Übungsrunde 6, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
|
|
- Kirsten Fried
- vor 6 Jahren
- Abrufe
Transkript
1 Angabe Übungsrunde 6, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 Ein Los aus elektronischen Bauteilen des Umfangs N = 400 wird nach folgendem zweistufigen Plan geprüft: 1. Stufe: Zunächst wird eine Stichprobe (ohne Zurücklegen) des Umfangs 32 gezogen. Gibt es höchstens ein unbrauchbares Stück, wird das Los sofort angenommen; gibt es 4 oder mehr unbrauchbare Stücke, wird das Los sofort zurückgewiesen. Gibt es in der Stichprobe 2 oder 3 unbrauchbare Stücke, geht man zur 2. Stufe. 2. Stufe: Eine weitere Stichprobe (ohne Zurücklegen) des Umfangs 32 wird gezogen. Ist die Zahl der unbrauchbaren Stücke insgesamt ( Stichprobe) nicht größer als 4, wird das Los akzeptiert, ansonsten (endgültig) zurückgewiesen. Berechnen Sie die Wahrscheinlichkeit mit der bei diesem Plan ein Los mit einem Ausschußanteil von 2,5angenommen wird. Rechnen Sie dabei exakt (hypergeometrische Verteilung) sowie auf Basis einer passenden Binomialapproximation. 1.2 Theoretische Grundlagen: Hypergeometrische Verteilung Die Hypergeometrische Verteilung ist eine diskrete Wahrscheinlichkeitsverteilung. Umgangssprachlich werden Fragestellungen, die von der hypergeometrischen Verteilung erfasst werden auch als Ziehen ohne Zurücklegen bezeichnet. Sie wird verwendet, um Vorgänge zu modellieren, bei denen aus einer dichotomen Grundgesamtheit zufällig eine Stichprobe entnommen und auf eine bestimmte Eigenschaft geprüft wird. Die hypergeometrische Verteilung gibt dann Auskunft darüber, mit welcher Wahrscheinlichkeit in der Stichprobe eine bestimmte Anzahl von Elementen vorkommt, die die gewünschte Eigenschaft haben. Bedeutung kommt dieser Verteilung daher etwa bei Qualitätskontrollen zu. Ein beispielhaftes Problem: In einer Urne befinden sich 45 Kugeln, 20 davon sind gelb. Wie hoch ist die Wahrscheinlichkeit in einer 10-elementigen Stichprobe 4 gelbe Kugeln zu ziehen? Definition: Die hypergeometrische Verteilung ist abhängig von drei Parametern: 1. der Anzahl N der Elemente einer Grundgesamtheit. 2. der Anzahl M N der Elemente mit einer bestimmten Eigenschaft in dieser Grundmenge. 3. ser Anzahl n N der Elemente in einer Stichprobe. 1
2 Die Verteilung gibt nun Auskunft darüber, wie wahrscheinlich es ist, dass sich k Elemente mit der zu prüfenden Eigenschaft in der Stichprobe befinden. Der Ergebnisraum Ω ist daher {0, 1,...,n}. Eine diskrete Zufallsgröße X unterliegt der hypergeometrischen Verteilung mit den Parametern M,N und k, wenn sie die Wahrscheinlichkeiten h(k N; M; n) := P(X = k) = ( )( ) M N M k n k ( ) N n für x Ω besitzt. Dabei bezeichnet ( N n) den Binomialkoeffizienten N über n. Die Verteilungsfunktion H(x N; M; n) gibt dann die Wahrscheinlichkeit an, dass höchstens k viele Kugeln erster Sorte in der Stichprobe sind. Diese kumulierte Wahrscheinlichkeit ist die Summe H(k N; M; n) := P(X k) = k h(y N; M; n) = y=0 y<k y=0 ( M y Binomialapproximation der hypergeometrischen Verteilung )( ) N M n y ( ). N n Für eine Folge von hypergeometrischen Verteilungen mit den Paramtern M,N und n mit gilt: 1.3 Lösung des Beispiels N, M und M N p für N lim H N,M,n(k) = B n,p (k) N Man benötigt insgesamt 3 hypergeometrische Verteilungen: 400 OK 0,1 W 1 32 >3 Ausschuss 2 3 W 2 W ,1,2 OK Ausschuss OK 2
3 1. Stufe 1: Eine - W 1 (x), N = 400, A = 10, n = Stufe 2: Eine (falls zuvor zwei unbrauchbare gezogen wurden) - W 2 (x), N = 368, A = 8, n = Stufe 3: Eine (falls zuvor drei unbrauchbare gezogen wurden) - W 3 (x), N = 368, A = 7, n = 32 Für die Gesamtwahrscheinlichkeit rechnen wir: W 1 (0) + W 1 (1) + W 1 (2) (W 2 (0) + W 2 (1) + W 2 (2)) + W 1 (3) (W 3 (0) + W 3 (1)) Konkretes Beispiel: W 3 {1} = ( ) ( ) ( ) Man benötigt insgesamt 3 solche Verteilungen, da sich nach dem ersten Ziehen nicht mehr 400 Stück sondern 32 weniger im Pool befinden. Das Ergebnis nach o.g. Formel ist , für die Binomialapproximation Die Abweichung ist sehr gering - die Binomialverteilung kann sehr gut zur Annäherung verwendet werden. In der ISO-Norm sind bis zu 7-stufige Prüfungsmodelle definiert Angabe Bestimmen Sie die Modalwerte einer Poissonverteilung, d.h. jene x-werte, für die W {X = x} maximal ist. (Hinweis: Betrachten Sie den Quotienten zweier aufeinanderfolgender Wahrscheinlichkeiten.) 2.2 Theoretische Grundlagen: Poisson-Verteilung Approximation für die Binomialverteilung für kleines p und großes n (tritt bei seltenen Ereignissen auf) - Bsp.: Rosinen pro Brötchen; Druckfehler pro Seite; gleichzeitig geführte Telefonate innerhalb einer Firma. Sei X = N 0 = {0, 1, 2, 3,... }, B = P(X). Das durch P(B) := k B µ k k! e µ, B X, definierte Maß heißt Poisson-Verteilung mit Parameter µ > 0. 3
4 2.3 Lösung des Beispiels Zu betrachten ist der Quotient aus den Wahrscheintlichkeiten P(k + 1) bzw. P(k 1) und P(k), unterschieden durch: 1. P(x 1) P(x) 2. P(x + 1) P(x) Betrachten ersten Fall: P(x) µxe µ P(x 1) = x! µ x 1 e µ (x 1)! x µ = µ x 1 Betrachten zweiten Fall: P(x) µxe µ P(x + 1) = x! µ x+1 e µ (x+1)! x [µ 1, µ] = x + 1 µ 1 Das kleinste k mit k + 1 > µ ist der Modalwert; ist µ ganzzahlig, gibt es 2 Modalwerte, µ 1 und µ: Modalwert = µ, falls µ / N; Modalwert = µ 1 und µ, falls µ N Angabe Bei der Herstellung von Glasscheiben kommt es immer wieder zur Bildung von kleinen Bläschen, die eine optische Beeinträchtigung darstellen. Ein Abnehmer bezieht 400 Scheiben dieser Art und prüft nach folgendem Schema: 50 Scheiben werden geprüft; gibt es insgesamt nicht mehr als 14 Bläschen wird die Lieferung angenommen, ansonsten zurückgewiesen. Wie groß ist die Wahrscheinlichkeit der Annahme, wenn (im Mittel) jede vierte (jede zweite) Scheibe einen derartigen Fehler aufweist? 3.2 Theoretische Grundlagen: Poisson-Verteilung Siehe Beispiel 3.22! 3.3 Lösung des Beispiels Einzusetzen ist Wahrscheinlichkeit einer einzelnen defekten Scheibe Anzahl der entnommenen Scheiben, z.b. fürs erste: λ = 25. Beispielresultate sind dann: jede zweite Scheibe: P(14) = , jede vierte Scheibe: P(14) = Am Ende alle Wahrscheinlichkeiten addieren. 4
5 Konkretes Beispiel für µ = = 12.5: Mit R berechnet: 1 > sum(dpois(seq(0,14,by=1), 12.5)) 2 [1] > sum(dpois(seq(0,14,by=1), 25)) 4 [1] W({0} = e ! Listing 1: Poisson-Verteilung mit R berechnen Angabe [R-Aufgabe] In der Vorlesung werden Bedingungen angegeben unter denen eine Binomialverteilung gut durch eine Poissonverteilung approximiert werden kann. Überprüfen Sie dies graphisch an mehreren Beispielen (mit und ohne erfüllten Bedingungen), etwa durch leicht versetzt nebeneinander gezeichnete Stabdiagramme. 4.2 Theoretische Grundlagen: Poisson-Verteilung Siehe Beispiel 3.22! 4.3 Lösung des Beispiels Ist die Anzahl der Experimente sehr groß und die Erfolgswahrscheinlichkeit klein, so kann man die Binomialverteilung durch eine Poissonverteilung approximieren. Wir gehen dabei von der Approximation der Binomialverteilung aus. Sei X b(n, π). Wenn π klein ist und n gross ist, dann gilt asymtotisch X Poisson(λ) Veranschaulichung durch folgende Abbildung, in der die Wahrscheinlichkeitsfunktionen der Po(5)-Verteilung und einiger Binomialverteilungen, für die λ = nπ = 5 mit wachsendem n und fallendem π gilt, dargestellt ist. 5
6 Ein typisches Beispiel für die Anwendung dieses Satzes findet man in der Versicherungswirtschaft. Die Anzahl n der Versicherten ist groß, die Wahrscheinlichkeit π eines Schadenfalles ist klein. Sei X die Anzahl der Versicherten, die in einem bestimmten Zeitraum (z.b. ein Jahr) einen Schaden anmelden. Wenn man annimmt, dass die Wahrscheinlichkeit eines Schadensfalles für jeden Versicherten gleich groß ist, so gilt X b(n, π). Als Approximation kann unter den obigen Voraussetzungen die Poissonverteilung verwendet werden: X Poisson(λ), λ = nπ R-Befehle zur Poissonverteilung: dpois(x, lambda) berechnet die Wahrscheinlichkeitsfunktion der Poissonverteilung mit dem Parameter λ =lambda an der Stelle x. Dabei kann x ein Vektor sein. ppois(q, lambda) berechnet die Verteilungsfunktion der Poissonverteilung mit dem Parameter λ =lambda an der Stelle q. Dabei kann q ein Vektor sein. qpois(p, lambda) berechnet die Umkehrfunktion der Verteilungsfunktion der Poissonverteilung mit dem Parameter λ =lambda an der Stelle p. Dabei muss pein Vektor von Wahrscheinlichkeiten, d.h. von Zahlen zwischen 0 und 1 sein. rpois(n, lambda) erzeugt n poissonverteilte Zufallszahlen mit dem Parameter λ =lambda Konkrete Ausführung: 6
7 Listing 2: Binom/Poisson mit R visualisieren 1 n=100; 2 p=0.5; 3 x=seq(0,n,by=2); 4 binom.pois<-data.frame(binom=dbinom(x,n,p), pois=dpois(x,n,p)) 5 binom.pois<-as.matrix(binom.pois) 6 barplot(binom.pois, beside=true) Es gilt das Poisson-Paradigma: lim b n,p(k) = P µ (k) n,p 0,np µ Anmerkung: War nicht in Gruppe 2 auf, wurde aber von Prof. Gurker vorgerechnet. 6 Angabe Zeigen Sie die Gedächtnislosigkeit der geometrischen Verteilung, d.h. zeigen Sie für X G p : W {X > a + b X > a} = W {X > b}, a, b N Wie läßt sich diese Beziehung interpretieren? (Hinweis: X sei die diskrete Wartezeit auf den Eintritt eines bestimmten Ereignisses, etwa der Ausfall einer Komponente, der Gewinn beim Joker, etc.) 6.1 Theoretische Grundlagen: Geometrische Verteilung Siehe Beispiel 3.29! 7
8 6.2 Lösung des Beispiels X G P G P Geometrische Wahrscheinlichkeit p(x) = W {X = x} = (1 p) x 1 p, qquadx = 1, 2,... W {X > a + b X > a} = W {X > b} Joker ist ein erwartetes erstmaliges Ereignis mit p = Der Erwartungswert für G P mit x als Nr. der Runde des ersten Gewinnes ist E(x) = 1 p = 100 Nach jeder Runde startet das Spiel neu - darunter versteht man die Gedächtnislosigkeit (Geometrische Verteilung hat als einzige diese Eigenschaft). Vgl. hierzu Komponenten mit gleicher Wahrscheinlichkeit für Lebensdauer - wenn funktionierend ist eine Komponente so gut wie neu. Wir brechnen weiter: W {X > k} = }{{} =(1 p) k i=k+1 (1 p) i 1 p = (1 p) k F(k) = W {X k} = 1 W {X > k} = 1 (1 p) k W {X > a + b, x > a} W {X > a} = W {X > a + b} W {X > a} (1 p) a+b (1 p) a = (1.p) b = W{X > b} Eine geometrische Verteilung ist selbstähnlich (eine Poisson-Verteilung z.b. nicht). Selbstähnlichkeit ist die Eigenschaft von Gegenständen, Körpern, Mengen oder geometrischen Objekten, in größeren Maßstäben, d.h. bei Vergrößerung dieselben oder ähnliche Strukturen aufzuweisen wie im Anfangszustand Angabe Bestimmen Sie die Ausfallrate (vgl. Beispiel 3.12) der geometrischen Verteilung. Interpretieren Sie das Ergebnis an Hand eines konkreten Beispiels. (Hinweis: Vgl. Sie das vorhergehende Beispiel (3.28).) 7.2 Theoretische Grundlagen: Geometrische Verteilung Eine diskrete Zufallsgröße X n mit dem Parameter p (Wahrscheinlichkeit für einen Erfolg), q = 1 p (Wahrscheinlichkeit für einen Misserfolg) genügt der geometrischen Verteilung G(p), wenn: = 8
9 Variante A sei die Wahrscheinlichkeit, dass man genau n Versuche benötigt, um zum ersten Erfolg zu kommen, zu P(X = n) = p(1 p) n 1 = pq n 1 (n = 1, 2,...) Variante B sei die Wahrscheinlichkeit, n Fehlversuche vor dem ersten Erfolg zu haben, zu P(Y = n) = p(1 p) n = pq n (n = 0, 1, 2,...) besitzt. In beiden Fällen bilden die Werte für die Wahrscheinlichkeiten eine geometrische Folge. Damit besitzt die geometrische Verteilung die folgenden Verteilungsfunktionen: Variante A F(k) = P(X k) = p k i=1 k 1 q i 1 = p q i = p qk 1 q 1 = 1 qk = 1 (1 p) k i=0 Variante B F(n) = P(Y < n) = p n i=0 q i = p qn+1 1 q 1 = 1 q n+1 = 1 (1 p) n Lösung des Beispiels Angabe h(x) = W {X = x X > x} W(A B) = W(A B) W(B) = W(X = x) p(1 p)x 1 = W(X x) p(1 p) x 1 = 1 Ermitteln Sie zu jeder der folgenden stetigen Verteilungsfunktionen die zugehörige Dichtefunktion; stellen Sie beide Funktionen (zum einfacheren Vergleich untereinander) graphisch dar. (a) F(x) = (1 + e x ) 1, < x < (b) F(x) = exp( e x ), < x < (c) F(x) = arctan(x), < x < 9
10 8.2 Theoretische Grundlagen: Kontinuierliche eindimensionale Verteilungen - Definition und Satz In kontinuierlichen eindimensionalen Verteilungen nehmen stochastische Grössen X alle Werte eines Intervalls an (Kontinuum). Ihre Wahrscheinlichkeitsverteilung ist durch eine integrierbare Funktion (Dichtefunktion) bestimmt: f : R [0, ), mit W([a, b]) = W {a X B} = b f(x) x = 1 a f(x) x Für kontinierliche Verteilungen bzw. kontinuierlich verteilten stochastischen Grössen X mit Dichte f( ) gilt: 1. Verteilungsfunktion F(x) = x f(ξ) ξ 2. x F(x) f(x) = F (x) 3. W {X = x} = 0 x R x R Die Dichtefunktion dient zur Beschreibung von Wahrscheinlichkeitsverteilungen, daher wie sich die Wahrscheinlichkeit auf mögliche Zufallsergebnisse verteilt. Im Gegensatz zu stetigen Zufallsvariablen können die einzelnen Wahrscheinlichkeiten der einzelnen Ausprägungen nicht angegeben werden, denn sie müssten streng genommen 0 gesetzt werden. Es lassen sich nur Wahrscheinlichkeiten f(x)dx dafür angeben, dass die Werte innerhalb eines Intervalls dx um x liegen. Die Funktion f(x) heißt dann Dichtefunktion. Damit es sich um eine Dichtefunktion handelt muss die Fläche unter Kurve 1 sein. Man erhält sie wenn man die Verteilungsfunktionen differenziert. 8.3 Lösung des Beispiels Wir benötigen die Ableitungen: e (a) x - logistiche Verteilung (1+e x ) 2 (b) e ( (e x ) x) (c) 1 π 1 - Cauchy/t-Verteilung 1+x 2 10
11 11
Übungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten
MehrDefinition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch
Kapitel 4 Diskrete Verteilungen 4.1 Bernoulli-Verteilung Definition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch È Üµ ½ für Ü ¼ für Ü ½ ¼ sonst Die Bernoulli-Verteilung
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrAusgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
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)
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
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜBUNG 7.2 - LÖSUNGEN POISSONVERTEILUNG. Fahrzeuge, die eine Brücke passieren Zufallsexperiment: Zeitpunkt des
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrKATA LOGO Mathematik Statistik Wahrscheinlichkeitsverteilungen - Beispiele
KATA LOGO Mathematik Statistik Wahrscheinlichkeitsverteilungen - Beispiele Verteilungen Problemstellung Ergebnisraum Ω Stichprobe (n aus N) mehrfaches Auswählen = wiederholen Formel für P Erwartungswert
Mehrfalls rote Kugel im 1. Zug gezogen Die Ziehungen sind daher nicht unabhängig voneinander. Damit liegt kein Bernoulli-Prozess
6.4 Hypergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln sind nicht rot. Wir entnehmen n Kugeln, d.h. Stichproben vom Umfang n.
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
Mehr(8 + 2 Punkte) = = 0.75
Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
MehrÜbungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006
3.75. Angabe Übungsrunde 9, Gruppe 2 LVA 07.369, Übungsrunde 8, Gruppe 2, 2.2. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 2/2006 X sei eine stetige sg mit Dichte f(x), x R. Ermitteln Sie einen
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrWahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom
Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe
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.
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
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
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
Mehr4 Diskrete Zufallsvariablen
25 4 Diskrete Zufallsvariablen 4.1 Einleitung Die Ergebnisse von Zufallsvorgängen sind nicht notwendigerweise Zahlen. Oft ist es aber hilfreich diese durch Zahlen zu repräsentieren. Beispiel 4.1 (4-maliger
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrIst P(T) = p die Trefferwahrscheinlichkeit eines Bernoulli-Experiments,
. Binomialverteilung ==================================================================.1 Bernoulli-Experimente und Bernoullikette -----------------------------------------------------------------------------------------------------------------
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: X
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
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
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
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Aufgaben Aufgabe 1 Eine Firma produziert insgesamt 30 elektronische Bauteile des gleichen Typs. Aus langjähriger Erfahrung weiß man das davon jedes 70te defekt ist. Um die
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrEine Zufallsvariable wird als diskret bezeichnet, wenn sie nur endlich viele oder abzählbar unendlich viele Werte annimmt.
Statistik I Sommersemester 009 Aufgabenlösung Übung 4: Diskrete Zufallsvariablen Aufgabe 5.. (Blatt ) ine Zufallsvariable bildet den reignisraum eines Zufallsvorgangs ab. Dieser bestimmt den Definitionsbereich
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
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrStatistik im Versicherungs- und Finanzwesen
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
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
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen
Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Stetige Gleichverteilung Exponentialverteilung Normalverteilung Bibliografie: Prof. Dr. Kück Universität Rostock
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen
6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei
MehrWie groß ist die Wahrscheinlichkeit Pr[X > y + x X > x]? Da bei den ersten x Versuchen kein Erfolg eintrat, stellen wir uns vor, dass das
Sei X geometrisch verteilt mit Erfolgswahrscheinlichkeit p. Dann ist Pr[X = k] die Wahrscheinlichkeit, dass wir bei einem binären Experiment mit Erfolgswahrscheinlichkeit p genau in der k-ten unabhängigen
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
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.
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrGrundwissen zur Stochastik
Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung Pseudozufallszahlen sind, wie der Name schon sagt, keine echten Zufallszahlen, sondern werden durch Generatoren erzeugt. Als Pseudozufallszahlen bezeichnet man Zahlenfolgen die durch einen
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Mehr