Eine Zufallsvariable wird als diskret bezeichnet, wenn sie nur endlich viele oder abzählbar unendlich viele Werte annimmt.
|
|
- Clemens Lange
- vor 6 Jahren
- Abrufe
Transkript
1 Statistik I Sommersemester 009 Aufgabenlösung Übung 4: Diskrete Zufallsvariablen Aufgabe 5.. (Blatt ) ine Zufallsvariable bildet den reignisraum eines Zufallsvorgangs ab. Dieser bestimmt den Definitionsbereich der Zufallsvariablen. Der Wertebereich der Zufallsvariablen ist die Menge der reellen Zahlen, die bei den möglichen Realisationen vorkommen können. X : Ω R w X(w) ine Zufallsvariable wird als diskret bezeichnet, wenn sie nur endlich viele oder abzählbar unendlich viele Werte annimmt. Das Attribut stetig wird für mehrere unterschiedliche igenschaften verwendet: ine Zufallsvariable wird als stetig bezeichnet, wenn sie selbst als Funktion stetig ist. ine Zufallsvariable wird als stetig bezeichnet, wenn sie eine stetige Verteilungsfunktion besitzt. (a) Diskret (b) Diskret (c) Stetig (d) Stetig (e) Diskret
2 Aufgabe 5.. (Blatt ) Wahrscheinlichkeitsfunktion (nur für diskrete Zufallsvariablen) f : R [0,] f() ) igenschaften: f() 0 i f() f () 0,5 (0,5) für 0, 0 für andere i 0 (Zahl) (Wappen) f( i ) 0,5 0,5
3 Aufgabe 5..4 (Blatt ) 4 Farben: Karo, Herz, Pik, Kreuz 6 Bilder: 9, 0, Bube, Dame, König, As alle Karten doppelt: Karten N(.) Anzahl der Fälle (a) reignis A: "beide Karten sind Asse" W(A) N(A) N(S) 0, !! 6! 48!! 46! oder: reignis K i : "i-te Karte ist ein As", i, W(K W(K W(A) ) K 8 48 ) W(K K ) 0,048 W(K ) W(K K ) 3
4 Aufgabe 5..4 (Blatt ) (b) reignis B: "beide Karten sind schwarz" W(B) N(B) N(S) 0, !!! 48!! 46! oder: reignis K i : "i-te Karte ist schwarz", i, W(K W(K W(B) ) K) 47 W(K 3 47 K ) 0,447 W(K ) W(K K ) 4
5 Aufgabe 5..4 (Blatt 3) (c) reignis C: "mindestens eine Herz 0 dabei" W(C) oder: N(C) 0 N(S) ,084 48! 48 47! 46! reignis K i : "i-te Karte ist keine Herz 0", i, W(K W(K W(C) ) K ) 47 W(K K ) 0,084 W(K ) W(K K ) Aufgabe 5..5 (Blatt ) 5
6 U : die Übung endet pünktlich U : die Übung endet unpünktlich V : die Vorlesung beginnt pünktlich V : die Vorlesung beginnt nicht pünktlich W(U) 0,80 W(U) 0,0 W(U V) 0,0 W(V / U) 0,75 W(U V) W(V / U) W(U) 0,75 0,80 U U V 0, 0, 0,3 V 0,6 0, 0,7 0,60 0,8 0,,0 6
7 Aufgabe 5..5 (Blatt ) (a) die Übung endet nicht pünktlich und die Vorlesung beginnt pünktlich: W(U) W(U V) + W(U V) W(U V) 0, 0, 0, (b) die Übung endet pünktlich und die Vorlesung beginnt pünktlich: W(U) W(U V) + W(U V) W(U V) 0,8 0,6 0, (c) die Übung endet nicht pünktlich, wenn die Vorlesung pünktlich beginnt: W(V) W(U V) + W(U V) 0, + 0, 0,3 W(U / V) W(U V) W(V) 0, 0,3 0,33 7
8 Aufgabe 5..6 (a) lementarereignisse: G T i, i, K j, j,, 3 Zusammengesetzte reignisse: K T A (b) K K K K3 T T T T T (c) A 3 3 [(K K K ) (K K K ) ( K K K3) (K K K3)] ( T T ) G 8
9 Aufgabe 5..7 Männlich Weiblich Σ M: Männlich VWL W: Weiblich BWL 3 45 V: VWL Σ B: BWL 40 (a) W (M) 0, (b) W (W) 0, 60 (c) W (M V) 0, 7 (d) W(M V) W(M) + W(V) W(M V) oder: 0,40 + 0,55 0,7 0,78 W(M V) W(M V) W(M V) W(W B) 0, 0,78 9
10 Aufgabe 5..8 Klassischer Wahrscheinlichkeitsbegriff: Anzahl der günstigen Fälle W (A) Anzahl der möglichen Fälle N(A) 36 (a) A: Augensumme ist 6, 7 bzw. 8 ( Σ 6) : A ( Σ 7) : ( Σ 8) : 5 6 6,,, ,,, W (A) 0, ,,, ,,, 5 5 6, 6 (b) B: Augensumme ist höchstens 0 ( Σ ) : B ( Σ ) : 56, W (B) W(B) ,967 (c) C: Augensumme ist W (C) 0 (nicht möglich) 0
11 Aufgabe 5.. (Blatt ) X: Anzahl der roten Kugeln unter 4 gezogenen (a) Verteilungsmodell: Hypergeometrische Verteilung mit N ; M 3; n 4 rwartungswert und Varianz: M 3 (X) n 4 N Var(X) M N M N n n N N N ,5455 Wahrscheinlichkeitsfunktion: M N M f () n 0 N n für sonst 0,,...,n f() 0,545 0,509 0,8 0,08 0 F() 0,545 0,7636 0,988,0000,0000
12 Aufgabe 5.. (Blatt ) Darstellung der Wahrscheinlichkeitsfunktion: 0,6 f() 0,5 0,4 0,3 0, 0, 0, X (b) W (X ) f () 0, 509 ) F() f (0) + f () 0,7636 ) f (0) f () + f () + f (3) 0,7455 5) f (5) 0
13 Aufgabe 5.. (Blatt ) X: Anzahl der schwarzen Kugeln unter 4 gezogenen (a) Verteilungsmodell: Binomialverteilung mit n 4 und θ 0, 5 (wegen Ziehen ohne Zurücklegen eigentlich hypergeometrische Verteilung, aber N ist sehr groß und M ist unbekannt) rwartungswert und Varianz: (X) n θ 4 0,5 Var (X) n θ ( θ) 4 0,5 ( 0,5) 0,75 Wahrscheinlichkeitsfunktion: f () n θ ( θ) 0 n für sonst 0,,...,n f() 0,364 0,49 0,09 0,0469 0,0039 F() 0,364 0,7383 0,949 0,996,0000 3
14 Aufgabe 5.. (Blatt ) Darstellung der Wahrscheinlichkeitsfunktion: 0,5 f() 0,4 0,3 0, 0, 0, X (b) W (X 0) 0, 364 ) 0,09 ) F() f (0) + f () + f () 0,949 ) (f (0) + f ()) f () + f (3) + f (4) F() 0,67 W((X ) (X 3)) ) + 3) f () + f (3) 0,578 4
15 Aufgabe 5..3 (Blatt ) (b) Verteilungsmodell: Die Zufallsvariable X: Anzahl der Kunden, die einen Anzug kaufen ist binomialverteilt mit n 5 und θ 0,. Wahrscheinlichkeitsfunktion: f () n θ ( θ) 0 n 5 0) f (0) 0, 0 5 ) f () 0, für sonst 0 0,8 0, ,,...,n 0,377 0,4096 W (X ) ( 0) + )) 0,67 (c) rwartungswert und Varianz: (X) n θ 5 0,0 Var (X) n θ ( θ) 5 0,0 ( 0,0) 0,80 σ ( X) Var(X) 0,80 0,8944 5
16 Aufgabe 5..3 (Blatt ) (c) Wahrscheinlichkeitsfunktion: f() 0,377 0,4096 0,048 0,05 0,0064 0,0003 f() 0,5 0,4 0,3 0, 0, 0, X 6
17 Aufgabe 5..4 (Blatt ) f () für für alle 0,,,3, 4 anderen f() 0,08 0,0 0,6 0,6 0,40 F() 0,08 0,8 0,34 0,60,00 (a) W (X ) f () 0, 6 < ) f () + f (0) 0,8 ) f () + f () + f (0) F() 0,34 > 3) f (4) 0,40 (b) W (X ) 0,08 0 Jeder Wert 3 erfüllt ) 0, 5. 7
18 Aufgabe 5..4 (Blatt ) (c) (X) f () 0 0,08 + 0,0 + 0, , ,40,80 Var(X) (X ) Var() [ ] ] X (X) f () 0,08 + 0,40 9,48 9,48,80 (d) Verteilungsfunktion 0,0 +,64 (X ) (X) 0, ,6 0,8 0,6 0,4 0,
19 Aufgabe 5..5 (Blatt ) (a) Ziehen der Stichprobe ohne Zurücklegen Hypergeometrische Verteilung mit den Parametern N 00; n 0 und 00 M 5 (erwartet) 0 X: Anzahl defekter Teile in der Stichprobe vom Umfang 0 M 5 (X) n 0 N 00 Wahrscheinlichkeitsfunktion: ) M N M n f () N n 0 für sonst 0,,..., n W (X ) f () 0,073 3) f (0) + f () + f () + f (3) 0, ,40+ 0, ,0478 0,9945 9
20 Aufgabe 5..5 (Blatt ) (b) Ziehen der Stichprobe mit Zurücklegen Binomialverteilung mit den Parametern θ 0,05 und n 0 (X) n θ 0 0,05 (c) Approimation der Hypergeometrischen Verteilung (Ziehen ohne Zurücklegen) durch Binomialverteilung, weil ntnahme aus der laufenden Produktion, also N unendlich n Approimationsregel : 0, 05 N Wahrscheinlichkeitsfunktion der Binomialverteilung: ) f () n θ ( θ) 0 n für sonst 0,,..., n 0) 0,3585 ) 0,887 3) 0,984 3) ) 0,945 0,0755 0
21 Aufgabe 5..5 (Blatt 3) (d) Approimation der hypergeometrischen Verteilung durch die Binomialverteilung, weil N 000 ; n 00 ; n / N < 0, 05 oder Approimation der hypergeometrischen Verteilung durch die Poissonverteilung, da n 0 ; θ 0, 05 und n / N < 0, 05 mit θ 0,0 Ausschussanteil also µ n θ 00 0,0 Wahrscheinlichkeitsfunktion der Poissonverteilung: ) f () µ 0 e! µ für sonst 0,,... > ) f (0) f () f () 0,353 0,707 0,707 0,333 oder W (X > ) ) 0,6767 0,333 W(3 < X 5) f (4) + f (5) 0, ,036 0,63
22 Aufgabe 5..6 (a) Die Zufallsvariable X: Anzahl der 35-jährigen, die das Rentenalter von 65 Jahren erreichen ist binomialverteilt mit den Parametern θ 0, 8 und n 5. Wahrscheinlichkeitsfunktion: n n θ ( θ) für 0,,..., n f () 0 sonst f() 0,0003 0,0064 0,05 0,048 0,4096 0,377 F() 0,0003 0,0067 0,0579 0,67 0,673,0000 5) 0,377 0) 4) f (5) 4) 0,0003 f (4) + f (5) 0,673 0,7373 (b) Darstellung der Wahrscheinlichkeitsfunktion: 0,5 0,4 0,3 0, 0, 0, X
23 Aufgabe 5..7 (Blatt ) Die Zufallsvariable X: Anzahl der innerhalb einer Minute eintreffenden Gespräche ist poissonverteilt mit dem Parameter µ. µ mittlere Anzahl der eintreffenden Gespräche je Minute µ 50 60,5 (a) Wahrscheinlichkeitsfunktion der Poissonverteilung: f () µ 0 e! µ für sonst 0,,... 0) 0,08 ) f (0) + f () + f () 0,5438 4) (f (0) + f () + f () + f (3)) 0,44 3
24 Aufgabe 5..7 (Blatt ) (b) Darstellung der Wahrscheinlichkeitsfunktion: f() 0,30 f() 0 0,08 0,05 0, ,38 4 0, , , , , , ,000 0,0000 0,5 0,0 0,5 0,0 0,05 0, X 4
25 Aufgabe 5..8 (Blatt ) Die Zufallsvariable X: Anzahl nicht angetretener Flüge bei 00 Buchungen ist eigentlich binomialverteilt mit n 00 und θ 0,0. Wegen n > 0 und θ < 0, 05 kann X auch durch die Poissonverteilung mit µ n θ approimiert werden. (a) Wahrscheinlichkeitsfunktion der Poissonverteilung: f () µ 0 e! µ für sonst 0,,... 0) 0,353 ) 0,707 ) F() f (0) + f () + f () 0,6767 4) F(3) (f (0) + f () + f () + f (3)) 0,49 5
26 Aufgabe 5..8 (Blatt ) (b) Darstellung der Wahrscheinlichkeitsfunktion: f() 0 0,353 0,707 0, , , , ,00 7 0, , ,000 f() 0,30 0,5 0,0 0,5 0,0 0,05 0, X 6
Zufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
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)
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.
MehrÜbungsrunde 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
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
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
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
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 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
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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
MehrKursthemen 11. Sitzung. Spezielle diskrete Verteilungen: Auswahlexperimente. Spezielle diskrete Verteilungen: Auswahlexperimente
Kursthemen 11. Sitzung Folie I - 11-1 Spezielle diskrete Verteilungen: Auswahlexperimente Spezielle diskrete Verteilungen: Auswahlexperimente A) Kombinatorik (Folien bis 5) A) Kombinatorik (Folien bis
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
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
MehrStochastik (Laplace-Formel)
Stochastik (Laplace-Formel) Übungen Spielwürfel oder Münzen werden ideal (oder fair) genannt, wenn jedes Einzelereignis mit gleicher Wahrscheinlichkeit erwartet werden kann. 1. Ein idealer Spielwürfel
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
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrStatistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA
Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten 12. und 14. Prof. Dr. Stefan Etschberger HSA Outline 1 : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe
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
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
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
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrEs wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! =
Übungsblatt Höhere Mathematik - Weihenstephan SoSe 00 Michael Höhle, Hannes Petermeier, Cornelia Eder Übung: 5.6.00 Die Aufgaben -3 werden in der Übung am Donnerstag (5.6. besprochen. Die Aufgaben -6 sollen
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
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
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
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
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,
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrKorrektur, Änderungen sowie Ergänzungen zu den Vorlesungsskripten: Statistik-I SS-2015
Korrektur, Änderungen sowie Ergänzungen zu den Vorlesungsskripten: Statistik-I SS-05!"!## x 8 0 8 0 8 0 0, 0, 3 0 0, 05 $ $ % 3, 75 $ Geben Sie für das vorige Beispiel. (Bsp. ) die Anteile der jeweiligen
Mehr2. Zufallsvariable, Verteilungsfunktion, Erwartungswert,
2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, momentenerzeugende Funktion Ziel des Kapitels: Mathematische Präzisierung der Konzepte Zufallsvariable Verteilungsfunktion Dichtefunktion Erwartungswerte
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
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
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
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
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:
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
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrKlausur Stochastik und Statistik 18. September 2012
Klausur Stochastik und Statistik 18. September 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht
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
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
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
MehrAnmerkung: Eine Tabelle zum Arbeiten mit der Standardnormalverteilung ist z. B. unter der Adresse
Übung 9 Anmerkung: Eine Tabelle zum Arbeiten mit der Standardnormalverteilung ist z. B. unter der Adresse zu finden. http://de.wikipedia.org/wiki/tabelle Standardnormalverteilung Aufgabe 9.1 Die Länge
MehrAufgaben zum Wahrscheinlichkeitsrechnen
1.) Wie groß ist die Wahrscheinlichkeit, beim einmaligen Werfen mit einem Würfel keine 4 zu werfen? % 2.) Wie groß ist beim einmaligen Werfen von zwei verschieden farbigen Würfeln die Wahrscheinlichkeit,...
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
Mehr1 1. Übung. Einleitung. 1.1 Urnenmodelle. 1.2 Beispiele. 1.3 Aufgaben
Einleitung Dieses sind die kompletten Präsenzaufgaben, die bei der Übung zur Vorlesung Einführung in die Stochastik im Sommersemester 2007 gerechnet wurden. Bei Rückfragen und Anmerkungen bitte an brune(at)upb.de
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
MehrBiometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen
Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe
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
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
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
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
MehrKapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
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
MehrInduktive Statistik mit möglichst wenig Formeln
Induktive Statistik mit möglichst wenig Formeln Friedrich-Alexander Universität Erlangen-Nürnberg WS 2012/13 (WS 2012/13) Ingo Klein WS 2012/13 1 / 160 Download http://www.statistik.wiso.uni-erlangen.de/lehre/sonstige-veranstaltungen/induktivestatistik-fast-ohne-formeln.shtml
Mehr5 Optimale erwartungstreue Schätzer
33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien
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
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
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
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 15 009 FernUniversität in Hagen Alle Rechte vorbehalten Fachbereich Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
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)
MehrInhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Kapitel 4 Seite 1 von 22 Prof. Dr. Karin Melzer, Fakultät Grundlagen
Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 4... 3 Aufgabe 28... 3 Aufgabe 29... 3 Aufgabe 30... 4 Aufgabe 31... 4 Aufgabe 32... 4 Aufgabe 33... 4 Aufgabe 34... 5 Aufgabe 35... 5 Aufgabe 36... 5 Aufgabe
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
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:
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
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
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
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
Mehr8.2 Zufallsvariable und Verteilungen
8.2 Zufallsvariable und Verteilungen Sei weiter W = (Ω, E, p) ein Wahrscheinlichkeitsraum. UntereinerZufallsvariablen X von W versteht man eine Funktion X : Ω R, t X(t), für die {ω Ω; X(ω) t} für alle
MehrKapitel 1: Elemente der Statistik
1 Kapitel 1: Elemente der Statistik 1.1 Beispiel Ein Elektromarkt erhält eine Lieferung von N = 10000 Glühbirnen. Darunter ist eine unbekannte Anzahl h defekt, wobei h 0 1 = {0, 1,..., N}. Um Kenntnisse
MehrKapitel 10. Bayes sche Verfahren Einführung Das Theorem von Bayes
Kapitel 10 Bayes sche Verfahren 10.1 Einführung Alle bislang besprochenen Konzepte und Methoden (einschließlich der Grundstudiumsinhalte), können unter der Überschrift Klassische Methoden eingeordnet werden.
MehrP( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X)
Ich habe eine Frage zur Tschebyschew Ungleichung. In der Aufgabe 4 des Übungsblattes 3 benötigt man ja die Ungleichung. In diesem Falle war der Bereich (0, 20) symmetrisch um den Erwartungswert µ = 5.
MehrPflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg
Pflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com September 016
MehrWahrscheinlichkeitsrechnung
Abiturvorbereitung Wahrscheinlichkeitsrechnung S. 1 von 9 Wahrscheinlichkeitsrechnung Kombinatorik Formeln für Wahrscheinlichkeiten Bedingte Wahrscheinlichkeiten Zusammenfassung wichtiger Begriffe Übungsaufgaben
MehrZusammenfassung Stochastik I + II
Zusammenfassung Stochastik I + II Stephan Kuschel Vorlesung von Dr. Nagel Stochastik I: WS 007/08 Stochastik II: SS 008 zuletzt aktualisiert: 7. Juli 009 Da diese Zusammenfassung den Menschen, die sie
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
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
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrProf. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2016
Prof. Dr. Christoph Karg 5.7.2016 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2016 Name: Unterschrift: Klausurergebnis Aufgabe 1 (15 Punkte) Aufgabe 3
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
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
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
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
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
Mehr