Konzept diskreter Zufallsvariablen
|
|
- Bella Michel
- vor 6 Jahren
- Abrufe
Transkript
1 Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec
2 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. Elementarereignis Wahrscheinlichkeit KKK 1/8 KKZ 1/8 KZK 1/8 ZKK 1/8 KZZ 1/8 ZKZ 1/8 ZZK 1/8 ZZZ 1/8 2 Statistik 1 - Diskrete Zufallsvariable
3 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 Wahrscheinlichkeit KKK 3 1/8 KKZ 2 1/8 KZK 2 1/8 ZKK 2 1/8 KZZ 1 1/8 ZKZ 1 1/8 ZZK 1 1/8 ZZZ 0 1/8 3 Statistik 1 - Diskrete Zufallsvariable
4 Beispiel: Zufallsvariable Jedem Elementarereignis wird eine Zahl zugeordnet (Anzahl der beobachteten Köpfe) Die Wahrscheinlichkeit für das Auftreten einer Zahl ergibt sich durch Summation der Wahrscheinlichkeiten der Elementarereignisse, die mit dieser Zahl verknüpft sind: Anzahl Kopf Wahrscheinlichkeit 1/8 3/8 3/8 1/8 4 Statistik 1 - Diskrete Zufallsvariable
5 Diskrete Zufallsvariable (Random Variable) Eine Variable X, die jedem möglichen Ereignis e E eines Zufallsexperimentes eine Zahl X(e) zuordnet, wird als Zufallsvariable bezeichnet. Die Wahrscheinlichkeitsverteilung einer Zufallsvariablen X ergibt sich durch die Zuordnung der Wahrscheinlichkeiten von allen durch X definierten Ereignissen. 5 Statistik 1 - Diskrete Zufallsvariable
6 Beispiel aus Buch von Agresti General Social Survey Question: What do you think is the ideal number of children for a family to have? Ideal Number Relative Frequency 0,01 0,03 0,60 0,23 0,12 0,01 6 Statistik 1 - Diskrete Zufallsvariable
7 Beispiel aus Buch von Agresti If you randomly pick out a person from the USpopulation the probability of each allowed answer will follow the above table. Ideal Number Probability 0,01 0,03 0,60 0,23 0,12 0,01 7 Statistik 1 - Diskrete Zufallsvariable
8 Wahrscheinlichkeitsfunktion Die Funktion f(x), die jeder Zahl x die Wahrscheinlichkeit P(X=x) zuordnet, heißt Wahrscheinlichkeitsfunktion der diskreten Zufallsvariablen X: f(x) = P(X = x) Seien x 1, x 2,..., x i,... die Realisationsmöglichkeiten der diskreten Zufallsvariablen X, so wird die Wahrscheinlichkeitsfunktion oft kurz als p i geschrieben: f(x i ) = P(X = x i ) = p i i=1, 2,... 8 Statistik 1 - Diskrete Zufallsvariable
9 Beispiel: Zufallsvariable Jedem Elementarereignis wird eine Zahl zugeordnet (Anzahl der beobachteten Köpfe) Anzahl Kopf Wahrscheinlichkeit P{X=2} = 3/8 P{X 2} = 1 - P{X > 2} = 1/8 + 3/8 + 3/8 = 1-1/8 =7/8 P{0 < X 1} = 3/8 1/8 3/8 3/8 1/8 P{X > 1} = 1 - P{X 1} = 3/8 + 1/8 = 1-1/8-3/8 = 4/8 9 Statistik 1 - Diskrete Zufallsvariable
10 Verteilungsfunktion Um die Wahrscheinlichkeitsverteilung einer Zufallsvariablen X zu definieren, genügt es Ereignissen des Typs {X x} Wahrscheinlichkeiten zuzuordnen. Daraus lassen sich bereits für alle anderen durch X definierten Ereignisse die Wahrscheinlichkeiten ermitteln. Die Funktion F(x), die jedem x die Wahrscheinlichkeit P(X x) zuordnet nennt man die theoretische Verteilungsfunktion der Zufallsvariablen X: F(x) = P(X x) 10 Statistik 1 - Diskrete Zufallsvariable
11 Beispiel: Münzwurf Anzahl Kopf X Wahrscheinlichkeitsfunktion 1/8 3/8 3/8 1/8 P(X=x) Verteilungsfunktion F(x) = P(X x) 1/8 4/8 7/8 8/8 F(0) = P{X 0} = 1/8 F(1) = P{X 1} = 4/8 F(2) = P{X 2} = 7/8 F(3) = P{X 3} = 8/8 1,2 1 0,8 0,6 0,4 0,2 Verteilungsfunktion Statistik 1 - Diskrete Zufallsvariable
12 Beispiel Probability P(X = x) Ideal Number of Children 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0, P(2 X 3) = 0,60 + 0,23 = 0,83 P(X 3) = 0,87 P(X 1) = 0,04 P(2 X 3) = P(X 3) P(X 1) = 0,87 0,04 = 0,83 Ideal Number of Children X Probability P(X = x) Probability F(x) = P(X x) 0 0,01 0,01 1 0,03 0,04 2 0,60 0,64 3 0,23 0,87 4 0,12 0,99 5 0,01 1,00 Wir können aus der theoretischen Verteilungsfunktion die Wahrscheinlichkeit für beliebige Ereignisse berechnen. 12 Statistik 1 - Diskrete Zufallsvariable
13 Sprachliche Formulierungen Für eine diskrete Zufallsvariable, die nur ganzzahlige Werte annehmen kann, sind folgende Aussagen äquivalent: X größer 2 X>2 bzw. X 3 X zumindest 3 X 3 X ist 3 oder mehr X 3 X ist nicht kleiner als 3 Nicht(X<3)= X 3 Ebenfalls äquivalent sind die folgenden Aussagen: X ist kleiner als 2 X<2 bzw. X 1 X ist höchstens 1 X 1 X ist 1 oder kleiner X 1 X ist nicht größer als 1 Nicht(X>1)= X 1 13 Statistik 1 - Diskrete Zufallsvariable
14 Eigenschaften der Verteilungsfunktion F(x) nimmt nur Werte zwischen 0 und 1 an, d.h. es gilt: 0 F(x) 1 bzw. da F(x) = P(X x) 0 P(X x) 1 F(x) steigt für wachsendes x monoton an x 1 < x 2 F(x 1 ) F(x 2 ) F(x) 1 für x F(x) 0 für x - 14 Statistik 1 - Diskrete Zufallsvariable
15 f(x) F(x) im diskreten Fall Zwischen der Wahrscheinlichkeitsfunktion f(x) und der Verteilungsfunktion F(x) gelten im Fall der diskreten Zufallsvariable X mit den Realisationsmöglichkeiten x 1, x 2,..., x i,...: Fx) ( fx ( i ) Die Differenz zweier xi x aufeinanderfolgender Werte F(x i ) - F(x i-1 ) = f(x i ) der Verteilungsfunktion ist die Wahrscheinlichkeit des größeren Wertes bestimmt F(x i ) = P(X x i ) = = P(X < x i ) + P(X = x i ) = = F(x i-1 ) + P(X = x i ) 15 Statistik 1 - Diskrete Zufallsvariable
16 Erwartungswert Sei X eine diskrete Zufallsvariable mit den Realisationsmöglichkeiten x i und der zugehörigen Wahrscheinlichkeitsfunktion p i =P(X=x i ), i=1,2,... Dann heißt E(X) der Erwartungswert von X. EX ( ) i xp i i Gewichtete Summe der Merkmalsausprägungen, wobei die Gewichte die Wahrscheinlichkeiten sind. 16 Statistik 1 - Diskrete Zufallsvariable
17 Varianz einer ZV Misst die theoretisch zu erwartende Schwankung eines zufälligen Phänomens V(X) E(X²) E(X)² V(X) [x E(X)]²p(x ) i i i Analoge Eigenschaften wie bei der empirischen Varianz Y a bx V(Y) b²v(x) 17 Statistik 1 - Diskrete Zufallsvariable
18 Beispiel aus Buch von Agresti Ideal Number of Children X Probability P(X = x) E(X) E(X²) 0 0,01 0,00 0,00 1 0,03 0,03 0,03 2 0,60 1,20 2,40 3 0,23 0,69 2,07 4 0,12 0,48 1,92 5 0,01 0,05 0,25 2,45 6,67 Erwartungswert E(X): 2,45 Varianz V(X): = 6,67 2,45² = 0,6675 EX ( ) xp i i i Standardabweichung: 0,8170 V(X) E(X²) E(X)² 18 Statistik 1 - Diskrete Zufallsvariable
19 Varianz beim Roulette (Varianz.XLS) Unterschiedliche Strategien haben den selben Erwartungswert aber eine verschiedene Varianz! 19 Statistik 1 - Diskrete Zufallsvariable
20 Varianz beim Roulette (Varianz.XLS) 250 Drücken Sie F Simulation Spiel auf Dutzend Simulation Spiel auf 1 Zahl Theorie 20 Statistik 1 - Diskrete Zufallsvariable
21 Beispiel Würfelwurf Wir betrachten einen idealen (unverfälschten) Würfel, welcher folgende Wahrscheinlichkeitsfunktion besitzt: Augenzahl Probability E(X) E(X²) 1 0,1667 0,1667 0, ,1667 0,3333 0, ,1667 0,5000 1, ,1667 0,6667 2, ,1667 0,8333 4, ,1667 1,0000 6,0000 1,0000 3,5 15,1667 EX ( ) xp i i i Erwartungswert 3,5 Varianz 2,9167 Standardabweichung 1,7078 V(X) E(X²) E(X)² 21 Statistik 1 - Diskrete Zufallsvariable
22 Arithm. Mittel versus Erwartungswert 22 Statistik 1 - Diskrete Zufallsvariable
23 Inferenzstatistisches Prinzip In der Inferenzstatistik (schließenden Statistik) versucht man durch den systematischen Vergleich von empirischen Häufigkeitsverteilungen mit hypothetischen theoretischen Modellen Schlussfolgerungen über den datengenerierenden Prozess ziehen zu können. Dieser Vergleich kann auf verschiedenen Ebenen erfolgen: Vergleich der theoretischen und der empirischen Verteilung (z.b. Säulendiagramm empirischer Häufigkeiten versus Wahrscheinlichkeitsfunktion) Vergleich von Maßzahlen (z.b. Mittelwert versus Erwartungswert) 23 Statistik 1 - Diskrete Zufallsvariable
24 Beispiel: Diskrete Zufallsvariable Bei einem Wissenstest muss ein Kandidat bei jeder Frage ein Zuordnungsproblem der folgenden Art lösen: 1) Erste Türkenbelagerung 2) Schlacht von Hastings 3) Entdeckung Amerikas a) 1066 b) 1492 c) 1529 Der Ereignisraum kann wie folgt dargestellt werden: a b c a c b b a c b c a c a b c b a Die Anzahl der richtigen Antworten bei dieser Frage ist, da die korrekte Lösung (c a b) lautet, wie folgt: Statistik 1 - Diskrete Zufallsvariable
25 Beispiel: Diskrete Zufallsvariable Geht man davon aus, dass ein Kandidat die Fragen rein nach dem Zufallsprinzip beantwortet (jede der 6 möglichen Antwortmuster mit gleicher Wahrscheinlichkeit wählt), ergibt sich für die Wahrscheinlichkeitsfunktion der Anzahl richtigen Antworten folgende Tabelle: Anzahl richtige Antworten Wahrscheinlichkeit /6 3/6 0 1/6 25 Statistik 1 - Diskrete Zufallsvariable
26 Beispiel: Diskrete Zufallsvariable Stellt man den Kandidaten wiederholt eine Problemstellung des obigen Typs, kann man wohl davon ausgehen, dass der Kandidat im Mittel pro Problem eine richtige Antwort treffen wird: x i p i x i p i 0 2/ /6 3/6 EX ( ) xp i i i 3 1/6 3/6 Summe 1 1 Dieses gewogene Mittel ist der Erwartungswert der Zufallsvariable. 26 Statistik 1 - Diskrete Zufallsvariable
27 Anwendung beim Zuordnungstest In 3 Schulklassen (A, B, C) mit je 30 Schülern wird der zuvor beschriebene Zuordnungstest durchgeführt: Korrekt Prob Theorie A B C 0 2/ / / Erwartungswert bei zufälligem Antwortverhalten (Theorie) 1 richtige Lösung pro Schüler Berechnung der empirischen Mittelwerte pro Klasse: Mittelwert in Klasse(A): 10/30 = 1/3 Mittelwert in Klasse B: 27/30 = 9/10 Mittelwert in Klasse C: 66/30 = 2,2 1 x n Theorie: Verteilung beim Raten nach dem reinen Zufallsprinzip 27 Statistik 1 - Diskrete Zufallsvariable k i 1 n x i i k i 1 h x i i
28 Vergleich empirische theoretische Verteilung Theorie A Theorie B Theorie C Gruppe A: deutlich schlechter als blindes Raten Gruppe B: entspricht blindem Raten Gruppe C: deutlich besser als blindes Raten 28 Statistik 1 - Diskrete Zufallsvariable
29 Eigenschaften des Erwartungswertes Linearität: Additivität: 29 E(aX b) ae(x) b E(X Y) E(X) E(Y) Der Erwartungswert einer Summe ist die Summe der Erwartungswerte Beachte : E(X X) E(2X) aber X X 2X Statistik 1 - Diskrete Zufallsvariable
30 Zufallsvariable Augenzahl beim Würfelwurf Augenzahl (X) P(X=x) x.p(x=x) 1 0,167 0, ,167 0, ,167 0, ,167 0, ,167 0, ,167 1,000 3,5 E(X) = 3,5 30 Statistik 1 - Diskrete Zufallsvariable
31 Zufallsvariable Doppelte Augenzahl (2X) Augenzahl (2X) P(X=x) x.p(x=x) 2 0,167 0, ,167 0, ,167 1, ,167 1, ,167 1, ,167 2,000 7 E(X) = 3,5 E(2X) = 2*3,5=7 31 Statistik 1 - Diskrete Zufallsvariable
32 Summe Augenzahl von 2 Würfen 32 Statistik 1 - Diskrete Zufallsvariable
33 Zufallsvariable X+X Summe Augenzahl von 2 Würfen ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0, ,028 0,028 0,028 0,028 0,028 0,028 z.b.: P(X+X=7)=6/36 1/36 = 0, Statistik 1 - Diskrete Zufallsvariable
34 Zufallsvariable X+X Augenzahl Y=X+X P(Y=y) y.p(y=y) 2 0,028 0, ,056 0, ,083 0, ,111 0, ,139 0, ,167 1, ,139 1, ,111 1, ,083 0, ,056 0, ,028 0,333 7,000 0,180 0,160 0,140 0,120 0,100 0,080 0,060 0,040 0,020 0,000 P(Y=y) E(X) = 3,5 E(2X) = 2*3,5 = 7 E(X+X) = E(2X) = 7 34 Statistik 1 - Diskrete Zufallsvariable
35 Eigenschaften der Varianz einer ZV V(X) E(X²) E(X)² In Bezug auf lineare Transformationen gilt analog wie bei der empirischen Varianz: Y a bx V(Y) b²v(x) In Bezug auf die Summe/Differenz gilt, für zwei unabhängige Zufallsvariablen X und Y: V(X Y) V(X) V(Y) V(X Y) V(X) V(Y) Allgemein gilt: V(X Y) V(X) V(Y) 2Cov(X,Y) 35 Statistik 1 - Diskrete Zufallsvariable
36 Anwendungsbeispiel Im Zuge einer Erhebung wurden Haushalte in einer Stadt nach der Anzahl der im Haushalt benutzten KFZ befragt. Anzahl der benutzten KFZ Relative Häufigkeit % 40% 20% 10% Sie wählen aus der obigen Population rein zufällig einen Haushalt aus und X sei die Zufallsvariable Anzahl der KFZ in einem zufällig ausgewählten Haushalt. Berechne Erwartungswert und Varianz für die diskrete Zufallsvariable X! Angenommen Sie ziehen aus der obigen Population eine Zufallsstichprobe von 5 unabhängigen Haushalten. Wie groß sind der Erwartungswert und die Varianz für die Gesamtsumme der Anzahl der KFZ, die von den 5 ausgewählten Haushalten genutzt werden? 36 Statistik 1 - Diskrete Zufallsvariable
37 Lösung Anzahl KFZ rel Häufigkeit E(X) X² E(X²) 0 30% % 0,4 1 0,4 2 20% 0,4 4 0,8 3 10% 0,3 9 0,9 100% 1,1 2,1 Varianz 0,89 Erwartungswert bei 1 Person 1,1 Varianz bei einer Person 0,89 Erwartungswert bei 5 Personen 5,5 Varianz bei 5 Personen 4,45 wegen Unabhängigkeit Vorgehen: zuerst berechnen wir E(X) und V(X); dann wenden wir an, dass der Erwartungswert einer Summe gleich der Summe der Erwartungswerte ist. Bei der Varianz gilt das nur, wenn die Beobachtungen statistisch unabhängig sind! 37 Statistik 1 - Diskrete Zufallsvariable
Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
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
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
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
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
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
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
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
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
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Josef Leydold c 2006 Mathematische Methoden II Wahrscheinlichkeitstheorie 1 / 24 Lernziele Experimente, Ereignisse und Ereignisraum Wahrscheinlichkeit Rechnen mit Wahrscheinlichkeiten
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrAufgaben zu Kapitel 38
Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
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
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.
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
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
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
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
MehrDieser Begriff wurde von Jacob Bernoulli Ars conjectandi geprägt (1773), in dem das erste Gesetz der großen Zahlen bewiesen wurde.
10.1 Über den Begriff Stochastik Die Wahrscheinlichkeitsrechnung ist eine Teildisziplin von Stochastik. Dabei kommt das Wort Stochastik aus dem Griechischen : die Kunst des Vermutens (von Vermutung, Ahnung,
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
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
MehrWahrscheinlichkeitsrechnung für die Mittelstufe
Wahrscheinlichkeitsrechnung für die Mittelstufe Wir beginnen mit einem Beispiel, dem Münzwurf. Es wird eine faire Münze geworfen mit den Seiten K (für Kopf) und Z (für Zahl). Fair heißt, dass jede Seite
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........................
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
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
MehrBestimmen Sie die möglichen Realisationen sowie die dazugehörigen Wahrscheinlicheiten der Zufallsvariable
Zufallsgrößen ================================================================= 1. In einer Sendung von 10 Artikeln befinden sich 4 fehlerhafte. 4 Artikel werden zufällig entnommen. X beschreibe die Anzahl
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrPrüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014
Prüfungstutorat: Angewandte Methoden der Politikwissenschaft Polito Seminar Carl Schweinitz 10.12.2014 Übersicht 1. Einheiten und Variablen 2. Skalen und ihre Transformation 3. Deskriptive Statistik 4.
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)
MehrWahrscheinlichkeits - rechnung und Statistik
Michael Sachs Mathematik-Studienhilfen Wahrscheinlichkeits - rechnung und Statistik für Ingenieurstudenten an Fachhochschulen 4., aktualisierte Auflage 2.2 Eindimensionale Häufigkeitsverteilungen 19 absolute
MehrDer Zentrale Grenzwertsatz
QUALITY-APPS Applikationen für das Qualitätsmanagement Der Zentrale Grenzwertsatz Autor: Dr. Konrad Reuter Für ein Folge unabhängiger Zufallsvariablen mit derselben Verteilung und endlichem Erwartungswert
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrDeskriptive Statistik 1 behaftet.
Die Statistik beschäftigt sich mit Massenerscheinungen, bei denen die dahinterstehenden Einzelereignisse meist zufällig sind. Statistik benutzt die Methoden der Wahrscheinlichkeitsrechnung. Fundamentalregeln:
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
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
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
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrWahrscheinlichkeitstheorie und Naive Bayes
Wahrscheinlichkeitstheorie und Naive Bayes Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 12.05.2011 Caroline Sporleder Naive Bayes (1) Elementare Wahrscheinlichkeitstheorie
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
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
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............
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
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
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
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrSpielgeräte: Von Wahrscheinlichkeiten bis Binomialverteilung
Bernoulli-Kette, und hypergeometrische Verteilung: F. 2. 32 Spielgeräte: Von Wahrscheinlichkeiten bis Die folgende Stationenarbeit dient dazu, die Begriffe der Oberstufenstochastik (Wahrscheinlichkeit;
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
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
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrMethoden der KI in der Biomedizin Unsicheres Schließen
Methoden der KI in der Biomedizin Unsicheres Schließen Karl D. Fritscher Motivation Insofern sich die Gesetze der Mathematik auf die Wirklichkeit beziehen, sind sie nicht sicher. Und insofern sie sich
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übungen für die kompetenzbasierte Abschlussprüfung 1. 60 Äpfel wurden gewogen und die Ergebnisse in einem Boxplot-Diagramm dargestellt. Ergänzen Sie die folgenden
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrMaximilian Gartner, Walther Unterleitner, Manfred Piok. Einstieg in die Wahrscheinlichkeitsrechnung
Zufallsexperimente Den Zufall erforschen Maximilian Gartner, Walther Unterleitner, Manfred Piok Thema Stoffzusammenhang Klassenstufe Einstieg in die Wahrscheinlichkeitsrechnung Daten und Zufall 1. Biennium
MehrKontrolle. Themenübersicht
Themenübersicht Arbeitsblatt 1 Statistik Arbeitsblatt 2 Erheben und Auswerten von Daten Arbeitsblatt 3 Zufallsexperimente Arbeitsblatt 4 mehrstufige Zufallsexperimente Inhalt, Schwerpunkte des Themas Urliste,
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
MehrWürfelspiel. Heinz Klaus Strick. Beispiele zum Einsatz des TI-30X Plus MultiView :
Beispiele zum Einsatz des TI-30X Plus MultiView : Würfelspiel Für den schulartübergreifenden Einsatz Stochastik Grundkurs Besonders passend für Baden-Württemberg und Bayern Bei einem Würfelspiel hat ein
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Was du wissen musst: Die Begriffe Zufallsexperiment, Ereignisse, Gegenereignis, Zufallsvariable und Wahrscheinlichkeit sind dir geläufig. Du kannst mehrstufige Zufallsversuche
MehrVerteilungsfunktion und dquantile
Statistik 1 für SoziologInnen Verteilungsfunktion und dquantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit die Kumulation inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal
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
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2016 Mathematik Kompensationsprüfung 3 Angabe für Prüfer/innen Hinweise zur
MehrGrundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
Mehr3.3. Aufgaben zur Binomialverteilung
.. Aufgaben zur Binomialverteilung Aufgabe 1: Ziehen mit Zurücklegen und Binomialverteilung Ein sechsseitiger Würfel wird zehnmal geworfen. a) Wie groß ist die Wahrscheinlichkeit, nur beim ersten Mal die
MehrWahrscheinlichkeit und Zufall
Wahrscheinlichkeit und Zufall Klassische Probleme der Wahrscheinlichkeitsrechnung 23. Juni 2009 Dr. Katja Krüger Universität Paderborn Inhalt Die Wetten des Chevalier de Méréé Warten auf die erste Sechs
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
MehrGesucht: wie viele Mitarbeiter sind max. durch Ziffernfolge unterscheidbar. Lösung: Möglichkeiten; Reihenfolge und MIT Zurücklegen- also = = 6561
1 Bettina Kietzmann Februar 2013 Numerische Aufgaben Statistik 1D 1. Kombinatorik Für die Lösung dieser Aufgaben ist die Tabelle der Formelsammlung S. 10 relevant. Geht es darum Möglichkeiten zu errechnen
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
Wahrscheinlichkeitsrechnung Rainer Hauser Dezember 2012 1 Einleitung 1.1 Zufallsexperimente Im Folgenden wird das Resultat eines Experiments als Ereignis bezeichnet. Lässt man eine Metallkugel aus einer
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrBegleitbuch für Mathematik Oberstufe für die Abiturprüfung 2017 Baden-Württemberg - berufliche Gymnasien. Stochastik
mathe-aufgaben.com Begleitbuch für Mathematik Oberstufe für die Abiturprüfung 2017 Baden-Württemberg - berufliche Gymnasien Stochastik Dipl.-Math. Alexander Schwarz E-Mail: aschwarz@mathe-aufgaben.com
Mehr4. Grundzüge der Wahrscheinlichkeitsrechnung
4. Grundzüge der Wahrscheinlichkeitsrechnung Dr. Antje Kiesel Institut für angewandte Mathematik WS 2010/2011 In der beschreibenden Statistik haben wir verschiedene Kennzahlen (Statistiken) für Stichproben
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren. 1. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen)
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜUNG. - LÖSUNGEN. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen Die Urne enthält 4 weiße und 8 rote Kugeln.
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
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,
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung:
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
Mehr