Verteilungen eindimensionaler diskreter Zufallsvariablen Diskrete Verteilungen. Hypergeometrische Verteilung Poissonverteilung
|
|
- Samuel Gehrig
- vor 6 Jahren
- Abrufe
Transkript
1 Verteilungen eindimensionaler diskreter Zufallsvariablen Diskrete Verteilungen Hypergeometrische Verteilung Approimationen Typisierung der diskreten theoretischen Verteilungen Bibliografie: Prof. Dr. Kück Universität Rostock Statistik, Vorlesungsskript, Abschnitt 5.2 Bleymüller / Gehlert Verlag Vahlen 23 Statistische Formeln, Tabellen und Programme Bleymüller / Gehlert / Gülicher Verlag Vahlen 24 Statistik für Wirtschaftswissenschaftler Hartung Oldenbourg Verlag 22 Statistik 2
2 Hypergeometrische Verteilung Grundmodell der hypergeometrischen Verteilung ist das Ziehen von Kugeln aus einer Urne mit schwarzen und weißen Kugeln ohne Zurücklegen. Die Urne enthalte N Kugeln, davon seien M Kugeln weiß. Der Urne werden n Kugeln entnommen, von denen weiß sind. X ist die Zufallsgröße für die Anzahl der weißen Kugeln unter n gezogenen. Die Anzahl der Entnahmemöglichkeiten von Kugeln beträgt: N M für n Kugeln insgesamt, für der M weißen n N M und für n- der N-M schwarzen Kugeln. n Die Wahrscheinlichkeit, unter den n gezogenen Kugeln weiße zu haben, ist also: M N M N f H () = / für =,..., n n n 3 Hypergeometrische Verteilung Verteilungsfunktion: j M N M N FH () = / ν = ν n ν n für für für < j < j + n mit j =,..., n Erwartungswert: E(X) = n M N Varianz: Var (X) = n M N (N M ) (N N N n) 4 2
3 Hypergeometrische Verteilung Beispiel: Ein Jahrgang eines ingenieurwissenschaftlichen Studiengangs, der aus 2 weiblichen und 8 männlichen Studenten besteht, wird zum Absolvieren eines Praktikums in 2 fünfköpfige Arbeitsgruppen aufgeteilt. Die Zufallsgröße X sei die Zahl der Studentinnen in einer beliebigen Arbeitsgruppe. Die Werte der Wahrscheinlichkeits- und Verteilungsfunktion enthält die folgende Tabelle: f H (),3939,4244,27344,47849,548,26 F H (),3939,739453,946797,994646, Erwartungswert: E(X) = 5,2 = Varianz: Var(X)= 5,2,8 95/99 =, Hypergeometrische Verteilung Grafische Darstellungen: Wahrscheinlichkeitsfunktion Verteilungsfunktion f(x),5,4,3,2, ,2 F(),8,6,4,
4 Hypergeometrische Verteilung Die Berechnung der Funktionswerte der hypergeometrischen Verteilung ist recht aufwendig. Daher benutzt man zur näherungsweisen Bestimmung unter bestimmten Voraussetzungen die Formeln für die Binomialverteilung. Die Fehler, die man dabei macht, sind bei großen N, M und N-M bzw. bei n/n<,5 klein. Das heißt: Ändert sich die Zusammensetzung der Grundgesamtheit durch das Entnehmen einzelner Elemente nur geringfügig, so lässt sich die hypergeometrische Verteilung durch die Binomialverteilung approimieren. Approimationsregel: Falls n/n<,5, ist die Approimation mit M/N θ erlaubt. Unser Beispiel mit den Arbeitsgruppen stellt mit n/n =5/ =,5 einen Grenzfall dar. In der nachfolgenden Tabelle werden deshalb die eakten und die approimierten Werte (mit θ =2/ =,2) der Wahrscheinlichkeits- und Verteilungsfunktion vergleichend gegenübergestellt sowie die Differenzen angegeben: 7 Hypergeometrische Verteilung f H () f B () f H ()-f B () F H () F B () F H ()-F B (),393, ,837,393, ,837,424,496,54,73945,73728,27 2,2734,248,254,9468,9428,472 3,4785,52 -,335,99465,99328,37 4,55,64 -,25,99979,99968, 5,2,32 -,,,, Die grafische Darstellung der beiden Verteilungsfunktionen zeigt kaum sichtbare Unterschiede: F(),2,8,6,4 Hypergeom.,2 Binomial
5 Hypergeometrische Verteilung Beispiel: Aus einer Urne mit N=6 Kugeln, von denen (N-M)=4 schwarz und M=2 weiß sind, werden zweimal je drei Kugeln entnommen. Die erste Ziehung erfolgt mit Zurücklegen (Binomialverteilung), die zweite Ziehung ohne Zurücklegen (hypergeometrische Verteilung). Die Zufallsvariable X sei die Zahl der gezogenen weißen Kugeln. Die beiden Verteilungen haben die gleichen Funktionsparameter: N B =N H =6, M H =M B =2, n B =n H =3, M/N=θ=/3. Da n/n=,5 >,5 ist, darf die hypergeometrische Verteilung nicht durch die Binomialverteilung approimiert werden. Für die beiden Ziehungen (Verteilungen) ergeben sich folgende Wahrscheinlichkeitsfunktionen, Verteilungsfunktionen, Erwartungswerte und Varianzen: 9 Hypergeometrische Verteilung f H () f B () f H ()-f B () F H () F B () F H ()-F B (),2,2963 -,963,2,2963 -,963,6,4444,556,8,747,593 2,2,2222 -,222,,963,37 3,,37 -,37,,, E(X),, Var(X),4,6667 f H (3) liefert bei Eingabe in den Taschenrechner eine Fehlermeldung: / = nicht definiert! Aus inhaltlicher Überlegung ergibt 3 3 sich aber, dass die Wahrscheinlichkeit, aus einer Urne mit 2 weißen Kugeln ohne Zurücklegen 3 weiße Kugeln zu ziehen, Null sein muss. Für gleiche Funktionsparameter gilt: E H (X) = E B (X) (wegen: n M/N = n θ) Var B (X) Var H (X) (mit Var H (X)=Var B (X) für n= und mit Var H (X)= für n=n) 5
6 Hypergeometrische Verteilung,2 F(),8,6,4,2 Binomialvert. Hypergeom Die beiden Verteilungsfunktionen F H () und F B () (als Treppe durchgezogen) weichen deutlich voneinander ab. Eine Binomialverteilung und eine hypergeometrische Verteilung mit den gleichen Funktionsparametern (N, n und M/N=θ konstant) weisen in ihren Wahrscheinlichkeits- und Verteilungsfunktionen und ihrer Varianz Unterschiede auf, die nur unter bestimmten Bedingungen (=>Approimationsregeln) vernachlässigt werden können. Der Erwartungswert ist aber bei beiden Verteilungen identisch. [E(X) =n M/N =n θ =konstant] Hypergeometrische Verteilung Beispiel: Der Fischbestand in einem See lässt sich folgendermaßen schätzen: Man fängt und markiert M Fische und setzt sie wieder aus. Dann fängt man n Fische und stellt fest, dass darunter m markierte Fische sind. Unter der Annahme, dass m die zu erwartende Anzahl markierter Fische ist, d.h., m = E(X) = n M/N, erhält man N = M n/m als Schätzwert für die Anzahl der Fische im See. Aus M=5, n=, m=8 folgt N = 625 als Schätzwert für den Fischbestand im See. Anmerkung: Beim Fangen der n Fische kann man entweder jeden Fisch sofort nach dem Angeln wieder freisetzen (=>Binomialverteilung) oder die gefangenen Fische am Ufer sammeln (=>hypergeometrische Vert.). Aufgrund der identischen E(X) ist das Berechnungsverfahren (N=M n/m) bei beiden Methoden gleich. Das Sammeln der Fische ist trotzdem zu bevorzugen, da die hypergeometrische Verteilung eine kleinere Varianz hat, die Annahme m =E(X) somit eher zutrifft und das Sammel-Verfahren dadurch mit größerer Wahrscheinlichkeit ein richtiges Ergebnis liefert. 2 6
7 Betrachtet man die binomialverteilte Zufallsgröße X, wenn n über alle Grenzen wächst und dabei θ derart gegen Null strebt, dass n θ gegen den endlichen Erwartungswert µ konvergiert, so ergibt sich bei diesem Grenzübergang für X folgende Wahrscheinlichkeitsfunktion: Verteilungsfunktion: µ µ fp () = e für =,,... mit e = 2,78...(Eulersche! = j ν FP () µ e ν = ν! µ für für < j < j + mit Zahl) j =,,... 3 Erwartungswert und Varianz: E(X) = Var(X) = µ Typische Anwendungsfälle der ergeben sich aus Warteschlangenmodellen: Anzahl der Telefonate, die in einer Zeiteinheit eine Zentrale erreichen, Anzahl der Anfragen an einem Netzserver pro Zeiteinheit, Anzahl der Kunden an einem Bankschalter pro Zeiteinheit, Anzahl der Kfz, die in einer Zeiteinheit einen Grenzübergang passieren wollen. 4 7
8 Folgende Bedingungen charakterisieren einen Poisson - Prozess: Die Wahrscheinlichkeitsstruktur des Prozesses ändert sich nicht im Zeitverlauf (Zeitinvarianz). Die Anzahl der Vorkommnisse in sich nicht überlappenden Zeitintervallen ist unabhängig. Die Wahrscheinlichkeit, genau ein Vorkommnis in einem kleinen Zeitintervall zu beobachten, ist proportional zur Länge des Intervalls. Die Wahrscheinlichkeit, mehr als ein Vorkommnis in einem kleinen Zeitintervall zu beobachten, ist annähernd Null. 5 Beispiel: An einem Fahrkartenschalter erscheinen pro Minute durchschnittlich 3 neue Kunden. Wie groß ist die Wahrscheinlichkeit dafür, dass in einer beliebigen Minute a) kein Kunde ankommt, b) höchstens zwei Kunden ankommen. Lösung: Die Zufallsvariable X ist poissonverteilt mit µ=3 pro Minute zu erwartenden Kunden. a) W(X=) = f P () = µ e -µ /! = 3 e -3 /! =,498 b) W(X 2) = f P () + f P () + f P (2) = 3 e -3 /! + 3 e -3 /! e -3 /2! =,498 +,494 +,224 =,
9 Grafische Darstellungen: Wahrscheinlichkeitsfunktion.25 f() Verteilungsfunktion,2 F(),8,6,4, Die Binomialverteilung kann durch die approimiert werden, wenn bei genügend großem n der Parameter θ klein ist: Faustregel:Falls n> und θ<,5, ist die Approimation mit µ = n θ erlaubt! Die eignet sich auch zur Approimation der hypergeometrischen Verteilung, wenn M/N=θ klein und N im Vergleich zu n groß ist: Faustregel:Falls M/N<,5, n> und n/n<,5, ist die Approimation mit µ = n M/Nerlaubt! Für ausgewählte µ-werte sind die Wahrscheinlichkeits- und die Verteilungsfunktion der Poisson-Verteilung tabelliert (Bleymüller/ Gehlert, Formelsammlung). 8 9
10 Beispiel: Ein Betrieb produziert ein Werkstück mit einer Ausschuss-Quote von θ=,2. Gesucht ist die Wahrscheinlichkeit dafür, dass bei der Entnahme einer Stichprobe von n=5 Werkstücken a) genau zwei b) mehr als zwei Ausschussteile gefunden werden. Lösung: Es handelt sich um eine Binomialverteilung, die wegen n=5> und θ=,2<,5 durch eine approimiert werden kann. In der Stichprobe ist µ = n θ = 5,2 = Ausschussteil zu erwarten. a) W(X=2) = f P (2) = µ /! e -µ = 2 /2! e - =,839 b) W(X>2) = -f P ()-f P ()-f P (2) = -,3679-,3679-,839 =,83 9 Grafische Darstellungen: Wahrscheinlichkeitsfunktion.4 f() Verteilungsfunktion,2 F(X),8,6,4,
11 Beispiel: Von 25 an der WiSo-Fakultät eingeschriebenen Studenten stammen 5 aus dem Bundesland Niedersachsen. Wie groß ist die Wahrscheinlichkeit, dass bei einer Umfrage mit n= Teilnehmern a) genau zwei b) mehr als drei Befragte aus Niedersachsen kommen? Lösung: Es handelt sich um eine hypergeometrische Verteilung mit N=25 und M=5, die wegen M/N=,2<,5, n/n=,4<,5 und n=> durch eine mit µ = n M/N = 2 approimiert werden kann. a) W(X=2) = f P (2) = µ e -µ /! = 2 2 e -2 /2! =,277 b) W(X>3) = - f P ()- f P ()- f P (2)- f P (3) = -,353-,277-,277-,84 =,429 2 Grafische Darstellungen: Wahrscheinlichkeitsfunktion Verteilungsfunktion f() ,2 F(),8,6,4,
12 ,6 f(),5,4,3,2, µ =, ,35 f(),3,25,2,5,,5 µ =, ,25 f(),2,5,,5 µ = Das Bild der Wahrscheinlichkeitsfunktion der hängt stark von µ ab. 23 Die Darstellungen auf der vorigen Folie zeigen die Asymmetrie der Wahrscheinlichkeitsfunktion. Als Ausdruck der Asymmetrie wird der Parameter Schiefe (absolut oder relativ) verwendet. Die relative Schiefe einer ergibt sich zu: E (( X (µ -/2 ) ist positiv und signalisiert damit, dass die Verteilung linkssteil ( = rechtsschief) ist. Die Schiefe nimmt mit wachsendem µ ab und strebt gegen Null. Die Verteilung wird dadurch annähernd symmetrisch. 3 E ( X )) ) µ = = ( E (( X E ( X )) ) ) ( µ ) µ 24 2
13 Approimationen F H () n/n <,5, n > und M/N <,5 n/n <,5 F B () n > und θ <,5 F P () N 2 n und n θ (- θ) 9 n θ (-θ) 9 µ 9 Normalverteilung F N () Auf die zu den stetigen Verteilungen gehörende Normalverteilung gehen wir in den kommenden Vorlesungen näher ein. 25 Typisierung der diskreten theoretischen Verteilungen Verteilung Binomialverteilung Bernoulli- Verteilung Gleichverteilung Parameter n =, 2,... θ θ n =, 2,... Erwartungswert [Varianz] θ n n i i= n [θ (-θ)] n θ 2 i n n n i i= i= [n θ (-θ)] 2 Grundmodell Ein Versuch mit n gleichwahrscheinlichen Resultaten i, i =, 2,..., n Anzahl der Versuche mit dem Resultat A, wenn ein Versuch mit zwei möglichen Resultaten A und Ā durchgeführt wird. Anzahl der Versuche mit dem Resultat A, wenn n Versuche mit zwei möglichen Resultaten A und Ā durchgeführt werden mit W(A) = θ. Urnenmodell mit Zurücklegen. 26 3
14 Typisierung der diskreten theoretischen Verteilungen Verteilung Hypergeometrische Verteilung Parameter N =, 2,... M =,,..., N n =, 2,..., N µ > Erwartungswert [Varianz] n M/N M N M N n n N N N µ [µ] Grundmodell Anzahl der Versuche mit dem Resultat A, wenn n Versuche mit zwei möglichen Resultaten A und Ā durchgeführt werden. Im ersten Versuch ist W(A) = M/N. Urnenmodell ohne Zurücklegen Verteilung im Warteschlangenmodell, wenn die Zufallsvariable X Zählvariable für die Bestimmung der Anzahl der Abfertigungen ist. Grenzverteilung der Binomialverteilung mit n, θ und n θ µ. 27 4
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen
Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Stetige Gleichverteilung Exponentialverteilung Normalverteilung Bibliografie: Prof. Dr. Kück Universität Rostock
MehrSpezielle stetige Verteilungen
Rechteckverteilung oder stetige Gleichverteilung Eponentialverteilung ormalverteilung Approimationen Chi-Quadrat-Verteilung Studentverteilung Fisherverteilung Bibliografie Bleymüller / Gehlert / Gülicher
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
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:
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
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.
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.
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
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
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
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
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
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
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
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
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
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
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert nämlich
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
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,
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
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
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
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
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)
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 Lageparameter: Erwartungswert d) Erwartungswert
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
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
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)
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
MehrSei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable.
Aufgabe 1 (5 + 2 + 1 Punkte) Sei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable. a) Wie lautet die Verteilungsfunktion von X? Zeichnen Sie diese! 0 x < 2 1 F (x) = x 0.5 2 x 6
MehrStatistik für Ingenieure Vorlesung 4
Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete
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
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
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
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
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
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:
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
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
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
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
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
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.
MehrAufgabe 8: Stochastik (WTR)
Abitur Mathematik: Nordrhein-Westfalen 2013 Aufgabe 8 a) (1) WAHRSCHEINLICHKEIT FÜR KEINE ANGABE ERMITTELN Nach der Laplace Formel ist Anzahl der Personen, die keine Angabe machten keine Angabe Gesamtzahl
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.
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
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
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
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
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
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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)
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
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............................
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
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
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
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
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)
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
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
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
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
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
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
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
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.
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 10 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
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
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
MehrStatistik 1 Beispiele zum Üben
Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
MehrFF Düsseldorf WS 2007/08 Prof. Dr. Horst Peters. Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6
Vorlesung Quantitative Methoden 1B im Studiengang Business Administration (Bachelor) Seite 1 von 6 (Wahrscheinlichkeitsrechnung, Verteilungen) 1. Eine Illustrierte veranstaltet wöchentlich ein Ratespiel,
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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) n heisst für uns n gross Literatur Kapitel 7 * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
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
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
MehrÜbungsrunde 6, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
1 3.20 1.1 Angabe Übungsrunde 6, Gruppe 2 LVA 107.369, Übungsrunde 5, Gruppe 2, 21.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 Ein Los aus elektronischen Bauteilen des Umfangs N = 400
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
MehrÜbungen zur Vorlesung Statistische Methoden Kapitel 1-2
TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable
Mehr