5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
|
|
- Nele Hartmann
- vor 6 Jahren
- Abrufe
Transkript
1 5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die Wahrscheinlichkeit ist, dass die Zufallsvariable X einen Wert annimmt, der kleiner oder gleich ist: F() = (X ). Bei diskreten Zufallsvariablen erhält man sie durch Aufsummieren von Wahrscheinlichkeiten, bei stetigen Zufallsvariablen durch Integration. Abbildung: Form der Verteilungsfunktion bei diskreten und stetigen Zufallsvariablen Verteilungsfunktion diskrete Zufallsvariable stetige Zufallsvariable "Treppenfunktion" monoton steigende Funktion
2 Diskrete Zufallsvariablen Es sei X eine diskrete Zufallsvariable. Dann ist ihre Verteilungsfunktion F() durch (5.9) F() (X ) f ( ) p gegeben. Die Summation erstreckt sich über alle Ausprägungen, die kleiner oder gleich sind. Bei einer endlichen Zufallsvariablen X mit m möglichen Realisationen,,, m lässt sich die Verteilungsfunktion formal in der Form F p p p für für für für 3 m darstellen.
3 Tabellarische Darstellung: F( ) p p + p m Grafische Darstellung: Treppenfunktion Erläuterung Der fette unkt bei der Sprungstelle gibt an, dass der -Wert eweils den Funktionswert (= kumulierte Wahrscheinlichkeit) der oberen Sprunggrenze annimmt. An eder Sprungstelle nimmt die Verteilungsfunktion F() um die Wahrscheinlichkeit p zu. F p p p3 p p p Treppenfunktion 3
4 Kumulierte Wahrscheinlichkeiten bei einer diskreten Zufallsvariablen X Wahrscheinlichkeit für höchstens a weniger als a mindestens a mehr als a Formaler Ausdruck X a Fa X a Fa (X a) X a Fa (X a) X a X a Fa
5 Beispiel 5.8: Die Wahrscheinlichkeitsfunktion im Beispiel des roduktionsprozesses, bei dem zwei Teile entnommen werden, ist gegeben durch f p p p p für für für sonst Für die Verteilungsfunktion ergibt sich daraus wegen (5.9) für ausgewählte -Werte z.b. F(-) (X -) F() (X ) (X ) (- p) F(,) (X,) (X ) (- p) F() (X ) (X ) (X ) (- p) F() (X ) (X ) (X ) (X ) (- p) p(- p) - p p p(- p) p p - p - p - p p
6 Die Verteilungsfunktion lässt sich damit kompakt schreiben als für für p für p für X F Sie hat Sprungstellen in den unkten =, = und =. Die Höhe der Sprünge addiert sich insgesamt zu.
7 Stetige Zufallsvariablen Die Verteilungsfunktion F() entspricht bei einer stetigen Zufallsvariablen X der Fläche unterhalb der Dichtefunktion f(u), die sich bis zum Wert kumuliert hat. Man erhält sie durch Integration: (5.) F f u du. Die Größe u wird hierbei als Integrationsvariable verwendet. Mit der Verteilungsfunktion F() lassen sich ebenso wie mit der Dichtefunktion f() Wahrscheinlichkeiten bestimmen. Bei stetigen Zufallsvariablen ist dabei unerheblich, ob die Intervallgrenze zum Intervall gezählt wird oder nicht, weil unktwahrscheinlichkeiten gleich null sind. Kumulierte Wahrscheinlichkeiten bei einer stetigen Zufallsvariablen X Wahrscheinlichkeit für höchstens a weniger als a mindestens a mehr als a Formaler Ausdruck X a Fa X a Fa X a X a Fa X a X a Fa
8 Abbildung: Intervallwahrscheinlichkeiten f b b X f b F b X b F f a b b X a F(b) F(a) Wahrscheinlichkeiten für geschlossene und offene Intervalle bei einer stetigen Zufallsvariablen X F a b F b X a b X a b X a b X a (5.) F(b)
9 Beispiel 5.9: Wir betrachten die in Beispiel 5.7 verwendete Dichtefunktion für f (/) für. für a) Welche Verteilungsfunktion hat die Zufallsvariable X?. Schritt: Bildung des Integrals im Intervall. Schritt: Ausweisen der Verteilungsfunkton F f u du u du u für für für
10 Grafische Darstelllung der Dichte- und Verteilungsfunktion: f() Dichtefunktion Verteilungsfunktion F() / / - -
11 b) Wie groß ist die Wahrscheinlichkeit, dass die Zufallsvariable X Werte annimmt, die kleiner oder gleich, sind? Berechnung mit Hilfe der Dichtefunktion f() X, f,,, d,, d / f(), - Berechnung mit Hilfe der Verteilungsfunktion F() F() X, F,,,5, F(,) =, / - Der unkt =, heißt,-quantil der Wahrscheinlichkeitsverteilung.
12 c) Welchen Wert nimmt die Wahrscheinlichkeit für,< X<, an? Berechnung mit Hilfe der Dichtefunktion f(), X, f,, d,,,,7,,, d / f(),7 - Berechnung mit Hilfe der Verteilungsfunktion F(), X, F, F,,,,3,9,7 F(,) =,3 F(,) =,9 F() -,3-,9=,7
13 d) Schließlich fragen wir noch nach der Wahrscheinlichkeit, dass X größer als,3 ist. Berechnung mit Hilfe der Dichtefunktion f() X,3 f,3,3,577 d,3 d,3 / f(),577 - Berechnung mit Hilfe der Verteilungsfunktion F() F() X,3 F,3,3,577,3 F(,3) =,3 -,3 =,577 -
14 5.5 Erwartungswert und Varianz Erwartungswert und Varianz einer Zufallsvariablen sind Maßzahlen (Kenngrößen), mit denen die Wahrscheinlichkeitsverteilung einer Zufallsvariablen genauer beschrieben werden kann. Übersicht: Wichtige Maßzahlen einer Zufallsvariablen Maßzahlen einer Zufallsvariablen Erwartungswert Durchschnittswert aus einer Vielzahl von Zufallseperimenten Varianz Durchschnittliche quadratische Abweichung vom Erwartungswert
15 Erwartungswert einer Zufallsvariablen Der Erwartungswert E(X) einer Zufallsvariablen X gibt an, welchen Wert sie bei einer unbegrenzten Wiederholung im Durchschnitt annehmen wird. raktisch lässt er sich als Durchschnittswert bei einer großen Anzahl von Wiederholungen des Zufallsvorgangs interpretieren. Der Erwartungswert von X, E(X), wird auch als arithmetisches Mittel der Grundgesamtheit,, bezeichnet. Erwartungswert bei diskreten Zufallsvariablen: (5.) Erwartungswert bei stetigen Zufallsvariablen: (5.3) E E m m X p f X f d (bei m möglichen Realisationen)
16 Beispiel 5.: Bei einem Würfelwurf gewinnt man das Fünffache der gewürfelten ungeraden Augenzahl und verliert das Vierfache der geraden Augenzahl. Die Gewinn- und Verlustbeträge werden in Euro gemessen. Von welchem Erwartungswert des Gewinns können Sie ausgehen, wenn Sie an diesem Glücksspiel teilnehmen? Mit Hilfe der Angaben in der Wahrscheinlichkeitsfunktion der diskreten Zufallsvariable X f für für für 8 für 5 für 5 für 5 sonst
17 lässt sich der Erwartungswert unter Verwendung von (5.) bestimmen: p X E Sie müssen also im Schnitt mit einem Verlust pro Spiel von ½ Euro rechnen.
18 Beispiel 5.: Wir betrachten die bereits bekannte Dichtefunktion für für für f Wie groß ist sein Erwartungswert der Zufallsvariablen X? Da die Zufallsvariable X stetig ist, ziehen wir zur Berechnung des Erwartungswerts die Formel (5.3) heran. Wir integrieren hier über das Intervall zwischen und, da die Dichte nur in diesem Bereich ungleich ist: (/) für d d d f X E d d d f() E(X) μ
19 Varianz und Standardabweichung einer Zufallsvariablen Varianz und Standardabweichung einer Zufallsvariablen X sind Streuungsmaße, die angeben, wie stark ihre Realisationen um den Erwartungswert streuen. Die Varianz V(X) gibt die durchschnittliche quadrierte Abweichung wieder. Sie wird auch durch das Symbol ² gekennzeichnet. Varianz bei diskreten Zufallsvariablen (bei m möglichen Realisationen): m m (5.) V(X) E X p f Varianz bei stetigen Zufallsvariablen: (5.5) V(X) EX f Die Standardabweichung gibt als Wurzel aus der Varianz an, wie stark die Werte der Zufallsvariablen X durchschnittlich von ihrem Erwartungswert E(X) abweichen. Standardabweichung: d (5.) V(X)
20 Beispiel 5.: Wie groß sind Varianz und Standardabweichung beim einmaligen Werfen mit einem fairen Würfel? Mit der Wahrscheinlichkeitsfunktion sonst,,..., / für f () ergibt sich der Erwartungswert. 3, p X E Für die Varianz erhält man mit (5.).,97 7,5,5,5,5,5,5,5 3,5 3,5 5 3,5 3,5 3 3,5 3,5 p
21 Die Augenzahlen beim Würfelwurf weichen damit durchschnittlich um 7,5,78 vom Erwartungswert 3,5 ab.
22 Beispiel 5.3: Für die Dichtefunktion, für für für f hatten wir bereits den Erwartungswert von /3 in Beispiel 5. bestimmt. Damit lassen sich Varianz und Standardabweichung,7 9 berechnen. Die Werte, die die Zufallsvariable X annehmen kann, weichen also im Mittel um,7 vom Erwartungswert ab., d d d 3 d f 3 3 (/) für
23 Eigenschaften von Erwartungswert und Varianz Es werden nun die allgemeinen Eigenschaften von Erwartungswert und Varianz einer Zufallsvariablen diskutiert. Übersicht: Diskutierte Eigenschaften Diskutierte Eigenschaften Varianzverschiebungssatz Lineartransformation Standardisierung
24 Varianzverschiebungssatz Zur Varianzermittlung gibt es eine vereinfachte Berechnungsformel, den Varianzverschiebungssatz. Hier werden nur der Erwartungswert der quadrierten Zufallsvariablen sowie der einfache Erwartungswert benötigt: (5.7) X E E X diskreter Fall m m E X p f E X f d (5.8) (5.9) Beweis von (5.7): Nach (5.) und (5.5) ist die Varianz von X durch = E{[X E(X)] } stetiger Fall gegeben. Die Formel lässt sich durch einfache algebraische Umformung zeigen: E E X E X EX EX X EX X X E E(X ) E E(X ) X EX X EX EX EX E X E(X ) EX.
25 Beispiel 5.: Für die Wahrscheinlichkeitsfunktion beim einmaligen Würfelwurf ermitteln wir zunächst den Erwartungswert von X : E X p ,7. Mit dem Varianzverschiebungssatz (5.7) erhält man das mit der originären Varianzformel (5.) berechnete Ergebnis: E X EX 5,7 3,5 5,7,5,97.
26 Beispiel 5.5: Bei der Dichtefunktion f für (/) für für nimmt der Erwartungswert von X den Wert f E X an. Unter Verwendung des bereits ermittelten Erwartungswerts von X, /3, erhält man denselben Wert für die Varianz der Zufallsvariablen X: 8 E X d EX 3 d 8 9 9,. 9 3 d 8
27 Lineartransformation In verschiedenen Anwendungen wird von einer Lineartransformation Gebrauch gemacht, indem X um einen konstanten Betrag a und einen multiplikativen Faktor b verändert wird:: (5.) Y a bx Man erhält den neuen Erwartungswert E(Y), indem man die Lineartransformation (5.) in gleicher Form auf den ursprünglichen Erwartungswert E(X) anwendet: (5.) E Beweis von (5.): Y Ea bx a bex Wir beschränken uns hier darauf, (5.) für den Fall einer stetigen Zufallsvariablen zu beweisen. Es gilt E(Y) a b f d a f d b f d a f d b f d. Wegen f d und f d EX folgt E Y a be X.
28 Wie sich gezeigt hat, lässt sich der neue Erwartungswert durch eine lineare Transformation, E(Y) = E(a+b X) = a + b E(X), aus dem ursprünglichen Erwartungswert E(X) erhalten. Aufgrund der in dieser Gleichung wiedergegebenen Transformationseigenschaften bezeichnet man den Erwartungswert auch als linearen Operator. Folgerung: Speziell folgt aus (5.), dass der Erwartungswert einer Konstanten gleich der Konstanten ist: (5.) E(a) = a
29 Beispiel 5.: In Bespiel 5. hatten wir die Zufallsvariable Gewinn (in ) bei einem Würfelwurf betrachtet. Der Spieler gewinnt das Fünffache der gewürfelten ungeraden Augen-zahl und verliert das Vierfache der geraden Augenzahl. Die Gewinn- und Verlustbe-träge werden in Euro gemessen. Angenommen, der Glücksspieler möchte seinen Gewinn, der in Euro ausgezahlt wird, in Dollar [$] umtauschen. Für einen Euro erhält er,3 Dollar. Zusätzlich fallen Umtauschgebühren unabhängig von der Höhe des Gewinns von Dollar an. Alle Gewinne werden also um Dollar vermindert. Wie hoch ist der erwartete Gewinn in Dollar? Die Formel für die Lineartransformation lautet: $ Yin $ $,3 Xin. Wir berechnen den erwarteten Dollar-Gewinn durch a) Anwendung der Lineartransformation (5.) auf die in Euro ausgezahlten Einzelgewinne, b) Anwendung der Lineartransformation (5.) auf den Erwartungswert des Gewinns in Euro.
30 Ad a) Berechnung des Erwartungswerts (in $) aus den Einzelgewinnen Gewinne in Dollar: y = - +,3 (- =) = -33,; y = - +,3 ( =-) = -,8; y 3 = - +,3 ( 3 =-8) = -,; y = - +,3 ( =5) =,5; y 5 = - +,3 ( 5 =5) = 7,5; y = - +,3 ( =5) = 3,5; Wahrscheinlichkeitsfunktion der Gewinne (in $): f y für y 33, für y,8 für y, für y,5 für y 7,5 für y 3,5 sonst Erwarteter Dollar-Gewinn: E Y y p,,5 7,5 3,5,5 $. 33,,8
31 Ad b) Berechnung des Erwartungswerts (in $) aus dem erwartetem Euro-Gewinn Erwartungswert in Euro (aus Beispiel 5.): E X Erwartungswert in Dollar (mit Lineartransformation 5.): E Y a b EX,3,5 $,5
32 Im Falle einer linearen Transformation der Zufallsvariablen X werden bei der Varianzbildung multiplikative Konstanten quadriert. Die Varianz ändert sich dagegen nicht, wenn zu der Zufallsvariablen eine Konstante addiert wird. Daraus folgt, dass die Varianz einer Konstanten stets gleich ist. Man erhält damit die neue Varianz V(Y) aus der ursprünglichen Varianz V(X) aus (5.3) V(Y) Va bx b V(X). Beweis von (5.3): Die Varianz ist definiert als quadrierte Abweichung der Zufallsvariablen von ihrem Erwartungswert: V(Y) E Y E Y E a b X E a b X Mit (5.), E E a b X Ea b X. Y E(a b X) a b EX, erhält man V(Y) E a und daraus schließlich V(Y) E b X a b EX Eb X b E X b X E X b E X E X b V(X).
33 Beispiel 5.7: Wie hoch ist die Varianz des Spielergewinns in Dollar? Wir berechnen die Lösung wiederum auf zwei Wegen: Durch a) Anwendung der Lineartransformation (5.) auf die in Euro ausgezahlten Einzelgewinne, b) Anwendung der Transformation (5.3) auf die Varianz des Gewinns in Euro. Ad a) Berechnung der Varianz (in $) aus den Einzelgewinnen Unter Verwendung der in Beispiel 5. ermittelten Wahrscheinlichkeitsfunktion f(y) der Gewinne in Dollar, für y 33, für y,8 für y, f y für y,5, für y 7,5 für y 3,5 sonst
34 und dem dort berechneten Erwartungswert der Gewinne in Dollar, E Y,5 $, erhält man die Varianz der Gewinne in Dollar V(Y) y E(Y) p y (,5) p 33,,5,8,5,,5,5,5 7,5,5 3,5,5 55,55 7,7 5,8 8,5 7,7 83,5 98,8 $.
35 Ad b) Berechnung der Varianz in Dollar aus der Varianz in Euro In Anwendungen ist die alte Varianz in der Regel bekannt. In unserem Fall ist sie unter Verwendung der Wahrscheinlichkeitsfunktion f() der Gewinne in Euro, für für für 8 f für 5, für 5 für 5 sonst und dem Erwartungswert der Gewinne in Euro, E zu erst noch berechnen: X,5,
36 V(X) E(X) p (,5),5,5 8,5 5,5 5,5 5,5 9,, 9,375 5,, 8,375 9,97. p Mit Hilfe der Transformationsformel (5.3) erhalten wir für die Varianz der Gewinne in Dollar den Wert b VX V Y,3 9,97 98, $, der bis auf eine Rundungsungenauigkeit mit dem in Teil a) errechneten Wert übereinstimmt.
5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion git an welche Wahrscheinlichkeit sich is zu einem estimmten Wert der Zufallsvarialen kumuliert ( angehäuft, angesammelt ) hat. Die Verteilungsfunktion F()
Mehr3. Zufallsvariablen und ihre Verteilung 3.1 Begriff der Zufallsvariablen
3. Zufallsvariablen und ihre Verteilung 3.1 Begriff der Zufallsvariablen Bisher haben wir Ereignissen Wahrscheinlichkeiten zugeordnet. Sie bestehen aus einem oder mehreren Ergebnissen eines Zufallsvorgangs,
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
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
Mehr(6.29) Z X. Die standardnormalverteilte Zufallvariable Z, Z ~ N(0,1), weist den Erwartungswert (6.30) E(Z) = 0 und die Varianz (6.31) V(Z) = 1 auf.
Standardnormalverteilung Da die arameter μ und σ beliebige reelle Zahlenwerte bw. beliebige positive reelle Zahlenwerte (σ >0) annehmen können, gibt es unendlich viele Normalverteilungen. Die Dichtefunktion
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrZufallsvariable X. 30 e. 40 e = 33,33...% 6
Zufallsvariable Wir führen ein Zufallsexperiment mit Ergebnisraum Ω durch. Eine Zufallsvariable X ordnet jedem möglichen Ergebnis einen Zahlenwert zu. Eine Zufallsvariable ist also eine Funktion X : Ω
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
Mehr5. Zufallsvariablen und ihre Verteilung
5. Zufallsvarialen und ihre Verteilung 5. Begriff der Zufallsvarialen Bisher haen wir Ereignissen Wahrscheinlichkeiten zugeordnet. Sie estehen aus einem oder mehreren Ergenissen eines Zufallsvorgangs,
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests 5 Regression Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
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)
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
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
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
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
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik Lösungsblatt zu Nr. 2 1. Für die
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrLösungen zu Übungsaufgaben Blatt 9
Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht
MehrNormalverteilung. Erwartungswert, Median und Modus sind identisch. Symmetrieeigenschaft um den Erwartungswert
Normalverteilung Stetige Wahrscheinlichkeitsverteilung, die zahlreiche natur, wirtschafts und sozialwissenschaftliche Merkmalsausprägungen mit guter Näherung abbilden kann und somit von elementarer Bedeutung
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
MehrStochastik 03 Zufallsgröÿen und Verteilung
29. August 2018 Grundlagen der Stochastik (bis Klasse 10) Grundlagen der Statistik (bis Klasse 10) Zufallsgrößen und Verteilungen Beurteilende Statistik (Testen von Hypothesen) Bernoulli-Experimente Ziele
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
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter Erwartsungswert und Varianz
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
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
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
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
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
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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
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
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
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
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrStichprobenverteilung bei unterschiedlichen Auswahlsätzen
Stichprobenverteilung bei unterschiedlichen Auswahlsätzen Begleitende Unterlagen zur Übung Induktive Statistik Michael Westermann Universität Essen Inhaltsverzeichnis 1 Einleitung.......................................................
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............................
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 11. Winterthur, 10. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 10. Mai 017 1 Zufallsvariablen:
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
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
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrBeispiel: Zufallsvariable
Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrDemo-Text für STOCHASTIK. Tschebyscheff-Ungleichung. Einführung mit Anwendungsbeispielen. Datei Nr Friedrich W.
STOCHASTIK Tschebyscheff-Ungleichung Einführung mit Anwendungsbeispielen Datei Nr. 36111 Friedrich W. Buckel Stand 1. April 010 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK www.mathe-cd.de Inhalt 1 Wiederholung:
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
MehrKAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN
htw saar 1 KAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN htw saar 2 Gliederung 18.01. Was sind Zufallsvariablen? Charakteristika einer Zufallsvariablen: Verteilung, Erwartungswert und Varianz Ausgewählte
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Mayr)
SS 2011 Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ss/dwt/uebung/ 30. Juni 2011 ZÜ
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
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
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 Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
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
Mehr(8 + 2 Punkte) = = 0.75
Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
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 ]
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
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
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
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
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
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 1 / 11 1 Einleitung 2 Zufallsvariablen 3 Linearität und Varianz
Mehr