21 Der Bernoulliprozess
|
|
- Ralph Walter
- vor 6 Jahren
- Abrufe
Transkript
1 21 Der Bernoulliprozess p_d := posliste, m, punkte<, liste = RandomInteger@BinomialDistribution@1, pd, 8n<D; posliste = Flatten@Position@liste, 1DD; m = Length@poslisteD; punkte = Table@Graphics@8PointSize@0.015D, Red, Point@8poslistePiT, 0<D<D, 8i, 1, m<d; Print@listeD; Show@8punkte<, Axes Æ 8True, False<, AxesOrigin Æ 8-1, 0<, AspectRatio Æ 0.03, PlotRange Æ 880, n<, 8-0.1, 0.1 Wir haben uns bereits ausführlich damit befasst, die Verteilung (also die Verteilungsdichte bzw die Verteilungsfunktion) einer Zufallsvariablen Z zu ermitteln. In diesem und den drei folgenden Kapiteln werden wir uns mit der Frage befassen, in welchen Situationen die in Mathematica implementierten Verteilungen (es handelt sich dabei um die wesentlichsten Verteilungen der Stochastik) auftreten. Wir werden dabei sehen, dass manche dieser Verteilungen untereinander eng zusammenhängen und damit eine Art "Familie von Verteilungen" bilden. In diesem Abschnitt befassen wir uns mit dem sogenannten Bernoulliprozess und den damit eng zusammenhängenden Verteilungen. Es handelt sich dabei um die Binomialverteilung, die negative Binomialverteilung und die hypergeometrische Verteilung sowie die Multinomialverteilung als mehrdimensionale Verallgemeinerung der Binomialverteilung. Wir werden ausführlich darauf eingehen, bei welchen Fragestellungen diese Verteilungen auftreten und welche Eigenschaften diese Verteilungen besitzen. Außerdem werden wir an Hand von zahlreichen Beispielen zeigen, wie mit diesen Verteilungen gearbeitet wird Der Bernoulliprozess Wir beginnen mit einer zentralen Begriffsbildung: Definition: Wir betrachten ein Zufallsexperiment, bei dem ein gewisses Ereignis A mit der Wahrscheinlichkeit p eintreten kann (tritt das Ereignis A ein, so spricht man von einem Erfolg). Wird dieses Zufallsexperiment laufend unabhängig wiederholt, so sagt man, es liegt ein Bernoulliprozess mit Parameter p vor. Beispiele für Bernoulliprozesse sind ä das wiederholte Werfen einer Münze oder eines Würfels; ä das wiederholte Ziehen mit Zurücklegen von Kugeln aus einer Urne; ä das laufende Befragen von zufällig ausgewählten Personen (Meinungsumfrage); ä das laufende Überprüfen der Qualität eines Produktionsprozesses (Qualitätskontrolle). Mit dem Befehl BernoulliProzess@n, pd lässt sich eine zufällige Realisierung w eines Bernoulliprozesses erzeugen. Der erste Parameter n gibt dabei an, wie oft das Zufallsexperiment wiederholt wird, der zweite Parameter p beschreibt die Erfolgswahrscheinlichkeit. Die Einser bzw die roten Punkte entsprechen jenen Wiederholungen, in denen das Ereignis A eintritt, also ein Erfolg zu verzeichnen ist. BernoulliProzess@50, 1 ê3d 80, 1, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 1, 1<
2 110 21_Der_Bernoulliprozess.nb Mit einem Bernoulliprozess mit Parameter p sind eine Reihe von Zufallsvariablen bzw Verteilungen eng verbunden. Wir werden nun diese Zufallsvariablen zusammen mit ihren Eigenschaften und Verteilungen angeben und diese Verteilungen in den folgenden Abschnitten im Detail besprechen: Definition: Für jedes i œ 81, 2, < sei X i =: 1 falls bei der i- ten Wiederholung ein Erfolg eintritt 0 falls bei der i- ten Wiederholung kein Erfog eintritt Die diskreten Zufallvariablen X 1, X 2, sind offenbar vollständig unabhängig und pd-verteilt. Wenn man von einem Bernoulliprozess mit Parameter p spricht, so versteht man in der Stochastik darunter oft diese Familie =8X i iœ < von vollständig unabhängigen, pd-verteilten Zufallsvariablen Beispiel: Mit einem Würfel wird n = 100 mal gewürfelt und das Auftreten eines Sechsers beobachtet. Man simuliere eine typische Realisierung. Lösung: Beim laufenden Würfeln mit einem homogenen Würfel und der anschließenden Beobachtung, ob ein Sechser gewürfelt wurde, handelt es sich um einen Bernoulliprozess mit Parameter p = 1 ê6. Die Simulation einer typischen Realisierung kann daher mit dem Befehl BernoulliProzess@100, 1ê6D erfolgen: BernoulliProzess@100, 1 ê6d 80, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1< Im Folgenden sei =8X i iœ < ein Bernoulliprozess mit Parameter p Definition: Für jedes nœ81, 2, < gibt die Zufallsvariable Z n = n i=1 X i die Anzahl der Erfolge bei den ersten n Wiederholungen an. Da die Zufallsvariablen X 1, X 2, vollständig unabhängig und pd-verteilt sind, folgt aus der Formel von Bernoulli (aber auch aus der Faltungsformel für Binomialverteilungen), dass die Zufallsvariable Z n pd-verteilung genügt. In den beiden Familien =8X i iœ < und =8Z n nœ < steckt die gleiche Information. Daher versteht man in der Stochastik unter einem Bernoulliprozess mit Parameter p gelegentlich auch diese Familie =8Z n nœ < pd-verteilten Zufallsvariablen Definition: Für jedes nœ81, 2, < gibt die Zufallsvariable Y n = Min8k kœ und k i=1 X i = n<-n die Anzahl der Misserfolge vor dem n-ten Erfolg an. Da die Zufallsvariablen X 1, X 2, vollständig unabhängig und pd-verteilt sind, folgt aus Beispiel , dass die Zufallsvariable Y n pd-verteilung genügt. In der Literatur verwendet man gelegentlich an Stelle der Anzahl der Misserfolge Y n vor dem n-ten Erfolg die Anzahl der Wiederholungen Y n * = Yn + n bis zum n-ten Erfolg und spricht im Zusammenhang mit der Verteilung
3 21_Der_Bernoulliprozess.nb 111 dieser Zufallsvariablen Y n * ebenfalls von einer negativen Binomialverteilung. Man achte daher genau darauf, in welchem Zusammenhang der Begriff "negative Binomialverteilung" jeweils verwendet wird. Beim Arbeiten mit Bernoulliprozessen sind manchmal die beiden folgenden Bemerkungen von Bedeutung: Bemerkung: Für alle n 1 < n 2 < n 3 œ sind die Zuwächse Z n1, Z n2 - Z n1, Z n3 - Z n2, vollständig unabhängig und binomialverteilt mit den Parametern n 1, n 2 - n 1, n 3 - n 2, und p. Beweis: Diese Behauptung folgt unmittelbar aus der Familieneigenschaft von vollständig unabhängigen Zufallsvariablen zusammen mit der Faltungsformel für Binomialverteilungen Bemerkung: Die Anzahl der Misserfolge Y 1, Y 2 - Y 1, Y 3 - Y 2, zwischen je zwei aufeinanderfolgenden Erfolgen sind vollständig unabhängig und pd-verteilt. Beweis: Wir zeigen exemplarisch, dass die beiden Zufallsvariablen Y 1 und Y 2 - Y pd-verteilt und unabhängig sind. Für alle k, lœ80, 1, 2, < 1 = k< 8Y 2 - Y 1 = l<d= 1 = 0< 8X k = 0< 8X k+1 = 1< 8X k+2 = 0< 8X k+l+1 = 0< 8X k+l+2 = 1<D= = ph1- pl k ph1- pl l Das hat aber 2 - Y 1 = l<d= = j< 8Y 2 - Y 1 = l<d= j=0 ph1- pl j ph1- pl l = ph1- pl l unmittelbar zur Folge, dass nicht nur Y 1 (das ist ohnehin bekannt), sondern auch Y 2 - Y 1 pd- Verteilung genügt und damit die beiden Zufallsvariablen Y 1 und Y 2 - Y 1 unabhängig sind.
4 112 21_Der_Bernoulliprozess.nb 21.2 Die pd Wir fassen die bereits bekannten Eigenschaften der pd zusammen: Bemerkung: Die pd besitzt den Träger =80, 1, 2,, n< die Kn z O pz H1- pl n-z für zœ80, 1, 2,, n< 0 sonst und die Verteilungsfunktion 0 für dzt K n k=0 k O pk H1- pl n-k =B p, n-dzt, 1+dztD für z 0 pd-verteilte Zufallsvariable Z besitzt den p und die ph1- pl Für Binomialverteilungen mit dem gleichen! Parameter p gilt die pd Es folgen nun eine Reihe von Beispielen, mit denen gezeigt wird, wie sich die Binomialverteilung bei der Behandlung von konkreten Problemen einsetzen lässt: Beispiel: In einer Urne befinden sich r= 15 rote und s=12 schwarze Kugeln. Aus dieser Urne wird n = 20 mal mit Zurücklegen jeweils eine Kugel entnommen und beobachtet, wieviele rote Kugeln dabei insgesamt gezogen werden. Man simuliere k= 100 typische Realisierung dieser Beobachtung. Lösung: Beim laufenden Ziehen mit Zurücklegen von Kugeln aus einer Urne mit r roten und s schwarzen Kugeln und der anschließenden Beobachtung, ob dabei eine rote Kugel gezogen wurde, handelt es sich um einen Bernoulliprozess mit Parameter p=rêhr+sl. Die Anzahl Z n der roten Kugeln beim n maligen Ziehen ist damit binomialverteilt mit den Parametern n und p=rêhr+sl. Mit dem Befehl RandomInteger lassen sich leicht k typische Realisierung dieser Beobachtung simulieren: r = 15; s = 12; n = 20; k = 100; RandomInteger@BinomialDistribution@n, rêhr + sld, 8k<D Clear@r, s, n, kd 89, 16, 12, 11, 11, 11, 8, 14, 11, 8, 13, 9, 13, 10, 14, 15, 13, 12, 14, 9, 14, 15, 8, 13, 6, 13, 15, 9, 11, 13, 13, 13, 11, 13, 7, 13, 13, 12, 10, 13, 11, 11, 10, 13, 9, 10, 10, 11, 10, 9, 10, 8, 10, 12, 13, 13, 15, 11, 9, 11, 15, 13, 8, 10, 12, 12, 11, 10, 11, 14, 11, 14, 8, 12, 11, 12, 11, 10, 9, 11, 13, 11, 6, 10, 9, 15, 14, 13, 13, 14, 14, 12, 11, 11, 13, 14, 15, 11, 10, 9< Beispiel: Mit einem Würfel wird n = 30 mal gewürfelt. Wie groß ist die Wahrscheinlichkeit dafür, dass dabei maximal z = 3 Sechser auftreten? Lösung: Beim laufenden Werfen eines (homogenen) Würfels und der anschließenden Beobachtung, ob dabei ein Sechser aufgetreten ist, handelt es sich um einen Bernoulliprozess mit Parameter p=1ê6. Die Anzahl Z n der
5 21_Der_Bernoulliprozess.nb 113 Sechser beim n maligen Würfeln ist damit binomialverteilt mit den Parametern n und p. Für die von uns gesuchte n z<d gilt damit n = 30; p = 1ê6; z = 3; CDF@BinomialDistribution@n, pd, 3D êê N Clear@n, p, zd Beispiel: In einer Fabrik arbeitet jede von n = 200 Maschinen zu einem beliebigen Zeitpunkt mit der Wahrscheinlichkeit p = 0.95 und ist mit der Wahrscheinlichkeit 1- p = 0.05 in Reparatur. Die einzelnen Maschinen arbeiten voneinander unabhängig. Wie groß ist die Wahrscheinlichkeit dafür, dass zu einem gegebenen Zeitpunkt mindestens m=190 Maschinen arbeiten? Lösung: Beim Überprüfen der einzelnen Maschinen, ob sie zum gegebenen Zeitpunkt arbeitet, handelt es sich um einen Bernoulliprozess mit Parameter p. Die Anzahl Z n der Maschinen, die zum gegebenen Zeitpunkt arbeiten, ist damit binomialverteilt mit den Parametern n und p. Für die gesuchte n m<d gilt daher n = 200; p = 0.95; m=190; 1- CDF@BinomialDistribution@n, pd, m- 1D Clear@n, p, md
6 114 21_Der_Bernoulliprozess.nb Beispiel: Im Unterricht stellt der Lehrer die Aufgabe, mit einer Münze n=150 mal zu werfen und das Ergebnis zu protokollieren. Max verzichtet auf das tatsächliche Münzwerfen und erfindet das folgende Protokoll (dabei steht 1 für das Ereignis "Adler" und 0 für das Ereignis "Zahl") 1,1,0,0,1,1,1,0,1,0, 1,1,0,1,1,0,1,0,1,0, 1,1,1,0,1,0,0,1,1,1, 1,0,1,1,0,1,1,0,1,0, 1,1,0,1,1,0,0,1,1,0, 1,0,1,1,0,0,1,1,0,0, 1,0,1,1,1,0,1,0,1,0, 1,1,0,1,0,1,1,0,0,1, 0,0,1,0,1,1,1,0,1,0, 1,1,0,1,1,0,0,1,0,1, 1,1,0,1,0,0,1,1,0,1, 0,1,1,0,1,0,1,0,1,1, 0,1,1,1,0,1,0,1,1,0, 1,0,1,1,0,1,0,1,1,0, 0,1,0,1,1,0,0,1,0,0. Warum ist der Lehrer davon überzeugt, dass Max geschwindelt hat? Lösung: Beim laufenden Werfen einer (homogenen) Münze und der anschließenden Beobachtung, ob dabei ein Adler aufgetreten ist, handelt es sich bekanntlich um einen Bernoulliprozess mit Parameter p=1ê2. Die Anzahl Z n der Adler beim n maligen Werfen ist damit binomialverteilt mit den Parametern n und p. Es ist daher damit zu rechnen, dass in unserem konkreten Fall etwa n p=75 Adler auftreten. Tatsächlich tritt in dem von Max abgegebenen Protokoll aber z= 87 mal ein Adler auf. Dieses Ergebnis macht den Lehrer stutzig. Er berechnet daher die n 87<D n = 150; p = 1ê2; z = 87; 1 - CDF@BinomialDistribution@n, pd, z- 1D êê N Clear@n, p, zd Da diese Wahrscheinlichkeit sehr klein ist, ist der Lehrer davon überzeugt, dass Max geschwindelt und dieses Protokoll erfunden und nicht durch tatsächliches Experimentieren erzeugt hat. Er nimmt dabei in Kauf, Max mit einer Wahrscheinlichkeit von 3% ungerechtfertigt zu beschuldigen. Wir erzeugen durch Simulation ein vom Lehrer gewünschtes Protokoll und ermittelt mit Hilfe von Apply und Plus die Anzahl der dabei auftretenden Adler. Dabei erkennen wir, dass diese Anzahl tatsächlich meistens in der Nähe des Erwartungswerts n p=75 liegt und nur sehr selten einen Wert größer als 86 annimmt. Table@Random@BinomialDistribution@1, 1 ê2dd, 8150<D Apply@Plus, %D 80, 0, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 0, 1, 0, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1< Beispiel: Nachdem der Lehrer genau erklärt hat, warum er Max auf die Schliche gekommen ist, lässt er Max die Aufgabe wiederholen. Max ist noch immer zu faul, tatsächlich mit einer Münze zu werfen, passt nun aber peinlich genau darauf auf, dass die Anzahl der Adler "stimmt" und liefert das folgende Protokoll 1,0,1,1,0,1,0,0,1,0, 1,0,1,1,0,0,1,0,1,0, 1,0,0,1,0,1,1,0,1,0, 1,0,1,0,1,0,1,0,0,1, 0,1,0,1,0,1,0,0,1,0, 1,1,0,1,0,1,1,0,1,0, 1,0,1,1,0,1,0,1,0,1, 0,0,1,0,1,0,1,1,0,1, 0,1,0,0,1,0,1,0,1,1, 0,1,1,0,1,0,1,0,1,1, 0,1,0,1,0,1,1,0,1,0, 1,0,0,1,0,1,0,1,0,1, 1,0,0,1,0,0,1,0,1,0, 0,1,0,0,1,0,1,0,0,1, 1,0,1,0,0,1,1,0,1,0. Warum kommt ihm der Lehrer auch diesmal auf die Schliche? Lösung: Beim laufenden Beobachten der "Vorzeichenwechsel" (also eines Wechsels von Adler zu Zahl oder umgekehrt) handelt es sich ebenfalls um einen Bernoulliprozess mit Parameter p=1ê2. Die Anzahl V n dieser
7 21_Der_Bernoulliprozess.nb 115 Vorzeichenwechsel beim n maligen Werfen ist damit binomialverteilt mit den Parametern n- 1 und p. Es ist daher damit zu rechnen, dass in unserem konkreten Fall etwa Hn- 1L p = 74.5 Vorzeichenwechsel auftreten. Tatsächlich treten in dem von Max abgegebenen Protokoll aber v = 121 Vorzeichenwechsel auf. Der Lehrer wird wieder stutzig und berechnet die n 121<D: n = 150; p = 1ê2; v=121; 1- CDF@BinomialDistribution@n- 1, pd, v- 1D êê N Clear@n, p, zd Da diese Wahrscheinlichkeit extrem klein ist, ist der Lehrer davon überzeugt, dass Max wieder geschwindelt hat. (Es ist interessant zu bemerken, dass Finanzämter mit ähnlichen Methoden arbeiten, um zu überprüfen, ob die Steuererklärung von Betrieben "geschönt" ist.) Beispiel: Bei jedem Versuch sei die Wahrscheinlichkeit für das Eintreten des Ereignisses A gleich p. Mit welcher Wahrscheinlichkeit tritt dieses Ereignis bei n unabhängigen Wiederholungen geradzahlig oft auf? Lösung: Beim laufenden Überprüfen, ob das Ereignis A eintritt, handelt es sich um einen Bernoulliprozess mit Parameter p. Die Zufallsvariable Z n, welche angibt, wie oft dieses Ereignis bei n Wiederholungen auftritt, ist damit binomialverteilt mit den Parametern n und p. Für die gesuchte Wahrscheinlichkeit gilt damit n ist gerade<d= K n k O pk H1- pl n-k n n = K k O 1 k=0 k=0 2 Hpk +H-pL k LH1- pl n-k = 1 2 H1+H1-2 pln L k gerade wobei wir die Summe mittels Sum und FullSimplify (unter Berücksichtigung von 0 p 1) berechnet haben: FullSimplify@Sum@Binomial@n, kdhp k + H-pL k LH1 - pl n-k ê2, 8k, 0, n<d, 0 p 1D 1 I1+H1 2 pl n M Beispiel: Zwei gleich gute Schützen geben (unabhängig voneinander) je n Schüsse auf eine Schießscheibe ab. Wie groß ist die Wahrscheinlichkeit dafür, dass beide Schützen die gleiche Anzahl von Treffern erzielen? Lösung: Für jeden der beiden Schützen bilden die Treffer einen Bernoulliprozess mit Parameter p. Die Trefferanzahlen Z n H1L bzw Z n H2L der beiden Schützen bei jeweils n Schüssen sind somit unabhängige, mit den Parametern n und p binomialverteile Zufallsvariable. Damit ergibt sich für die von uns gesuchte Wahrscheinlichkeit H1L n = Zn H2L H1L = H2L = k<d k=0 Diese Summe lässt sich unter Verwendung von Mathematica für beliebige Werte von n und p auswerten: n = 10; p = 1ê3; Sum@HPDF@BinomialDistribution@n, pd, kdl 2, 8k, 0, n<dêê N Clear@n, pd Beispiel (Überbuchungen): Häufig ist die Zahl der zu einem Flug erschienenen Passagiere geringer als die Zahl der Buchungen für diesen Flug. Die Fluggesellschaften überbuchen daher den Flug (sie verkaufen
8 116 21_Der_Bernoulliprozess.nb also mehr Tickets als Sitze vorhanden sind) mit dem Risiko, eventuell überzählige Passagiere mit Geld entschädigen zu müssen. Wir nehmen an, dass die Fluggesellschaft bei jedem mitfliegenden Fluggast Einnahmen von e=300 und für jede überzählige Person einen Verlust von v=500 hat. Außerdem nehmen wir an, dass jede Person, die einen Platz gebucht hat, mit einer Wahrscheinlichkeit von p = 0.95 auch tatsächlich zum Flug erscheint. Wieviele Plätze soll diese Fluggesellschaft bei einem Airbus mit s = 364 Sitzplätzen verkaufen, um den zu erwartenden Gewinn zu maximieren? Lösung: Falls die Fluggesellschaft n Plätze verkauft, ist die Anzahl Z der zum Flug tatsächlich erscheinenden pd-verteilt. Für den zu erwartenden Gewinn g n gilt dann s n g n = k = k<d+ Hs e-hk- sl = k<d k=0 k=s+1 Wir bestimmen n mit Hilfe von Mathematica so, dass g n maximal ist, was offenbar n=382 zur Folge hat. p = 0.95; e = 300; v=500; s = 364; Table@8n, Sum@k e PDF@BinomialDistribution@n, pd, kd, 8k, 0, s<d + Sum@Hs e -Hk - sl vl PDF@BinomialDistribution@n, pd, kd, 8k, s+1, n<d<, 8n, s, s + 20<D Clear@p, e, v, sd 88364, <, 8365, <, 8366, <, 8367, <, 8368, <, 8369, <, 8370, <, 8371, <, 8372, <, 8373, <, 8374, <, 8375, <, 8376, <, 8377, <, 8378, <, 8379, <, 8380, <, 8381, <, 8382, <, 8383, <, 8384, << In Beispiel haben wir (unter Verwendung von charakteristischen Funktionen) gezeigt, dass sich für große n und kleine p die Verteilungsfunktion der pd durch die Verteilungsfunktion der pd approximieren lässt. Wir zeigen nun, dass diese Approximation auch für die entsprechenden Verteilungsdichten gilt (da die pd diskret ist, sind diese beiden Konvergenzen gleichwertig): Satz (Gesetz der seltenen Ereignisse): Ist Hp n L nœ eine Folge von Zahlen aus dem Intervall D 0, 1@ mit der Eigenschaft, dass die Folge Hn p n L nœ gegen eine Zahl l>0 konvergiert, so gilt für alle kœ 0 lim nø K n k O p n k H1- p n L n-k = -a lk k! Beweis: Für alle k œ 80, 1, 2, < gilt lim Kn nø k O p n k H1- p n L n-k nhn-1l Hn- k+ 1L = lim nø k! n k Hn p n L k H1- p n L n-k = = 1 k! lim H1-1 nø n L lim nø =1 k- 1 H1- n L lim Hn p nl k nø =1 =a k lim H1- n p n nø n Ln = -a lim H1- p nl -k = -a a k nø k! =1
9 21_Der_Bernoulliprozess.nb 117 Wie gut diese Approximation der Verteilungsdichte der Binomialverteilung durch die Verteilungsdichte der Poissonverteilung funktioniert, wird mit dem folgende Beispiel demonstriert: Beispiel: Für große n und kleine p vergleiche man graphisch die Verteilungsdichte pd- Verteilung mit der Verteilungsdichte pd-verteilung. Lösung: Wir plotten die Verteilungsdichten pd-verteilung (rot) und pd-verteilung (blau) und erkennen, dass sich für große n und kleine p diese beiden Verteilungsdichten kaum unterscheiden. Manipulate@l = n p; ListPlot@8Table@8z, PDF@BinomialDistribution@n, pd, zd<, 8z, 0, 3 l<d, Table@8z, PDF@PoissonDistribution@n pd, zd<, 8z, 0, 3 l<d<, PlotStyle Æ 88PointSize@0.03D, Red<, 8PointSize@0.03D, Blue<<, Filling Æ Axis, AspectRatio Æ 0.4, AxesOriginÆ80, 0<, PlotRange Æ All, AxesLabel Æ ImageSizeÆ8200, 120<D, 8n, 2, 50, 1, Appearance Æ "Labeled"<, 88p, 0.5<, 0.03, 0.5, Appearance Æ "Labeled"<D n 47 p In den Zeiten, als man noch keinen Computer zur Verfügung hatte, kam dem Gesetz der seltenen Ereignisse auch eine große praktische Bedeutung zu, da man damit Wahrscheinlichkeiten oft wesentlich leichter berechnen konnte. Wir machen dazu ein einfaches Beispiel: Beispiel: 1% der von einer Maschine angefertigten Stücke seien defekt. Wie groß ist die Wahrscheinlichkeit dafür, dass in einer Stichprobe von 100 Stück 3 oder mehr Stücke defekt sind? (i) näherungsweise mit dem Gesetz der seltenen Ereignisse (ii) exakt Lösung: Z n - die Anzahl von defekten Stücken; Z n ~ (n, p n ), wobei n=100 und p n n n < 3<D=1-2 i=0 K n i Op n i H1- p n L n-i =0.079.
10 118 21_Der_Bernoulliprozess.nb n = 100; p=0.01; 1 SumABinomial@n, id p i H1 pl n i, 8i, 0, 2<E Clear@n, pd Gesetz der seltenen Ereignisse: Dieses Gesetz der seltenen Ereignisse besagt, dass für große n und kleine p die Binomialverteilung mit den Parametern n und p durch die Poissonverteilung mit dem Parameter a=n p approximiert werden kann lim nø K n k O p n k H1- p n L n-k = -a ak k! [{Z n 3}]=1-2 a i i=0 i! -a = ï für a= =1 erhält man also α = 1; α i 1 SumB i! Clear@αD Exp@ αd, 8i, 0, 2<F êê N Beispiel: In einem Postamt werden in einem Jahr durchschnittlich 1017 Briefe ohne Adresse aufgegeben. Wie groß ist die Wahrscheinlichkeit dafür, dass an einem bestimmten Tag mehr als drei Briefe ohne Adresse aufgegeben werden? Lösung: Teilt man das Jahr in n sehr kurze Zeitintervalle - etwa Minuten - ein, so kann man in erster Näherung annehmen, dass die Zeitpunkte, in denen ein Brief ohne Adresse aufgegeben wird, einen Bernoulliprozess mit dem sehr kleinen Parameter p n bilden. Nun kennt man aber den Erwartungswert der Anzahl Z n der Briefe, welche in einem Jahr ohne Adresse aufgegeben werden. Aus der Beziehung n D=n p n ergibt sich für diesen Parameter daher der Wert p n = 1017ên. Nimmt man nun an, dass der zur Diskussion stehende Tag mit dem n ten Zeitintervall beginnt und mit dem n 2 - ten Zeitintervall endet (wobei Hn 2 - n 1 L=nê365 gilt), so entspricht die Anzahl der Briefe, welche an diesem Tag ohne Adresse aufgegeben werden, dem Zuwachs Z n2 - Z n1. Dieser Zuwachs ist aber 2 - n 1, p n D-verteilt und damit nach dem Gesetz der seltenen Ereignisse (n 2 - n 1 ist sehr groß, p n ist sehr klein) wegen Hn 2 - n 1 L p n = 1017ê365 Für die von uns gesuchte n2 - Z n1 > 3<D ergibt sich somit a = 1017ê365; 1 - CDF@PoissonDistribution@aD, 3D êê N Clear@aD Die negative pd 21.4 Die hypergeometrische n suc, n tot D
11 21_Der_Bernoulliprozess.nb Die 8 p 1, p 2,, p r <D Wir haben bereits erwähnt, dass die Multinomialverteilung in gewissem Sinn eine Verallgemeinerung der Binomialverteilung darstellt. Diese Analogie wird durch die folgende Bemerkung noch deutlicher: Bemerkung: Wir betrachten ein Zufallsexperiment, bei dem die paarweise disjunkten Ereignisse A 1, A 2,, A r mit den Wahrscheinlichkeiten p 1, p 2,, p r eintreten können und setzen weiter voraus, dass A 1 A 2 A r =W und damit p 1 + p p r = 1 gilt. Wird dieses Zufallsexperiment n mal unabhängig wiederholt und gibt für jedes iœ81, 2,, r< die Zufallsvariable Z i an, wie oft dabei das Ereignis A i eintritt, so gilt Z1,Z 2,,Zr 8p 1, p 2,, p r <D. Beweis: Für alle k 1, k 2,, k r œ80, 1, 2,, n< mit k 1 + k 2 + +k r = n folgt aus dem Multiplikationssatz und unseren Ausführungen über die Binomialverteilung Z1,Z 1, k 2,, k r 1 = k 1 < 8Z 2 = k 2 < 8Z r-1 = k r-1 <D= 1 = k 1 2 = k 2 < 8Z 1 = k 1 r-1 = k r-1 < 8Z 1 = k 1 < 8Z r-2 = k r-2 <D= =K n k O p 1 k 1 1 H1- p1 L n-k1 K n-k 1 p 2 OH L k2 H1- k 2 1- p 1 = K n-k 1 - -k r-2 k r-1 p r-1 OH L k 1- p p r-1 H1- r-2 n! k 1! k 2! k r-1! k r! p k 1 k 1 p2 2 k pr-1 r-1 pr kr p 2 1- p 1 L n-k 1 -k2 p r-1 1- p p r-2 L n-k 1 - -k r-1 = Wir fassen die bereits bekannten Eigenschaften der 8p 1, p 2,, p r <D zusammen: Bemerkung: Die 8p 1, p 2,, p r <D besitzt den Träger =88z 1, z 2,, z r < z i œ80, 1, 2,, n< und z 1 + z z r = n< die 1, z 2,, z r D= und die 1, z 2,, z r D= n! z 1! z 2! z r! p z 2 z 1 p2 2 pr zr für z i œ80, 1, 2, < mit z 1 + z 2 + +z r = n 0 sonst dz 1 t dz i1 =0 i2 2 t dzrt =0 i r=0 i 1 +i 2 + +ir=n n! i 1! i 2! i r! = p i 2 i 1 p22 pr ir für z 1 0,, z r 0 0 8p 1, p 2,, p r <D-verteilte Zufallsvariablen Z 1, Z 2,, Z r besitzen den Erwartungswertvektor 1 2 r D<=8n p 1, n p 2,, n p r < und die Kovarianzmatrix i, Z k DL i,kœ81,2,,r< = n p 1 H1- p 1 L -n p 1 p 2 -n p 1 p r -n p 2 p 1 n p 2 H1- p 2 L -n p 2 p r ª ª ª -n p r p 1 -n p r p 2 n p r H1- p r L
12 120 21_Der_Bernoulliprozess.nb Es folgen wieder einige Beispiele, mit denen gezeigt wird, wie die Multinomialverteilung verwendet wird: Beispiel: Eine Urne enthält r=5 rote, w=4 weiße und b=3 blaue Kugeln. Eine Kugel wird zufällig gezogen, ihre Farbe notiert und wieder in die Urne zurückgelegt. Man bestimme die Wahrscheinlichkeit dafür, dass von n=6 so ausgewählten Kugeln k 1 = 3 rot, k 2 = 2 weiß und k 3 = 1 blau sind. Lösung: Wir bezeichnen mit Z 1 bzw Z 2 bzw Z 3 die Anzahl der beim n=6 maligen Ziehen gezogenen roten bzw weißen bzw blauen Kugeln. Wegen Bemerkung handelt es sich bei der gemeinsamen Verteilung dieser Zufallsvariablen Z 1, Z 2, Z 3 um eine Multinomialverteilung mit den Parametern n=6, p 1 = 5ê12, p 2 = 4ê12 und p 3 = 3ê12. Für die von uns gesuchte Wahrscheinlichkeit gilt somit n = 6; p1 = 5ê12; p2 = 4ê12; p3=3ê12; PDF@MultinomialDistribution@n, 8p1, p2, p3<d, 83, 2, 1<D êê N Clear@n, p1, p2, p3d Beispiel: n=8 Kugeln werden zufällig auf r= 5 Urnen verteilt, wobei jede Kugel mit der gleichen Wahrscheinlichkeit in jede Urne gelangen kann. Wie groß ist die Wahrscheinlichkeit dafür, dass dabei keine Urne leer bleibt (man vergleiche dazu auch Beispiel 8.2.2). Lösung: Wir bezeichnen mit Z 1, Z 2,, Z r die Anzahl der Kugeln in den einzelnen Urnen. Da jede Kugel mit der gleichen Wahrscheinlichkeit in jede Urne gelangen kann, handelt es sich bei der gemeinsamen Verteilung der Zufallsvariablen Z 1, Z 2,, Z r um eine Multinomialverteilung mit den Parametern n und 81êr, 1êr,, 1êr<. Für die von uns gesuchte 1 > 0< 8Z 2 > 0< 8Z r > 0<D ergibt sich daher unter Verwendung von Mathematica n = 8; r = 5; p = Table@1êr, 8i, 1, r<d; Sum@PDF@MultinomialDistribution@n, pd, Array@z, rdd, Evaluate@Apply@Sequence, Table@8z@iD, 1, r<, 8i, 1, r<dddd êê N Clear@n, r, pd (Man beachte dabei: Der für den Befehl Sum erforderliche Summationsbereich hat die Gestalt 8z@1D, 1, r<, 8z@2D, 1, r<,, 8z@rD, 1, r< Mit Hilfe von Table lässt sich aber nur eine Liste der Form 88z@1D, 1, r<, 8z@2D, 1, r<,, 8z@rD, 1, r<< erzeugen (man achte dabei genau auf die Klammerung). Um nun für beliebige Werte von r den geeigneten Summationsbereich zu erzeugen, verwenden wir einen Trick: Wir erzeugen dazu zuerst mit Hilfe von Table in der üblichen Weise die Liste 88z@1D, 1, r<, 8z@2D, 1, r<,, 8z@rD, 1, r<<, wenden auf diese Liste den Befehl Apply zusammen mit dem Befehl Sequence an und evaluieren diesen Ausdruck mit Hilfe von Evaluate.) Beispiel: n=12 Kugeln werden zufällig auf r=6 Urnen verteilt, wobei jede Kugel mit der gleichen Wahrscheinlichkeit in jede Urne gelangen kann. Wie groß ist die Wahrscheinlichkeit dafür, dass dabei in genau k= 3 Urnen jeweils genau eine Kugel gelangt?
13 21_Der_Bernoulliprozess.nb 121 Lösung: Wir bezeichnen mit Z 1, Z 2,, Z r wieder die Anzahl der Kugeln in den einzelnen Urnen. Da jede Kugel mit der gleichen Wahrscheinlichkeit in jede Urne gelangen kann, handelt es sich bei der gemeinsamen Verteilung der Zufallsvariablen Z 1, Z 2,, Z r um 81êr, 1êr,, 1êr<D-Verteilung. Nun lassen sich aber jene k Urnen, in die jeweils genau eine Kugel gelangen soll, bekanntlich auf r über k verschiedene Arten auswählen. Für die von uns gesuchte Wahrscheinlichkeit p gilt somit p=k r k 1 = 1< 8Z 2 = 1< 8Z k = 1< 8Z k+1 1< 8Z k+2 1< 8Z r 1<D Wir werten diese Formel wieder mit Hilfe von Mathematica aus, indem wir zuerst unter Verwendung von Tuples eine liste aller Tupel der Form 8z k+1, z k+2,, z r < mit z i œ80, 2, 3,, n- k< erzeugen und anschließend mit Hilfe von Table und Join jedem dieser Tupel k Einser voransetzen (die dabei entstehende Liste nennen wir summationsbereich). Schließlich summieren wir die Wahrscheinlichkeiten aller 1 = 1< 8Z 2 = 1< 8Z k = 1< 8Z k+1 1< 8Z k+2 1< 8Z r 1<D mit Sum auf und multiplizieren das Ergebnis mit dem Faktor r über k: n = 12; r = 6; k = 3; p = Table@1êr, 8r<D; liste = Tuples@Delete@Table@i, 8i, 0, n- k<d, 2D, r - kd; summationsbereich = Table@Join@Table@1, 8k<D, liste@@iddd, 8i, Hn-kL r-k <D; Binomial@r, kd Sum@PDF@MultinomialDistribution@r, pd, summationsbereich@@iddd, 8i, Hn - kl r-k <D êê N Clear@n, r, k, p, liste, summationsbereichd Beispiel: Man zeige: Genügen die Zufallsvariablen X 1, X 2,, X r einer Multinomialverteilung mit den Parametern m und 8p 1, p 2,, p r <, die Zufallsvariablen Y 1, Y 2,, Y r einer Multinomialverteilung mit den Parametern n und 8p 1, p 2,, p r < und sind alle Zufallsvariablen X i von allen Zufallsvariablen Y k vollständig unabhängig, so genügen die Zufallsvariablen Z 1, Z 2,, Z r mit Z i = X i + Y i einer Multinomialverteilung mit den Parametern m+n und 8p 1, p 2,, p r <. Lösung: Wir betrachten ein Zufallsexperiment, bei dem die paarweise disjunkten Ereignisse A 1, A 2,, A r mit den Wahrscheinlichkeiten p 1, p 2,, p r eintreten können und setzen voraus, dass A 1 A 2 A r =W und damit p 1 + p p r = 1 gilt. Wird dieses Zufallsexperiment m mal unabhängig wiederholt und gibt für jedes iœ81, 2,, r< die Zufallsvariable X i an, wie oft dabei das Ereignis A i eintritt, so gilt für die gemeinsame Verteilung der Zufallsvariablen X 1, X 2,, X r wegen Bemerkung bekanntlich X1,X 2,,Xr 8p 1, p 2,, p r <D Wird dieses Zufallsexperiment anschließend n mal unabhängig wiederholt und gibt für jedes k œ 81, 2,, r< die Zufallsvariable Y k an, wie oft nun das Ereignis A k eintritt, so sind alle Zufallsvariablen X i von allen Zufallsvariablen Y k vollständig unabhängig und für die gemeinsame Verteilung der Zufallsvariablen Y 1, Y 2,, Y r gilt Y1,Y 2,,Yr 8p 1, p 2,, p r <D Insgesamt wurde dieses Zufallsexperiment damit m+n mal unabhängig wiederholt, wobei Z i = X i + Y i mal das Ereignis A i eingetreten ist. Für die gemeinsame Verteilung der Zufallsvariablen Z 1, Z 2,, Z r gilt daher Z1,Z 2,,Zr 8p 1, p 2,, p r <D
1 Das Phänomen Zufall
1 Das Phänomen Zufall Im täglichen Leben werden wir oft mit Vorgängen konfrontiert, bei denen der Zufall eine Rolle spielt. Bereits als Kind lernt man die Tücken des Zufalls kennen, wenn man beim Spiel
Mehr11 Unabhängige Ereignisse
11 Unabhängige Ereignisse In engem Zusammenhang mit dem Begriff der bedingten Wahrscheinlichkeit steht der Begriff der Unabhängigkeit von Ereignissen. Wir klären zuerst, was man unter unabhängigen Ereignissen
Mehr13 Diskrete Verteilungen
13 Diskrete Verteilungen DiscreteEmpiricalPDF@daten_, z_d := Module@8n, min, max, uni
MehrSoll ein Zufallsexperiment näher untersucht werden, so muss zuerst geklärt werden, was man als dessen mögliche Ausgänge ansieht:
2 Zufallsexperimente Nachdem wir uns spielerisch mit dem Phänomen "Zufall" beschäftigt und den Begriff "Zufallsexperiment" bereits intuitiv erfasst haben, wollen wir in diesem Kapitel den Begriff "Zufallsexperiment"
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
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
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:
Mehr10 Bedingte Wahrscheinlichkeit
10 Bedingte Wahrscheinlichkeit Vor allem dann, wenn man es mit mehrstufigen Zufallsexperimenten zu tun hat, kommt dem Begriff der bedingten Wahrscheinlichkeit eine bedeutende Rolle zu. Wir klären dazu
Mehr12 Zufallsvariable und Verteilungen
12 Zufallsvariable und Verteilungen VariationenMitWiederholung@n_Integer, k_integerd := Distribute@Table@Table@i, 8i, 1, n
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
MehrSS 2017 Torsten Schreiber
173 Diese Lücken sollten nicht auch bei Ihnen vorhanden sein: Wird die Anordnung von unterschiedlichen Objekten eines Experiments untersucht, so handelt es sich um eine. Möchte man die Anzahl der möglichen
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
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
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)
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
MehrIst P(T) = p die Trefferwahrscheinlichkeit eines Bernoulli-Experiments,
. Binomialverteilung ==================================================================.1 Bernoulli-Experimente und Bernoullikette -----------------------------------------------------------------------------------------------------------------
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
Mehr6 Kombinatorik: Einschluß-Ausschluß Formel. 6.1 Indikatorfunktionen. I A ist eine Zufallsvariable E[I A ] = P (A) IĀ = 1 I A I A B = I A I B
6 Kombinatorik: Einschluß-Ausschluß Formel 6.1 Indikatorfunktionen I A (ω) = { 1 falls ω A 0 falls ω A I A ist eine Zufallsvariable E[I A ] = P (A) IĀ = 1 I A I A B = I A I B I 2 A = I A V ar[i A ] = P
MehrAufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen
Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
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
Mehr20 Charakteristische Funktionen
20 Charakteristische Funktionen Viele Probleme im Umgang mit Verteilungen lassen sich einfacher behandeln, wenn man sie in einen geeigneten Raum abbildet. Die Verwendung von derartigen Transformationen
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.
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrBeziehungen 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
MehrKOMPETENZHEFT ZUR STOCHASTIK II
KOMPETENZHEFT ZUR STOCHASTIK II Inhaltsverzeichnis 1. Aufgabenstellungen 1 2. Binomialverteilung 4 3. Erwartungswert und Standardabweichung 10 1. Aufgabenstellungen Aufgabe 1.1. Milchverpackungen werden
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
MehrAufgabe 8: Stochastik (WTR)
Abitur Mathematik: Nordrhein-Westfalen 2013 Aufgabe 8 a) (1) WAHRSCHEINLICHKEIT FÜR KEINE ANGABE ERMITTELN Nach der Laplace Formel ist Anzahl der Personen, die keine Angabe machten keine Angabe Gesamtzahl
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:
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
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
MehrWie groß ist die Wahrscheinlichkeit Pr[X > y + x X > x]? Da bei den ersten x Versuchen kein Erfolg eintrat, stellen wir uns vor, dass das
Sei X geometrisch verteilt mit Erfolgswahrscheinlichkeit p. Dann ist Pr[X = k] die Wahrscheinlichkeit, dass wir bei einem binären Experiment mit Erfolgswahrscheinlichkeit p genau in der k-ten unabhängigen
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
MehrDefinition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch
Kapitel 4 Diskrete Verteilungen 4.1 Bernoulli-Verteilung Definition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch È Üµ ½ für Ü ¼ für Ü ½ ¼ sonst Die Bernoulli-Verteilung
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
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
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,
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
MehrÜbungen zu Wahrscheinlichkeitstheorie Judith Kloas, Wolfgang Woess, Jonas Ziefle SS 2016
Übungen zu Wahrscheinlichkeitstheorie Judith Kloas, Wolfgang Woess, Jonas Ziefle SS 2016 43) [3 Punkte] Sei φ(t) die charakteristische Funktion der Verteilungsfunktion F (x). Zeigen Sie, dass für jedes
MehrHeute. 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
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
Mehr1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen
6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
Mehr4 Diskrete Zufallsvariablen
25 4 Diskrete Zufallsvariablen 4.1 Einleitung Die Ergebnisse von Zufallsvorgängen sind nicht notwendigerweise Zahlen. Oft ist es aber hilfreich diese durch Zahlen zu repräsentieren. Beispiel 4.1 (4-maliger
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
Mehrfalls rote Kugel im 1. Zug gezogen Die Ziehungen sind daher nicht unabhängig voneinander. Damit liegt kein Bernoulli-Prozess
6.4 Hypergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln sind nicht rot. Wir entnehmen n Kugeln, d.h. Stichproben vom Umfang n.
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrDenition 57 Eine geometrisch verteilte Zufallsvariable X mit Parameter (Erfolgswahrscheinlichkeit) p 2 (0; 1] und q := 1 p hat die Dichte
5.3 Geometrische Verteilung Man betrachte ein Experiment, das so lange wiederholt wird, bis Erfolg eintritt. Gelingt ein einzelner Versuch mit Wahrscheinlichkeit p, so ist die Anzahl der Versuche bis zum
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
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)
MehrWahrscheinlichkeitsrechnung
Abiturvorbereitung Wahrscheinlichkeitsrechnung S. 1 von 9 Wahrscheinlichkeitsrechnung Kombinatorik Formeln für Wahrscheinlichkeiten Bedingte Wahrscheinlichkeiten Zusammenfassung wichtiger Begriffe Übungsaufgaben
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
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
MehrStatistik für Ingenieure Vorlesung 4
Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete
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
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
MehrKombinatorik kompakt. Stochastik WS 2016/17 1
Kombinatorik kompakt Stochastik WS 2016/17 1 Übersicht Auswahl/Kombinationen von N aus m Elementen Statistische unterscheidbare ununterscheidbare Physik Objekte (gleiche) Objekte ( ohne m N m+n 1 ) N mit
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
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
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
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
Mehr3.4 Anwendung bedingter Wahrscheinlichkeiten
3.4 Anwendung bedingter Wahrscheinlichkeiten Bsp. 23 Betrachtet werden mehrere Kanonen. Für i N bezeichne A i das Ereignis, daß Kanone i einen Schuß abgibt. A sei das Ereignis, daß ein Treffer erzielt
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
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
MehrZusammenfassung Stochastik
Zusammenfassung Stochastik Die relative Häufigkeit Ein Experiment, dessen Ausgang nicht vorhersagbar ist, heißt Zufallsexperiment (ZE). Ein Würfel wird 40-mal geworfen, mit folgendem Ergebnis Augenzahl
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
MehrWird 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,
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
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
MehrWahrscheinlichkeitsrechnung für die Mittelstufe
Wahrscheinlichkeitsrechnung für die Mittelstufe Wir beginnen mit einem Beispiel, dem Münzwurf. Es wird eine faire Münze geworfen mit den Seiten K (für Kopf) und Z (für Zahl). Fair heißt, dass jede Seite
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+
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrTeil A hilfsmittelfreier Teil
Klassenarbeit GYM Klasse 0 Seite Datum: Thema: Name: Zeit: Erreichte Punkte: Note: Hilfsmittel: keine Teil A hilfsmittelfreier Teil Aufgabe : (4 Punkte) Entscheide, ob das Zufallsexperiment eine Bernoulli-Kette
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Was du wissen musst: Die Begriffe Zufallsexperiment, Ereignisse, Gegenereignis, Zufallsvariable und Wahrscheinlichkeit sind dir geläufig. Du kannst mehrstufige Zufallsversuche
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
MehrZufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
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
MehrK3 (Diskrete) Zufallsvariablen 3.1 Basis
K3 (Diskrete) Zufallsvariablen 3.1 Basis Ω = {ω}, X(ω) ist eine Größe die durch ω bestimmt ist. Bei der zufälligen Auswahl von ω bekommen wir den Wert, X(ω). Definition: Ist (Ω, F, P) ein Wahrscheinlichkeitsraum
MehrLevel 1 Grundlagen Blatt 1. Dokument mit 19 Aufgaben
Level 1 Grundlagen Blatt 1 Dokument mit 19 Aufgaben Aufgabe A1 Ein Glücksrad hat drei Sektoren mit den Farben Rot, Gelb und Grün. Das Rad bleibt mit einer Wahrscheinlichkeit von 0,1 so stehen, dass der
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
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
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Aufgaben Aufgabe 1 Eine Firma produziert insgesamt 30 elektronische Bauteile des gleichen Typs. Aus langjähriger Erfahrung weiß man das davon jedes 70te defekt ist. Um die
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
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.
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
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
R. Brinkmann http://brinkmann-du.de Seite 08..2009 Von der relativen Häufigkeit zur Wahrscheinlichkeit Es werden 20 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 20 Schülern
MehrSatz von der totalen Wahrscheinlichkeit
htw saar 1 Satz von der totalen Wahrscheinlichkeit Sei (Ω, P) ein Wahrscheinlichkeitsraum, und B 1,, B n seien paarweise disjunkte Ereignisse mit B i = Ω. Für jedes Ereignis A gilt dann: P(A) = P(A B 1
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,...)
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
Mehr