10. Theoretische Verteilungen
|
|
- Reinhardt Geier
- vor 6 Jahren
- Abrufe
Transkript
1 0. Theoretische Verteilungen 0.. Diskrete theoretische Verteilungen In der deskriptiven Statistik wurden die einfachen Häufigkeiten und die Summenhäufigkeiten von Merkmalsausprägungen ermittelt um ein visuelles Bild der Verteilung zu erhalten. Hierbei wurde davon ausgegangen, dass die Verteilung der Stichprobe auch der der Grundgesamtheit entspricht. Für die Beschreibung einer Verteilung durch eine Verteilungsfunktion, dem Ziel der schließenden Statistik, gibt es je nach Ausprägung der Variablen unendlich viele Möglichkeiten. Um tatsächlich von der Stichprobe auf die Grundgesamtheit zu schließen müssen hierfür aus dieser unendlichen Menge von möglichen Verteilungsfunktionen diejenige identifiziert werden, die die Verteilung der Grundgesamtheit möglichst gut erfassen oder zumindest approximieren. Je nach Ausprägung der Zufallsvariablen (stetig oder diskret) existieren eine Anzahl von theoretischen Verteilungsfunktionen, mit denen sich eine Vielzahl von Zufallsexperimenten gut beschreiben lassen. Jede dieser theoretischen Verteilungen ist von bestimmten Randbedingungen abhängig die ihre Gültigkeit beschreiben. In der Praxis gilt es dann auf Grund der Ausprägung des Zufallsexperimentes die geeignetste Funktion zu wählen um mit ihr von der Stichprobe auf die Grundgesamtheit zu schließen Bernoulli Verteilung Grundlage für die Bernoulli Verteilung ist das Bernoulli Experiment. Als Bernoulli Experiment gilt ein Experiment, wenn ein Zufallsvorgang die folgenden Kriterien erfüllt:. Für jeden Versuch gibt es nur zwei mögliche Ausgänge. Die Wahrscheinlichkeiten bleiben bei jedem Durchgang gleich 3. Die einzelnen Durchführungen sind unabhängig voneinander Beispiele für Bernoulli Experimente sind: Münzwurf Ziehen einer roten oder schwarzen Karte aus einem Kartenspiel Generell ist die Bernoulli Verteilung dann geeignet, wenn lediglich die Wahrscheinlichkeit des Eintreffens (ob oder ob nicht) eines bestimmten Ereignisses untersucht werden soll. Für die Ableitungen der Wahrscheinlichkeiten können die Komponenten eines Bernoulli Experimentes folgendermaßen beschrieben werden: Für die Ausprägung der Zufallsvariable X gibt es genau zwei mögliche Ausgänge (0,). p : Ist die Wahrscheinlichkeit für das Eintreffen: Ausgang q (-p) : Ist die Wahrscheinlichkeit des Nichteintreffens: Ausgang 0 0-
2 Die Wahrscheinlichkeitsfunktion ergibt sich somit nach: p für X f ( x) q für X 0 0 sonst Der Erwartungswert der Bernoulli Verteilung ergibt sich nach: µ E( X ) n i Die Varianz der Bernoulli Verteilung ergibt sich nach: X i p p σ n ( xi µ ) i f ( xi) ( p) p p q Beispiele: Bei einem Münzwurfexperiment soll der Ausgang Kopf als Erfolg gewertet werden. Aus einem Kartenspiel (3 Blatt) soll ein König gezogen werden. Die Parameter ergeben sich dann wie folgt: Münzwurf Kartenspiel p q µ σ² Binominal Verteilung Die Binominalverteilung (von lat. ex binis nominibus bed. aus zwei Ausdrücken ) kann als eine Serie von Bernoulli-Verteilungen aufgefasst werden. Bei der Bernoulli Verteilung war nur von Interesse wie hoch die Wahrscheinlichkeit bei einem einmaligen Versuch war. Die Binominalverteilung dagegen untersucht: Wie hoch ist die Wahrscheinlichkeit für einen positiven Ausgang bei mehrmaliger Wiederholung des Experimentes, wenn nach jedem Versuch das gezogene Element zurückgelegt wird Die klassische Beschreibung dieser Experimente ist das Ziehen einer Kugel aus einer Urne mit Zurücklegen der gezogenen Kugel nach jedem Experiment. Oder kurz ausgedrückt: Ziehen mit Zurücklegen 0-
3 Beispiele für Binominalverteilungen: Wie hoch ist die Wahrscheinlichkeit bei fünfmaligen Ziehen und anschließendem Zurücklegen aus einem Kartenstapel genau einen König zu erhalten. Wie hoch ist die Wahrscheinlichkeit bei fünfmaligem Ziehen ein Pik oder mehr zu erhalten. Geburten in einer Stadt, wobei der Ausgang A die Geburt eines Mädchens sei. Qualitätskontrolle bei der Serienproduktion mit dem Ausgang A als defektes Produkt. Da bei der Binominalverteilung das Ziehen mit Zurücklegen betrachtet wird, folgt daraus, dass die einzelnen Ausgänge und damit ihre Wahrscheinlichkeiten stochastisch unabhängig sind (vgl. Sitzung 0). Daraus lässt sich die Wahrscheinlichkeitsfunktion der Binominalverteilung ableiten: ) Die Wahrscheinlichkeit für das Eintreffen von A sei p und ) Die Wahrscheinlichkeit für das Nichteintreffen sei q - p 3) Die Anzahl der Versuche sei n 4) Die Anzahl der Realisierungen ( Erfolge) von A sei x Das erste Beispiel lässt sich damit folgendermaßen ausdrücken: p König 4/3 0.5 q nicht K n 5 und x Die fünf Versuche können dabei unterschiedliche Ausprägungen annehmen um als Erfolg gewertet zu werden. Sie unterscheiden sich in der Frage in welchem Zug der König gezogen wurde. Im Einzelnen sind folgende Versuchsausgänge möglich (K König; nk kein König): K, nk, nk, nk, nk oder nk, K, nk, nk, nk oder nk, nk, K, nk, nk oder nk, nk, nk, K, nk oder nk, nk, nk, nk, K Daraus ergeben sich die Wahrscheinlichkeiten: K, nk, nk, nk, nk 0.5, 0.875, 0.875, 0.875, Bei stochastischer Unabhängigkeit ergibt sich somit für die Wahrscheinlichkeit eines Ausgangs der fünf möglichen: W
4 Da alle fünf Ausgänge gleichwahrscheinlich sind ergibt sich als Gesamtwahrscheinlichkeit: W ges Bei fünfmaligem Ziehen einer Karte aus einem Kartenspiel und Zurücklegen nach jedem Zug ist die Wahrscheinlichkeit genau einen König zu ziehen oder 37%. Für das zweite Beispiel, bei fünfmaligem Ziehen mindestens Pik oder mehr zu erhalten, ergibt sich: p Pik /4 0.5 und q nicht Pik 0.75 n 5 und x Für ein Pik: Für zwei Pik: 0 0.5² Für drei Pik: ² Für vier Pik: Für fünf Pik: Damit sind die Funktionswerte f(x) der Wahrscheinlichkeitsfunktion der Binominalverteilung für dieses Experiment gefunden. Die mathematische Abstraktion dieser Funktionswerte ergibt für die Binominalverteilungsfunktion folgende Gleichung: f ( x n; p) n! p x!( n x)! x q n x n p x x q n x Die Wahrscheinlichkeit 3 Pik bei 5 Zügen mit Zurücklegen zu erhalten ergibt sich damit nach: f (3 5;0.5) 5! 0.5 3!(5 3)! Die Wahrscheinlichkeit genau 3 Pik zu ziehen beträgt also oder 8.8%. Durch Kumulieren der Einzelwahrscheinlichkeiten für die verschiedenen Ausprägungen, ergibt sich die Verteilungsfunktion F(x) der Binominalverteilung des Beispieles
5 Wahrscheinlichkeitsfunktion f(x): f(x) Anzahl der günstigen Ausgänge Verteilungsfunktion F(x): F(x) Anzahl der günstigen Ausgänge Der Erwartungswert µ der Binominalverteilung berechnet sich nach: µ n x 0 x f ( x) n x 0 n x p x Da die Einzelausprägungen der Binominalverteilung als Bernoulli Experiment (E(x) p) betrachtet werden können, kann E(x) auch einfacher berechnet werden als: µ n x 0 p np Die Varianz σ² der Binominalverteilung ergibt sich nach: σ n p q n p q x0 x q n x 0-5
6 0..3. Hypergeometrische Verteilung Im Gegensatz zur Binominalverteilung, die den mehrmaligen Versuch mit Zurücklegen beschreibt, wird durch die Hypergeometrische Verteilung die Wahrscheinlichkeit für die mehrmalige Wiederholung des Versuches ohne Zurücklegen der gezogenen Elemente betrachtet. Wie hoch ist die Wahrscheinlichkeit für einen positiven Ausgang bei mehrmaliger Wiederholung des Experimentes ohne Zurücklegen der Elemente Die klassische Beschreibung dieser Experimente ist das Ziehen einer Kugel aus einer Urne ohne Zurücklegen der gezogenen Kugel nach jedem Experiment. Oder kurz ausgedrückt: Ziehen ohne Zurücklegen Beispiele: Wie hoch ist die Wahrscheinlichkeit beim Ziehen von fünf Karten aus einem Kartenstapel einen König zu erhalten. Wie hoch ist die Wahrscheinlichkeit beim Ziehen von fünf Karten ein Pik oder mehr zu erhalten. Wie hoch ist die Wahrscheinlichkeit 6 Richtige im Lotto zu haben. Im Gegensatz zur Binominalverteilung, die von zwei Parametern (n, p) abhängig war, ist die Hypergeometrische Verteilung von 3 Parametern abhängig: N : Gesamtzahl aller Elemente M : Anzahl der Günstigen in N n : Anzahl der Versuche Für das erste Beispiel ergeben sich folgende Parameter: N 3; M 4; n 5 Die Wahrscheinlichkeit einen König zu ziehen (x ) berechnet sich mit diesen Parametern nach: M N M ( ) x n x f x N 3 n 5 Die allgemeine Form der Wahrscheinlichkeitsfunktion ist somit: M N M x n x f ( x) N n 0 für max(0, n M N) x min( n, M ) sonst 0-6
7 Daraus ergeben sich die Wahrscheinlichkeiten keinen, einen, zwei, drei oder vier Könige ohne Zurücklegen zu ziehen: f(0) f() f() f(3) f(4) Das ist die gleiche Wahrscheinlichkeit die beim Ziehen von fünf Karten auf einmal resultieren würde. Der Erwartungswert E(x) ist gleich dem Erwartungswert der Binominalverteilung, obwohl unterschiedliche Voraussetzungen vorliegen. Er berechnet sich nach: n µ p np x0 M n N Die Varianz σ² dagegen berechnet sich unterschiedlich nach: σ n p ( N p) N n n M n M N N n N Für das Beispiel ergibt sich µ und σ² nach: M 4 4 µ n σ N Die Verteilungsfunktion F(x) ergibt sich wieder aus den kumulierten Wahrscheinlichkeiten der Einzelwahrscheinlichkeiten: Wahrscheinlichkeitsfunktion f(x) f(x) Anzahl der Günstigen 0-7
8 Verteilungsfunktion F(x) F(x) Anzahl der Günstigen 0.. Stetige theoretische Verteilungen Im Gegensatz zu den diskreten Verteilungen können bei stetigen Verteilungen die Wahrscheinlichkeiten unendlich viele Realisationen innerhalb des Wertebereiches annehmen. Je nach Ausprägung der Zufallsvariablen existieren eine Anzahl von theoretischen Verteilungsfunktionen, mit denen sich eine Vielzahl von Zufallsexperimenten gut beschreiben lassen. Jede dieser theoretischen Verteilungen ist von bestimmten Randbedingungen abhängig, die ihre Gültigkeit beschreiben. In der Praxis gilt es dann auf Grund der Ausprägung des Zufallsexperimentes die geeignetste Funktion zu wählen um mit ihr von der Stichprobe auf die Grundgesamtheit zu schließen Normalverteilung Die wohl wichtigste Verteilung der Statistik ist die Normalverteilung, die von Moivre, Laplace und Gauß entwickelt wurde. Sie wird häufig auch Gaußsche Glockenkurve genannt. Sie eignet sich als Verteilungsmodell immer dann, wenn Abweichungen von einem Norm-, Soll- oder Durchschnittswert betrachtet werden. Außerdem sind sehr viele in der Natur vorkommende Ausprägungen von Merkmalen normalverteilt. Beispiele: Größe der Blätter eines Baumes Abweichung der Korngrößen einer Bodenprobe von der mittleren Korngröße Abweichung der Tagestemperatur vom langjährigen Mittelwert. 0-8
9 Die Dichtefunktion der Normalverteilung berechnet sich anhand von zwei Parametern a und b nach: f ( x) e b π x a b Die beiden Parameter a und b besitzen eine besondere Eigenschaft, die sich bei der Berechnung des Erwartungswertes und der Standardabweichung aus den Funktionswerten zeigt. Hier ergibt sich: µ E ( X ) a und σ b Damit kann die Dichtefunktion auch folgendermaßen geschrieben werden: f ( x) e σ π x µ σ Dadurch kann die Wahrscheinlichkeit für jeden beliebigen Wert leicht aus dem Mittelwert und der Standardabweichung, wenn diese bekannt sind, berechnet werden. Die Normalverteilung besitzt folgende Kennzeichen, die auch in der folgenden Abbildung graphisch dargestellt sind:. Median, Modus und Mittelwert fallen zusammen. Die steilsten Kurvenverläufe liegen bei µ-σ und µ+σ 3. Die Tangenten an diesen Punkten schneiden die X-Achse bei µ+σ und µ- σ 4. 68% aller Fälle liegen im Bereich von µ-σ und µ+σ; 95.5% der Fälle zwischen µ-σ und µ+σ und 99.7% zwischen µ-3σ und µ+3σ µ ; σ % der Fälle µ-σ µ+σ f(x) F(x)
10 Form und Lage der NV werden durch µ und σ eindeutig beschrieben. Wobei µ die Lage bezüglich der X-Achse und σ die Breite der Kurve bestimmt µ ; s 0.5 µ ; s µ ; s Beispiel für die Anwendung der Normalverteilung: Für eine Klimastation sind über einen Zeitraum von 50 Jahren jährliche Niederschlagsmengen bestimmt worden. Die empirische Verteilung der Niederschlagsmengen entsprach einer Normalverteilung. Die mittlere Niederschlagsmenge lag bei 400 mm, die Standardabweichung der Messungen wurde mit 00 mm berechnet.. In wie viel % der Jahre fällt ein Niederschlag von weniger als 300 mm?. In wie viel % der Jahre fällt ein Niederschlag von mehr als 45 mm? 3. Welche Niederschlagsmenge wird in 95% der Jahre übertroffen? Zur Lösung der Aufgaben und müssen also die Flächen unter der Dichtefunktion bestimmt werden Hierzu muss die Verteilungsfunktion F(x) für x 300 bzw. x bestimmt werden, nach: F( x) σ π x e x µ σ dx Das Problem dabei ist, dass sich das Integral nicht analytisch lösen lässt, weil hierfür keine elementare Stammfunktion existiert. Die Fläche müsste also durch numerische Integration bestimmt werden. Alternativ können für die Lösung die Funktionswerte der Standardnormalverteilung, die in Tabellen vorliegen, eingesetzt werden. Hierzu muss die Normalverteilung in eine Standardnormalverteilung überführt werden
11 0... Standard Normal Verteilung Für die Standardnormalverteilung gelten folgende Kennwerte:. Ihr Erwartungswert µ ist gleich 0 und. Ihre Standardabweichung σ ist gleich f(x) F(x) Die Funktionswerte f(x) und F(x) der Standardnormalverteilung liegen in tabellierter Form vor, so dass die aufwändige Berechnung entfällt. Zu ihrer Nutzung muss also lediglich eine beliebige Normalverteilung in die Standardnormalverteilung überführt werden, dann können die Wahrscheinlichkeiten einfach bestimmt werden. Die Überführung einer beliebigen Normalverteilung in die Standardnormalverteilung erfolgt durch die Transformation der normalverteilten Zufallsvariablen X in eine standardnormalverteilte Zufallsvariable Z nach: Z X µ σ Die Dichte- und Verteilungsfunktion der standardnormalverteilten Variable Z haben die einfache Form: f ( x) e π x x x F z e ( ) π dx 0-
12 Die Werte von F(z) [Φ(z)] können direkt aus Tabellen entnommen werden: Beispiel für die Anwendung: Für eine Klimastation sind über einen Zeitraum von 50 Jahren jährliche Niederschlagsmengen bestimmt worden. Die empirische Verteilung der Niederschlagsmengen entsprach einer Normalverteilung. Die mittlere Niederschlagsmenge lag bei 400 mm, die Standardabweichung der Messungen wurde mit 00 mm berechnet.. In wie viel % der Jahre fällt ein Niederschlag von weniger als 300 mm?. In wie viel % der Jahre fällt ein Niederschlag von mehr als 45 mm? 3. Welche Niederschlagsmenge wird in 95% der Jahre übertroffen? Zur Berechnung muss die Normalverteilung zunächst in eine Standardnormalverteilung transformiert werden, dann die Wahrscheinlichkeiten bzw. Anteile berechnet werden und dann die Werte gegebenenfalls rücktransformiert werden. Gegeben ist: µ 400 (der Mittelwert); σ 00 (die Standardabweichung) und der Niederschlag ist normalverteilt. Zu.) Wie hoch ist die Wahrscheinlichkeit P (x 300): Standardisierung von X: Z X µ σ
13 Bestimmung von F(-) aus der Tabelle der SNV Da in den Tabellen meist nur die positive Hälfte der SNV gelistet ist müssen negative Werte als F(positiv) abgelesen werden. Für das Beispiel also: F() In 5.87% der Jahre ist N kleiner 300 mm/a Zu.) Wie hoch ist die Wahrscheinlichkeit P (x > 45) Standardisierung von X: X µ Z 0.5 σ 00 Bestimmung von F(0.5) aus der Tabelle der SNV F(0.5) Da ja der Wert größer als gesucht war folgt: in 40.3% ( ) der Jahre war der Niederschlag größer als 45 mm/a. zu 3.) Gesucht ist x für eine Wahrscheinlichkeit von P Da ja die Menge die in 95% übertroffen wird gesucht ist. Da in den Tabellen nur die Wert größer 0.5 gelistet sind muss aber der Wert Z von F(0.95) abgelesen und dann negiert werden. Außerdem finden wir in manchen Tabellen 95 nicht direkt sondern nur Werte in der Nähe. Der Wert wird dann durch Mittelwertbildung bestimmt. Für das Beispiel finden wir Z für F(0.95) als Mitte zwischen und also.645. Daraus folgt für F(0.05) Z
14 Das bedeutet 95% der Werte der SNV sind größer als Zur Bestimmung der Niederschlagsmenge muss dieser Wert nur noch retransformiert werden nach: X Z σ + µ In 95% aller Jahre liegt der Niederschlag über 35.5 mm/a Übungsaufgaben Aufgabe : Gegeben sei eine Familie mit vier Kindern, wobei die Wahrscheinlichkeit für die Geburt eines Jungen ½ sei: a) Welche theoretische Verteilung liegt dem Sachverhalt zugrunde? Begründen Sie Ihre Antwort. b) Bestimmen Sie die Wahrscheinlichkeit, dass es darin wenigstens einen Jungen. c) und wenigstens einen Jungen und ein Mädchen gibt. Aufgabe : Bei einem Herstellungsprozess für Bolzen wird festgestellt, dass eine Maschine 0% Ausschuss produziert. Bestimmen Sie die Wahrscheinlichkeit, dass von vier zufällig ausgewählten Bolzen: a) b) c) höchstens unbrauchbar sind. Bestimmen Sie (plus kurze Beschreibung): d) den Mittelwert (µ) und e) die Standardabweichung bei einer Gesamtmenge von 400 Bolzen. Aufgabe 3: Ein Kraftfahrzeughändler weiß aus jahrelanger Erfahrung, dass von den in Zahlung genommenen Wagen 5% geringe, 60% mittelschwere und 5% sehr schwere Schäden aufweisen. Bestimmen Sie die Wahrscheinlichkeit, dass von den nächsten 0 Wagen, die er in Zahlung nehmen wird: b) höchstens 8 sehr schwere c) höchstens 8 mittelschwere d) genau 0 geringe e) genau 0 mittelschwere f) mindestens geringe g) mindestens sehr schwere Schäden vorliegen. 0-4
15 Aufgabe 4: Bei einer Abschlussklausur in Mathematik ergab sich eine mittlere Punktzahl von 7 und eine Standardabweichung von 5. Bestimmen Sie die Standardwerte (d.h. die Punktzahlen in Einheiten der Standardnormalverteilung) der Studenten, die folgende Punktzahlen erreichten: a) 60 b) 93 c) 7 Aufgabe 5: Bestimmen und skizzieren Sie die Fläche unter der Normalverteilung, mit Hilfe der Tabelle für die Fälle: a) zwischen z 0 und z. b) zwischen z und z 0 c) zwischen z und z. d) rechts von z -.8 e) links von z -0.6 Aufgabe 6: Ein Händler will zu Sylvester 5 Feuerwerkskörper, die ihm aus früheren Jahren übrig geblieben sind, loswerden. Er verspricht einem daran interessierten Kunden, dass mindestens 60% davon noch funktionieren. Dieser verlangt, 5 der 5 Feuerwerkskörper sofort ausprobieren zu dürfen, und er ist bereit, die restlichen 0 dann zu kaufen, wenn mindestens 3 der fünf geprüften funktionieren. Der Händler ist damit einverstanden. Wie groß ist die Wahrscheinlichkeit, dass das Geschäft zustande kommt, wenn tatsächlich: a) 60% b) 80% c) 0% der 5 Feuerwerkskörper noch funktionieren. Aufgabe 7: Die mittlere Länge von 500 Lorbeerblättern ist 5 mm und die Standardabweichung ist 5 mm. Wenn sie die Länge als normalverteilt annehmen, dann bestimmen Sie, wie viele Lorbeerblätter: a) Welche Verteilungsfunktion legen Sie zugrunde. b) zwischen 5 und 45 mm lang sind c) über 83 mm lang sind. 0-5
16 0.4. Musterlösung zu den Übungsaufgaben Aufgabe : Gegeben sei eine Familie mit vier Kindern, wobei die Wahrscheinlichkeit für die Geburt eines Jungen ½ sei. (PS: Übrigens die gleiche Aufgabe wie die Pegel vom letzten Mal) b) Welche theoretische Verteilung liegt dem Sachverhalt zugrunde? Begründen Sie Ihre Antwort. Lösung: Man geht von einer unabhängigen Verteilung aus. D.h. die Wahrscheinlichkeit für das Geschlecht des zweiten oder dritten Kindes ist nicht abhängig vom Geschlecht seiner älteren Geschwister. Da die Variable Geschlecht eine typische 0, Ausprägung besitzt kann von einer Binominalverteilung mit vier Versuchen (n) ausgegangen werden. c) Bestimmen Sie die Wahrscheinlichkeit, dass es darin wenigstens einen Jungen. Lösung: p 0.5; q 0.5, x, n ! 4 f () ! 3! 6 Die Wahrscheinlichkeit, dass es genau einen Jungen gibt beträgt also 5%. Da aber nach wenigstens einem Jungen gefragt war sind auch die Wahrscheinlichkeiten für f(), f(3) oder f(4) gültig. Diese Berechnen sich analog. Die Gesamtwahrscheinlichkeit beträgt also f() + f() + f(3) + f(4). Um den Rechenaufwand zu minimieren kann auch vereinfacht f(0) berechnet werden. Daraus ergibt sich die Wahrscheinlichkeit für mindestens einen Jungen als , also 93.75% d) und wenigstens einen Jungen und ein Mädchen gibt. Lösung: Die möglichen Familienzusammensetzungen sind: (J, M, J, J) oder (J, M, M, M) oder (J, M, J, M). Im Sinne der BNV (wenn die Geburt eines Jungen als Erfolg angenommen wird ) ist dies also: f() 0.5 oder f() oder f(3) 0.5. Da die Ereignisse unabhängig sind ergibt sich die Gesamtwahrscheinlichkeit nach p f() + f() + f(3) Die Wahrscheinlichkeit, dass es wenigsten einen Jungen und ein Mädchen gibt beträgt also 87.5%. 0-6
17 Aufgabe : Bei einem Herstellungsprozess für Bolzen wird festgestellt, dass eine Maschine 0% Ausschuss produziert. Bestimmen Sie die Wahrscheinlichkeit, dass von vier zufällig ausgewählten Bolzen, oder höchstens unbrauchbar sind. Lösung: Auch hier kann wieder von einer Binominalverteilung ausgegangen werden, da bei einem Herstellungsprozess von einer sehr große Stückzahl ausgegangen werden kann und sich dadurch die Wahrscheinlichkeiten bei den einzelnen Versuchen nicht ändern. Die Parameter ergeben sich danach als: p 0., q 0.8, n 4 a) 4 4! 4 f! 3! 6 Die Wahrscheinlichkeit, dass ein Bolzen defekt ist beträgt 40.96% 3 () b) 4 4! 4 f!! 4 Die Wahrscheinlichkeit, dass zwei Bolzen defekt sind beträgt 5.36% () c) f(0) + f() + f() Die Wahrscheinlichkeit, dass höchstens zwei Bolzen defekt sind beträgt 97.8% Bestimmen Sie (plus kurze Beschreibung): d) den Mittelwert (µ) und Der Mittelwert µ der Binominalverteilung berechnet sich nach: µ n * p 400 * Bei einer Entnahme von 400 Bolzen aus der Produktion kann davon ausgegangen werden, dass 80 defekt sind. e) die Standardabweichung bei einer Gesamtmenge von 400 Bolzen. Die Varianz der BNV berechnet sich nach: σ² n * p * q 400 * 0. * Die Standardabweichung beträgt also 8. Bei einer Entnahme von 400 Bolzen aus der Produktion kann davon ausgegangen werden, dass 80 ± 8 defekt sind. Aufgabe 3: Ein Kraftfahrzeughändler weiß aus jahrelanger Erfahrung, dass von den in Zahlung genommenen Wagen 5% geringe, 60% mittelschwere und 5% sehr schwere Schäden aufweisen. Bestimmen Sie die Wahrscheinlichkeit, dass von den nächsten 0 Wagen, die er in Zahlung nehmen wird: Lösung: Auch hier kann die BNV genutzt werden, allerdings in verschiedener Ausprägung, nämlich mit BNV(0.5, 0) für geringe Schäden, BNV(0.6, 0) für mittelschwere und BNV(0.5, 0) für sehr schwere Schäden. Hiermit ist dann die Berechnung der einzelnen Teilaufgaben einfach: a) höchstens 8 sehr schwere 0-7
18 Lösung: F(8) (Summe der Wahrscheinlichkeiten von 0..8) der BNV(0.5, 0) also f(0) + f() + f() f(8) Die Wahrscheinlichkeit beträgt also 95.9% b) höchstens 8 mittelschwere Lösung: F(8) (Summe der Wahrscheinlichkeiten von 0..8) der BNV(0.6, 0) also f(0) + f() + f() f(8) Die Wahrscheinlichkeit beträgt also 5.65% c) genau 0 geringe Lösung: f(0) für BNV(0.5,0) also 0.0% d) genau 0 mittelschwere Lösung: f(0) für BNV(0.6,0) 0.7 also.7% e) mindestens geringe Lösung: F() für BNV(0.5,0) f) mindestens sehr schwere Schäden vorliegen. Lösung: F() für BNV(0.5,0) Aufgabe 4: Bei einer Abschlussklausur in Mathematik ergab sich eine mittlere Punktzahl von 7 und eine Standardabweichung von 5. Bestimmen Sie die Standardwerte (d.h. die Punktzahlen in Einheiten der Standardnormalverteilung) der Studenten, die folgende Punktzahlen erreichten: Lösung: Gegeben ist ein Normalverteilung mit den Parametern µ 7 und σ 5. In Kurzform NV(7,5). Gesucht sind Werte der Standardnormalverteilung, mit anderen Worten eine einfache Variablentransformation. X µ 60 7 a) 60 Z 0.8 σ 5 b) 93 Z.4 c) 7 Z 0 (Mittelwert der NV und der SNV) Aufgabe 5: Bestimmen und skizzieren Sie die Fläche unter der Normalverteilung, mit Hilfe der Tabelle für die Fälle: a) zwischen z 0 und z. Lösung: b) zwischen z und z 0 Lösung: (0.5 ( f(0.68)) 0.5 ( ) 0.57 c) zwischen z und z. Lösung: ( ( f(0.46))) d) rechts von z -.8 Lösung: ( ( - f(.8))
19 e) links von z -0.6 Lösung: ( f(0.6)) Aufgabe 6: Ein Händler will zu Sylvester 5 Feuerwerkskörper, die ihm aus früheren Jahren übrig geblieben sind, loswerden. Er verspricht einem daran interessierten Kunden, dass mindestens 60% davon noch funktionieren. Dieser verlangt, 5 der 5 Feuerwerkskörper sofort ausprobieren zu dürfen, und er ist bereit, die restlichen 0 dann zu kaufen, wenn mindestens 3 der fünf geprüften funktionieren. Der Händler ist damit einverstanden. Wie groß ist die Wahrscheinlichkeit, dass das Geschäft zustande kommt, wenn tatsächlich 60%, 80%, 0% der 5 Feuerwerkskörper noch funktionieren. Lösung: Hier handelt es sich ganz klar um Ziehen ohne Zurücklegen es ist ja nach testen der Feuerwerkskörper nichts mehr da zum Zurücklegen. Gegeben sind also die Parameter: N 5, n 5, x 3. M variiert je nach Teilaufgabe. a) 60%: M 5 * Gesucht: p(x 3) f(3) + f(4) + f(5) Hier wäre der Kunde zufrieden, da mit einer Wahrscheinlichkeit von % 3 der fünf Feuerwerkskörper funktionieren würden. b) 80%: M 5 * Gesucht: p(x 3) f(3) + f(4) + f(5) Hier wäre der Kunde zufrieden, da mit einer Wahrscheinlichkeit von 96.3 % drei der fünf Feuerwerkskörper funktionieren würden. c) 0%: M 5 * 0. 5 Gesucht: p(x 3) 0-9
20 f(3) + f(4) + f(5) Hier wäre der Kunde mit Sicherheit nicht zufrieden, da nur mit einer Wahrscheinlichkeit von 3.77 % drei der fünf Feuerwerkskörper funktionieren würden. Aufgabe 7: Die mittlere Länge von 500 Lorbeerblättern ist 5 mm und die Standardabweichung ist 5 mm. Wenn sie die Länge als normalverteilt annehmen, dann bestimmen Sie, wie viele Lorbeerblätter: a) Welche Verteilungsfunktion legen Sie zugrunde. Es liegt eine Normalverteilung mit µ 5 und σ 5 vor. b) zwischen 5 und 45 mm lang sind. Lösung: Zunächst Transformation der Werte der NV(5,5) in eine SNV X µ 5 5 X µ 45 5 Z.4 Z 0.4 σ 5 σ 5 Dann wird mit diesen Werten die Fläche unter der SNV mit der Tabelle bestimmt nach F(-.4 Z -0.4) F(-0.4) F(-.4) Das bedeutet 33.64% der Werte liegen zwischen den Grenzen. Da die Stichprobe 500 betrug haben also 68 Lorbeerblätter eine Größe zwischen 5 und 45 mm. c) über 83 mm lang sind. Lösung: Gesucht die Fläche unter der Verteilung rechts von 83 mm. Die Transformation ergibt: Z X µ σ 5 Damit kann der Wert der SNV an dieser Stelle aus der Tabelle abgelesen werden: F(.) da aber der Bereich rechts davon gesucht war muss noch von abgezogen werden Es sind also.39 % der Lorbeerblätter größer als 83 mm, das sind insgesamt 7 Blätter. 0-0
Fit 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
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
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
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
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
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:
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 Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
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
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
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)
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
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
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
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
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
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
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
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
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
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
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
MehrSS 2017 Torsten Schreiber
173 Diese Lücken sollten nicht auch bei Ihnen vorhanden sein: Wird die Anordnung von unterschiedlichen Objekten eines Experiments untersucht, so handelt es sich um eine. Möchte man die Anzahl der möglichen
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
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)
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
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
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
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
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
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
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
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
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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
MehrSpezielle Eigenschaften der Binomialverteilung
Spezielle Eigenschaften der Binomialverteilung Wir unterscheiden: 1) die Wahrscheinlichkeitsfunktion einer diskreten Variablen 2) die Verteilungsfunktion einer diskreten Variablen. 1) Die Wahrscheinlichkeitsfunktion
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
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
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
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
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
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
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
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
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
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)
Mehrj K j d j m j h j f j
Für eine stetige Zufallsvariable X in einem Intervall [ a ; b ] kann X jeden beliebigen Wert annehmen. Die Wahrscheinlichkeiten werden in diesem Fall nicht mehr wie bei einer diskreten Zufallsvariable
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrBiomathematik für Mediziner, Klausur SS 2000 Seite 1
Biomathematik für Mediziner, Klausur SS 2000 Seite 1 Aufgabe 1: Bei der Diagnose einer bestimmten Krankheit mit einem speziellen Diagnoseverfahren werden Patienten, die tatsächlich an der Krankheit leiden,
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrModul 141 Statistik. 1. Studienjahr 11. Sitzung Signifikanztests
Modul 141 Statistik 1. Studienjahr 11. Sitzung Signifikanztests Inhalt der 11. Sitzung 1. Parametrische Signifikanztests 2. Formulierung der Hypothesen 3. Einseitige oder zweiseitige Fragestellung 4. Signifikanzniveau
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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+
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,
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
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
MehrIn den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt.
.3.3 Theoretisch-prozentuale Häufigkeitsverteilung In den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt. Charakteristisch für
MehrStatistik Übungen WS 2017/18
Statistik Übungen WS 2017/18 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
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
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
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrHäufigkeitsverteilungen
Häufigkeitsverteilungen Eine Häufigkeitsverteilung gibt die Verteilung eines erhobenen Merkmals an und ordnet jeder Ausprägung die jeweilige Häufigkeit zu. Bsp.: 100 Studenten werden gefragt, was sie studieren.
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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.
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.
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.
MehrAusgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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
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
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
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
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
MehrStellen Sie den Sachverhalt durch eine geeignete Vierfeldertafel mit relativen Häufigkeiten
Bei der Bearbeitung der Aufgabe dürfen alle Funktionen des Taschenrechners genutzt werden. Aufgabe 4: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein.
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
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)
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
Mehr