Konzept diskreter Zufallsvariablen
|
|
- Markus Schäfer
- vor 6 Jahren
- Abrufe
Transkript
1 Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Elementar- Wahrschein- h ereignis lichkeit KKK 1/8 KKZ 1/8 KZK 1/8 ZKK 1/8 KZZ 1/8 ZKZ 1/8 ZZK 1/8 ZZZ 1/8 2 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 1
2 Beispiel: Zufallsvariable 3 Statistik 1 - Diskrete Zufallsvariable Beispiel: Zufallsvariable Jedem Elementarereignis wird eine Zahl zugeordnet (Anzahl der beobachteten Köpfe) Die Wahrscheinlichkeit für das Auftreten einer Zahl ergibt sich durch Summation der Wahrscheinlichkeiten der Elementarereignisse, die mit dieser Zahl verknüpft sind: Anzahl Kopf Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Elementar- Anzahl Wahrschein- ereignis Kopf lichkeit KKK 3 1/8 KKZ 2 1/8 KZK 2 1/8 ZKK 2 1/8 KZZ 1 1/8 ZKZ 1 1/8 ZZK 1 1/8 ZZZ 0 1/8 Wahrscheinlichkeit 1/8 3/8 3/8 1/8 4 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 2
3 Beispiel aus Buch von Agresti General Social Survey Question: What do you think is the ideal number of children for a family to have? Ideal Number Probability 0,01 0,03 0,60 0,23 0,12 0,01 If you randomly pick out a person from the USpopulation the probability of each allowed answer will follow the above table. 5 Statistik 1 - Diskrete Zufallsvariable Zufallsvariable (Random Variable) Eine Variable X, die jedem möglichen Ereignis e E eines Zufallsexperimentes eine Zahl X(e) zuordnet, wird als Zufallsvariable bezeichnet. Die Wahrscheinlichkeitsverteilung einer Zufallsvariablen X ist die Zuordnung von Wahrscheinlichkeiten zu allen durch X definierten Ereignissen. 6 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 3
4 Wahrscheinlichkeitsfunktion Die Funktion f(x), die jeder Zahl x die Wahrscheinlichkeit P(X=x) zuordnet, heißt Wahrscheinlichkeitsfunktion der diskreten Zufallsvariablen X: f(x) = P(X = x) Seien x 1, x 2,..., x i,... die Realisationsmöglichkeiten der diskreten Zufallsvariablen X, so wird die Wahrscheinlichkeitsfunktion oft kurz als p i geschrieben: f(x i ) = P(X = x i ) = p i i=1, 2,... 7 Statistik 1 - Diskrete Zufallsvariable Beispiel: Zufallsvariable Jedem Elementarereignis wird eine Zahl zugeordnet (Anzahl der beobachteten Köpfe) Anzahl Kopf Wahrscheinlichkeit 1/8 3/8 3/8 1/8 P{X=2} = 3/8 P{X 2} = 1 - P{X > 2} = 1/8 + 3/8 + 3/8 = 1-1/81/8 =7/8 P{0 < X 1} = 3/8 P{X > 1} = 1 - P{X 1} = 3/8 + 1/8 = 1-1/8-3/8 = 4/8 8 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 4
5 Verteilungsfunktion Um die Wahrscheinlichkeitsverteilung einer Zufallsvariablen X zu definieren, genügt es Ereignissen des Typs {X x} Wahrscheinlichkeiten zuzuordnen. Daraus lassen sich bereits für alle anderen durch X definierten Ereignisse die Wahrscheinlichkeiten ermitteln. Die Funktion F(x), die jedem x die Wahrschein-lichkeit P(X x) zuordnet nennt man die theoretische Verteilungsfunktion der Zufallsvariablen X: F(x) = P(X x) 9 Statistik 1 - Diskrete Zufallsvariable Beispiel: Diskrete Zufallsvariable Anzahl Kopf Wahrscheinlichkeitsfunktion 1/8 3/8 3/8 1/8 V erteilungsfunktion 1/8 4/8 7/8 8/8 P{X 0} = 1/8 P{X 1} = 4/8 P{X 2} = 7/8 P{X 3} = 8/8 1,2 1 0,8 0,6 0,4 0,2 Verteilungsfunktion Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 5
6 Eigenschaften der Verteilungsfunktion F(x) nimmt nur Werte zwischen 0 und 1 an, d.h. es gilt 0 F(x) 1 F(x) steigt für wachsendes x monoton an F(x) 1 für x F(x) 0 für x - x 1 < x 2 F(x 1 ) F(x 2 ) 11 Statistik 1 - Diskrete Zufallsvariable f(x) F(x) im diskreten Fall Zwischen der Wahrscheinlichkeitsfunktion f(x) und der Verteilungsfunktion F(x) gelten im Fall der diskreten Zufallsvariable X mit den Realisationsmöglichkeiten x 1, x 2,..., x i,...: Fx) ( = fx ( i ) xi x F(x i ) - F(x i-1 ) = f(x i ) F(x i ) = P(X x i ) = = P(X < x i ) + P(X = x i ) = = F(x i-1 ) + P(X = x i ) 12 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 6
7 Beispiel: Diskrete Zufallsvariable Bei einem Wissenstest muss ein Kandidat bei jeder Frage ein Zuordnungsproblem der folgenden Art lösen: 1) Erste Türkenbelagerung g 2) Schlacht von Hastings 3) Entdeckung Amerikas a) 1066 b) 1492 c) 1529 Der Ereignisraum kann wie folgt dargestellt werden: a b c a c b b a c b c a c a b c b a Die Anzahl der richtigen Antworten bei dieser Frage ist, da die korrekte Lösung (c a b) lautet, wie folgt: Statistik 1 - Diskrete Zufallsvariable Beispiel: Diskrete Zufallsvariable Geht man davon aus, dass der Kandidat die Fragen nach einem Zufallsprinzip beantwortet (jede der 6 Antworten mit gleicher Wahrscheinlichkeit wählt), ergibt sich für die Wahrscheinlichkeitsfunktion der richtigen Antworten folgendes: Anzahl richtige Antworten Wahrscheinlichkeit /6 3/6 0 1/6 14 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 7
8 Beispiel: Diskrete Zufallsvariable Stellt man den Kandidaten wiederholt eine Problemstellung des obigen Typs, kann man wohl davon ausgehen, daß der Kandidat im Mittel pro Problem eine richtige Antwort treffen wird: x i p i x i p i 0 2/ /6 3/ /6 3/6 Summe 1 1 Dieses gewogene Mittel nennt man den Erwartungswert einer Zufallsvariablen. 15 Statistik 1 - Diskrete Zufallsvariable Erwartungswert Sei X eine diskrete Zufallsvariable mit den Realisationsmöglichkeiten x i und der zugehörigen Wahrscheinlichkeitsfunktion p i =P(X=x i ), i=1,2,... Dann heißt E(X) der Erwartungswert von X. EX ( ) = μ = i xp i i Gewichtete Summe der Merkmalsausprägungen, wobei die Gewichte die Wahrscheinlichkeiten sind. 16 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 8
9 Beispiel Würfelwurf Wir betrachten einen idealen (unverfälschten) Würfel, welcher folgende Wahrscheinlichkeitsfunktion besitzt: Würfel x i p i x i p i 1 1/6 1/6 2 1/6 2/6 3 1/6 3/6 E(X) = 3,5 4 1/6 4/6 5 1/6 5/6 6 1/6 6/6 Summe 1 3,5 17 Statistik 1 - Diskrete Zufallsvariable Arithmetisches Mittel Bei 12 Würfen mit dem Würfel wurde folgendes Ergebnis beobachtet: 5, 3, 4, 5, 5, 2, 6, 1, 4, 1, 3, 6 Der Durchschnitt (das Arithmetische Mittel) dieser 12 Augenzahlen ist 3,75. Das arithmetische Mittel (oder der Durchschnitt) x der Zahlen x 1,..., x n ist definiert als: x = 1 ( n x + x + + x n = ) n n i= 1 x i 18 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 9
10 Beispiel Würfelwurf Das Ergebnis des Würfelwurfs lässt sich auch in einer Häufigkeitstabelle zusammenfassen: x i n i h i x i h i x i n i 1 2 2/12 2/ /12 2/ /12 6/ /12 8/ /12 15/ /12 12/12 12 Summe / /12 = 3,75 19 Statistik 1 - Diskrete Zufallsvariable Arithm. Mittel versus Erwartungswert Erwartungswert ist ein theoretischer Wert (theoretischer Lageparameter), der die zentrale Tendenz einer diskreten Zufallsvariable charakterisiert, indem die Merkmalsausprägungen mit ihrer Wahrscheinlichkeit multipliziert und dann summiert werden. Das arithmetische Mittel ist ein empirischer Wert (empirischer Lageparameter), der die zentrale Tendenz einer realen Beobachtung (Stichprobe) charakterisiert, indem die Merkmalsausprägungen mit ihrer relativen Häufigkeit multipliziert und dann summiert werden. 20 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 10
11 Inferenzstatistisches Prinzip In der Inferenzstatistik (schließenden Statistik) versucht man durch den systematischen Vergleich von empirischen Häufigkeitsverteilungen mit hypothetischen theoretischen Modellen Schlußfolgerungen über den datengenerierenden Prozeß ziehen zu können. Dieser Vergleich kann auf verschiedenen Ebenen erfolgen: Vergleich der theoretischen und der empirischen Verteilung (z.b. Säulendiagramm versus Wahrscheinlichkeitsfunktion) Vergleich von Maßzahlen (z.b. Mittelwert versus Erwartungswert) 21 Statistik 1 - Diskrete Zufallsvariable Anwendung beim Zuordnungstest In 3 Schulklassen (A, B, C) mit je 30 Schülern wird der zuvor beschriebene Zuordnungstest durchgeführt: Korrekt Prob Theorie A B C 0 2/ / / Erwartungswert bei zufälligem Antwortverhalten 1 richtige Lösung pro Schüler Mittelwert in Klasse(A): 1/3 Mittelwert in Klasse B: 9/10 Mittelwert in Klasse C: 22/10 22 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 11
12 Vergleich empirische theoretische Verteilung Theorie A 10 Theorie B Theorie C Statistik 1 - Diskrete Zufallsvariable Eigenschaften des Erwartungswertes Linearität: Additivität: 24 E(aX + b) = ae(x) + b E(X + Y) = E(X) + E(Y) Beachte : E(X + X) = E(2X) aber X+ X 2X Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 12
13 Zufallsvariable Augenzahl Augenzahl (X) P(X=x) x.p(x=x) 1 0,167 0, ,167 0, ,167 0, ,167 0, , , ,167 1,000 3,5 E(X) = 3,5 25 Statistik 1 - Diskrete Zufallsvariable Zufallsvariable Doppelte Augenzahl (2X) Augenzahl (2X) P(X=x) x.p(x=x) 2 0,167 0, ,167 0, ,167 1, ,167 1, ,167 1, ,167 2,000 7 E(X) = 3,5 E(2X) = 2*3,5=7 26 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 13
14 Summe Augenzahl von 2 Würfen Ergebnis Augen Augen Augen Augen Augen Augen Möglichkeiten Statistik 1 - Diskrete Zufallsvariable Zufallsvariable X+X Summe Augenzahl von 2 Würfen ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0,028 z.b.: P(X+X=7)=6/36 28 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 14
15 Zufallsvariable X+X Augenzahl Y=X+X P(Y=y) y.p(y=y) 0, , , ,056 0,167 0, ,083 0,333 0, ,111 0,556 0, ,139 0,833 0, ,167 1,167 0, ,139 1, ,111 1,000 0, ,083 0,833 0, ,056 0,611 0, , , ,000 7,000 P(Y=y) E(X) = 3,5 E(2X) = 2*3,5 = 7 E(X+X) =7= E(2X) 29 Statistik 1 - Diskrete Zufallsvariable Varianz einer ZV Misst die theoretisch zu erwartende Schwankung eines zufälligen Phänomens V(X) = E(X²) E(X)² V(X) = [x E(X)]²p(x ) i i i Analoge Eigenschaften wie bei der empirischen Varianz Y = a + bx V(Y) = b²v(x) 30 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 15
16 Varianz beim Roulette (Varianz.XLS) Unterschiedliche Strategien haben den selben Erwartungswert aber eine verschiedene Varianz! 31 Statistik 1 - Diskrete Zufallsvariable Varianz beim Roulette (Varianz.XLS) 250 Drücken Sie F Simulation Spiel auf Dutzend Simulation Spiel auf 1 Zahl Theorie 32 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 16
17 Basic Insurance Model Reserve at Start: 100,000 Mean Number of Claims per Period: 100 Mean of Claim Amount: 1,000 Premium per period: 110,000 Expectation for Total Claim Amount 100,000 Expected Win per Period: 10,000 Ein sicheres Geschäft? Versuchen Sie die Simulation: Insurance Model.XLS Durch Drücken von F9 erhalten Sie immer wieder ein neues Szenario 33 Statistik 1 - Diskrete Zufallsvariable One Possible Simulation-Scenario Development of Reserve A m o u n t Period 34 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 17
18 Conclusion The consideration of expectations is not sufficient Since number of claims and amount of claims are variable from period to period we need models to deal with this intrinsic variability The concept of probability and the notion of random variables offer us a formal calculus for such problems The analysis and investigation of data allows us the application of such methods to control insurance business 35 Statistik 1 - Diskrete Zufallsvariable Modern Risk Theory In 1903 Filip Lundberg a Swedish actuary laid the foundations of modern risk theory. Risk theory is a synonym for non-life insurance mathematics, dealing with stochastic models of claims that arrive in an insurance business (count and amount of claims) and gives advice on how much premium has to be charged. 36 Statistik 1 - Diskrete Zufallsvariable Marcus Hudec 18
Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
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
MehrChallenges for the future between extern and intern evaluation
Evaluation of schools in switzerland Challenges for the future between extern and intern evaluation Michael Frais Schulentwicklung in the Kanton Zürich between internal evaluation and external evaluation
MehrMitglied der Leibniz-Gemeinschaft
Methods of research into dictionary use: online questionnaires Annette Klosa (Institut für Deutsche Sprache, Mannheim) 5. Arbeitstreffen Netzwerk Internetlexikografie, Leiden, 25./26. März 2013 Content
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrDOWNLOAD. Englisch in Bewegung. Spiele für den Englischunterricht. Britta Buschmann. Downloadauszug aus dem Originaltitel:
DOWNLOAD Britta Buschmann Englisch in Bewegung Spiele für den Englischunterricht auszug aus dem Originaltitel: Freeze Hör-/ und Sehverstehen Folgende Bewegungen werden eingeführt: run: auf der Stelle rennen
MehrAlgorithms for graph visualization
Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015. Vorlesung 5, Donnerstag, 20.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 5, Donnerstag, 20. November 2014 (Wie baut man eine Hash Map, Universelles Hashing)
MehrGeometrie und Bedeutung: Kap 5
: Kap 5 21. November 2011 Übersicht Der Begriff des Vektors Ähnlichkeits Distanzfunktionen für Vektoren Skalarprodukt Eukidische Distanz im R n What are vectors I Domininic: Maryl: Dollar Po Euro Yen 6
MehrKlausur BWL V Investition und Finanzierung (70172)
Klausur BWL V Investition und Finanzierung (70172) Prof. Dr. Daniel Rösch am 13. Juli 2009, 13.00-14.00 Name, Vorname Anmerkungen: 1. Bei den Rechenaufgaben ist die allgemeine Formel zur Berechnung der
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
Mehr3.3. Aufgaben zur Binomialverteilung
.. Aufgaben zur Binomialverteilung Aufgabe 1: Ziehen mit Zurücklegen und Binomialverteilung Ein sechsseitiger Würfel wird zehnmal geworfen. a) Wie groß ist die Wahrscheinlichkeit, nur beim ersten Mal die
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrAbschlussklausur des Kurses Portfoliomanagement
Universität Hohenheim Wintersemester 2010/2011 Lehrstuhl für Bankwirtschaft und Finanzdienstleistungen Kurs Portfoliomanagement Seite 1 von 3 19.01.2011 Abschlussklausur des Kurses Portfoliomanagement
MehrGRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem
GRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem GIS based risk assessment and incident preparation system Gregor Lämmel TU Berlin GRIPS joined research project TraffGo HT GmbH Rupprecht
MehrAccounting course program for master students. Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe
Accounting course program for master students Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe 2 Accounting requires institutional knowledge... 3...but it pays: Lehman Bros. Inc.,
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
MehrGesucht: wie viele Mitarbeiter sind max. durch Ziffernfolge unterscheidbar. Lösung: Möglichkeiten; Reihenfolge und MIT Zurücklegen- also = = 6561
1 Bettina Kietzmann Februar 2013 Numerische Aufgaben Statistik 1D 1. Kombinatorik Für die Lösung dieser Aufgaben ist die Tabelle der Formelsammlung S. 10 relevant. Geht es darum Möglichkeiten zu errechnen
MehrThere are 10 weeks this summer vacation the weeks beginning: June 23, June 30, July 7, July 14, July 21, Jul 28, Aug 4, Aug 11, Aug 18, Aug 25
Name: AP Deutsch Sommerpaket 2014 The AP German exam is designed to test your language proficiency your ability to use the German language to speak, listen, read and write. All the grammar concepts and
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrWAS IST DER KOMPARATIV: = The comparative
DER KOMPATATIV VON ADJEKTIVEN UND ADVERBEN WAS IST DER KOMPARATIV: = The comparative Der Komparativ vergleicht zwei Sachen (durch ein Adjektiv oder ein Adverb) The comparative is exactly what it sounds
MehrEinkommensaufbau mit FFI:
For English Explanation, go to page 4. Einkommensaufbau mit FFI: 1) Binäre Cycle: Eine Position ist wie ein Business-Center. Ihr Business-Center hat zwei Teams. Jedes mal, wenn eines der Teams 300 Punkte
MehrAufnahmeuntersuchung für Koi
Aufnahmeuntersuchung für Koi Datum des Untersuchs: Date of examination: 1. Angaben zur Praxis / Tierarzt Vet details Name des Tierarztes Name of Vet Name der Praxis Name of practice Adresse Address Beruf
MehrHIR Method & Tools for Fit Gap analysis
HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes
Mehr3.8 Wahrscheinlichkeitsrechnung III
3.8 Wahrscheinlichkeitsrechnung III Inhaltsverzeichnis ufallsgrössen Der Erwartungswert 3 3 Die Binomialverteilung 6 4 Die kumulierte Binomialverteilung 8 4. Die Tabelle im Fundamentum (oder Formeln und
MehrInequality Utilitarian and Capabilities Perspectives (and what they may imply for public health)
Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health) 1 Utilitarian Perspectives on Inequality 2 Inequalities matter most in terms of their impact onthelivesthatpeopleseektoliveandthethings,
MehrBeispiele zur UE Wirtschaftsstatistik 1 bei Nagel
Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum
MehrKlassische Risikomodelle
Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes
MehrMit Legacy-Systemen in die Zukunft. adviion. in die Zukunft. Dr. Roland Schätzle
Mit Legacy-Systemen in die Zukunft Dr. Roland Schätzle Der Weg zur Entscheidung 2 Situation Geschäftliche und softwaretechnische Qualität der aktuellen Lösung? Lohnen sich weitere Investitionen? Migration??
MehrUmgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
MehrTitelbild1 ANSYS. Customer Portal LogIn
Titelbild1 ANSYS Customer Portal LogIn 1 Neuanmeldung Neuanmeldung: Bitte Not yet a member anklicken Adressen-Check Adressdaten eintragen Customer No. ist hier bereits erforderlich HERE - Button Hier nochmal
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
MehrSymbio system requirements. Version 5.1
Symbio system requirements Version 5.1 From: January 2016 2016 Ploetz + Zeller GmbH Symbio system requirements 2 Content 1 Symbio Web... 3 1.1 Overview... 3 1.1.1 Single server installation... 3 1.1.2
MehrHow to develop and improve the functioning of the audit committee The Auditor s View
How to develop and improve the functioning of the audit committee The Auditor s View May 22, 2013 Helmut Kerschbaumer KPMG Austria Audit Committees in Austria Introduced in 2008, applied since 2009 Audit
MehrInstruktionen Mozilla Thunderbird Seite 1
Instruktionen Mozilla Thunderbird Seite 1 Instruktionen Mozilla Thunderbird Dieses Handbuch wird für Benutzer geschrieben, die bereits ein E-Mail-Konto zusammenbauen lassen im Mozilla Thunderbird und wird
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
Mehr1. General information... 2 2. Login... 2 3. Home... 3 4. Current applications... 3
User Manual for Marketing Authorisation and Lifecycle Management of Medicines Inhalt: User Manual for Marketing Authorisation and Lifecycle Management of Medicines... 1 1. General information... 2 2. Login...
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrQuality Management is Ongoing Social Innovation Hans-Werner Franz
Quality Management is Ongoing Social Innovation Hans-Werner Franz ICICI Conference, Prague 1-2 October 2009 What I am going to tell you social innovation the EFQM Excellence model the development of quality
MehrGewinnchancen und Gewinnerwartung
Bachelorarbeit an der Ruhr-Universität Bochum Gewinnchancen und Gewinnerwartung Marius Alexander Wilker aus Marl Bochum, im April 008 Fakultät für Mathematik Prof. Dr. R. Verfürth Inhaltsverzeichnis I.
MehrKybernetik Intelligent Agents- Decision Making
Kybernetik Intelligent Agents- Decision Making Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 03. 07. 2012 Intelligent Agents Environment Agent Intelligent
MehrInvitation to the International Anglers Meeting 2015 Silo Canal/Brandenburg 15.10. - 17.10. 2015
Event-UG (haftungsbeschränkt) DSAV-event UG (haftungsbeschränkt) Am kleinen Wald 3, 52385 Nideggen Invitation to the International Anglers Meeting 2015 Silo Canal/Brandenburg 15.10. - 17.10. 2015 Ladies
MehrVariationen Permutationen Kombinationen
Variationen Permutationen Kombinationen Mit diesen Rechenregeln lässt sich die Wahrscheinlichkeit bestimmter Ereigniskombinationen von gleichwahrscheinlichen Elementarereignissen ermitteln, und erleichtert
MehrEinführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik () Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de Gliederung Allgemeine Statistik. Deskriptive Statistik. Wahrscheinlichkeitstheorie.3
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrStatistik und Wahrscheinlichkeitsrechnung
Einführung Statistik und Wahrscheinlichkeitsrechnung Lukas Meier Teilweise basierend auf Vorlesungsunterlagen von Marloes Maathuis, Hansruedi Künsch, Peter Bühlmann und Markus Kalisch. Fehler und Anregungen
Mehr6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis
1 6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Spiele aus dem Alltagsleben: Würfel, Münzen, Karten,... u.s.w. sind gut geeignet die Grundlagen der Wahrscheinlichkeitsrechnung
MehrFrequently asked Questions for Kaercher Citrix (apps.kaercher.com)
Frequently asked Questions for Kaercher Citrix (apps.kaercher.com) Inhalt Content Citrix-Anmeldung Login to Citrix Was bedeutet PIN und Token (bei Anmeldungen aus dem Internet)? What does PIN and Token
MehrAnalog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als:
9-9 Die befasst sich mit der Untersuchung, wie wahrscheinlich das Eintreten eines Falles aufgrund bestimmter Voraussetzungen stattfindet. Bis anhin haben wir immer logisch gefolgert: 'Wenn diese Voraussetzung
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrLogistische Regression
Grundideen Logistische Regression Exkurs Logistische Regression Auch nachzulesen bei: http://www.psychologie.uniwuerzburg.de/methoden/lehre/skripten/hs_meth_evaluation/hs_evaluation_logistisch eregression.pdf
MehrExercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part II) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
MehrCorporate Digital Learning, How to Get It Right. Learning Café
0 Corporate Digital Learning, How to Get It Right Learning Café Online Educa Berlin, 3 December 2015 Key Questions 1 1. 1. What is the unique proposition of digital learning? 2. 2. What is the right digital
MehrNotice: All mentioned inventors have to sign the Report of Invention (see page 3)!!!
REPORT OF INVENTION Please send a copy to An die Abteilung Technologietransfer der Universität/Hochschule An die Technologie-Lizenz-Büro (TLB) der Baden-Württembergischen Hochschulen GmbH Ettlinger Straße
MehrWays and methods to secure customer satisfaction at the example of a building subcontractor
Abstract The thesis on hand deals with customer satisfaction at the example of a building subcontractor. Due to the problems in the building branch, it is nowadays necessary to act customer oriented. Customer
MehrVeranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME):
Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): MATRIKELNUMMER: Alte Prüfungsordnung/Neue Prüfungsordnung
MehrStochastik Boris Boor 2010
Stochastik Boris Boor 010 Inhaltsverzeichnis S.1 Grundbegriffe... S.1.1 Ergebnisse und Ereignisse... S.1. Relative Häufigkeit und Wahrscheinlichkeit...4 S.1.3 Wahrscheinlichkeitsverteilung...5 S.1.4 Mehrstufige
MehrVersuch: Zufälliges Ziehen aus der Population
Wahrscheinlichkeit Ein Test diagnostiziert Kranke zu 99% richtig Gesunde zu 90% richtig 5% der Bevölkerung ist krank? Wie wahrscheinlich ist es, dass jemand krank ist, wenn der Test dies diagnostiziert?
MehrEinführung in die schließende Statistik - Von der Wahrscheinlichkeit zur Hypothese mit Beispielen in R und SPSS
Einführung in die schließende Statistik - Von der Wahrscheinlichkeit zur Hypothese mit Beispielen in R und SPSS Version 0.9 (7.5.204) Haiko Lüpsen Universität zu Köln Regionales Rechenzentrum (RRZK) Kontakt:
Mehrjob and career at CeBIT 2015
1. Überschrift 1.1 Überschrift 1.1.1 Überschrift job and career at CeBIT 2015 Marketing Toolkit DE / EN 1 Inhalte Smart Careers in DIGITAL BUSINESS 1 Logo Seite 3 2 Signatur Seite 4 3 Ankündigungstext
MehrEinsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation
Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Eine Betrachtung im Kontext der Ausgliederung von Chrysler Daniel Rheinbay Abstract Betriebliche Informationssysteme
MehrPreisliste für The Unscrambler X
Preisliste für The Unscrambler X english version Alle Preise verstehen sich netto zuzüglich gesetzlicher Mehrwertsteuer (19%). Irrtümer, Änderungen und Fehler sind vorbehalten. The Unscrambler wird mit
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrAugust Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln
August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln Ideas for the classroom 1. Introductory activity wer?, was?, wo?, wann?, warum? 2. Look at how people say farewell in German. 3. Look at how people
MehrPrediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes.
Prediction Market, 28th July 2012 Information and Instructions S. 1 Welcome, and thanks for your participation Sensational prices are waiting for you 1000 Euro in amazon vouchers: The winner has the chance
MehrFühren durch Entscheiden
Führen durch Entscheiden A.Univ.-Prof. Dr. Eduard Brandstätter Johannes Kepler Universität Linz Fehlentscheidung? Fehlentscheidungen Fusionierungen und Übernahmen (Harding & Rovit, 2004) Rechtsanwälte
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
MehrUnit 4: Informationsblatt für Mini-Teachers (schwierige Laute sind unterstrichen)
Unit 4: Informationsblatt für Mini-Teachers (schwierige Laute sind unterstrichen) Was ist euer Ziel? Das Ziel eurer Stunde ist es, die Zahlen zu wiederholen. Dafür habt ihr 20 Minuten Zeit. Wie könnt ihr
MehrGenexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression
Genexpressionsmessung Genexpression Transkription (Vorgang) Genexpression (quantitativ) Wieviele m-rna Moleküle eines bestimmten Gens sind in den Zellen? Genomische Datenanalyse 8. Kapitel Wie mißt man
MehrBachelorarbeit: Ein diskretes Modell für Finanzmärkte
Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Die Finanzmathematik ist momentan eine der wichtigsten Anwendungender. Hier soll ein grundlegendes Modell erörtert werden, das auf der Entwicklung
MehrVersicherungsschutz. sicher reisen weltweit!
I N F O R M A T I O N E N Z U d einem Versicherungsschutz im au s l an d R ei s e v er s i c h erun g s s c h utz sicher reisen weltweit! RD 281_0410_Eurovacances_BB.indd 1 14.06.2010 11:26:22 Uhr Please
MehrJetzt lerne ich Stochastik für die Oberstufe
Jetzt lerne ich Stochastik für die Oberstufe von Dr. rer. nat. Marco Schuchmann, Dipl.-Math. - 2 - - 3 - Vorwort In diesem Buch werden Anwendungen der Stochastik in der Oberstufe mit vielen Beispielen
MehrTuesday 10 May 2011 Afternoon Time: 30 minutes plus 5 minutes reading time
Write your name here Surname Other names Edexcel IGCSE German Paper 1: Listening Centre Number Candidate Number Tuesday 10 May 2011 Afternoon Time: 30 minutes plus 5 minutes reading time You do not need
MehrListening Comprehension: Talking about language learning
Talking about language learning Two Swiss teenagers, Ralf and Bettina, are both studying English at a language school in Bristo and are talking about language learning. Remember that Swiss German is quite
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrB I N G O DIE SCHULE. Bingo card: Classroom Items. 2007 abcteach.com
Bingo call sheet: Classroom Items Das Klassenzimmer die Tafel die Kreide die Uhr die Landkarte das Buch das Heft der Kugelschreiber die Füllfeder der Stuhl der Bleistift das Papier der Schreibtisch der
Mehr- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch
1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrPossible Solutions for Development of Multilevel Pension System in the Republic of Azerbaijan
Possible Solutions for Development of Multilevel Pension System in the Republic of Azerbaijan by Prof. Dr. Heinz-Dietrich Steinmeyer Introduction Multi-level pension systems Different approaches Different
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
Mehr15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit
5.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Einführendes Beispiel ( Erhöhung der Sicherheit bei Flugreisen ) Die statistische Wahrscheinlichkeit, dass während eines Fluges ein Sprengsatz an Bord
MehrThe Solar Revolution New Ways for Climate Protection with Solar Electricity
www.volker-quaschning.de The Solar Revolution New Ways for Climate Protection with Solar Electricity Hochschule für Technik und Wirtschaft HTW Berlin ECO Summit ECO14 3. June 2014 Berlin Crossroads to
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrModellgestützte Analyse und Optimierung Übungsblatt 4
Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen
MehrMul$media im Netz (Online Mul$media) Wintersemester 2014/15. Übung 02 (Nebenfach)
Mul$media im Netz (Online Mul$media) Wintersemester 2014/15 Übung 02 (Nebenfach) Mul=media im Netz WS 2014/15 - Übung 2-1 Organiza$on: Language Mul=ple requests for English Slides Tutorial s=ll held in
Mehr