Biostatistik, Sommer 2017

Größe: px
Ab Seite anzeigen:

Download "Biostatistik, Sommer 2017"

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 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

Mehr

Biostatistik, Winter 2011/12

Biostatistik, 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

Mehr

Biostatistik, Sommer 2017

Biostatistik, 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

Mehr

Biostatistik, Winter 2011/12

Biostatistik, 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

Mehr

Wirtschaftsmathematik

Wirtschaftsmathematik 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

Mehr

Biostatistik, Sommer 2017

Biostatistik, 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

70 Wichtige kontinuierliche Verteilungen

70 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

Mehr

5 Binomial- und Poissonverteilung

5 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Wahrscheinlichkeitstheorie und Statistik

Wahrscheinlichkeitstheorie und Statistik Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter

Mehr

Einführung in Quantitative Methoden

Einführung 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Fit for Abi & Study Stochastik

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

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg

Statistik. 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

Mehr

Zusammenfassung 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 Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind

Mehr

Diskrete Verteilungen

Diskrete 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

Mehr

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung

2.2 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

Mehr

2 Aufgaben aus [Teschl, Band 2]

2 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:

Mehr

Grundlagen der Wahrscheinlichkeitstheorie

Grundlagen 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,...)

Mehr

Biomathematik für Mediziner

Biomathematik 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

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs 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

Mehr

Der Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),

Der 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

Mehr

Diskrete Verteilungen

Diskrete 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:

Mehr

Statistik für Ingenieure Vorlesung 5

Statistik 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:

Mehr

Binomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.

Binomialverteilung. 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

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs 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

Mehr

Statistik I für Betriebswirte Vorlesung 4

Statistik 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.

Mehr

Ausgewählte spezielle Verteilungen

Ausgewählte spezielle Verteilungen Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:

Mehr

f(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

f(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,

Mehr

Heute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung

Heute. 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

Mehr

11. Approximation der Binomialverteilung durch die Normalverteilung

11. 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

Mehr

Klausur vom

Klausur 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

Mehr

Vorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung

Vorlesung 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

Mehr

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung

Programm. 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

Mehr

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung

Wichtige 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

Mehr

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit 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

Mehr

Stochastik Musterlösung 4

Stochastik 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

Mehr

Vorlesung 8b. Zweistufige Zufallsexperimente. Teil 1

Vorlesung 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

Mehr

Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme

Wahrscheinlichkeitsfunktion. 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Spezielle diskrete Verteilungen

Spezielle diskrete Verteilungen 9 Eindimensionale Zufallsvariablen Spezielle diskrete Verteilungen 9.9 Spezielle diskrete Verteilungen Im Folgenden: Vorstellung spezieller (parametrischer) Verteilungsfamilien, die häufig Verwendung finden.

Mehr

Spezielle diskrete Verteilungen

Spezielle diskrete Verteilungen 9 Eindimensionale Zufallsvariablen Spezielle diskrete Verteilungen 9.9 Spezielle diskrete Verteilungen Im Folgenden: Vorstellung spezieller (parametrischer) Verteilungsfamilien, die häufig Verwendung finden.

Mehr

Statistik für Informatiker, SS Verteilungen mit Dichte

Statistik 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

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel 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

Mehr

Mathematik 3 für Informatik

Mathematik 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

Mehr

Vorlesung: Statistik II für Wirtschaftswissenschaft

Vorlesung: 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

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. 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:

Mehr

Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker

Übungsblatt 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

Mehr

2 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. 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

Mehr

Spezielle stetige Verteilungen

Spezielle 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

Mehr

Statistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie

Statistik 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

Mehr

Die Varianz (Streuung) Definition

Die 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

Mehr

Wichtige Definitionen und Aussagen

Wichtige 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

Mehr

Statistik, Datenanalyse und Simulation

Statistik, 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) =

Mehr

Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen

Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl

Mehr

Mathematik für Biologen

Mathematik 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,

Mehr

Zuverlässigkeitstheorie

Zuverlässigkeitstheorie 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

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 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.

Mehr

7.2 Theoretische Kennwerte

7.2 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

Mehr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr

DWT 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

Mehr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr

DWT 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

Mehr

Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)

Wahrscheinlichkeitsräume (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

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. 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:

Mehr

Kapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung

Kapitel 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.

Mehr

TU DORTMUND Sommersemester 2018

TU 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

Mehr

Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)

Wahrscheinlichkeit (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

Mehr

Übung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit

Übung 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

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition 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)

Mehr

Die tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:

Die 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

Mehr

7.5 Erwartungswert, Varianz

7.5 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

Mehr

Unabhängigkeit KAPITEL 4

Unabhängigkeit 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

Mehr

Psychologische Methodenlehre und Statistik I

Psychologische 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

Mehr

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR 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

Mehr

DWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr

DWT 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 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

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen

7.7 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

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung 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:

Mehr

3 Bedingte Wahrscheinlichkeit, Unabhängigkeit

3 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.

Mehr

Statistik für Ingenieure Vorlesung 4

Statistik 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

Mehr

Stetige Verteilungen, Unabhängigkeit & ZGS

Stetige Verteilungen, Unabhängigkeit & ZGS Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,

Mehr

4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2

4.4 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

Mehr

Wahrscheinlichkeitstheorie. Alea iacta est!

Wahrscheinlichkeitstheorie. 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

Mehr

Häufigkeitsverteilungen

Häufigkeitsverteilungen 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.

Mehr

Die tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:

Die 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

Mehr

Aufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen

Aufgabe 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),

Mehr

Stetige Verteilungen, Unabhängigkeit & ZGS

Stetige 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-

Mehr

Wahrscheinlichkeit und Statistik BSc D-INFK

Wahrscheinlichkeit 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

Mehr

Referenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn

Referenten: 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

Mehr

Dieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.

Dieses 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.

Mehr

Modelle für Daten mit kontinuierlichen Wertebereich Verteilungen mit (Wahrscheinlichkeits-)Dichte. Normalverteilung N (µ, σ 2 ) mit Dichte

Modelle 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