unter 5 min? b) Mit welcher Wahrscheinlichkeit liegt sie über 10 min? c) Mit welcher Wahrscheinlichkeit liegt sie zwischen 5 und 10? normcdf(b,mu,sigma) - normcdf(a,mu,sigma) P (a < X b) normcdf(b,mu,sigma) P (X b) 1 normcdf(a,mu,sigma) P (X > a) Achtung: Streuungsparameter im Kommando von MATLAB ist die Standardabweichung! a) , b) , c) Zwei Ohmsche Widerstände R 1 und R 2 werden hintereinander geschaltet. Sie seien unabhängig und normalverteilt mit 1 = 500; 1 = 10 bzw. 2 = 200; 2 = 4 (alles in ):In welchen Grenzen (700 "; ") liegt mit Sicherheit 0.99 der Gesamtwiderstand R 1 + R 2? Verteilung von R 1 + R 2 nach Additionssatz: R 1 + R 2 ~N(700; 116) (Achtung: es addieren sich die Varianzen 2 i!!!) 5
6 0:99 = P (700 " < X < ") = ( " p 116 ) ( " p 116 ) = 2( " p 116 ) 1 1:99 2 = ( " p 116 )! " p 116 = norminv (0:995; 0; 1)! " = p 116norminv (0:995; 0; 1) " = 27:7425; Intervall (672:2575; 727:7425) 11. Die Zeit (in h) zwischen dem Eintre en zweier Telefonanrufe an einem Anschluss sei eponential verteilt mit dem Parameter = 0:5h 1. a) Wieviel Zeit vergeht im Mittel zwischen dem Eintre en von 2 Anrufen? b) Mit welcher Wahrscheinlichkeit tri t länger als eine Stunde kein Anruf ein? epcdf(,mu) P (X ) Kumulative Wahrscheinlichkeit für X bei X~ ep(1=mu) wobei mu = EX a) X Dauer zwischen zwei Anrufen, X~ ep( = 0:5) Erwartungswert ist EX = 1 = 1 0:5 = 2 b) Achtung: Parameter der Eponentialverteilung in MATLAB ist der Erwartungswert EX (im Unterschied zu den meisten Lehrbüchern und dem Vorlesungsskript, dort ist = 1=EX), also für MATLAB hier lambda = 2 verwenden P (X > 1) = 1 P (X 1) = 1 epcdf (1; 2) P (X > 1) = 0: Die zufällige Lebensdauer X (in h) eines Gerätetyps mit Verschleißerscheinung kann durch eine Weibull- Verteilung 8 mit der Dichte < 0 0 f() = : beschrieben werden. Es sei bekannt, dass nach 400 h Betriebsdauer 95% der Geräte ausgefallen e a > 0 a a sind. a) Bestimmen Sie den Parameter a und geben Sie die Verteilungsfunktion an. b) Wie großist die Wahrscheinlichkeit, dass ein Gerät länger als 300 Stunden arbeitet? c) Wie großist die Wahrscheinlichkeit, dass ein Gerät insgesamt länger als 300 Stunden arbeitet, wenn seine Lebensdauer bereits 200 Stunden überschritten hat? wblcdf(,a,b) P (X ) Kumulative Wahrscheinlichkeit für X bei X~weibull(a; b) mit unten stehend a) allgemeine 8 Form der Dichte der zweiparametrigen Weibull-Verteilung < 0 0 f() = : b b b 1 ; somit ist b = 5 e a > 0 a a Verteilungsfunktion F () = 1 e Berechnung von a aus Bedingung P (X < 400) = F (400) = 0:95 b a = 1 e mit gefundener Verteilungsfunktion F () = 1 e! e a = 0:95 Umstellen nach! a :05 = e a ln 0:05 =! a = = 321:19 a 1=5 ( ln 0:05) 6 a 5 ; > 0 5 a
7 a = 321:19 somit F () = 1 e 321:19 b) P (X > 300) = 1 wblcdf (300; 321:19; 5) 5 1 wblcdf (300; 321:19; 5) c) MATLAB: P (X > 300=X > 200) = 1 wblcdf (200; 321:19; 5) somit Lebensdauerverteilung mit gehäuften Frühausfällen. Nach Betriebszeit von 200 h ist die Wahrscheinlichkeit, die nächsten 300 h zu überleben. größer als zu Beginn der Betriebszeit 300 h zu überleben. 13. Testen Sie die in MATLAB implementierte Funktion rand zur Erzeugung von gleichverteilten (Pseudo- )Zufallszahlen zwischen 0 und 1. Die dabei entstehende Folge wird durch die Wahl des Startwerts beein usst, der bei wiederholtem Aufruf von rand intern verändert wird. Der aktuelle Startwert kann durch s=rand( seed ) ausgelesen werden. Soll die Folge reproduziert werden, setzt man den Startwert zurück durch rand( seed,s). a) Erzeugen Sie einen Vektor von 10 auf (0,1) gleichverteilten Zufallszahlen. b) Erzeugen Sie einen zweiten solchen Vektor y: c) Erzeugen Sie zwei solche Vektoren z1 und z2, die die gleichen Werte enthalten, indem Sie den aktuellen Startwert auslesen und beim 2. Aufruf wieder auf diesen Wert setzen. A=rand(n) nn Matri A von gleichverteilten (Pseudo-)Zufallszahlen zwischen 0 und 1 A=rand(m,n) mn Matri A von gleichverteilten (Pseudo-)Zufallszahlen zwischen 0 und 1 s=rand( seed ) Auslesen des Startwerts des Zufallsgenerators rand( seed,s) setzt Startwerts des Zufallsgenerators auf s für Reproduzierbarkeit der vorausgehenden Zah a) = rand(10,1); % array mit 10 Zeilen, 1 Spalte c) s=rand( seed ); 1=rand(10,1); rand( seed,s); 2=rand(10,1); 14. Erzeugen Sie 3 Vektoren von auf f0; 1g gleichverteilten Zufallszahlen der Längen n = 100=1000=10000 und stellen Sie diese in einem Histogramm dar. z = rand(n,1); = z<0.5; hist(z,2) 15. Erzeugen Sie eine zufällige Folge von Nullen und Einsen der Länge n = 100=1000=10000, die etwa 30% Einsen enthält - das entspricht n zufälligen Realisierungen der Zufallgröße X mit P (X = 1) = 0:3; P (X = 0) = 0:7. Überprüfen Sie gra sch, wie gut der Anteil von 30% realisiert wird. z = rand(n,1); = z<0.3; damit wird ein 0-1-Vektor erzeugt entsprechend des komponentenweisen Wahrheitswerts `z < 0:3` weiter wie Aufgabe Durch randi erzeugt man gleichverteilte ganzzahlige Zufallszahlen aus der Menge f1; :::; N g : a) Simulieren Sie die se des Würfelns mit einem symmetrischen Würfel bei n = 100=1000=10000 Wiederholungen und überprüfen Sie die Verteilung gra sch. 7
8 b) Simulieren Sie die se des Würfelns mit zwei symmetrischen Würfel bei n = 100=1000=10000 Wiederholungen A=randi(N,mn) mn Matri A von gleichverteilten (Pseudo-)Zufallszahlen aus der Menge f1; 2; :::; N g a) =randi(6,100,1); % N = 6 [anz,vals]=hist(,[1:6]) bar(vals,anz) % Balkendiagramm statt Histogramm verhindert Klassenbildung b) A=randi(6,100,2); 17. Simulieren Sie einen Münzwurf mit symmetrischen Münzen a) mit einer Münze und n = 100=1000=10000= Wiederholungen b) mit 4 symmetrischen Münzen, je n = 100=1000=10000= Wiederholungen c) Schätzen Sie die Wahrscheinlichkeiten, dass bei 4 Würfen mindestens 2 Zahl fällt. a) SM=randi(2,n,1) % erzeugt Kodierung mit 1 und 2 SM1=SM-1 % ändert zu Kodierung mit 0 und 1 oder z=rand(n,1) % gleichverteilte Zufallszahlen SM1 = z < 0.5 % erzeugt Kodierung mit 0 und 1 b) analog a) mit 4 Spalten c) Outcome 1: Zahl gefallen, 0: Wappen gefallen anz_zahl=sum(sm4_0,2); (Spaltenvektor der Zeilensummen) prob_s=sum(anz_zahl >=2)/n Vergleich mit genauem : X~Bin(n = 4; p = 0:5) P (X 2) = 1 binocdf(1,4,0.5) 18. Simulieren Sie einen Münzwurf mit unsymmetrischen Münzen a) mit 1 solcher Münze, bei der Zahl mit Wahrscheinlichkeit 0.3 fällt, n = 100=1000=10000= Wiederholungen b) mit 4 solchen unsymmetrischen Münzen, n = 100=1000=10000= Wiederholungen c) Wie großist die geschätzte Wahrscheinlichkeit, dass nun bei 4 Würfen mindestens 2 Zahl fällt? a) z=rand(n,1) USM1 = z < 0.3 b) z=rand(n,4) USM4 = z < 0.3 c) wie. b) anz_zahl=sum(usm4 ); prob_s=sum(anz_zahl >=2)/n genaues : Berechnung der eakten Wahrscheinlichkeit mit Binomialverteilung P (X 2) = 1 binocdf(1,4,0.3) 19. Simulieren Sie das Würfeln mit 3 Würfeln. 8
9 a) Bestimmen Sie die Verteilung der Summe der drei Augenzahlen. b) Mit welcher Wahrscheinlichkeit ist die Summe der von den 3 Würfeln gezeigten Augenzahlen größer als 4? a) bei n Wiederholungen w =randi(6,n,3); % pro Zeile 3 Würfelergebnisse s=sum(w ); % jeweilige Summe (Zeilensumme) der 3 Würfelergebnisse ss=[3:18]; % mögliche Werte für die Summe [ps,vs]=hist(s,ss) bar(ss,ps) Vergleich mit theoretischer Verteilung der Summe p k = h(k)=6 3 k h(k) Berechnung der theoretischen Verteilung in MATLAB als Faltung der Gleichverteilung auf f1; :::; 6g u = 1=6 ones(6; 1) %Wahrscheinlichkeitsverteilung des Würfelergebnisses eines Würfels u2=conv(u,u) u3=conv(u2,u) b) mit simulierten Würfelergebnissen: prob_summe=sum((s>4))/n zum Vergleich eakte Wahrscheinlichkeit P (X > 4) = 1 P (X 4) = 1 P (X = 3) P (X = 4) = 1 1=6 3 3=6 3 = 0: Berechnen Sie die Ausfallwahrscheinlichkeit folgender Schaltung,wenn die einzelnen Komponenten unabhängig voneinander ausfallen mit den Wahrscheinlichkeiten E 1 E2 E3 E4 E5 E a) Lösen Sie die Aufgabe durch Simulation. b) Wiederholen Sie die Simulationen mit gleicher Anzahl von Zufallszahlen zum Abschätzen der Stabilität des ses. Zustände mit gegebenen Ausfallwahrscheinlichkeiten analogaufgabe 7 Verknüpfung gemäßschaltung durch Multiplikation bzw. ma/min a) M=100000; abs_h=0; for i=1:m e1 = rand <0.9; % E1 funktioniert mit Wkt. 0.9 e2 = rand <0.9; e3 = rand <0.7; e4 = rand <0.9; e5 = rand <0.7; e6 = rand <0.9; 9
10 s1=ma(ma(e2,e3),e4); s2=ma(e5,e6); s=min(min(e1,s1),s2); abs_h=abs_h+s; end work_p=abs_h/m fail_p=1-work_p oder alles ohne Schleife z=rand(n,6) e1 = z(:,1) < b) analog a) % Schaltung funktioniert % absolute Häuf. funktionierender Schaltungen 10
Wahrscheinlichkeitsrechnung und Statistik
8. Vorlesung Pseudozufallszahlen sind, wie der Name schon sagt, keine echten Zufallszahlen, sondern werden durch Generatoren erzeugt. Als Pseudozufallszahlen bezeichnet man Zahlenfolgen die durch einen
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,
MehrLösungen zu Übungsaufgaben Blatt 9
Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht
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,
MehrEinführung 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
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
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
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
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
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
MehrÜbungen 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
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrMathematik 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
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert nämlich
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrVerteilung 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
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
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:
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
Mehr1 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
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
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
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
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Mehr6.2 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
Mehr4.4 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
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
Mehr6.6 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
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
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
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrDr. Quapp: Statistik für Mathematiker mit SPSS. Lösungs Hinweise 1. Übung Beschreibende Statistik & Verteilungsfunktion
Dr. Quapp: Statistik für Mathematiker mit SPSS Lösungs Hinweise. Übung Beschreibende Statistik & Verteilungsfunktion. Die folgende Tabelle enthält die Pulsfrequenz einer Versuchsgruppe von 39 Personen:
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)
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrIst P(T) = p die Trefferwahrscheinlichkeit eines Bernoulli-Experiments,
. Binomialverteilung ==================================================================.1 Bernoulli-Experimente und Bernoullikette -----------------------------------------------------------------------------------------------------------------
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrMarcus 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 Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
MehrLösungen zu Übungsblatt 10 Höhere Mathematik Master KI Diskrete Zufallsgrößen/Markov-Ketten
Lösungen zu Übungsblatt 0 Höhere Mathematik Master KI Hinweise: Die Aufgaben - beziehen sich auf das Thema Diskrete Zufallsgrößen, Ihre Verteilungen und Erwartungswerte. Siehe dazu auch das auf der Homepage
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
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrAusgewählte 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(8 + 2 Punkte) = = 0.75
Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,
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
MehrBestimmte 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
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrMusterlösung zur 6. Übung
Universität des Saarlandes FR 6.2 Informatik Prof. Dr. Hans-Peter Lenhof Dipl. Inform. Andreas Hildebrandt Programmierung II, SS 2003 Musterlösung zur 6. Übung Aufgabe 1: Faire Münzen (10 Punkte) Offensichtlich
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 21. Januar 2016 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Punkte: 15, 15, 12, 14, 16, 18 ; Summe der Punkte: 90 Aufgabe 1 15 Punkte Bei
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrMarcus 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
MehrEinführung: Kaum Theorie, aber viel Training. Mehr Theorie in Zusätzliche Aufgabensammlung in 34021
STOCHASTIK Binomialverteilung Einführung: Kaum Theorie, aber viel Training Mehr Theorie in 3402 Zusätzliche Aufgabensammlung in 3402 Ausführliche Erklärung des Einsatzes dreier Rechner: Grafikrechner:
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
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
MehrAbbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 07. Januar 2015 Klausuranmeldung Prüflinge müssen sich bis spätestens 14 Tage vor
MehrÜ b u n g s b l a t t 11
Einführung in die Stochastik Sommersemester 07 Dr Walter Oevel 8 007 Ü b u n g s b l a t t Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden Lösungen von -Aufgaben sind
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrP 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)
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrWürfel-Aufgabe Bayern LK 2006
Würfel-Aufgabe Bayern LK 2006 Die Firma VEGAS hat ein neues Gesellschaftsspiel entwickelt, bei dem neben Laplace-Würfeln auch spezielle Vegas-Würfel verwendet werden, die sich äußerlich von den Laplace-Würfeln
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
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
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrStatistik Übungen WS 2017/18
Statistik Übungen WS 2017/18 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrPrüfungsteil 2, Aufgabe 8 Stochastik
Prüfung Mathematik Nordrhein-Westfalen 2013 (LK) Aufgabe 8: (WTR) Abitur Mathematik: Prüfungsteil 2, Aufgabe 8 Nordrhein-Westfalen 2012 LK Aufgabe a (1) und (2) 1. SCHRITT: VERTEILUNG ANGEBEN Da die Anzahl
MehrHauptklausur zur Stochastik für Lehramt
Universität Duisburg-Essen Essen, den 20.02.203 Fakultät für Mathematik Dr. Daniel Herden Dipl.-Inf. Christian Thiel Matthias aus der Wiesche Hauptklausur zur Stochastik für Lehramt Bearbeitungszeit: mind.
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
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.
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
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (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........................
Mehr