Biostatistik, Sommer 2017
|
|
- Heinrich Geier
- vor 6 Jahren
- Abrufe
Transkript
1 1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke 7. Vorlesung:
2 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige
3 3/52 Wahrscheinlichkeit Bayes sche Formel Bedingte Wahrscheinlichkeit Beispiel Wir werfen einen fairen sechsseitigen Würfel, nennen das Ergebnis X und betrachten die Ereignisse A := {X 3} = Augenzahl Drei oder kleiner, B := {X {2, 4, 6}} = Augenzahl gerade. Offenbar ist P[A] = 1 und P[B] = 1. Wie groß ist aber die 2 2 Wahrscheinlichkeit, dass B eintritt, wenn wir schon wissen, dass A eintritt? Wenn A eintritt, nimmt X die Werte 1,2,3 mit gleicher Wahrscheinlichkeit an. Also: gesuchte Wahrscheinlichkeit ist 1/3.
4 4/52 Wahrscheinlichkeit Bayes sche Formel Bedingte Wahrscheinlichkeit Definition Seien A und B Ereignisse. Wir definieren die bedingte Wahrscheinlichkeit für das Eintreten von B, gegeben, dass A eintritt, durch P[B A] = P[A B], falls P[A] > 0, P[A] 0, sonst.
5 5/52 Wahrscheinlichkeit Bayes sche Formel Bedingte Wahrscheinlichkeit Beispiel (Fortsetzung) A := {X 3} = Augenzahl Drei oder kleiner, B := {X {2, 4, 6}} = Augenzahl gerade. Die Wahrscheinlichkeit dafür, dass B eintritt, gegeben, dass A eintritt, ist P[B A] = P[A B] P[A] = P[X = 2] P[X {1, 2, 3}] = 1/6 1/2 = 1 3.
6 Wahrscheinlichkeit Bayes sche Formel Bedingte Wahrscheinlichkeit Beispiel 2: Zweifacher Würfelwurf X 1 = Augenzahl erster Wurf, X 2 = Augenzahl zweiter Wurf, S = X 1 + X 2 = Augensumme. Wie groß ist die Wahrscheinlichkeit dafür, dass der erste Wurf höchstens eine Drei ist, wenn die Augensumme genau Acht ist? A := {S = 8} = { (X 1, X 2 ) {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)} }, B := { X 1 {1, 2, 3} }. P[B A] = P[A B] P[A] = P[(X 1, X 2 ) {(2, 6), (3, 5)}] P[S = 8] = 2/36 5/36 = /52
7 7/52 Wahrscheinlichkeit Bayes sche Formel Totale Wahrscheinlichkeit Beispiel Der Lehrer lässt heute einen Englischtest schreiben und wählt zufällig aus, ob es ein Aufsatz (20%) wird, ein Diktat (70%) oder eine Inhaltsangabe (10%). Ihre Chancen für eine Eins sind unterschiedlich: 90% bei einem Aufsatz, 10% bei einem Diktat und 30% bei einer Inhaltsangabe. Wie groß ist die Wahrscheinlichkeit, dass Sie eine Eins schreiben? Angenommen, Sie haben eine Eins, wie groß ist die Wahrscheinlichkeit, dass ein Aufsatz geschrieben wurde?
8 8/52 Wahrscheinlichkeit Bayes sche Formel Totale Wahrscheinlichkeit Beispiel (Fortsetzung) A 1 = Aufsatz, A 2 = Diktat, A 3 = Inhaltsangabe B = Sie haben eine Eins. i P[A i ] P[B A i ] P[B A i ] P[A i B] /0.28 = /0.28 = /0.28 = 0.11 Summe 1 P[B] = Die W keit, eine Eins zu schreiben ist P[B] = Die W keit, dass der Test ein Aufsatz war, gegeben, dass Sie eine Eins haben, ist P[A 1 B] = 0.64.
9 9/52 Wahrscheinlichkeit Bayes sche Formel Bayes sche Formel Satz (Bayes sche Formel) Seien A 1,..., A n Alternativen und B ein Ereignis. Dann gilt P[A k B] = P[B A k] P[A k ] n i=1 P[B A i] P[A i ]. Speziell ist P[A B] = P[B A] P[A] P[B A] P[A] + P[B A c ] P[A c ].
10 10/52 Wahrscheinlichkeit Bayes sche Formel Bayes sche Formel Beispiel Es sind 0.5% der Bevölkerung mit HIV infiziert (Prävalenz). Ein Test erkennt eine HIV Infektion mit 95% Wahrscheinlichkeit (Sensitivität). Bei einer nicht-infizierten Person schlägt der Test mit Wahrscheinlichkeit 6% dennoch an (Spezifität 94%). (i) Bei wie viel Prozent aller getesteten Personen schlägt der Test an (korrekt oder fehlerhaft)? (ii) Bei einer zufällig gewählten Person schlägt der Test an. Wie groß ist die Wahrscheinlichkeit, dass diese Person tatsächlich krank ist?
11 11/52 Wahrscheinlichkeit Bayes sche Formel Bayes sche Formel Beispiel (Fortsetzung) A = Person infiziert, B = Test schlägt an, Prävalenz: P[A] = Sensitivität: P[B A] = 0.95 Spezifität: P[B c A c ] = 0.94, also P[B A c ] = (i) Totale Wahrscheinlichkeit: P[B] = P[B A] P[A] + P[B A c ] P[A c ] = = = 6.4%.
12 12/52 Wahrscheinlichkeit Bayes sche Formel Bayes sche Formel Beispiel (Fortsetzung) A = Person infiziert, B = Test schlägt an, Prävalenz: P[A] = Sensitivität: P[B A] = 0.95 Spezifität: P[B c A c ] = 0.94, also P[B A c ] = (ii) Bayes sche Formel: Gesuchte Wahrscheinlichkeit ist P[A B] = = P[B A] P[A] P[B A] P[A] + P[B A c ] P[A c ] = = 7.4%.
13 13/52 Anzahl der Erfolge Diskrete Beispiel: Gartenkresse in der Petrischale 100 Samenkörner. Wie viele keimen nach zwei Tagen? Modellannahme: Das Keimen ist unabhängig voneinander und mit Wahrscheinlichkeit p der Fall. Mathematische Formulierung: X 1, X 2,..., X 100 Zufallsvariablen mit Wertebereich W = {0, 1}. { 1, falls i-ter Samen gekeimt hat, X i = 0, sonst. Modellannahme liefert: Zufallsvariablen sind unabhängig und P[X i = 1] = p für jedes i = 1,..., 100. (Bernoulli-Verteilung). 100 S := i=1 X i = Anzahl gekeimte Samen. Welche Verteilung hat die Zufallsvariable S?
14 14/52 Anzahl der Erfolge Diskrete Beispiel: Gartenkresse in der Petrischale (2) Zufallsvariablen sind unabhängig und P[X i = 1] = p für jedes i = 1,..., S := i=1 X i = Anzahl gekeimte Samen. P[S = 0] = P[X 1 = 0 und X 2 = 0 und... und X 100 = 0] [ 100 ] = P {X i = 0} i=1 = P[X 1 = 0] 100 = (1 p) 100.
15 15/52 Diskrete Anzahl der Erfolge Beispiel: Gartenkresse in der Petrischale (3) P[S = 1] = P[X 1 = 1 und X i = 0 für i 1] + P[X 2 = 1 und X i = 0 für i 2]. + P[X 100 = 1 und X i = 0 für i 100] =100 P[X 1 = 1 und X i = 0 für i 1] =100 p(1 p) 99.
16 16/52 Anzahl der Erfolge Diskrete Beispiel: Gartenkresse in der Petrischale (4) P[S = 2] = P[X 1 = X 2 = 1 und X i = 0 für i 1, 2] + P[X 1 = X 3 = 1 und X i = 0 für i 1, 3]. + P[X 99 = X 100 = 1 und X i = 0 für i 99, 100] = P[X 1 = X 2 = 1 und X i = 0 für i 1, 2] = p 2 (1 p) 98. 2
17 17/52 Anzahl der Erfolge Diskrete Beispiel: Gartenkresse in der Petrischale (5) P[S = 3] = = P [ X 1 = X 2 = X 3 = 1 und X i = 0 für i 1, 2, 3 ] p 3 (1 p) 97.
18 18/52 Diskrete Anzahl der Erfolge Beispiel: Gartenkresse in der Petrischale (6) Für jedes k = 0,..., 100 gilt P[S = k] = b 100,p (k) := (100 k + 1) 2 3 k p k (1 p) 100 k. b 100,p heißt Binomialverteilung mit Parametern 100 und p.
19 Diskrete Binomialverteilung b 100, /52
20 Diskrete Binomialverteilung b 100, /52
21 Diskrete Binomialverteilung b 100, /52
22 Diskrete Binomialverteilung b 100, /52
23 23/52 Diskrete Allgemeine Form der Binomialverteilung Sei S die Anzahl der Erfolge in n unabhängigen Zufallsexperimenten, die jeweils mit gleicher Wahrscheinlichkeit p einen Erfolg zeigen. Dann gilt für k = 0,..., n ( ) n P[S = k] = b n,p (k) := p k (1 p) n k, k wobei der Binomialkoeffizient ( ) n = k n! k!(n k)! die Anzahl der Möglichkeiten beschreibt, k Objekte aus n Objekten auszuwählen (ohne Beachtung der Reihenfolge). b n,p heißt Binomialverteilung mit Parametern n und p.
24 24/52 Diskrete Seltene Ereignisse Beispiel In Deutschland werden pro Jahr im Mittel 8 Blitztote registriert. Wie groß ist Wahrscheinlichkeit dafür, dass es in diesem Jahr genau 5 Blitztote gibt? Annahme: Für jeden der n = Bundesbürger besteht die gleiche Wahrscheinlichkeit p, dieses Jahr vom Blitz getroffen zu werden. Die Ereignisse sind unabhängig. Im Mittel werden also np = 8 Menschen vom Blitz getroffen. Es folgt p = 8/ = Also ist die gesuchte Wahrscheinlichkeit b ,10 7(5) =
25 Poissonverteilung Diskrete Bezeichnet S die Anzahl von Erfolgen bei sehr kleiner Erfolgswahrscheinlichkeit p und sehr großer Anzahl von Versuchen n, und ist λ := pn, so gilt (approximativ) λ λk P[S = k] = e für k = 0, 1, 2,.... k! Diese Verteilung heißt Poissonverteilung Poi λ mit Parameter λ. Der Parameter λ gibt die mittlere Anzahl von Erfolgen an. Beispiel Blitztote Anzahl der Blitztoten ist etwa Poisson-verteilt mit λ = 8. Wahrscheinlichkeit für genau 5 Blitztote ist also etwa 8 85 Poi 8 (5) = e 5! = Vergleich mit exakter Rechnung: sehr gute Näherung. 25/52
26 26/52 Diskrete Poissonverteilung Beispiel: Radioaktiver Zerfall Pro Sekunde misst ein Geigerzähler im Mittel 3 radioaktive Zerfälle. Anzahl X der Zerfälle in einer gegebenen Sekunde ist zufällig. Verteilung von X? Zerlegung in Mikrosekunden: in jeder Mikrosekunde mit Wahrscheinlichkeit 3/ ein Zerfall. Seltene Ereignisse, unabhängig nach dem Paradigma der Physik Atome altern nicht. Also ist X Poisson-verteilt mit Parameter 3.
27 27/52 Poissonverteilung Diskrete Beispiel: Morde in New York In den ersten 320 Tagen des Jahres 2012 wurden in New York City 400 Tote durch Gewaltverbrechen registriert. Wie groß ist die Wahrscheinlichkeit, dass an einem zufälligen Tag exakt k Tote registriert werden? Modellierung: Poissonverteilung mit Parameter λ = 400 = Also 320 Speziell ist P[ exakt k Tote ] = e k k! P[ kein Toter ] = e 1.25 = Die Wahrscheinlichkeit p dafür, dass ein ganzes Jahr lang an jedem Tag mindestens ein Toter registriert wird, ist demnach p = (1 e 1.25 ) 365 =
28 28/52 Diskrete Hypergeometrische Verteilung Definition In einer Population der Größe N tragen K Individuen ein bestimmtes Merkmal. Nacheinander werden n Individuen (ohne Rücklegen) untersucht. Sei X die Anzahl der Beobachtungen des Merkmals unter diesen n Individuen. Dann ist P[X = k] = Hyp K,N K,n (k) := ( K k )( ) N K n k ( ). N n Hyp K,N K,n heißt hypergeometrische Verteilung mit Parametern K, N K und n.
29 29/52 Diskrete Hypergeometrische Verteilung Beispiel Wie groß ist beim Skat die Wahrscheinlichkeit dafür, dass der Geber genau drei Asse erhält? N = 32, K = 4, n = 10. Wahrscheinlichkeit ist ( )( ) 4 28 Hyp 4,28,10 (3) = 3 7 ( ) =... = =
30 30/52 Diskrete Zusammenfassung wichtiger diskreter Wartezeit auf ersten Erfolg: geometrische Verteilung γ p (k) = (1 p) k p, für k = 0, 1, 2,.... Anzahl der Erfolge unabhängiger Versuche: Binomialverteilung ( ) n b n,p (k) = p k (1 p) n k für k = 0,..., n. k Anzahl der Erfolge seltener Ereignisse mit Mittel λ: Poissonverteilung Poi λ (k) = e λ λk, für k = 0, 1, 2,.... k! Anzahl gezogener markierter Objekte (ohne Rücklegen): Hypergeometrische Verteilung ( )( ) K N K Hyp K,N K,n (k) := k n k ( ) N. n
31 31/52 Stetige mit Dichte Normalverteilung Die Verteilung mit Dichte f (t) = 1 2π e t2 /2, t R, heißt Standardnormalverteilung N 0,1.
32 Stetige Dichte der Standardnormalverteilung /52
33 33/52 mit Dichte Normalverteilung Die Verteilung mit Dichte Stetige f (t) = 1 2π e t2 /2, t R, heißt Standardnormalverteilung N 0,1. Ist Z standardnormalverteilt, dann ist P[Z x] = Φ(x) := 1 2π x Die Werte der Verteilungsfunktion Φ(x) = P[Z x], x R, e t2 /2 dt. sind tabelliert für x 0. Z.B. im Tabellenwerk, das online steht. Für x < 0 benutzt man Φ(x) = 1 Φ( x).
34 34/52 Stetige mit Dichte Normalverteilung Sei Z standardnormalverteilt. Satz P[Z x] = Φ(x) = 1 Φ( x). P[Z x] = 1 Φ(x) = Φ( x). P[x 1 Z x 2 ] = Φ(x 2 ) Φ(x 1 ) für x 1 < x 2.
35 35/52 Stetige mit Dichte Normalverteilung Beispiel Sei Z standardnormalverteilt. P[Z 1.55] = Φ(1.55) =
36 Tabelle Normalverteilung Φ x
37 37/52 Stetige Tabelle Normalverteilung Φ x Also: Φ(1.55) =
38 38/52 Stetige mit Dichte Normalverteilung Beispiel Sei Z standardnormalverteilt. P[Z 1.55] = Φ(1.55) =
39 Stetige Standardnormalverteilung P[Z 1.55] = /52
40 40/52 Stetige mit Dichte Normalverteilung Beispiel Sei Z standardnormalverteilt. P[ 1.23 Z 2.04] = Φ(2.04) Φ( 1.23). Φ(2.04) = Φ( 1.23) = 1 Φ(1.23) =
41 41/52 Stetige Tabelle Normalverteilung Φ x Also: Φ(2.04) =
42 42/52 Stetige Tabelle Normalverteilung Φ x Also: Φ(1.23) =
43 43/52 Stetige mit Dichte Normalverteilung Beispiel Sei Z standardnormalverteilt. P[ 1.23 Z 2.04] = Φ(2.04) Φ( 1.23). Φ(2.04) = Φ( 1.23) = 1 Φ(1.23) = = Und damit P[ 1.23 Z 2.04] = = 0.87.
44 Stetige Standardnormalverteilung P[ 1.23 Z 2.04] = /52
45 45/52 Stetige mit Dichte Normalverteilung Beispiel Sei Z standardnormalverteilt. P[Z 2] = 1 Φ(2) = =
46 Stetige Standardnormalverteilung P[Z 2] = /52
47 47/52 Stetige mit Dichte Normalverteilung Die Verteilung mit Dichte f (x) = 1 2π e x 2 /2, x R, heißt Standardnormalverteilung N 0,1. Ist Z standardnormalverteilt und µ R, σ > 0, so hat X := µ + σz die Dichte f X (x) = 1 2πσ 2 e (x µ)2 /2σ 2. Die Verteilung von X heißt Normalverteilung N µ,σ 2.
48 Stetige Dichte der Normalverteilung Z /52
49 49/52 Stetige mit Dichte Normalverteilung Sei X N µ,σ 2. Dann ist X = µ + σz mit Z standardnormalverteilt. Also ist X x µ + σz x Z x µ σ. Satz P[X x] = Φ((x µ)/σ) = 1 Φ( (x µ)/σ). P[X x] = 1 Φ((x µ)/σ) = Φ( (x µ)/σ). P[x 1 X x 2 ] = Φ((x 2 µ)/σ) Φ((x 1 µ)/σ) für x 1 < x 2.
50 Stetige mit Dichte Normalverteilung Beispiel Die Größe von fünfjährigen Mädchen ist im Mittel 110cm mit einer Standardabweichung von 4cm. Wie groß ist die Wahrscheinlichkeit, dass ein zufällig ausgewähltes Mädchen mindestens 103cm aber höchstens 120cm groß ist? Annahme: Größe ist normalverteilt, also X N µ,σ 2 mit µ = 110 und σ = 4. P[103 X 120] = Φ(( )/4) Φ(( )/4) = Φ(2.5) Φ( 1.75) = Φ(2.5) 1 + Φ(1.75) = = Die gesuchte Wahrscheinlichkeit ist 95%. 50/52
51 51/52 Stetige mit Dichte Normalverteilung Beispiel (Fortsetzung) X N µ,σ 2 mit µ = 110 und σ = 4. Alternative Berechnung mit R: P[103 X 120] = P[X 120] P[X 103] = > pnorm( q=120, mean=110, sd=4 ) [1] pnorm( q=103, mean=110, sd=4 )
52 Stetige Normalverteilung P[ Z 120] = /52
Biostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
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
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 stheorie: Grundbegriffe Prof. Dr. Achim Klenke http://www.aklenke.de 5. Vorlesung: 25.11.2011 1/33 Inhalt 1 Zufallsvariablen 2 Ereignisse 3 2/33 Zufallsvariablen Eine Zufallsvariable
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
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
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
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 17. November 2010 1 Gesetze Das Gesetz der seltenen Ereignisse Das schwache Gesetz der großen Zahl 2 Verteilungsfunktionen
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Zufallsvariablen Beschreibung von Ereignissen
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
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli(p) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» ( 1) oder «Misserfolg» ( ). Die Erfolgswahrscheinlichkeit sei p. Wertebereich
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
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli( ) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» (X 1) oder «Misserfolg» (X ). Die Erfolgswahrscheinlichkeit sei. Wertebereich:
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 30. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 4 Version: 24.
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:
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
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
Mehr11. Approximation der Binomialverteilung durch die Normalverteilung
7. Approximation der Binomialverteilung durch die Normalverteilung Die Berechnung der Binomialverteilung ist wegen der Binomialkoeffizienten nicht unproblematisch. Man kann sie deshalb in gewissen Fällen
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
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
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
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
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
MehrStochastik Musterlösung 4
ETH Zürich HS 218 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 4 1. Die Zufallsvariable, die die Anzahl eingehender Telefonanrufe in einer Telefonzentrale
MehrVorlesung 8b. Zweistufige Zufallsexperimente. Teil 1
Vorlesung 8b Zweistufige Zufallsexperimente Teil 1 1 Stellen wir uns ein zufälliges Paar X = (X 1, X 2 ) vor, das auf zweistufige Weise zustande kommt: es gibt eine Regel, die besagt, wie X 2 verteilt
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrSpezielle diskrete Verteilungen
9 Eindimensionale Zufallsvariablen Spezielle diskrete Verteilungen 9.9 Spezielle diskrete Verteilungen Im Folgenden: Vorstellung spezieller (parametrischer) Verteilungsfamilien, die häufig Verwendung finden.
MehrSpezielle diskrete Verteilungen
9 Eindimensionale Zufallsvariablen Spezielle diskrete Verteilungen 9.9 Spezielle diskrete Verteilungen Im Folgenden: Vorstellung spezieller (parametrischer) Verteilungsfamilien, die häufig Verwendung finden.
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
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
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
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:
MehrÜbungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker
Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und
Mehr2 Verteilungen. Zoltán Zomotor. Versionsstand: 1. April 2015, 10:29. Die nummerierten Felder bitte während der Vorlesung ausfüllen. Inhaltsverzeichnis
2 Verteilungen Zoltán Zomotor Versionsstand: 1. April 2015, 10:29 Die nummerierten Felder bitte während der Vorlesung ausfüllen. This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike
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
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten 1/43 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.1 Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
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
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 29. Oktober 2007 1. Statistik 1.1 Wahrscheinlichkeit Pragmatisch: p(e) = n(e) N für N sehr groß Kombination von Wahrscheinlichkeiten p(a oder B) =
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 16. Januar 2015 1 Verteilungsfunktionen Definition Binomialverteilung 2 Stetige Zufallsvariable,
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
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.
Mehr7.2 Theoretische Kennwerte
7.2 Theoretische Kennwerte Theoretische Varianz und Standardabweichung Definition und Notation Verschiebungsformel für die theoretische Varianz 391 7.2 Theoretische Kennwerte Interpretation der theoretischen
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
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:
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
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
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)
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte,, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 3 4 5 6 P
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: X
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 07. Januar 2015 Klausuranmeldung Prüflinge müssen sich bis spätestens 14 Tage vor
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
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Wahrscheinlichkeitstheorie (Klausuraufgaben) Marcel Bliem Marco Boßle Jörg Hörner Mathematik Online Herbst 2010 Bliem/Boßle/Hörner (MO) PV-Kurs HM 3 1 / 7
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrStatistik für Ingenieure Vorlesung 4
Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
MehrWahrscheinlichkeitstheorie. Alea iacta est!
Wahrscheinlichkeitstheorie Alea iacta est! "Wissenschaftliche Theorien, die auf Eigenschaften einer großen Zahl von Individuen rekurrieren, [...] werden anfällig gegen Fehlinterpretationen, wenn man die
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.
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte, 2, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 2 3 4 5
MehrAufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen
Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 26. Juni 2009 Stetige Verteilungen, & ZGS Wiederholung Stetige Zufallsvariable Definition Eigenschaften, Standardisierung Zusammenhang von Poisson-
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Embrechts ETH Zürich Sommer 2015 Wahrscheinlichkeit und Statistik BSc D-INFK Name: Vorname: Stud. Nr.: Das Folgende bitte nicht ausfüllen! Aufg. Summe Kontr. Pkte.-Max. 1 10 2 10 3 10 4 10
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
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.
MehrModelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte
Statistik II für Wirtschaftswissenschaftler Folie 6.1 Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte I) Werte in (, ), Parameter µ (, ), σ 2 > 0 Normalverteilung
Mehr