1.3 Zufallsgrößen und Verteilungsfunktionen
|
|
- Helge Buchholz
- vor 6 Jahren
- Abrufe
Transkript
1 .3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur Charakterisierung der Ergebnisse von Zufallssituationen verwenden. Dies geschieht mit Hilfe von Zufallsgrößen X, indem jedem Ergebnis ω aus der Ergebnismenge Ω eine relle Zahl X(ω) als Wert der Zufallsgröße zugeordnet wird. Definition.3.. Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum zu einer festen Zufallssituation. Dann heißt eine Abbildung X : Ω R Zufallsgröße oder Zufallsvariable über (Ω, A, P ), wenn für alle Intervalle I R gilt: {ω Ω : X(ω) I} A. Für die Wahrscheinlichkeit P ({ω Ω : X(ω) I}) schreiben wir verkürzt P (X I). Beispiel. In einer Hühnerhaltung wird das Gewicht von Eiern in Gramm ermittelt. Das Gewicht ω eines Eies ist eine zufällige positive reelle Zahl. Die Zufallsgröße X = X(ω) ordnet den Eiern eine der drei Gewichtsklassen, 2 oder 3 zu:, ω 40 X(ω) := 2, 40 < ω 0. 3, ω > 0 Beispiel. Beim Werfen zweier idealer Würfel erhält man die Ergebnismenge Ω = { (i, j) : i, j {, 2, 3, 4, 5, } }. Die Augensumme X(ω) := i + j ist dann eine Zufallsgröße. Beispiel. Es wird die Lebensdauer von n Glühlampen betrachtet, wobei ω i die Brenndauer der i-ten Glühlampe in Stunden bezeichnet. Haben also Ω = {ω = (ω,..., ω n ) : ω i 0} als Ergebnismenge. Sowohl X(ω) := ω k (Lebensdauer der k-ten Glühlampe) als auch X(ω) := (mittlere Lebensdauer der Glühlampen) stellen Zufallsgrößen dar. ω +...+ω n n.3.2 Diskrete Zufallsgrößen Definition.3.2. Eine Zufallsgröße X heißt diskret, wenn sie nur endlich oder abzählbar unendlich viele Werte annehmen kann. Definition.3.3. Sei X eine diskrete Zufallsgröße mit den Werten x, x 2,... (endlich oder abzählbar unendlich viele) und p i := P (X = x i ). Dann heißt die Zuordnung x i p i Wahrscheinlichkeitsfunktion der Zufallsgröße X. Eine diskrete Zufallsgröße wird vollständig durch ihre Wahrscheinlichkeitsfunktion bestimmt. Beispiel. Beim Werfen eines idealen Würfels ist die Anzahl der möglichen Augenzahlen x i endlich. Somit kann man die Wahrscheinlichkeitsfunktion als Tabelle darstellen. 9
2 i x i p i Eigenschaften der Wahrscheinlichkeitsfunktion 0 p i, i p i =, P (a X < b) = a x i <b p i. Definition.3.4. Sei X eine Zufallsgröße. Dann heißt die Funktion F (x) := P (X < x) Verteilungsfunktion von X. Für eine diskrete Zufallsgröße X mit den Werten x, x 2,... gilt also F (x) = x i <x p i. Bei diskreten Zufallsgrößen ist die Verteilungsfunktion immer eine reine Treppenfunktion. Die Punkte x i kennzeichnen die Sprungpunkte und die Werte p i die zugehörigen Sprunghöhen. Eigenschaften der Verteilungsfunktion lim F (x) = 0, x lim F (x) =, x x < x 2 F (x ) F (x 2 ), d.h. F ist monoton wachsend (nicht notwendigerweise streng), lim x x 0 0 F (x) = F (x 0), d.h. F ist linksseitig stetig. Bekannte Zahlenreihen Wir setzen die folgenden drei Zahlenreihen als bekannt voraus und werden sie im Weiteren benutzen: x i = ix i = i= i(i )x i 2 = i= Erwartungswert und Varianz x für x <, (.3.) ( x) 2 für x <, (.3.2) 2 ( x) 3 für x <. (.3.3) Beispiel. Eine neue Maschine zur Produktion elektronischer Bauteile wird über eine Dauer von n Tagen getestet, um herauszufinden, wie viele fehlerfreie Teile sie im Durchschnitt am 20
3 Tag liefert. Dabei bezeichne n i die Anzahl der Tage, an denen genau i funktionstüchtige Teile hergestellt wurden. Es gilt also n i = n und wir erhalten als Ergebnis i n i n = ih n (X = i) n ip (X = i). Definition.3.5. Ist p i = P (X = x i ) die Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße X, so wird EX := x i p i i Erwartungswert oder Mittelwert der Zufallsgröße X genannt. Der Erwartungswert ist eine endliche reelle Zahl, falls gilt x i p i <. i Beispiel. Beim Würfeln mit einem idealen Würfel sei X die gewürfelte Augenzahl. Dann ist EX = i = 3,5, i= d.h. im Mittel wird die Augenzahl 3,5 erreicht. Neben dem Erwartungswert für eine Zufallsgröße X kann auch der Erwartungswert von Funktionen g(x) einer Zufallsgröße X betrachtet werden, z.b. für g(x) = X 2 oder g(x) = sin(x). Definition.3.. Ist p i = P (X = x i ) die Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße X, so wird Eg(X) := g(x i )p i i Erwartungswert der Funktion g(x) genannt. Der Erwartungswert einer Funktion ist eine endliche reelle Zahl, falls gilt g(x i ) p i <. Definition.3.7. Die Größe i σ 2 := D 2 X := E(X EX) 2 heißt Varianz (oder Streuung oder Dispersion) der Zufallsgröße X und gibt die mittlere quadratische Abweichung der Zufallsgröße X von ihrem Erwartungswert EX an. Die Größe σ := D 2 X heißt Standardabweichung der Zufallsgröße X. Beispiel. Wir betrachten nochmals das Würfeln mit einem idealen Würfel (siehe vorhergehendes Beispiel). Haben also EX = 3,5. Setzen wir g(x) := (X EX) 2, so erhalten wir als Varianz der Zufallsgröße X D 2 X = E(X EX) 2 = Eg(X) = i= g(i) = (i 3,5) 2 = 2,92. i= 2
4 Die Standardabweichung beträgt somit σ =,7. Hilfssatz.3.8. Für eine Zufallsgröße X gilt mit a, b R: E(aX + b) = aex + b. Beweis (für diskrete Zufallsgrößen). E(aX + b) = i (ax i + b)p i = i ax i p i + i bp i = a i x i p i +b i p i = aex + b. } {{ } EX Hilfssatz.3.9. Für zwei Funktionen f(x) und g(x) einer Zufallsgröße X gilt: Beweis (für diskrete Zufallsgrößen). E(f(X) + g(x)) = Ef(X) + Eg(X). E(f(X) + g(x)) = i (f(x i ) + g(x i ))p i = i f(x i )p i + i g(x i )p i = Ef(X) + Eg(X). Hilfssatz.3.0. Für eine Zufallsgröße X gilt mit a, b R: Beweis. D 2 (ax + b) = a 2 D 2 X. D 2 (ax + b) = E(aX + b E(aX + b) ) 2 = E(aX aex) 2 = a 2 E(X EX) 2 = a 2 D 2 X. aex+b Satz.3.. Für eine Zufallsgröße X gilt: Beweis. Definition.3.2. Die Größen D 2 X = EX 2 (EX) 2. D 2 X = E(X EX) 2 = E(X 2 2XEX + (EX) 2 ) = EX 2 E(2XEX) +(EX) 2 = EX 2 (EX) 2. 2(EX) 2 m k = EX k für k =, 2,... heißen k-te Momente der Zufallsgröße X und die Größen µ k = E(X EX) k 22
5 für k =, 2,... heißen k-te zentrale Momente der Zufallsgröße X. Offensichtlich ist m = EX und µ 2 = E(X EX) 2 = D 2 X. Weiterhin gilt µ = E(X EX) = EX EX = 0 und nach Satz.3. ist µ 2 = m 2 m 2. Häufig wird für den Erwartungswert m = EX ebenfalls das Symbol µ verwendet. Definition.3.3. Eine Folge von Zufallsgrößen X, X 2,..., X n heißt vollständig unabhängig, wenn sich der zufällige Charakter aller beteiligten Zufallsgrößen nicht beeinflusst. Hilfssatz.3.4. Seien X,..., X n n Zufallsgrößen mit endlichen Erwartungswerten EX i und endlichen Streuungen D 2 X i. Dann gilt für beliebige reelle Zahlen a i : E(a X + + a n X n ) = a EX + + a n EX n. Falls die Zufallsgrößen X,..., X n vollständig unabhängig sind, gilt außerdem: D 2 (a X + + a n X n ) = a 2 D 2 X + + a 2 nd 2 X n. Satz.3.5 (Tschebyscheff sche Ungleichung). Für alle ε > 0 gilt: Setzt man k := ε = ε D 2 X σ, so erhält man: P ( X EX > ε) < D2 X ε 2. P ( X EX > kσ) < k 2. Beweis (für diskrete Zufallsgrößen). Sei M := {i : x i EX > ε}. Dann gilt D 2 X = i (x i EX) 2 p i i M (x i EX) 2 p i > ε 2 i M p i = ε 2 P ( X EX > ε) und somit ist P ( X EX > ε) < D2 X ε 2. Nachweis der schwachen Konvergenz der relativen Häufigkeit Wir werden nun die Tschebyscheff sche Ungleichung zum Nachweis der schwachen Konvergenz (Konvergenz im Sinne der Wahrscheinlichkeit) der relativen Häufigkeit eines Ereignisses gegen die Wahrscheinlichkeit dieses Ereignisses nutzen. Dazu realisieren wir n unabhängige Versuche zu einer Zufallssituation mit dem Wahrscheinlichkeitsraum (Ω, A, P ). H n (A) sei die relative Häufigkeit des Eintretens eines Ereignisses A A. Zu zeigen ist nun, dass H n (A) in einem gewissen Sinn gegen die Wahrscheinlichkeit p := P (A) strebt. Wir setzen {, wenn A im i-ten Versuch eintritt X i = 0, wenn A im i-ten Versuch nicht eintritt 23
6 und erhalten somit eine Zufallsgröße X n := H n (A) = X X n. n Aus P (X i = ) = p und P (X i = 0) = p folgt und nach Hilfssatz.3.4 gilt und ebenfalls nach Hilfssatz.3.4 ist EX i = p + 0( p) = p, EX 2 i = 2 p ( p) = p, D 2 X i = EX 2 i (EX i ) 2 = p p 2 = p( p) E X n = n EX + + n EX n = n n p = p = P (A) D 2 Xn = n 2 D2 X + + p( p) n 2 D2 X n = n p( p) =. n2 n Die Tschebyscheff sche Ungleichung liefert somit und daraus erhalten wir P ( H n (A) P (A) > ε) = P ( X n E X n > ε) < D2 Xn p( p) ε 2 = nε 2 lim P ( H p( p) n(a) P (A) > ε) lim n n nε 2 = 0, d.h. H n (A) strebt für n gegen P (A) (Konvergenz im Sinne der Wahrscheinlichkeit): Geometrische Verteilung H n (A) stoch n P (A). Als erste diskrete Wahrscheinlichkeitsverteilung wollen wir die recht einfache geometrische Verteilung und ihre Kenngrößen betrachten und an ihr die Verwendung der obigen Begriffe demonstrieren. Als Standardbeispiel für die geometrische Verteilung dient ein Automat, der sofort anhält, wenn er ein fehlerhaftes Teil produziert hat, wobei die Qualität der einzelnen Teile von den anderen Teilen unabhängig ist. Wir verwenden die folgenden Bezeichnungen: Wahrscheinlichkeit p Wahrscheinlichkeit, dass ein Teil fehlerhaft ist; Zufallsgröße X Anzahl der produzierten fehlerfreien Teile; Ereignis A i i-tes produziertes Teil ist defekt. 24
7 Also ist P (A i ) = p und P (A i ) = p. Somit ergibt sich P (X = 0) = P (A ) = p, P (X = ) = P (A A 2 ) = ( p)p, P (X = 2) = P (A A 2 A 3 ) = ( p) 2 p, P (X = 3) = P (A A 2 A 3 A 4 = ( p) 3 p, und allgemein erhalten wir als Wahrscheinlichkeitsfunktion. P (X = i) = p( p) i (i = 0,, 2,...). Definition.3.. Ein diskrete Zufallsgröße X mit der obigen Wahrscheinlichkeitsfunktion heißt geometrisch verteilt mit dem Parameter p. Wie bereits am Anfang des Abschnitts über diskrete Zufallsgrößen erwähnt, muss für diskrete Zufallsgrößen zum einen 0 P (X = x i ) und zum anderen i P (X = x i) = gelten. Ersteres ist offensichtlich bei der geometrischen Verteilung erfüllt: Und auch die zweite Eigenschaft gilt: 0 p( p) i. p( p) i = p ( p) i = p geometrische Reihe ( p) = p p =. P(X = x) x Beispiel. Für das Zahlenbeispiel p = 0,0 ist die Wahrscheinlichkeit dafür gesucht, dass wenigstens 50 fehlerfreie Teile produziert werden. Wir erhalten P (X 50) = p( p) i = p( p) 50 ( p) i 50 = p( p) 50 ( p) j i=50 i=50 = p( p) 50 ( p) = ( p)50 = 0,99 50 = 0,05. j=0 25
8 Wir berechnen nun den Erwartungswert einer geometrisch verteilten Zufalls- Erwartungswert größe: EX = ip (X = i) = ip( p) i = p( p) 0( p) + i( p) i i= = p( p) ( ( p)) 2 (nach Formel (.3.2)) = p p. Beispiel. Für p = 0,0 produziert die Maschine also im Mittel 0,99 0,0 = 99 fehlerfreie Teile. Für die Berechnung der Varianz benötigen wir neben EX auch noch die Größe EX 2 : EX 2 = i 2 p( p) i = (i 2 i)p( p) i + ip( p) i = p( p) 2 0( p) 2 + 0( p) + i= } {{ } EX i(i )( p) i 2 i=2 = p( p) EX (nach Formel (.3.3)) p3 = 2( p)2 p 2 + p p = (p )(p 2) p 2. + EX Varianz Die Varianz einer geometrisch verteilten Zufallsgröße ist somit: D 2 X = EX 2 (EX) 2 = (p )(p 2) ( p)2 p 2 p 2 = p p Binomialverteilung Beispiel. Ein Automat erzeugt nacheinander Teile mit einer Ausschusswahrscheinlichkeit von jeweils p = 0,0. Die Produktionsqualität ist von Teil zu Teil unabhängig. Gesucht ist die Wahrscheinlichkeit, dass unter n = 0 kontrollierten Teilen genau ein fehlerhaftes Teil ist. Die Zufallsgröße X sei die Anzahl der Ausschussteile unter den n kontrollierten Teilen. Sie kann also die Werte 0,, 2,..., n annehmen. Mit A i bezeichnen wir das Ereignis, dass das i-te Teil fehlerhaft ist. Dann gilt: P (X = ) = P ( (A A 2 A 0 ) (A A 2 A 0 ) (A A 2 A 0 ) ) = 0p( p) 9 = 0,09. 2
9 Verallgemeinerung Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum zu einer Zufallssituation und A A sei ein festes Ereignis. Wiederholen wir einen dieser Situation entsprechenden Versuch (unabhängig) n mal und bezeichnen wir mit der Zufallsgröße X die Anzahl der Versuche, bei denen A eintritt, dann gilt mit P (A) = p: ( ) n P (X = k) = p k ( p) n k (k = 0,,..., n). (.3.4) k Definition.3.7. Eine Zufallsgröße X mit der obigen Wahrscheinlichkeitsfunktion heißt binomialverteilt mit den Parametern n (Zahl der Freiheitsgrade) und p (Fehlerrate). Ist X binomialverteilt, so schreiben wir X B(n, p). P(X = k) Beispiel. Ein idealer Würfel wird n = 20 mal geworfen. Gesucht ist die Wahrscheinlichkeit, dass mindestens zweimal eine gewürfelt wird. Die Zufallsgröße X ist die Anzahl der geworfenen Sechsen und A sei das Ereignis, dass eine gewürfelt wird. Dann ist p = P (A) = und X B(20, ). Wir erhalten somit als Ergebnis Erwartungswert P (X 2) = P (X ) = P (X = 0) P (X = ) ( ) ( ) 20 0 ( ) 5 20 ( ) ( ) 20 ( ) 5 9 = = 0,89. 0 Der Erwartungswert für X B(n, p) beträgt: n ( ) n n EX = k p k ( p) n k n(n )(n 2) (n k + ) = p k ( p) n k k (k )! k=0 k= n (n )(n 2) ((n ) (k ) + ) = np p k ( p) n k (k )! k= n ( ) n = np p k ( p) n k k k= n ( ) n = np p j ( p) (n ) j (binomischer Satz) j j=0 = np(p + ( p)) n = np n = np. k 27
10 Um die Varianz zu berechnen, berechnen wir zunächst EX 2 (analog zu EX): EX 2 = n ( n k 2 k k=0 = n( n)p 2 n ) p k ( p) n k = k=2 n ( n k(k ) k k=2 ( ) n 2 p k 2 ( p) n k + EX k 2 n 2 ( ) n 2 = n(n )p 2 p j ( p) (n 2) j + EX j j=0 = n(n )p 2 (p + ( p)) n 2 + np = n(n )p 2 + np. ) p k ( p) n k + EX Varianz Die Varianz für X B(n, p) beträgt: D 2 X = EX 2 (EX) 2 = n(n )p 2 + np n 2 p 2 = np np 2 = np( p). Beispiel. Im obigen Würfelbeispiel ist EX = 20 = 3,33. Es werden also bei 20 Würfen im Mittel 3 bis 4 Sechsen gewürfelt. Die Varianz beträgt D 2 X = 20 5 = 25 9 = 2,78. Nun interessiert uns noch, mit welcher Wahrscheinlichkeit die tatsächlich erreichte Anzahl von Sechsen um mehr als 3 vom Mittelwert abweicht. Dazu nutzen wir die Tschebyscheff sche Ungleichung: P ( X EX > 3) < 9 D2 X = = 0,3. Somit tritt in durchschnittlich 3 % aller Fälle eine so große Abweichung vom Mittelwert auf. Wenn wir diese Wahrscheinlichkeit exakt berechnen, so erhalten wir: P (X = 0) + P (X = 7) + P (X = 8) + + P (X = 20) = 0,03. Es sind also in Wirklichkeit nur reichlich % aller Fälle, bei denen eine Abweichung von mehr als 3 vom Mittelwert auftritt. Die Tschebyscheff sche Ungleichung liefert insofern eine recht grobe Abschätzung. Rekursionsformel Für eine binomialverteilte Zufallsgröße X B(n, p) gilt: P (X = k + ) = n k k + p P (X = k). p Somit ist n k=m P (X = k) von der unteren Indexgrenze beginnend leicht mit einem Taschenrechner auszuwerten. 28
11 Poisson-Verteilung Als Referenzmodell für die Poisson-Verteilung dient eine Telefonzentrale: Innerhalb eines Zeitintervalls der Länge t kommen X t Anrufe (= Ereignisse) an und es gelten die sogenannten Poisson schen Voraussetzungen: Stationarität: Die Wahrscheinlichkeit für das Eintreten einer bestimmten Anzahl von Ereignissen im betrachteten Zeitintervall hängt nur von der Intervalllänge und nicht von der Lage des Intervalls auf der Zeitachse ab. Homogenität: Die Ereignisfolge ist nachwirkungsfrei, d.h. die Anzahl von Ereignissen im Zeitintervall [t 0, t ] hat keinen Einfluss auf die Anzahl von Ereignissen in einem späteren Zeitintervall [t 2, t 3 ], wobei t < t 2. Ordinarität: Die Ereignisse treten für hinreichend kleine Zeitintervalle einzeln auf, d.h. für genügend kleine t gilt entweder X t = 0 oder X t =. Zudem gilt P (X t = ) = µ t mit 0 < µ <. Der Parameter µ heißt Intensität. Unter diesen Voraussetzungen gilt: P (X t = k) = (µt)k e µt (k = 0,, 2,...). (.3.5) k! Diese Formel erhalten wir, indem wir die beschriebene Verteilung als Grenzfall der Binomialverteilung auffassen: Wir teilen das Zeitintervall der Länge t in n hinreichend kleine Teilintervalle mit Länge t = t n und betrachten den Fall n. Für endliches n ist X t binomialverteilt (k Teilintervalle mit einem Anruf, n k Teilintervalle mit null Anrufen) und mit p = P (X t = ) = µ t erhalten wir aus Formel (.3.4): P (X t = k) = = ( ) n (µ t) k ( µ t) n k = k n! k!(n k)! = (µt)k k! n ( ) µt k ( µt n n ( ) ( n µt k n ) n k n(n ) (n k + ) n k } {{ } (µt) k e µt. k! ( µt ) n n e µt ) k ( µt ) n k n ( µt ) k n Definition.3.8. Eine Zufallsgröße X t mit der Wahrscheinlichkeitsfunktion (.3.5) heißt Poisson-verteilt und wir schreiben X t π µt. Oft wird λ := µt gesetzt. Ist X t Poisson-verteilt mit dem Parameter λ, so schreiben wir X t π λ. Die Wahrscheinlichkeiten π λ (k) = P (X t = k) findet man für übliche Parameterwerte λ in Tabellen. 29
12 P(X = k) Beispiel. Wir betrachten die Anzahl der eingehenden Anrufe in einer Telefonzentrale. Wir rechnen in Minuten und setzen µ = 3, d.h. mit einer Wahrscheinlichkeit von 3 kommt innerhalb einer Minute genau ein Anruf an. Gesucht ist die Wahrscheinlichkeit dafür, dass in einer Viertelstunde wenigstens 3 und höchstens 7 Anrufe ankommen. Unsere Zufallsgröße X t ist also die Anzahl der innerhalb von t = 5 Minuten eingehenden Anrufe und λ = µt = 5. Da X t π 5, erhalten wir: 7 7 (5µ) k P (3 X t 7) = π 5 (k) = e 5µ = 0,742. k! k=3 k=3 k Rekursionsformel Für eine Poisson-verteilte Zufallsgröße X t π λ gilt: P (X t = k + ) = λk+ (k + )! e λ = λ k + λk k! e λ = λ k + P (X t = k). Somit ist n k=m P (X t = k) von der unteren Indexgrenze beginnend leicht mit einem Taschenrechner auszuwerten. Erwartungswert Der Erwartungswert für X t π λ beträgt: EX t = k=0 k λk k! e λ = λe λ k= λ k (k )! = λe λ j=0 λ j j! = λe λ e λ = λ. Somit gibt der Parameter µ = λ t = EX t t die mittlere Ereignisanzahl pro Zeiteinheit an. Um die Varianz zu berechnen, benötigen wir noch EXt 2 : EX 2 t = k=0 k 2 λk k! e λ = = λ 2 e λ j=0 k=0 k(k ) λk k! e λ + EX t = λ 2 e λ λ j j! + EX t = λ 2 E λ e λ + EX t = λ 2 + λ. k=2 λ k 2 (k 2)! + EX t Varianz Die Varianz für X t π λ beträgt: D 2 X t = EX 2 t (EX t ) 2 = λ 2 + λ λ 2 = λ. 30
13 Hypergeometrische Verteilung Als Referenzmodell dient die bereits bekannte Urne mit N Kugeln, von denen M Kugeln schwarz und N M Kugeln weiß sind. Wir ziehen ohne Zurücklegen n Kugeln, wobei unsere Zufallsgröße X die Anzahl der entnommenen schwarzen Kugeln ist. Dann gilt: ( M N M ) P (X = m) = m)( n m ( N, n) wobei max(0, n (N M)) m min(n, M) ist. Definition.3.9. Eine Zufallgröße X mit der obigen Wahrscheinlichkeitsfunktion heißt hypergeometrisch verteilt und wir schreiben X H(n, N, M). P(X = m) m Erwartungswert Der Erwartungswert für X H(n, N, M) beträgt: EX = n M N. Varianz Die Varianz für X H(n, N, M) beträgt: D 2 X = n M ( M ) N n N N N..3.3 Stetige Zufallsgrößen Im Abschnitt über Wahrscheinlichkeitsräume haben wir bereits die Brenndauer einer Glühlampe und die Reichweite eines Fahrzeugs bei begrenztem Treibstoffvorrat als Beispiele für stetige Zufallsgrößen betrachtet. Da stetige Zufallsgrößen überabzählbar unendlich viele Werte besitzen und somit deren Werte ganze Intervalle der reellen Achse ausfüllen können, ist es nicht mehr möglich, die Wahrscheinlichkeit für jeden einzelnen Wert in einer Wahrscheinlichkeitsfunktion auszudrücken. Jedoch kann man mit Hilfe sogenannter Dichtefunktionen die Verteilung der Wahrscheinlichkeitsmasse auf der reellen Achse angeben und so die Wahrscheinlichkeit dafür charakterisieren, dass der Wert der Zufallsgröße in einem gegebenen Intervall liegt. 3
Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
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
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
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
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.
MehrP X =3 = 2 36 P X =5 = 4 P X =6 = 5 36 P X =8 = 5 36 P X =9 = 4 P X =10 = 3 36 P X =11 = 2 36 P X =12 = 1
Übungen zur Stochastik - Lösungen 1. Ein Glücksrad ist in 3 kongruente Segmente aufgeteilt. Jedes Segment wird mit genau einer Zahl beschriftet, zwei Segmente mit der Zahl 0 und ein Segment mit der Zahl
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
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
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
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
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)
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
MehrEinführung in die Stochastik
Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse
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
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
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
MehrRegelmäßigkeit (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
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
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
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
MehrAufgabe 2.1. Ergebnis, Ergebnismenge, Ereignis
Aufgabe 2. Ergebnis, Ergebnismenge, Ereignis Ergebnis und Ergebnismenge Vorgänge mit zufälligem Ergebnis, oft Zufallsexperiment genannt Bei der Beschreibung der Ergebnisse wird stets ein bestimmtes Merkmal
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrRisiko und Versicherung - Übung
Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de
MehrVariationen Permutationen Kombinationen
Variationen Permutationen Kombinationen Mit diesen Rechenregeln lässt sich die Wahrscheinlichkeit bestimmter Ereigniskombinationen von gleichwahrscheinlichen Elementarereignissen ermitteln, und erleichtert
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
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
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrLehrstuhl IV Stochastik & Analysis. Stochastik I. Wahrscheinlichkeitsrechnung. Skriptum nach einer Vorlesung von Hans-Peter Scheffler
Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik I Wahrscheinlichkeitsrechnung Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 8. November 00 Gesetzt
MehrÜbungsaufgaben Wahrscheinlichkeit
Übungsaufgaben Wahrscheinlichkeit Aufgabe 1 (mdb500405): In einer Urne befinden sich gelbe (g), rote (r), blaue (b) und weiße (w) Kugel (s. Bild). Ohne Hinsehen sollen aus der Urne in einem Zug Kugeln
MehrStatistiktraining im Qualitätsmanagement
Gerhard Linß Statistiktraining im Qualitätsmanagement ISBN-0: -446-75- ISBN-: 978--446-75-4 Leserobe Weitere Informationen oder Bestellungen unter htt://www.hanser.de/978--446-75-4 sowie im Buchhandel
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
MehrDie Binomialverteilung
Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
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
Mehr11 Diskrete Zufallsvariablen
11 Diskrete Zufallsvariablen 11.1 Wahrscheinlichkeitsfunktion und Verteilungsfunktion In Kapitel 2 wurde zwischen diskreten und stetigen Zufallsvariablen unterschieden. Eine Zufallsvariable X wurde als
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
MehrEinführung in die Computerlinguistik Statistische Grundlagen
Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume
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
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?
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrWAHRSCHEINLICHKEITSTHEORIE I und II. Vorlesungsskript
WAHRSCHEINLICHKEITSTHEORIE I und II Wolfgang König TU Berlin und WIAS Berlin Vorlesungsskript SS 2005 und WS 2005/06 überarbeitet im WS 2008/09 kleine Korrekturen im März und Juli 2012 und im März 2013
Mehr3.7 Wahrscheinlichkeitsrechnung II
3.7 Wahrscheinlichkeitsrechnung II Inhaltsverzeichnis 1 bedingte Wahrscheinlichkeiten 2 2 unabhängige Ereignisse 5 3 mehrstufige Zufallsversuche 7 1 Wahrscheinlichkeitsrechnung II 28.02.2010 Theorie und
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,...,
MehrStochastische Modelle
Klausur (Teilprüfung) zur Vorlesung Stochastische Modelle (WS04/05 Februar 2005, Dauer 90 Minuten) 1. Es sollen für eine Zufallsgröße X mit der Dichte Zufallszahlen generiert werden. (a) Zeigen Sie, dass
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrEinführung in die. Wahrscheinlichkeitstheorie und Statistik
Institut für Mathematische Stochastik Einführung in die Wahrscheinlichkeitstheorie und Statistik (Kurzskript zur Vorlesung Wintersemester 2014/15 von Prof. Dr. Norbert Gaffke Inhaltsverzeichnis 1 Wahrscheinlichkeitsräume
MehrSchleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015
ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 für Aufgabenpool 1 Analysis
Mehr7 Wahrscheinlichkeitsverteilungen Lösungshinweise
7 Wahrscheinlichkeitsverteilungen Lösungshinweise Aufgabe 7.: Gegeben sei ein Würfel, der die Form eines Tetraeders hat und die Augenzahlen bis aufweist. a) Bestimmen Sie die Wahrscheinlichkeitsverteilung
MehrStochastik Wahrscheinlichkeit
Stochastik Wahrscheinlichkeit Dies ist ein Detail, das auf dem letzten 1 DM Schein abgebildet war. Es stellt die wichtigste Wahrscheinlichkeitsverteilung überhaut dar die Normalverteilung. Diese Verteilung
MehrStatistik II - Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Christine Müller Technische Universität Dortmund
Statistik II - Elementare Wahrscheinlichkeitsrechnung Prof Dr Christine Müller Technische Universität Dortmund Sommersemester 2014 1 Literatur Henze, N (1997 Stochastik für Einsteiger Vieweg, Braunschweig
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
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
MehrMonty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen
Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
MehrSchleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015
ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 Inhaltsverzeichnis Vorbemerkungen
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
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
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
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE
ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE im SS 215 Aufgabe 1 (Innerer Wert, Zeitwert, Basiskurs, Aufgeld) Am 13.4.2 kostete eine Kaufoption
MehrGrundlagen. Wozu Wahrscheinlichkeitsrechnung? Definition und Begriff der Wahrscheinlichkeit. Berechnung von Laplace-Wahrscheinlichkeiten
Teil 2: Wahrscheinlichkeitsrechnung 326 Grundlagen Wozu Wahrscheinlichkeitsrechnung? Definition und egriff der Wahrscheinlichkeit erechnung von Laplace-Wahrscheinlichkeiten Rechnen mit einfachem Mengenkalkül
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
MehrEinführung in die Statistik für Biologen. Jörg Witte
Einführung in die Statistik für Biologen Jörg Witte 1997 Inhaltsverzeichnis 1 Endliche Wahrscheinlichkeitstheorie 3 1.1 Grundbegriffe........................ 3 1.2 Zufallsgrößen und Verteilungsfunktionen.........
MehrAUFGABEN AUS DEM ZENTRALABITUR
-28- -29- AUFGABEN AUS DEM ZENTRALABITUR GK-Aufgabe / Zentralabitur Bayern 1984 In einer Urne befinden sich 2 blaue und 6 weiße Kugeln. Die Kugeln unterscheiden sich nur durch ihre Farbe. 1. Bei einem
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
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
MehrEinführung in die Stochastik
Vorlesungsnotizen Einführung in die Stochastik Hanspeter Schmidli Mathematisches Institut der Universität zu Köln INHALTSVERZEICHNIS iii Inhaltsverzeichnis 1. Diskrete Wahrscheinlichkeitsräume 1 1.1.
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
MehrGrundlagen Wahrscheinlichkeitsrechnung, Statistik
Grundlagen Wahrscheinlichkeitsrechnung, Statistik Was ist Statistik? Wahrscheinlichkeit Grundgesamtheit und Verteilung Verteilung von Stichprobenparametern und Intervallschätzung Werkzeug Varianzanalyse
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
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
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
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrSkript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik)
Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) 1. Einleitung Deskriptive Statistik: Allgemeine und spezielle
MehrProbestudium der Physik: Mathematische Grundlagen
Probestudium der Physik: Mathematische Grundlagen Ludger Santen 1. Februar 2013 Fachrichtung Theoretische Physik, Universität des Saarlandes, Saarbrücken 1 Einführung Die Mathematik ist die Sprache der
MehrInhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Kapitel 4 Seite 1 von 23 Prof. Dr. Karin Melzer, Prof. Dr. Gabriele Gühring, Fakultät Grundlagen
Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 4 3 Aufgabe 8 3 Aufgabe 9 3 Aufgabe 30 3 Aufgabe 31 3 Aufgabe 3 4 Aufgabe 33 4 Aufgabe 34 4 Aufgabe 35 4 Aufgabe 36 4 Aufgabe 37 4 Aufgabe 38 5 Aufgabe 39
MehrMini-Skript Wahrscheinlichkeitstheorie und Statistik
Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................
MehrSozialwissenschaftliche Methoden und Statistik I
Sozialwissenschaftliche Methoden und Statistik I Universität Duisburg Essen Standort Duisburg Integrierter Diplomstudiengang Sozialwissenschaften Skript zum SMS I Tutorium Von Mark Lutter Stand: April
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
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
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.
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrAufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500
Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren
MehrZusatzaufgaben zur Vorlesung Stochastik für Informatikstudenten
Zusatzaufgaben zur Vorlesung Stochastik für Informatikstudenten I.1 Erweitertes Urnenmodell mit Zurücklegen In einer Urne befinden sich ( N Kugeln, davon M 1 der Farbe F 1, M 2 der Farbe l ) F 2,..., M
Mehr3.2. Aufgaben zu mehrstufigen Zufallsexperimenten
.. Aufgaben zu mehrstufigen Zufallsexperimenten Aufgabe : Baumdiagramm mit Erwartungswert beim zweimaligen Würfeln Ein ungezinkter sechsseitiger Würfel wird zweimal geworfen. a) Zeichne einen repräsentativen
MehrRisiko und Symmetrie. Prof. Dr. Andrea Wirth
Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie
MehrStatistik 1: Einführung
Seite Stat- Statistik : Einführung Die mathematische Disziplin der Stochastik, die die Teilgebiete Wahrscheinlichkeitstheorie und mathematische Statistik umfaßt, beschäftigt sich mit der Beobachtung, Aufzeichnung
MehrBestimmen der Wahrscheinlichkeiten mithilfe von Zählstrategien
R. Brinmann http://brinmann-du.de Seite 4.0.2007 Bestimmen der Wahrscheinlicheiten mithilfe von Zählstrategien Die bisherigen Aufgaben zur Wahrscheinlicheitsrechnung onnten im Wesentlichen mit übersichtlichen
MehrTechnische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 3914 jutta.arrenberg@th-koeln.
Übungen zur Vorlesung Wirtschaftsstatistik Zufallsvariablen Aufgabe 4.1 Ein Unternehmen fertigt einen Teil der Produktion in seinem Werk in München und den anderen Teil in seinem Werk in Köln. Auf Grund
MehrSprechen wir über Zahlen (Karl-Heinz Wolff)
Sprechen wir über Zahlen (Karl-Heinz Wolff) Die Überschrift ist insoweit irreführend, als der Autor ja schreibt und nicht mit dem Leser spricht. Was Mathematik im allgemeinen und Zahlen im besonderen betrifft,
MehrElementare statistische Methoden
Elementare statistische Methoden Vorlesung Computerlinguistische Techniken Alexander Koller 28. November 2014 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen? Ziel
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
Mehr