Statistik und Wahrscheinlichkeitsrechnung
|
|
- Stefan Kuntz
- vor 6 Jahren
- Abrufe
Transkript
1 Statistik und Wahrscheinlichkeitsrechnung Übung 7 1
2 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess D.11: Wiederkehrperiode D.12: Extremwertverteilung Vorstellen der Hausübung D.13 2
3 Zufallsprozesse Für viele Ingenieurfragen müssen wir die zufälligen Schwankungen über die Zeit spezifischer erfassen können: Hochwasserereignis (diskret) Diskreter Zufallsprozess: Das zufällige Eintreten von Ereignissen zu diskreten Zeitpunkten (Unfälle, Steinschlag, Erdbeben, Stau, Versagen, usw.) Poissonprozess, Exponentialverteilung, Gammaverteilung Kontinuierlicher Zufallsprozess: Die zufälligen Ausprägungen von Ereignissen, welche kontinuierlich über die Zeit eintreten (Winddruck, Wellendruck, Temperaturen, usw.) (Normalprozess) Belastungsschwankungen aufgrund Wellen (kontinuierlich) 3
4 Stationarität Statistik und Wahrscheinlichkeitsrechnung 4
5 Ergodizität Beispiel für einen ergodischen Prozess a) 1000 Würfe mit einem Würfel b) Ein Wurf mit 1000 Würfeln Die Verteilung der Zahlen 1 bis 6 ist in beiden Fällen gleich! Aus einer ausreichend langen Zeitreihe lassen sich die Eigenschaften des Zufallsprozesses herleiten Die gleichen Eigenschaften können auch aus den Realisationen vieler Prozesse zum gleichen Zeitpunkt bestimmt werden 5
6 Poissonprozess Der Poissonprozess beschreibt eine zufällige Abfolge von diskreten Ereignissen. Er unterliegt folgenden Annahmen: Hochwasserereignis (diskret) 1. Die Wahrscheinlichkeit von zwei oder mehr Ereignissen in einem kleinen Zeitintervall sind vernachlässigbar klein. 2. Die auftretenden Ereignisse sind voneinander unabhängig. Anzahl Ereignisse in einem bestimmen Zeitintervall: Poissonverteilung Wartezeit zwischen zwei oder mehr Ereignissen: Exponentialverteilung, Gammaverteilung 6
7 Poissonprozess Statistik und Wahrscheinlichkeitsrechnung Poissonverteilung Pn t () t = Intensität (mittlere Anzahl Ereignisse pro Zeiteinheit t) n = Anzahl Ereignisse t = Zeitintervall [0;t[ u = Mittlere Anzahl Ereignisse in einem Zeitintervall t Homogener Poissonprozess () t konstant Nt () () t n u Pn t e n! u () t t u E Nt () u () tt Var N() t u () t t Inhomogener Poissonprozess () t nicht konstant Nt () P t n t u ( ) d 0 n u e n! u E Nt () u ( ) d Var N() t u ( ) d t 0 t 0 7
8 Poissonprozess Statistik und Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeit von keinem Ereignis in einem gegebenen 0 Zeitintervall t : u P0 t expuexpu 0! Homogener Poissonprozess P0 t exp tt t Inhomogener Poissonprozess P0 t exp ( ) d 0 Die kumulative Wahrscheinlichkeitsverteilungsfunktion der (Warte )Zeit bis zum ersten Ereignis T 1 Homogener Poissonprozess Inhomogener Poissonprozess F ( t ) 1 P( t ) 1exp( u) T T1 1 1 t F ( t ) 1exp( ( ) d ) T F ( t ) 1exp( t t ) Exponentialverteilung! 0 8
9 Aufgabe D.10 Statistik und Wahrscheinlichkeitsrechnung a) Das Auftreten von Regenereignissen in einem Gebiet innerhalb eines Jahres wird durch einen homogenen Poissonprozess mit der Intensität () t (mittlere Anzahl von Regenereignissen pro Zeiteinheit t) angegeben, wobei t in Monaten gemessen wird und im Intervall [0,12] definiert ist. () t 2 P () t n n u e n! u Bestimme die Wahrscheinlichkeit, dass im Zeitintervall vom 3. bis und mit 5. Monat kein Regenereignis genau ein Regenereignis stattfindet. Es wird angenommen, dass die Regenereignisse einem homogenen Poissonprozess mit der Intensität () t 2folgen. 9
10 Aufgabe D.10 a) Bestimme die Wahrscheinlichkeit, dass im Zeitintervall vom 3. bis und mit 5. Monat ( also in einem Zeitraum t = 3 Monate) kein Regenereignis genau ein Regenereignis stattfindet. Es wird angenommen, dass die Regenereignisse einem homogenen Poissonprozess mit der Intensität () t 2folgen. () t 2 P () t kein Regenereignis P t u 6 P e 0 e u u () t t 23 6 n u e n! 0 3 e n u genau ein Regenereignis 1 () u Pt 1 1! u e 6 P e e 1! (3)
11 Aufgabe D.10 b) Das Auftreten von Regenereignissen in einem Gebiet innerhalb eines Jahres wird nun durch einen inhomogenen Poissonprozess mit der Intensität ( ) angegeben, wobei in Monaten gemessen wird und im Intervall [0,12] definiert ist. Berechne die Wahrscheinlichkeit, dass in den ersten fünf Monaten des Jahres drei oder mehr Regenereignisse eintreten. 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 Unterschied zum homogenen Poissonprozess: Beim inhomogenen Poissonprozess variiert die Intensität mit der Zeit. 11
12 Aufgabe D.10 Intensität () (Mittlere Anzahl Ereignisse pro Zeiteinheit) 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 Der Poisson Parameter u für ein Zeitintervall [a, b] berechnet sich wie folgt: u b a ( ) d Mittlere Anzahl Ereignisse in [a, b] Daraus ergibt sich die Verteilung für die Anzahl Ereignisse n im betrachteten Zeitintervall [a, b]: n u Pn ([ a, b]) e n! u 12
13 Aufgabe D.10 b) Berechne die Wahrscheinlichkeit, dass in den ersten fünf Monaten des Jahres drei oder mehr Regenereignisse eintreten. 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 Vorgehen: Zufallsvariable N = Anzahl Regenereignisse in den ersten fünf Monaten Ermittle den Parameter u des Poissonprozesses Berechne die Wahrscheinlichkeit: n3 n P (5) 1 P(5) P(5) P(5) P () t n n u n! e u 13
14 Aufgabe D.10 b) Berechne die Wahrscheinlichkeit, dass in den ersten fünf Monaten des Jahres drei oder mehr Regenereignisse eintreten. 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 Bestimmung des Poisson Parameters 3 5 u ( ) d ( ) d d 2d u 3 u b a ( ) d 14
15 Aufgabe D.10 b) Berechne die Wahrscheinlichkeit, dass in den ersten fünf Monaten des Jahres drei oder mehr Regenereignisse eintreten. 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 n3 Berechne die Wahrscheinlichkeit: n P (5) 1 P(5) P(5) P(5) n 0 u u P0 (5) e e e n! 0! n 1 u u P1 (5) e e 7e n! 1! n 2 u u P2 (5) e e e n! 2! 2 P () t n n u u e u 7 n! 15
16 Aufgabe D.10 c) Wie gross ist die Wahrscheinlichkeit für das Eintreten von nicht mehr als einem Regenereignis jeweils während der zwei 3 monatigen Zeitintervallen vom 7. bis 9. Monat und vom 10. bis 12. Monat? Ereignis A repräsentiert das Eintreten von nicht mehr als einem Regenereignis in den Monaten 7,8 und 9. Ereignis B repräsentiert das Eintreten von nicht mehr als einem Regenereignis in den Monaten 10, 11 und 12. P[ A B] P( A) P( B) A und B unabhängig! 16
17 Aufgabe D.10 Als Mittelwert des Poissonprozesses ergeben sich für die beiden Intervalle in denen die Ereignisse unabhängig sind: 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 u u d d
18 Aufgabe D.10 c) Wie gross ist die Wahrscheinlichkeit für das Eintreten von nicht mehr als einem Regenereignis jeweils während der zwei 3 monatigen Zeitintervalle vom 7. bis 9. Monat und vom 10 bis 12 Monat PA ( ) e e ! 1! PB ( ) e e ! 1! PA ( B)
19 Quelle: 19
20 Aufgabe D.11 Eine Erdbebengefahrenkarte repräsentiert die Bodenbeschleunigung (m/s 2 ) für eine mittlere Wiederkehrperiode von 475 Jahren. 1 Erdbebengefährdung der Schweiz: Horizontale Bodenbeschleunigung (m/s 2 ), 10% Überschreitungswahrscheinlichkeit in 50 Jahren 20
21 Aufgabe D.11 Eine Erdbebengefahrenkarte repräsentiert die Bodenbeschleunigung (m/s 2 ) für eine mittlere Wiederkehrperiode von 475 Jahren. a) Zeigen Sie, dass die Wiederkehrperiode von 475 Jahren einer Überschreitungswahrscheinlichkeit von 0.1 in 50 Jahren entspricht. b) Wie gross ist die Wahrscheinlichkeit, dass ein Beben mit einer Wiederkehrperiode von 475 Jahren tatsächlich innerhalb der 475 Jahre auftritt? Es wird angenommen, dass das Auftreten der Erdbeben einem homogenen Poissonprozess folgt. Erdbebengefährdung der Schweiz: Horizontale Bodenbeschleunigung (m/s 2 ), 10% Überschreitungswahrscheinlichkeit in 50 Jahren 21
22 Aufgabe D.11 a) Bestätige diese Beziehung: Ereignis mit einer Wiederkehrperiode von 475 Jahren = Ereignis mit einer Überschreitungswahrscheinlichkeit von 0.1 in 50 Jahren Wiederkehrperiode T R = 475 Jahre Jährliche Überschreitungswahrscheinlichkeit: p 1 1 T 475 R Durchschnittliche Wartezeit bis zu einem Ereignis: 1 1 ET [ ] 475 p Die Zeit zwischen Ereignissen des homogenen Poissonprozessen ist exponentialverteilt. 22
23 Aufgabe D.11 a) Bestätige diese Beziehung: Ereignis mit einer Wiederkehrperiode von 475 Jahren = Ereignis mit einer Überschreitungswahrscheinlichkeit von 0.1 in 50 Jahren. Der Erwartungswert einer exponentialverteilten Zufallsvariable T ist gegeben als: ET [ ] = 1 () t = 475 () t = 1 ET [ ] = 1 T = 1 R 475 Die Wahrscheinlichkeit P (T 50), dass ein Ereignis in 50 Jahren überschritten wird, kann folgendermassen berechnet werden: (Skript Gleichung D.65) t t P T 50 Jahre 1e 1e
24 Aufgabe D.11 b) Wie hoch ist die Wahrscheinlichkeit, dass ein Erdbeben mit einer Wiederkehrperiode von 475 Jahren in den nächsten 475 Jahren auftritt? Die Wahrscheinlichkeit P (T 475), dass ein Ereignis innerhalb eines Zeitraums von 475 Jahren auftritt (überschritten wird), kann folgendermassen berechnet werden: t PT475 Jahre 1e 1e 1e
25 Aufgabe D.12 Es wird angenommen, dass der jährliche maximale Abfluss X eines bestimmten Flusses einer Gumbel max Verteilung mit dem Mittelwert = m 3 X /s und der Standardabweichung =3 000 m 3 /s folgt. X 25
26 Aufgabe D.12 Es wird angenommen, dass der jährliche maximale Abfluss X eines bestimmten Flusses einer Gumbel max Verteilung mit dem Mittelwert = m 3 X /s und der Standardabweichung =3 000 m 3 /s folgt. X a) Berechne die Wahrscheinlichkeit, dass der jährliche maximale Abfluss m 3 /s übersteigt. b) Wie gross ist der jährliche maximale Abfluss, welcher einer Wiederkehrperiode von 100 Jahren entspricht? c) Finde die kumulative Verteilungsfunktion, welche den jährlichen maximalen Abfluss des Flusses über einen Zeitraum von 20 Jahren beschreibt. Es wird angenommen, dass die jährlichen Maxima unabhängige Zufallsvariablen sind. d) Wie hoch ist die Wahrscheinlichkeit, dass der 20 jährige maximale Abfluss m 3 /s überschreitet? 26
27 Aufgabe D.12 Es wird angenommen, dass der jährliche maximale Abfluss X eines bestimmten Flusses einer Gumbel max Verteilung mit dem Mittelwert = m 3 X /s und der Standardabweichung =3 000 m 3 /s folgt. X Hinweis: Die Gumbel max Verteilungsfunktion hat folgende Form: x F ( x) exp exp ( xu) X X X u 6 u X X Mittelwert Standardabweichung Parameter der Verteilung Parameter der Verteilung (Skript Tabelle D.2) 27
28 Aufgabe D.12 a) Berechne die Wahrscheinlichkeit, dass der jährliche maximale Abfluss m 3 /s übersteigt. F ( x) exp exp ( xu) X P[ jährliches Max 15'000] 1F 15'000 1e X e 15'000u X X Parameter u und α ermitteln: u '000 6 x u x 10'000 8'
29 Aufgabe D.12 Statistik und Wahrscheinlichkeitsrechnung u 8' a) Berechne die Wahrscheinlichkeit, dass der jährliche maximale Abfluss m 3 /s übersteigt. 4 1F 15'000 1e X e 15'000u '0008' e 1e 1e e Die Wahrscheinlichkeit, dass die jährliche maximale Überschwemmung m 3 /s überschreitet, beträgt
30 Aufgabe D.12 b) Wie gross ist der jährliche maximale Abfluss, welcher einer Wiederkehrperiode von 100 Jahren entspricht? Wiederkehrperiode = 100 Jahre jährliche Überschreitungswahrscheinlichkeit: p 1 1 T P[ jährliches Max x] 1 P( X x) FX x 1 1 FX x
31 . Aufgabe D.12 Statistik und Wahrscheinlichkeitsrechnung b) Wie gross ist der jährliche maximale Abfluss, welcher einer Wiederkehrperiode von 100 Jahren entspricht? u 8' xu e 1 FX xe ln ln 0.99 ln ln 0.99 xu u x ln ln x 10' ' x x 19' Die Überschwemmung, welche einer Wiederkehrperiode von 100 Jahren entspricht, ist m 3 /s. 4 31
32 Aufgabe D.12 c) Finde die kumulative Verteilungsfunktion, welche den jährlichen maximalen Abfluss des Flusses über einen Zeitraum von 20 Jahren beschreibt. Es wird angenommen, dass die jährlichen Maxima unabhängige Zufallsvariablen sind. 32
33 Extremwertverteilungen Statistik und Wahrscheinlichkeitsrechnung Wenn die Extremwerte innerhalb einer Periode T eines ergodischen Zufallsprozesses X(t) unabhängig sind und der Verteilung max F X T, ( x) folgen, dann werden die Extremwerte des gleichen Prozesses innerhalb der Periode nt folgender Verteilung folgen: max max F, (), () n XnT x FXT x Skript, Gleichung D.78 33
34 Aufgabe D.12 c) Finde die kumulative Verteilungsfunktion, welche den jährlichen maximalen Abfluss des Flusses über einen Zeitraum von 20 Jahren beschreibt. Es wird angenommen, dass die jährlichen Maxima unabhängige Zufallsvariablen sind. Für unabhängige Zufallsvariablen ist die kumulative Verteilungsfunktion der grössten Extremwerte innerhalb eines Zeitintervalls nt gegeben als: max max F, ( ), ( ) n XnT x FXT x Skript, Gleichung D.78 Für das 20jährige Abfluss Maximum (y) mit n=20 bedeutet dies: 20 x u 20 e 20e F Y y P Y y FX x e e x u 34
35 Aufgabe D u 8' d) Wie hoch ist die Wahrscheinlichkeit, dass der 20 jährige maximale Abfluss m 3 /s überschreitet? '0008' e FY e e ' x u 20 e 20e F X x e e x u Die Wahrscheinlichkeit, dass die 20 jährige maximale Überschwemmung m 3 /s überschreitet, beträgt
36 Hausübung D.13 Der Verkehr auf einer Hauptstrasse kann als homogener Poissonprozess modelliert werden. Die Intensität 5 gibt dabei an, wie viele Fahrzeuge pro Minute an einem bestimmten Punkt vorbeikommen. a) Wie hoch ist die Wahrscheinlichkeit, dass der zeitliche Abstand zwischen zwei beliebigen Fahrzeugen ( x i in der Grafik) kleiner/gleich 10 Sekunden ist. Tipp: X i ist die Wartezeit bis zum nächsten Ereignis Exponentialverteilung 36
37 Hausübung D.13 b) Ein Autofahrer möchte von einer Nebenstrasse in die Hauptstrasse einbiegen (siehe Grafik). Damit dies möglich ist, benötigt er eine Lücke von mehr als 10 Sekunden zwischen zwei Fahrzeugen. Wie hoch ist die Wahrscheinlichkeit, dass 5 Fahrzeuge auf der Hauptstrasse vorbeifahren, ohne dass eine Möglichkeit zur Auffahrt besteht? Tipp: Die einzelnen Abstände sind voneinander unabhängig! P X 10 X X 10? c) Bestimme die Verteilung des maximalen Abstandes zum vorherigen Fahrzeug x i in einer Kolonne von 5 oder 10 Fahrzeugen. Stelle die zwei Dichtefunktionen in einer gemeinsamen Grafik dar Tipp: Bestimme zunächst die kumulativen Verteilungsfunktionen! 37
Exponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
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:
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 4 12.03.2008 1 Aufgabe 4.1 Die monatliche Aufwendung X [CHF] für den Wasserverbrauch einschliesslich h der Abwassergebühren eines 2 Personenhaushalts seien
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 08.04.2008 Der zentrale Grenzwertsatz Normalverteilung Die Wahrscheinlichkeitsdichteverteilung der Summe von Zufalls variablen konvergiert zu
MehrStatistik Übungen SS 2018
Statistik Übungen SS 2018 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 Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
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
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
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
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
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
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
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
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
MehrBasisprüfung B. Sc. FS 2009
Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung FS 2009 Prof. Dr. M. H. Faber ETH Zürich Montag, 17. August 2009 14:00 16:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... Basisprüfung
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik Lösungsblatt zu Nr. 2 1. Für die
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
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. 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
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
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
Mehr2. Teilprüfung FS 2009
2. Teilprüfung Statistik und Wahrscheinlichkeitsrechnung FS 2009 Prof. Dr. Michael Havbro Faber ETH Zürich Dienstag 19. Mai 2009 08:00 09:30 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... 2. Teilprüfung:
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
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),
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
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
MehrEinführung: Extremwertstatistik in der Hydrologie
1 Einführung: Extremwertstatistik in der Hydrologie Aufgaben der Extremwertstatistik in der Hydrologie Grundbegriffe Ermittlung der Verteilungsfunktion für hydrologische Extremwerte Anwendung der bekannten
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
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
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
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
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
MehrBasisprüfung B. Sc. WS 2009/10
Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung WS 2009/10 Prof. Dr. M. H. Faber ETH Zürich Montag, 08. Februar 2010 14:00 16:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... 1/15
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
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,
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrÜbungsaufgaben zu Kapitel 12 bis 14
Hochschule für Technik und Wirtschaft Dresden Wintersemester 0/6 Fakultät Informatik/Mathematik Prof. Dr. B. Jung Übungsaufgaben zu Kapitel bis Hinweis: Die Berechnung evtl. auftretender Integrale kann
MehrÜbungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker
Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrWerkzeuge der empirischen Forschung
Wolfgang Kössler Institut für Informatik, Humboldt-Universität zu Berlin SS2008 18. April 2008 Übersicht 1 2 Dateneingabe und Transformation Allgemeine Eingabe über die Eingabe durch externes File Wichtige
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
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
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
MehrStatistik Übungen SS 2017
Statistik Übungen SS 2017 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrStatistische Inferenz
Statistische Inferenz Prinzip der statistischen Inferenz Datensätze = Stichproben aus einer Gesamtpopulation (meistens) Beispiel : Messung der Körpertemperatur von 106 gesunden Individuen man vermutet,
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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 11. Winterthur, 10. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 10. Mai 017 1 Zufallsvariablen:
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
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
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
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
MehrElementarereignis: Stellt ein Einzelergebnis eines Zufallsexperimentes dar, wird oftmals mit E bezeichnet.
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Einführung in grundlegende
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrProf. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker
Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
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 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
MehrÜbungen zur Vorlesung Statistische Methoden Kapitel 1-2
TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
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.
MehrSchätzung der rohen Sterbenswahrscheinlichkeit
Schätzung der rohen Sterbenswahrscheinlichkeit Sarah Kosjak 4.1.009 Inhaltsverzeichnis 1 Einleitung 1.1 Definitionen........................................ 1. Problemdarstellung....................................
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrStatistik Übungen WS 2016
Statistik Übungen WS 2016 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
Mehr