1, 2, oder 3 Wuerfel: Jeweils Augenzahl addieren. Zufallsvariable addieren bedeutet Verteilungsdichten falten.
|
|
- Irmgard Lorentz
- vor 6 Jahren
- Abrufe
Transkript
1 WQ FS , 2, oder 3 Wuerfel: Jeweils Augenzahl addieren. Zufallsvariable addieren bedeutet Verteilungsdichten falten. pn_integer Ifn 0 && n 7, 1. 6., 0.0; w1 Table6 pk, k, 1, 7 p2k_integer Sumpj pk j, j, 1, 6; w2 Table36 p2kk, kk, 1, 13 1., 1., 1., 1., 1., 1., 0. 0., 1., 2., 3., 4., 5., 6., 5., 4., 3., 2., 1., 0. p3l_integer Sump2k pl k, k, 1, 12; w3 Table216 p3k, k, 19 0., 0., 1., 3., 6., 10., 15., 21., 25., 27., 27., 25., 21., 15., 10., 6., 3., 1., 0. grau GrayLevel0.5; hell GrayLevel; weiss GrayLevel; b1 BarChartw1, ChartStyle grau, PlotRange All; b2 BarChartw2, ChartStyle hell, PlotRange All; b3 BarChartw3, ChartStyle weiss, PlotRange All, ChartLabels Range19, AxesLabel "Augenzahl", "Anzahl" ; Showb3, b2, b1 Anzahl Augenzahl Analog: The convolution of UnitBox with itself is UnitTriangle ConvolveUnitBoxx, UnitBoxx, x, t UnitTrianglet
2 2 Faltung13WT.nb Plot, t, 1.2, 1.2 TablePlotPDFUniformSumDistributionk, x, x, 0, 4, Filling Axis, Exclusions None, PlotRange 0, 1, PlotLabel k, k, 1, 4 1 2,, 3 4, Gleichverteilung gegen Binomialverteilung 6 x Wuerfel 6 x Muenzwurf Wuerfel habe Punkte von 0 bis 5 w1 Tablepk, k, 1, 6 b6 TableBinomial5, k 2^5, k, 0, , , , , , , 5 32, 5 16, 5 16, 5 32, 1 32
3 Faltung13WT.nb 3 v1 BarChartw1, ChartStyle Opacity0.5, PlotRange All, ChartLabels Range v2 BarChartb6, ChartStyle grau, PlotRange All, ChartLabels Range6 1, AxesLabel "AugenzahlAnzahlKopf", "Anzahl" AugenzahlAnzahlKopf Showv2, v AugenzahlAnzahlKopf
4 4 Faltung13WT.nb mit Mma wirklich wuerfeln w1 TableRandomInteger5 1, k, 1, 1000; w2 TableRandomInteger5 1, k, 1, 1000; w3 TableRandomInteger5 1, k, 1, 1000; Shortw1 3, 1, 5, 3, 4, 5, 3, 4, 1, 5, 1, 5, 4, 4, 3, 970, 4, 3, 2, 1, 5, 4, 5, 4, 6, 4, 2, 4, 4, 4, 6 Histogramw Histogramw1 w
5 Faltung13WT.nb 5 Histogramw1 w2 w Mma kennt alle Verteilungen, hier die Normalverteilung da1 HistogramRandomVariateNormalDistribution0, 1, da2 HistogramRandomVariateNormalDistribution3, 1 2,
6 6 Faltung13WT.nb Showda2, da1, PlotRange All Overlay several probability density function PDF plots for Poisson distributions: PDFPoissonDistributionΛ, k Λ Λ k k k 0 0 True ShowHistogramTableRandomIntegerPoissonDistribution10 i, 1000, i, 5, 1, "PDF", PlotRange All, PlotEvaluateTablePDFPoissonDistribution10 Μ, x, Μ, 5, x, 0, 80, PlotStyle Thick, PlotRange All PDF direkt PDFNormalDistribution0, 1, x my 0, sigma 1 x2 2 2 Π PDFNormalDistribution3, 1 2, x my 3, sigma x2 2 Π
7 Faltung13WT.nb 7 PlotPDFNormalDistribution0, 1, x, x, 5, 5, Filling Axis punkte GraphicsPointSize0.02, TablePointx, NPDFNormalDistribution0, 1, x, x, 1, 3; bi PlotPDFNormalDistribution0, 1, x, PDFNormalDistribution0, 2, x, PDFNormalDistribution0, 3, x, x, 3, 7; Show bi, punkte Die Markierungen sind bei 1 sigma, 2 sigma und 3 sigma entsprechend 23, 95, und 99.5 der Flaeche Noch mal Faltung pn_integer Ifn 0 && n 7, 1. 6., 0.0;
8 8 Faltung13WT.nb DiscretePlotpn, n, 0, DiscreteConvolvepn, pn, n, m 0. m 12 m m 2 m m 3 m m 4 m m 5 m m 6 m True DiscretePlot, m, 0, Faltung fuer stetige Dichten ConvolvePDFNormalDistribution3, 1 2, x, PDFNormalDistribution0, 1, x, x, y 2 5 3y2 2 5 Π Fuer die Normalverteilung gilt: Ihre Faltung mit sich selbt gibt wieder eine Normalverteilung mit my my_1 my_2 und sigma^2 sigma_1^2 sigma_2^2
9 Faltung13WT.nb 9 sigma Sqrt1 4 1 ; PDFNormalDistribution3, Sqrt5 2, x 2 5 3x2 2 5 Π Eine analoge Relation gilt fuer die Binomialverteilung PDFBinomialDistributionn, p, k 1 p kn p k Binomialn, k 0 k n 0 True MeanBinomialDistributionn, p VarianceBinomialDistributionn, p n p n 1 p p DiscretePlot EvaluateTablePDFBinomialDistribution40, p, k, p, 0.1, 0.5, 0.7, k, 40, PlotRange All, PlotMarkers Automatic DiscretePlotCDFBinomialDistribution40,.7, x, x, 10, 40, ExtentSize Right, ExtentMarkers "Filled", "Empty"
10 10 Faltung13WT.nb CDFBinomialDistribution5,.6, x PiecewiseExpand x x x x x 5 1 x 5 1. x 5 0 True RandomVariateBernoulliDistribution0.75, 10 1, 1, 0, 1, 1, 1, 0, 1, 1, 1 Die Wahrscheinlichkeit eines Tores beim Elfmeter In[1]:= Out[1]= RandomVariateBernoulliDistribution, "Gehalten", 1 "Tor" Tor, Tor, Gehalten, Tor, Tor, Tor, Gehalten, Tor, Tor, Tor A packet consisting of a string of n symbols is transmitted over a noisy channel. Each symbol has probability 10 4 of incorrect transmission. Find n such that the probability of incorrect packet transmission is less than 10 3 : Probabilityx 1, x BinomialDistributionn, n Reduce 10 3, n, Reals N n Compute the same limit using a Poisson approximation : Probabilityx 1, x PoissonDistributionn 10 4 n Reduce 10 3, n, Reals N n Faltung von Binomial Dichten PDFBinomialDistributionn, p, k 1 p kn p k Binomialn, k 0 k n 0 True bi1n_integer, k_integer, p_real Ifn 0 && k 0 && k n, 1 p kn p k Binomialn, k, 0.0; DiscreteConvolvebi110,k,0.7,bi120,k,0.7,k,r geht nicht?? Nutze direkte Faltungsformel convbir_ : Sumbi128, k, 0.7 bi122, r k, 0.7, k, 0, 50;
11 Faltung13WT.nb 11 DiscretePlotconvBir, r, 20, Vergleich der beiden Faelle: ist natuerlich kein Beweis DiscretePlotPDFBinomialDistribution50, 0.7, k, k, 20, Wenn x BinomialDistributionn,p und y BinomialDistributionm,p verteilt sind, dann ist eine Zufallsgroesse z xy nach z BinomialDistributionnm,p verteilt ErlangDistribution Die ErlangDistributionk,Λ is the convolution of k ExponentialDistributionΛ PDFs: ConvolvePDFErlangDistributionk, Λ, x, PDFExponentialDistributionΛ, x, x, y y Λ Λ y Λ k k Gammak y 0 0 True PDFErlangDistributionk 1, Λ, y y Λ y k Λ 1k Gamma1k y 0 0 True
12 12 Faltung13WT.nb TablePlotPDFErlangDistributionk, 1, x, x, 0, 8, Filling Axis, Exclusions None, PlotRange 0, 1, PlotLabel k, k, 1, 4 1 2,, 3 4,
Zufallsvariablen [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
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
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
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
MehrÜbungen zu Wahrscheinlichkeitstheorie und Statistik
Übungen zu Wahrscheinlichkeitstheorie und Statistik SS 2012 (Vorlesung von Prof. Reinhard Bürger) 1) Man gebe für die folgenden Experimente Wahrscheinlichkeitsmodelle an: (a) Wurf mit einer homogenen Münze,
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
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)
Mehr2 Mathematica_2.nb. Hier ist ein einfacher 2-dim Plot, bei dem alle notwendigen Einstellungen, wie Achsenskalierungen automatisch vorgenommen werden:
Einführung in Mathematica (2) Grafik und Manipulate Michael O. Distler, Computer in der Wissenschaft, SS 200 (Vorlage von L. Tiator) Grafik - Initialisierung SetOptions Plot, ListPlot, ParametricPlot,
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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
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
MehrWahrscheinlichkeiten
Wahrscheinlichkeiten August, 2013 1 von 21 Wahrscheinlichkeiten Outline 1 Wahrscheinlichkeiten 2 von 21 Wahrscheinlichkeiten Zufallsexperimente Die möglichen Ergebnisse (outcome) i eines Zufallsexperimentes
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
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
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrApproximation der Binomialverteilung durch die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 4.0.007 Approimation der Binomialverteilung durch die Normalverteilung Histogramme von Binomialverteilungen sind für nicht zu kleine n glockenförmig. Mit größer
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrSimulation von Zufallsversuchen mit dem Voyage 200
Simulation von Zufallsversuchen mit dem Voyage 00 Guido Herweyers KHBO Campus Oostende K.U.Leuven 1. Entenjagd Zehn Jäger, alle perfekte Schützen, lauern vor einem Feld auf Enten. Bald landen dort 10 Enten.
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
MehrBasistext - Wahrscheinlichkeitsrechnung
Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.
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
MehrÜ b u n g s b l a t t 11
Einführung in die Stochastik Sommersemester 07 Dr Walter Oevel 8 007 Ü b u n g s b l a t t Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden Lösungen von -Aufgaben sind
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
MehrÜberblick Hypothesentests bei Binomialverteilungen (Ac)
Überblick Hypothesentests bei Binomialverteilungen (Ac) Beim Testen will man mit einer Stichprobe vom Umfang n eine Hypothese H o (z.b.p o =70%) widerlegen! Man geht dabei aus von einer Binomialverteilung
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrÜbungen zur Stochastik, Blatt Nr. 1
Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. ) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. a) Schreiben Sie alle Elemente des Grundraums in Form einer Matrix auf. b) Wie
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
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 2009 Aufgabe 1 Nach dem von
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
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
MehrGrundbegriffe der Wahrscheinlichkeit
Kapitel 0 Grundbegriffe der Wahrscheinlichkeit 0.1 Der Wahrscheinlichkeitsraum Definition 0.1.1. Ein Wahrscheinlichkeitsraum ist ein Tripel (Ω, F, P), wobei Ω eine nichtleere Menge, F eine σ-algebra von
MehrÜbersicht deskriptiver Maße & anderer. Nützliche Funktionen. Statistische Software (R-Vertiefung) artihmetische Mittel median() mean()
Übersicht deskriptiver Maße & anderer nützlicher Funktionen Statistische Software (R-Vertiefung) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Pseudo Zufallszahlen, Dichten,
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
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)
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
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrStatistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA
Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten 12. und 14. Prof. Dr. Stefan Etschberger HSA Outline 1 : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrUE Wahrscheinlichkeitsrechung, WS 08/09
UE Wahrscheinlichkeitsrechung, WS 08/09 Beispielsammlung Wiederholung: Differential- und Integralrechnung. Bestimmen Sie die ersten und zweiten Ableitungen folgender Funktionen (a) f (x) = sin(x) (b) f
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie
Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Martin Hutzenthaler & Dirk Metzler 11. Mai 2011 Inhaltsverzeichnis 1 Deterministische und zufällige
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 6
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 6 26. November 2012 Aufgabe 17 (4 Punkte): Sei X B(n, p) eine binomial verteilte Zufallsvariable, die ein Zufallseperiment mit n unabhängigen Wiederholungen
MehrDer lokale Grenzwertsatz
Prof. Dr. Michael Eisermann Höhere Mathematik 3 (vertieft) Kapitel O Der lokale Grenzwertsatz Die Mortalität bei Schlangenbiss beträgt drei bis zehn Prozent [...] Ich fragte Hanna, wieso sie nicht an Statistik
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrBox-Plots. Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.rechnung. Beschreibende Statistik 174 / 258
174 / 258 Box-Plots Ziel: übersichtliche Darstellung der Daten. Boxplot zu dem Eingangsbeispiel mit n=5: Descr_Boxplot0.sas Prozeduren: UNIVARIATE, GPLOT, BOXPLOT 174 / 258 Box-Plots Ziel: übersichtliche
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen
Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Stetige Gleichverteilung Exponentialverteilung Normalverteilung Bibliografie: Prof. Dr. Kück Universität Rostock
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Wahrscheinlichkeitstheorie (Klausuraufgaben) Marcel Bliem Marco Boßle Jörg Hörner Mathematik Online Herbst 2010 Bliem/Boßle/Hörner (MO) PV-Kurs HM 3 1 / 7
MehrHier finden Sie die Vorlesungs-Unterlagen sowie die Übungsbeispiele zum Teil (2): Mathematica
. Einführung in Mathematica Die Vorlesung / Übung Programmieren in der Physik: C++ und Mathematica (PHY.A70 und PHY.A80) gliedert sich inhaltlich in Teile: () Programmieren mit C++ () Programmieren mit
MehrAufgaben zur Biostatistik
Aufgaben zur Biostatistik Zusammengestellt von Prof. László Smeller CI 2017 I. Beschriebene Statistik 1. Berechnen Sie den Durchschnitt der folgenden Daten: a) Körperhöhe (cm): 170, 176, 184, 173, 170,
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 14.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathemati II (LVA 401-0622-00 U) Lösung 10 Zur Übungsstunde vom 14.05.2010 Aufgabe 28 (Die Gleichverteilung)
Mehr313 Statistische Verteilungen (Computer-Simulation)
313 Statistische Verteilungen (Computer-Simulation) 1. Aufgaben 1.1 Berechnen Sie in Vorbereitung dieses Versuches einige Beispiele für Binomial-, Poisson- und Normalverteilungen (Übungsaufgaben 1-3, Abschnitt.
Mehr1. Übungsblatt zu Wahrscheinlichkeitsrechnung und Statistik in den Ingenieurswissenschaften
1. Übungsblatt zu Aufgabe 1: In R können die Logarithmen zu verschiedenen Basen mit der Funktion log berechnet werden, wobei im Argument base die Basis festgelegt wird. Plotten Sie die Logarithmusfunktion
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.
MehrEinführung in die Statistik Kapitel 5: n (Konvergenz, LLN, CLT)
Einführung in die Statistik Kapitel 5: n (Konvergenz, LLN, CLT) Jung Kyu Canci Universität Basel HS2015 1 / 44 Literatur Kapitel 5 Statistik in Cartoons : Kapitel 5, Seite 114 in Kapitel 6 Krengel : 3.6
MehrNEWSLETTER. FileDirector Version 2.5 Novelties. Filing system designer. Filing system in WinClient
Filing system designer FileDirector Version 2.5 Novelties FileDirector offers an easy way to design the filing system in WinClient. The filing system provides an Explorer-like structure in WinClient. The
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrAufgabe Σ erreichbare Punkte
TU Bergakademie Freiberg Fakultät für Mathematik und Informatik Institut für Stochastik Matrikel-Nr. Modulprüfung Prüfungsfach: Stochastik und Statistik für Ingenieure Prüfer: Prof. Hans-Jörg Starkloff
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/...
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
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
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrStochastik für Studierende der Informatik
Stochastik für Studierende der Informatik von Peter Pfaffelhuber Version: 28. September 2013 Inhaltsverzeichnis 1 Grundlegendes 3 1.1 Häufige Modelle: Münzwurf, Würfeln, Urnen.................. 3 1.2 Kombinatorik....................................
MehrKinga Szűcs
Kinga Szűcs 28.10.2014 Warum wird Stochastik in der Schule unterrichtet? Welche Vorteile kann der Stochastikunterricht in den MU bringen? Welche Nachteile kann der Stochastikunterricht haben? Welche Ziele
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrStochastik. Peter Pfaffelhuber
Stochastik Peter Pfaffelhuber 1 Grundlegende Bemerkungen Vorlesung orientiert sich an G. Kersting und A. Wakolbinger. Elementare Stochastik. Birkhäuser, 2008 Übungen Volker Pohl Praktikum Ernst August
MehrVorlesung Einführung in die Wahrscheinlichkeit
Vorlesung Einführung in die Wahrscheinlichkeit Prof. C. Mazza Wintersemester 007/008 Literatur W. Feller, An introduction to probability theory and some of its applications I Wiley 1968. K.L. Chung, Elementary
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.
MehrVGM. VGM information. HAMBURG SÜD VGM WEB PORTAL - USER GUIDE June 2016
Overview The Hamburg Süd VGM-Portal is an application which enables to submit VGM information directly to Hamburg Süd via our e-portal web page. You can choose to insert VGM information directly, or download
Mehr4.4.1 Statisches perfektes Hashing. des Bildbereichs {0, 1,..., n 1} der Hashfunktionen und S U, S = m n, eine Menge von Schlüsseln.
4.4 Perfektes Hashing Das Ziel des perfekten Hashings ist es, für eine Schlüsselmenge eine Hashfunktion zu finden, so dass keine Kollisionen auftreten. Die Größe der Hashtabelle soll dabei natürlich möglichst
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
MehrAngewandte Stochastik I
Angewandte Stochastik I Vorlesungsskript Prof. Dr. Evgeny Spodarev Ulm Sommersemester 2013 Vorwort Das vorliegende Skript der Vorlesung Angewandte Stochastik gibt eine Einführung in die Problemstellungen
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
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
Mehr