Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
|
|
- Käthe Dunkle
- vor 6 Jahren
- Abrufe
Transkript
1 Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert und Varianz 6. Standardisierte Zufallsvariablen 7. Die Ungleichung von Tschebyschev
2 2 Teil 1 Einführung
3 Bei vielen Zufallsexperimenten tritt als Ergebnis direkt eine reelle Zahl auf und selbst wenn die auftretenden Ergebnisse keine Zahlenwerte sind, interessiert man sich häufig für einen durch den Versuchsausgang bestimmten Zahlenwert. 3 Mathematisch: Abbildung X von der Menge Ω in die reellen Zahlen (Zufallsvariable) Ω P [0,1] X IR Da das Ergebnis ω vom Zufall abhängt, wird auch der Zahlenwert X(ω) zufallsabhängig sein.
4 4 Beispiel Zufallsexperiment: Zweifacher Wurf eines Würfels Wahrscheinlichkeitsraum: Ω = { ω = (ω 1,ω 2 ) : ω i {1,...,6} } mit Gleichverteilung auf Ω (P(ω) = 1 36 ). Zufallsvariable: X : Ω {2,3,4,...,12} = R X R (ω 1,ω 2 ) ω 1 + ω 2 für alle (ω 1,ω 2 ) Ω X ist eine Funktion, die jedem Ergebnis des Experimentes die Augensumme zuordnet.
5 Der Raum Ω 5 2. Wurf Ω Wurf
6 6 Der Wahrscheinlichkeitsraum (Ω,P) 2. Wurf Ω P Wurf Auf jedem Ausgang ω des Experimentes lastet ein Gewicht P(ω)!
7 Für alle k {2,3,4,...,12} sei nun 7 X 1 (k) = {ω = (ω 1,ω 2 ) Ω : X(ω) = k} }{{} Ereignis:,,Augensumme ist gleich k Dann ist: P X (k) = P(X 1 (k)) die Wahrscheinlichkeit dafür, dass die Augensumme k (2 k 12) gewürfelt wird.
8 8 Beispiel: Grün: X 1 (4) und P X (4) = P(X 1 (4)) = 3 36 Gelb: X 1 (7) und P X (4) = P(X 1 (7)) = 6 36
9 9 Einzelwahrscheinlichkeiten P X (k): k Elemente in X 1 (k) X 1 (k) P X (k) 2 (1,1) 1 1/36 3 (1,2), (2,1) 2 2/36 4 (1,3), (2,2), (3,1) 3 3/36 5 (1,4), (2,3), (3,2), (4,1) 4 4/36 6 (1,5), (2,4), (3,3), (4,2), (5,1) 5 5/36 7 (1,6), (2,5), (3,4), (4,3), (5,2), (6,1) 6 6/36 8 (2,6), (3,5), (4,4), (5,3), (6,2) 5 5/36 9 (3,6), (4,5), (5,4), (6,3) 4 4/36 10 (4,6), (5,5), (6,4) 3 3/36 11 (5,6), (6,5) 2 2/36 12 (6,6) 1 1/36 0 P X (k) 1 für alle k = 2,...,12 alle Ereignisse X 1 (k) Ω sind disjunkt, ihre Vereinigung ist ganz Ω und 12 k=2 P X (k) = 1.
10 10 P X IRX
11 Damit haben wir gezeigt: Die Verknüpfung P X (k) definiert eine Wahrscheinlichkeitsverteilung über der Menge {2,...,12}. 11 Allgemein gegeben: (Ω, P) ein Wahrscheinlichkeitsraum X : Ω R Zufallsvariable R X = X(Ω) R das Bild von X P X = P(X 1 ) Dann ist das Paar (R X,P X ) ein Wahrscheinlichkeitsraum, d.h. P X ist eine Wahrscheinlichkeitsverteilung auf R X.
12 12 Zusammenfassung: Jede Zufallsvariable X ordnet der Menge Ω aller möglichen Ausgänge eines Zufallsexperimentes eine Teilmenge R X der reellen Zahlen zu und transportiert die Wahrscheinlichkeiten von Ereignissen aus Ω nach R X! Ω R X P P X P X heisst auch die Verteilung von X und wird meist wieder mit P bezeichnet.
13 13 Beispiele: Experiment Ω Zufallsvariable Beobachtung Kennzeichen Geschwindigkeit vorbeifahrender der Autos Autos {BS 01,...} X(BS 00) = 50 km h X(BL 01) = 40 km h... Auswahl einer Person Passnummern Körpergrösse {17,14,...} X(17 ) = 1.83 m X(14 ) = 1.59 m...
14 14 Teil 2 Zufallsvariablen
15 Meist von Interesse: Wahrscheinlichkeit, dass X(ω) in einem bestimmten Intervall I = [a, b] liegt, also dass X(ω) I gilt. Dazu betrachten wir die Gesamtheit aller Ergebnisse ω, für die X(ω) I gilt: A I = {ω Ω : X(ω) I}. 15 Ω A I ω ω 2 ω 5 ω 7 1 ω3 ω 4 ω 6 I X( ω 1 ) X( ω 5 ) IR
16 16 Für beliebige Abbildungen X : Ω R ist A I nicht notwendigerweise ein Ereignis (insbesondere, wenn man die Menge Ω grösser als nötig gewählt hat). Definition: Sei (Ω, P) ein Wahrscheinlichkeitsraum. Dann heisst eine Abbildung X : Ω R eine (reellwertige) Zufallsvariable, falls für alle Intervalle I R die Menge A I = {ω Ω : X(ω) I} Ω ein Ereignis ist. Insbesondere bedeutet das, dass wir A I eine Wahrscheinlichkeit zuordnen können.
17 Bezeichnungen Für die Wahrscheinlichkeiten des Ereignisses A I und ähnlicher Ereignisse, die sich direkt über die Zufallsvariable X darstellen lassen, schreiben wir abkürzend: 17 P(X = x 0 ) = P( {ω Ω : X(ω) = x 0 } ) P(X I) = P( {ω Ω : X(ω) I} ) = P(A I ) P(a X b) = P( {ω Ω : a X(ω) b} ) P(X b) = P( {ω Ω : X(ω) b} ).
18 18 Diese Wahrscheinlichkeiten lassen sich mit Hilfe der sogenannten Verteilungsfunktion berechnen. Sei X eine Zufallsvariable auf dem Wahrscheinlichkeitsraum (Ω, P). Dann heisst die Abbildung F : R [0,1] mit F(x) = P(X x) = P( X x) Verteilungsfunktion der Zufallsvariablen.
19 Aufgabe 1 Ein Laplace-Würfel wird dreimal geworfen. Die Zufallsvariable X bezeichne die Anzahl, wie oft eine gerade Zahl geworfen wurde. Bestimmen Sie die Verteilung und die Verteilungsfunktion von X und stellen Sie diese graphisch dar. 19
20 20 Eigenschaften von Verteilungsfunktionen F ist monoton wachsend F ist rechtsseitig stetig, d.h. F(x) = lim h>0,h 0 F(x + h) lim x F(x) = 0 lim x F(x) = 1
21 21 Rechenregeln für Verteilungsfunktionen Für alle a,b R mit a < b gilt: P(X < a) = P(X a) P(X = a) = F(a) P(X = a) P(X > a) = 1 F(a) P(X a) = 1 F(a) + P(X = a) P(a < X b) = F(b) F(a) P(a < X < b) = F(b) F(a) P(X = b) P(a X < b) = F(b) F(a) P(X = b) + P(X = a)
22 22 Im folgenden unterscheiden wir zwei Typen von Zufallsvariablen diskrete Zufallsvariablen: R X = X(Ω) ist eine abzählbare Menge, z.b. 0,1,2,...,100 stetige Zufallsvariablen: R X = X(Ω) ist eine überabzählbare Menge, z.b. [0,200].
23 Teil 3 Diskrete Zufallsvariablen 23
24 24 Eine Zufallsvariable X heisst diskret, wenn ihr Wertebereich endlich oder abzählbar unendlich ist. Wir können alle möglichen Werte von X durchnumerieren: R X = X(Ω) = {x 1,x 2,x 3,...}. Diskrete Zufallsvariablen nehmen in der Regel ganzzahlige Werte an und entstehen meist durch Zählprozesse.
25 Nimmt die diskrete Zufallsvariable die Werte {x 1,x 2,...} an, so gehört zu jedem Wert x j das Ereignis X = x j und dessen Wahrscheinlichkeit 25 p j := P(X = x j ), j = 1,2,3,... Die Verteilungsfunktion von X hat dann die Gestalt F(x) = P(X x) = x j x p j.
26 26 Graphisch kann man eine diskrete Wahrscheinlichkeitsverteilung auf folgende Weise darstellen: in einem Stabdiagramm: über jeder Stelle x j errichtet man einen Stab der Länge p j, durch den Graphen der Verteilungsfunktion F
27 Stabdiagramm 27 P X IRX Verteilungsfunktion P X IRX
28 28 Teil 4 Stetige Zufallsvariablen
29 Zunächst benötigen wir den hier wichtigen Begriff einer Dichte. 29 Eine Funktion f heisst Dichte oder Wahrscheinlichkeitsdichte falls sie die folgenden Eigenschaften hat: 1. f(t) 0 für alle t R, 2. f(t) ist stetig bis auf abzählbar viele Punkte, 3. f(t) dt = 1.
30 30 Eine Zufallsvariable heisst stetig mit der Dichte f falls sich die Verteilungsfunktion F : R [0,1] in der folgenden Weise schreiben lässt: F(x) = x f(t) dt. Die Verteilungsfunktion F ist eine Stammfunktion der zugehörigen Dichte! Satz Die Wahrscheinlichkeit, dass eine stetige Zufallsvariable einen beliebigen Wert x 0 annimmt, ist gleich Null: P(X = x 0 ) = 0
31 Beweis: Sei x 0 R und wir betrachten das Intervall (x 0 δ,x 0 ]. Dann gilt zunächst allgemein: 31 P(x 0 δ < X x 0 ) = F(x 0 ) F(x 0 δ) also P(X = x 0 ) = lim δ 0 P(x 0 δ < X x 0 ) = lim δ 0 [F(x 0 ) F(x 0 δ)] = F(x 0 ) F(x 0 ) = 0. Bei stetigen Zufallsvariablen sind Punktereignisse X = x i nicht von Interesse!!
32 32 Zusammenfassung: Wahrscheinlichkeit, dass X P(a X b) einen Wert zwischen a und b = P(a < X < b) annimmt = P(a X < b) Ausgedrückt durch die Verteilungsfunktion = F(b) F(a) Ausgedrückt durch die = Dichte: b a f(t) dt
33 33 Die Dichte einer Zufallsvariablen X: y f(t) t a b P(a X b) = b a f(t)dt ist der Flächeninhalt unter der Kurve zwischen den Grenzen a und b und dieser Flächeninhalt entspricht der Wahrscheinlichkeit dafür, dass unsere Zufallsvariable X einen Wert zwischen a und b annimmt.
34 34 Aufgabe 2 An einer Haltestelle kommt pünktlich alle 20 Minuten ein Tram an. Eine Person geht, ohne auf die Uhr zu schauen, an die Haltestelle und nimmt das nächste Tram. Die Zufallsvariable T bezeichne die Wartezeit in Minuten. Modellieren Sie die Verteilung von T mit einer geeigneten Dichte und bestimmen Sie damit P(T < 10) P(T > 5) P(5 < T < 8).
35 Teil 5 Erwartungswert und Varianz 35
36 36 X sei eine Zufallsvariable. Dann ist der Erwartungswert E(X) = µ wie folgt definiert. 1. Falls X diskret mit den endlich vielen Werten {x 1,x 2,...,x n } ist, so gilt: n E(X) = x i } P(X {{ = x i } ) i=1 p i 2. Falls X stetig mit zugehöriger Dichte f ist, so gilt: E(X) = t f(t) dt
37 Die Varianz Var(X) = σ 2 der Zufallsvariablen X mit µ = E(X) ist wie folgt definiert Falls X diskret mit den endlich vielen Werten {x 1,x 2,...,x n } ist, so gilt: n Var(X) = (x i µ) 2 } P(X {{ = x i } ) i=1 p i 2. Falls X stetig mit zugehöriger Dichte f ist, so gilt: Var(X) = (t µ) 2 f(t) dt Die positive Quadratwurzel der Varianz heisst Standartabweichung von X.
38 38 y f(t) E(X) V(X) E(X) t E(X) + V(X Der Erwartungswert E(X) kann als Schwerpunkt der mit der Dichte belasteten reellen Zahlengerade interpretiert werden. Die Varianz misst die durchschnittliche Abweichung der Werte von X vom Erwartungswert E(X). Da sich die obige Dichte weit auf der Achse ausbreitet, wird Var(X) hier relativ gross sein.
39 39 Rechenregeln für Erwartungswert und Varianz Seien X,Y Zufallsvariablen und a,b,c reelle Zahlen. Dann gelten: 1. E(aX + by + c) = a E(X) + b E(Y) + c 2. Var(aX + b) = a 2 Var(X) 3. Verschiebungssatz der Varianz Var(X) = E(X 2 ) [E(X)] 2
40 40 Aufgabe 3 Sei X die Augenzahl beim einmaligen Wurf eines Laplace-Würfels. Bestimmen Sie den Erwartungswert und die Standardabweichung.
41 Teil 6 Standardisierte Zufallsvariablen 41
42 42 Eine Zufallsvariable heisst standardisiert falls E(X) = 0 und Var(X) = 1 gilt. Satz Ist X eine beliebige Zufallsvariable, dann ist die Zufallsvariable standardisiert. Y = X E(X) Var(X) Y heisst die Standardisierung von X.
43 Aufgabe 4 Zeigen Sie, dass für jede Zufallsvariable X die neue Zufallsvariable 43 standardisiert ist. Y = X E(X) V ar(x)
44 44 Teil 7 Die Ungleichung von Tschebyschev
45 Sei X eine beliebige Zufallsvariable. Dann gilt für jede positive Zahl c: 45 P( X E(X) c ) Var(X) c 2 d.h. man kann relativ leicht die Wahrscheinlichkeit abschätzen, mit der X einen Wert ausserhalb des um den Erwartungswert symmetrischen Intervalls annimmt. [E(X) c,e(x) + c]
46 46 Mit der Abkürzung µ = E(X): µ c µ + c µ Der blau gekennzeichnete Flächeninhalt ausserhalb des Intervalls [µ c,µ + c] ist stets kleiner als der Wert Var(X) c 2.
47 Alternative Ungleichung von Tschebyschev 47 Sei X eine beliebige Zufallsvariable. Dann gilt für jede positive Zahl c: P( X E(X) < c ) = 1 P( X E(X) c ) 1 Var(X) c 2 Also P( X E(X) < c ) 1 Var(X) c 2
48 48 Aufgabe 5 Von einer stetigen Zufallsvariablen X sei nur bekannt, dass sie den Erwartungswert 15 und die Varianz 4 besitzt. 1. Wie gross ist P(10 X 20) mindestens? 2. Bestimmen Sie das kleinste, symmetrisch um 15 gelegene Intervall der Form [15 c, 15+c], in welches mit einer Wahrscheinlichkeit von mindestens 0.9 die Werte von X fallen.
49 Anwendung der Ungleichung von Tschebyschev: kσ- Bereiche 49 Frage: Was liefert uns die Ungleichung von Tschebyschev für spezielle Wahlen der Konstanten c? Abkürzungen: µ = E(X) σ 2 = Var(X) Wahlen von c: c = k σ für k = 1,2 und 3 Ungleichung: P( X µ < k σ ) 1 σ2 k 2 σ 2 = 1 1 k 2
50 50 1. k = 1, die 1 σ-regel P( X µ < σ ) 1 1 = 0 2. k = 2, die 2 σ-regel P( X µ < 2 σ ) = k = 3, die 3 σ-regel P( X µ < 3 σ ) = 8 9
Grundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrZufallsvariablen [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
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
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:
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
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
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
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
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
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
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
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
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
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
MehrAufgaben zu Kapitel 38
Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
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
Mehr2. Zufallsvariable, Verteilungsfunktion, Erwartungswert,
2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, momentenerzeugende Funktion Ziel des Kapitels: Mathematische Präzisierung der Konzepte Zufallsvariable Verteilungsfunktion Dichtefunktion Erwartungswerte
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 ]
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
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
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
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
MehrStochastik. Prof. Dr. Ulrich Horst. Wintersemester 2013/2014
Stochastik Prof. Dr. Ulrich Horst Wintersemester 3/4 Institut für Mathematik Mathematisch-Naturwissenschaftliche Fakultät II Humboldt-Universität zu Berlin Dieses Skript wurde von Alexander Prang in Anlehnung
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
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrAbschlussprüfung 1998 zum Erwerb der Fachhochschulreife an Berufsoberschulen
BOS 12 NT 98 Seite 1 Abschlussprüfung 1998 zum Erwerb der Fachhochschulreife an Berufsoberschulen Mathematik (nichttechnische Ausbildungsrichtungen) (Arbeitszeit für eine A- und eine S-Aufgabe insgesamt
MehrElemente der Stochastik (SoSe 2016) 10. Übungsblatt
Dr. M. Weimar 3.06.206 Elemente der Stochastik (SoSe 206) 0. Übungsblatt Aufgabe (2+2+2+2+3= Punkte) Zur zweimaligen Drehung des nebenstehenden Glücksrads (mit angenommener Gleichverteilung bei jeder Drehung)
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
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,
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
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 Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Ungleichungen Inhalt: 1. Grundlegendes 2. Lineare Ungleichungen 3. Ungleichungen mit
Mehrσ-algebren, Definition des Maßraums
σ-algebren, Definition des Maßraums Ziel der Maßtheorie ist es, Teilmengen einer Grundmenge X auf sinnvolle Weise einen Inhalt zuzuordnen. Diese Zuordnung soll so beschaffen sein, dass dabei die intuitiven
MehrBasistext - Wahrscheinlichkeitsrechnung
Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
MehrZufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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/...
MehrAufgabe 3 Was ist der Erwartungswert der größten gezogenen Zahl M beim Zahlenlotto 6 aus 49 (ohne Zusatzzahl)?
Erwartungswert Aufgaben Aufgabe Bei der Flugplatz Party haben Sie die Wahl ob Sie 3 Euro Eintritt bezahlen, oder Sie würfeln den Eintrittspreis mit einem normalen Würfel. Die Frage die sich dabei stellt
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
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
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
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrMathematik für Ökonomen 1
Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Herbstemester 2008 Mengen, Funktionen und Logik Inhalt: 1. Mengen 2. Funktionen 3. Logik Teil 1 Mengen
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
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
MehrMengen, Funktionen und Logik
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Mengen, Funktionen und Logik Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrBedingte Wahrscheinlichkeiten und Unabhängigkeit
Kapitel 5 Bedingte Wahrscheinlichkeiten und Unabhängigkeit Mitunter erhält man über das Ergebnis eines zufälligen Versuches Vorinformationen. Dann entsteht die Frage, wie sich für den Betrachter, den man
MehrM13 Übungsaufgaben / pl
Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr
MehrÜbungen zur Wahrscheinlichkeitstheorie und Statistik
Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils
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.
MehrKapitel 2 Mathematische Grundlagen
Kapitel 2 Mathematische Grundlagen Ziel: Einführung/Auffrischung einiger mathematischer Grundlagen 2.1 Mengen, Relationen, Ordnungen Definition: Eine Menge ist eine Zusammenfassung von wohlbestimmten und
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 0.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
MehrKapitel 3. Ein Statistisches Intermezzo. Strange events permit themselves the luxury of occurring. (Charlie Chan)
Kapitel 3 Ein Statistisches Intermezzo Strange events permit themselves the luxury of occurring. (Charlie Chan) Unsere Umwelt produziert am laufenden Band Ergebnisse wie Wolken, Aktienkurse, Herzinfarkte
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Motivation bisher: Beschreibung von Datensätzen = beobachteten Merkmalsausprägungen Frage: Sind Schlußfolgerungen aus diesen Beobachtungen möglich? Antwort: Ja, aber diese gelten nur mit einer bestimmten
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
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
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
MehrDie Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man
Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man x / M. Man sagt, M ist Teilmenge von N und schreibt M N, wenn für jedes x M auch x N gilt.
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
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
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
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
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrGrundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
MehrWahrscheinlichkeiten
Wahrscheinlichkeiten August, 2013 1 von 21 Wahrscheinlichkeiten Outline 1 Wahrscheinlichkeiten 2 von 21 Wahrscheinlichkeiten Zufallsexperimente Die möglichen Ergebnisse (outcome) i eines Zufallsexperimentes
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
MehrKapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen
Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
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
MehrÜ b u n g s b l a t t 10
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrMathematische und statistische Methoden II
Methodenlehre e e 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
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
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
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
Mehr1 Elemente der Wahrscheinlichkeitstheorie
H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen
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.
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrAuf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an.
Aufgabe 4 Glückspasch" (16 Punkte) Auf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an. Spielregeln: Einsatz 1. Der Mitspieler würfelt mit 2 Oktaederwürfeln. Fällt ein Pasch,
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:
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
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrMusterlösung Klausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 3/4 Andreas Eberle, Lisa Hartung / Patrick Müller Musterlösung Klausur,,Einführung in die W theorie. (Zufallsvariablen und ihre Verteilung) a) Was ist
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
Mehr