Kennwerteverteilungen von Häufigkeiten und Anteilen
|
|
- Stefanie Baumgartner
- vor 6 Jahren
- Abrufe
Transkript
1 Kennwerteverteilungen von Häufigkeiten und Anteilen SS200 6.Sitzung vom Die hypergeometrische Verteilung Wahrscheinlichkeitsverteilung der Häufigkeit eines binären Merkmals bei Einfacher Zufallsauswahl Ohne Zurücklegen
2 & & 8 Die hypergeometrische Verteilung II N O O P Q R S T U V W X Y Z [ \ ] ^ _ ` [ a [ b [ _ c d [ \ e [ f g [ h \ ` ] ^ _ [ Z [ \ h [ ` i j b e [ b! " #! $ % k l m n o p q r s t u v s t u v s w t s y w z 0/. & ' + & ' * & ' ) & ' ( s y v t { } ~ ƒ ~ ˆ & ( ) * +, - 2 #! " #! 2 # % A B C A B D E = <;: & ' + & ' * & ' ) & ' ( & ( ) * +, = <;: 8 F I 8 F H Œ Œ 8 F G ˆ Š ˆ Š 8 F 7 Ž 8 7 G H I J K L M Abbildung aus Kühnel/Krebs, 200: 65
3 Verteilungsfunktion der hypergeometrischen Verteilung Erwartungswert und Varianz der Hypergeometrischen Verteilung
4 Die Binomialverteilung Wahrscheinlichkeit der Häufigkeit eines binären Merkmals bei Einfacher Zufallsauswahl Mit Zurücklegen Wahrscheinlichkeit der Stichprobenzusammensetzung: n n n n-n π * π = π * π ( ) ( ) ( ) ( ) 2 2 N=Anzahl der Elemente der Gesamtmenge N =Häufigkeit der Ausprägung N 2 =Häufigkeit der Ausprägung 0 π = N / N π = N 0 0 / N
5 ÎÍÌË ÎÍÌË Ã Ã ìëêé ÎÍÌË Ý Ã Binomialverteilung Die Wahrscheinlichkeit der Zufallsvariablen X Häufigkeit der Ausprägung bzw. 0 eines binären Merkmals in einer einfachen Zufallsauswahl mit Zurücklegen heißt Binomialverteilung. Die Realisierungswahrscheinlichkeit für die Häufigkeit n bei einer Binomialverteilung entspricht. P(X = n ) = n n n π * * π ( ) n n š œ ž Ÿ ª «± ² ³ ± µ ¹ µ º ±» ± ¼ ½ ¾ À Á ¾ Â Õ Ö Ø Ù Ø Ú Û Ü Ã Ä È Ã Ä Ç Ã Ä Æ Ã Ä Å í î ï ð í ð ñ ò í ï ð ï í ï ð ï í ð ñ ò Ã Å Æ Ç È É Ê í î ï ð Ý Þ â Ý Þ á Ý Þ à Ý Þ ß í ô ð ñ í ô ñ ð í ô î ð í ð ô ð í ð ð ô í î ó î í î î ò í î ó ï í î ð ð í î î ô í î î ð Ý ß à á â ã ä å æ ç ß Ý è ¼ ½ Ï À À Á ¾  ¼ ½ Ï À À Á Ô Â Ã Ä È Ã Ä È Ã Ä Ç Ã Ä Æ Ã Ä Å í ô ó ò í ô î ñ í ô î ñ í ð ð õ í ð ð õ í î î ð í î ð î í î ó ó í î ó ó í î ð î í î î ð Ã Å Æ Ç È É Ð Ñ Ò Ó Å Ã Ê Ã Ä Ç Ã Ä Æ Ã Ä Å í ô î î í ô ò õ í ô ï ó í ð î ï í ð ô ð ö í î î ð í î î ð í î î í î ï õ í î ô ø ö í î î ð Ã Å Æ Ç È É Ð Ñ Ò Ó Å Ã Ê Abbildung aus Kühnel/Krebs, 200: 70
6 Binomialverteilung Die Verteilungsfunktion (die kumulierte Wahrscheinlichkeitsverteilung) für die Binomialverteilung kann wie folgt berechnet werden: n n j ( ( ) n PX n) = * π * π j= 0 j j Die Binomialverteilung Erwartungswert und Varianz der Binomialverteilung Erwartungswert: µ = n* π Varianz: n* π *( π ) Die Bernoulliverteilung Spezialfall der Binomialverteilung Stichprobenumfang n =
7 Relative Häufigkeiten Der Erwartungswert für den Anteil p der Ausprägungen eines binären Merkmals ist gelich den Erwartungswert der absoluten Häufigkeiten, dividiert durch den Stichprobenumfang n: µ ( p ) = 0 + * *( n* ) n µ = n π = π Bei einer einfachen Zufallsauswahl ist der Erwartungswert des Stichprobenanteils gleich dem Populationsanteil. Dies gilt für einfache Zufallsauswahlen mit und ohne Zurücklegen. Relative Häufigkeit 2 Varianz eines Stichprobenanteils σ (p ) Bei einer einfachen Zufallsauswahl mit Zurücklegen (Binomialverteilung) 2 2 σ ( p) = * σ 2 = *( n * π 2 *( π ) = n n π *( π ) = n
8 σ Relative Häufigkeit Varianz eines Stichprobenanteils (p ) σ Bei einer einfachen Zufallsauswahl ohne Ersetzung (hypergeometrische Verteilung) π *( π N n n n N 2 2 ) ( p) = * σ... * 2 X = = 2 Beziehungen hypergeometrischer Verteilung und Binomialverteilung Beide Verteilungen haben identische Erwartungswerte Die Varianzen nähern sich für große Stichproben aneinander an Verteilungen werden sich insgesamt für große Stichproben (bzw. Populationen) ähnlicher: Sog. Asymptotische Annäherung
9 ù % & & ' ( ) * +, -. / : ; < = 5 > A B 5 6 > 5? C D 2 9? 5 E? 2 < =? 2 D C F 5 6 > 5? C ý þ ÿ ú û ü! " # $ Abbildung aus Kühnel/Krebs, 200: 76 Die Normalverteilung und verwandte Wahrscheinlichkeitsverteilungen Kennwertverteilungen von Mittelwerten und Varianzen
10 Wahrscheinlichkeitsdichten kontinuierlicher Zufallsvariablen Diskrete Zufallsvariable Die Ausprägungen sind abzählbar also durch ganze Zahlen erfassbar. Z.B. die absolute Häufigkeit einer Ausprägung. Kontinuierliche Zufallsvariable Die Ausprägungen liegen beliebig dicht beieinander und können nur ducrh reelle Zahlen erfasst werden. Z.B.die eakt gemessene durchschnittliche Körpergröße in einer Population. Häufigkeitsdichte Dichte Wird als Quotient aus der relativen Häufigkeit einer Klasse dividiert durch die Klassenbreite berechnet. Wahrscheinlichkeitsdichte Die Wahrscheinlichkeitsverteilung einer kontinuierlichen Zufallsvariable kann in Intervalle aufgeteilt werden. Die Wahrscheinlichkeitsdichte ist definiert als die Höhe eines Intervalls dessen Breite gegen null geht.
11 ª s ÓØ Ñ ÖÎ Ò ÓÕ Ñ Ã Dichte Über die Wahrscheinlichkeitsdichten können die Wahrscheinlichkeiten von Intervallen berechnet werden. P( a b) = f ( ) d b a a mit f ( ) d = bestimmtes Integral von a bis b a über die Dichte der Zufallsvariablen X G H H I J K L M N O P Q R S T U V W X U Y Z [ \ Z X U ] Y Z ^ Y [ _ [ ` S T U V W X U Y Z [ \ Z X U ] Y Z ^ W a b c d e f g h i f g f c j g k l m n o p p i q o k c o r p g h t u v w y w z { z } w ~ ~ w ƒ y ƒ w ƒ ~ { ~ ˆ Š ˆ Œ Ž Œ «± ² ³ µ ² ± ¹ ³ ³ ² º» ¼ ½ ¼ ¾» À Á  ½ ½» ž Ÿ š œ œ š Î Ò Ó Ð Ó Ô Î Ò Î ÏÐÑ Ì Í Ä Ê Å Ä É Æ Ä É Å Ä È Æ Ä È Å Ä Ç Æ Ä Ç Å Ä Å Æ Ä Å Å Ë Ê Ë É Ë È Ë Ç Å Ç È É Ê Abbildung aus Kühnel/Krebs, 200: 84
12 gl e jb f gi e v w _ " Verteilungsfunktion Die Verteilungsfunktion F() einer kontinuierlichen Zufallsvariable ist ist definiert als das bestimmte Integral der wahrscheinlichkeitsdichte von minus unendlich bis zur Stelle : F () = P( X ) = fudu () Ù Ú Ú Û Ü Ý Þ ß à á â ã ä å æ ç è é ê ç ë ì í î ì ê ç ï ë ì ð é ñ ì ê ç ð ë ò ó ë è ð ë ì î ô í õ é ö ô í ï ð ì í ô í ñ ø ù ú û ü ý þ ÿ ÿ ý û ÿ ü ÿ ü ý ÿ û ù ú þ þ ú ý ú þ ÿ û C D. / : ; : 3 2 E F G H F I J K L M N O P Q R P Q S T U V O P, -. / : ; : < = : 7 8 : > : 7? : 7 2 : A / ; 2 3 B p mno b kf g kd g h b f b cde ` a W ] X W \ Y W \ X W [ Y W [ X W Z Y W Z X W X Y 6% W X X ^ ] ^ \ ^ [ ^ Z X Z [ \ ] q r s t u + ()* " ' & %! "#$! = y z { } z ~ ~ ƒ = = = Abbildung aus Kühnel/Krebs, 200: 86
13 Erwartungswert und Varianz Erwartungswert einer kontinuierlichen Zufallsvariable: + µ = * f() d wobei µ = Erwartungswert einer Zufallsvariablen X Erwartungswert und Varianz Die Varianz einer stetigen Zufallsvariablen X ist gleich: X X σ = ( µ ) * f ( ) d = + - wobei (- µ ) * f ( ) d 2 2 X 2 µ
14 Normalverteilungen: Die Gauß sche Normalverteilung Symmetrische, unimodale, glockenförmige Verteilung, deren Ausprägungen von bis + reichen. Kennzeichnend: feste Realisierungswahrscheinlichkeiten in Intervallen, die ±k Standardabweichungen um den Erwartungswert liegen; σ µ ˆ Š Œ Ž š œ ž Ÿ š Ÿ «µ µ ± ² ³ µ ¹ º» ¼ ½ ¾» ª ª ª ª ½ Ä À ½ à Á ½ à À ½ ¾ Á ½ ¾ À ½  Á ½  À ½ À Á ½ À À Ç È µé Ê Ë É Ì µé Í Ê Ë É Î Ï Ð Ñ Ò Ó Ó Ô Á ½ Ä Ä Æ Ä Æ Ã Æ ¾ Æ Â À  ¾ Ã Ä Å ½ Ä À ½ à Á ½ à À ½ ¾ Á ½ ¾ À ½  Á ½  À ½ À Á ½ À À Ç È µé Õ Ë É Ì µé Í Õ Ë É Î Ï Ð Ñ Ñ Ö Ê Ô Ô ½ ¾ Æ Ä Æ Ã Æ ¾ Æ Â À  ¾ Ã Ä Å Abbildung aus Kühnel/Krebs, 200: 90
15 Wahrscheinlichkeitsdichte der Normalverteilung f ( ) = * e 2 2πσ ( µ ) 2σ 2 2 π = Kreiskonstante Pi e = Eulersche Zahl (Basis des Natürlichen Logarithmus) Standardnormalverteilung und Z-Transformation Jede Normalverteilte Zufallsvariable X kann mit Hilfe der Z-Transformation (auch Standardisierung genannt) in eine Standardnormalverteilte Variable überführt werden. Standardisierte (d.h. standardnormalverteilte) Variablen haben einen Erwartungswert µ = 0, und eine Standardabweichung σ = Die Wahrscheinlichkeitsdichte einer std.norm.- verteilten Variable wird mit bezeichnet. Φ( z)
16 Z-Transformation Standardisiert eine Normalverteilte Zufallsvariable (weist ihr einen Quantilwert der Standardnormalverteilung zu) z α = q α µ X σ z q α α = Quantilwert der standardisierten Zufallsvariablen X = Quantilwert der normalverteilten Zufallsvariablen X Quantilwerte und Quantilwahrscheinlichkeiten Quantilwerte können als Ausprägungen von Standardnormalverteilungen betrachtet werden Diesen Quantilwerten können Auftretenswahrscheinlichkeiten zugewiesen werden: Dies geschieht über die sogenannte Z- Tabelle der Quantile der Normalverteilung. (S.642)
Kennwerteverteilungen von Häufigkeiten und Anteilen
Kennwerteverteilungen von Häufigkeiten und Anteilen 6. Sitzung 32 S., SoSe 2003 Die hypergeometrische Verteilung Wahrscheinlichkeitsverteilung der Häufigkeit eines binären Merkmals bei Einfacher Zufallsauswahl
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
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
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
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
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
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
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
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:
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrNormalverteilung. Erwartungswert, Median und Modus sind identisch. Symmetrieeigenschaft um den Erwartungswert
Normalverteilung Stetige Wahrscheinlichkeitsverteilung, die zahlreiche natur, wirtschafts und sozialwissenschaftliche Merkmalsausprägungen mit guter Näherung abbilden kann und somit von elementarer Bedeutung
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
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.
Mehr... City Trip. City Trip. City Trip! DUBLIN. CityTrip EXTRATIPPS. City-Faltplan. Mit Faltplan. Preisbewusste Nachteulen
T x ü: ß 147 T T 11 T - 142 10 144 T! T 3 I T 8 I 130 ä I T T T - T XTTI x I T T T T T T x -- x T T è 8 I 19 1 4, ü Ü 90 T T 74 143 2014/1 14 13 T ä : á I 978-3-8317-2424- 18 ç 9 I -ü, 144 9,9 [] I 49
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
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
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
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
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
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
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
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
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
MehrChapter 1 : þÿ s i e h e C o d e f ü r b e t a t h o m e c h a p t e r
Chapter 1 : þÿ s i e h e C o d e f ü r b e t a t h o m e c h a p t e r þÿ 2 9 A u g 2 0 1 2 i n t o y o u r s m a r t p h o n e t o a v o i d e x p e n s i v e d a t a c h a r g e s a t h o m e a n d w
MehrChapter 1 : þÿ i m s p i e l b e t c h a p t e r
Chapter 1 : þÿ i m s p i e l b e t 3 6 5 c h a p t e r þÿ S i e s i c h f ü r e i n e w e i t e r e k o s t e n l o s e W e t t e f ü r d a s n ä c h s t e C h a n n e l 4 - R e n n e n.. T i p i c o d
Mehr1.5.4 Quantile und Modi
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.70. [Quantil, Modus] Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
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
MehrChapter 1 : þÿ b e t p o k e r d o w n l o a d c h a p t e r
Chapter 1 : þÿ b e t 3 6 5 p o k e r d o w n l o a d c h a p t e r þÿ K u p o n y b u k m a c h e r s k i e u y t k o w n i k ó w S y s t e m u T y p e r a w s e r w i s i e T y p o s f e r a.. b e t 3
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
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrChapter 1 : þÿ b e t a t h o m e L i v e - T V - V o l l b i l d c h a p t e r
Chapter 1 : þÿ b e t a t h o m e L i v e - T V - V o l l b i l d c h a p t e r þÿ m i t s e i n e n W e t t a n b i e t e r n ( B e t c l i c, B e t a t h o m e u n d e b e n E x p e k t ) z u d e n. D
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
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
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/31 Kruschwitz/Husmann (2012) Finanzierung und Investition 2/31 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München
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
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
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrChapter 1 : þÿ b e t a t h o m e m a t c c h a p t e r
Chapter 1 : þÿ b e t a t h o m e m a t c c h a p t e r þÿ 1 0 0 0 B e s t G a m e s f o r W i n d o w s ( 1 9 9 9, C o s m i E u r o p e, L t d. ) ( W i n d o w s 3. x ) 1 0 0 1.. B e t A t H o m e D i
MehrChapter 1 : þÿ b e t a t h o m e n e t c h a p t e r
Chapter 1 : þÿ b e t a t h o m e n e t c h a p t e r þÿ a u s g e h t.. D i r d i e A G B s a n u n d w i e d a s F i r m e n g e f l e c h t ü b e r Ö s t e r r e i c h,. w i s s e n, w i e e i n e W
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
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
Mehreconstor Make Your Publication Visible
econstor Make Your Publication Visible A Service of Wirtschaft Centre zbwleibniz-informationszentrum Economics Lanne, Markku; Saikkonen, Pentti Working Paper Reducing size distortions of parametric stationarity
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)
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
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
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
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
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
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
MehrSDT in der Psychologie. PWP 1 Signalentdeckungstheorie. Bsp. Detektion von Tönen im Rauschen. Anwendungsbeispiele
in der Psychologie PWP 1 Signalentdeckungstheorie Signal Detection Theory WiSe 2007 Mensch als Detektor/Entscheidungsträger Empfindlichkeit/Entdeckbarkeit des Reizes Antworttendenz Psychophysisches Modell
MehrDefinition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch
Kapitel 4 Diskrete Verteilungen 4.1 Bernoulli-Verteilung Definition 4.1 Die Wahrscheinlichkeitsfunktion der Bernoulli-Verteilung ist gegeben durch È Üµ ½ für Ü ¼ für Ü ½ ¼ sonst Die Bernoulli-Verteilung
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
MehrChapter 1 : þÿ b e t b o n u s c o d e s p o r t s c h a p t e r
Chapter 1 : þÿ b e t 3 6 5 b o n u s c o d e s p o r t s c h a p t e r þÿ C o d e T h i s o f f e r i s o p e n t o n e w a n d e x i s t i n g b e t 3 6 5 c u s t o m e r s a n d a s i t & # 3 9 ; s s
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
MehrChapter 1 : þÿ b w i n e m a i l c h a p t e r
Chapter 1 : þÿ b w i n e m a i l c h a p t e r þÿ 1 8. s e p t. 2 0 0 8 i s t d e r b e r e i c h r o u l e t t e b e i b w i n k o r r e k t g e f ü h r t? j a. 1 0 0 % i g - i c h b i n.. w i e. 2 1.
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
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
MehrChapter 1 : þÿ b e t a t h o m e S e r v e r s t a t u s c h a p t e r
Chapter 1 : þÿ b e t a t h o m e S e r v e r s t a t u s c h a p t e r þÿ w e r d e n, s o n d e r n m u s s v e r s p i e l t w e r d e n. E s b e s t e h t a l s o b e t - a t - h o m e. c o m -. i s
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
MehrChapter 1 : þÿ s p i e l e n b e t a t h o m e c h a p t e r
Chapter 1 : þÿ s p i e l e n b e t a t h o m e c h a p t e r þÿ 1 8. M a i 2 0 1 6 D o m i n i c T h i e m B e t - a t - h o m e. S p i e l, S a t z u n d S i e g : b e t - a t - h o m e b r i n g t n
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)
MehrChapter 1 : þÿ b e t a t h o m e. c o m g r c h a p t e r
Chapter 1 : þÿ b e t a t h o m e. c o m g r c h a p t e r þÿ 1 7 O c t 2 0 1 4 T h e e x p e r t s a t t h e G o o d H o u s e k e e p i n g I n s t i t u t e g i v e t h e t h u m b s u p t o t h e o
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
MehrChapter 1 : þÿ a p l i c a t i e b e t a t h o m e a n d r o i d c h a p t e r
Chapter 1 : þÿ a p l i c a t i e b e t a t h o m e a n d r o i d c h a p t e r þÿ C a s i n o S t a r C a s i n o R o o m R a t e s e l c o d i g o d e c h a t r o u l e t t e S c h e c t e r b l a c k
MehrChapter 1 : þÿ A r b e i t f ü r b e t a t h o m e c h a p t e r
Chapter 1 : þÿ A r b e i t f ü r b e t a t h o m e c h a p t e r þÿ a u c h i m A n g e b o t d e r S p o r t w e t t e n i s t B e t a t H o m e e i n e r d e r & n b s p ;. A t - H o m e E r f a h r
MehrChapter 1 : þÿ b e t a t h o m e E n g l i s c h V e r s i o n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e E n g l i s c h V e r s i o n c h a p t e r þÿ w K q M x e 7 R R 0 8 x. j p g b e t 3 6 5 m o b i l e e s p a ñ o l c a s i n o b o n u s a u s z a h l e n & m i d d o
MehrChapter 1 : þÿ d e s c a r g a r b e t e n e s p a ñ o l c h a p t e r
Chapter 1 : þÿ d e s c a r g a r b e t 3 6 5 e n e s p a ñ o l c h a p t e r þÿ d E n g h i e n d i e B ä d e r J a c k p o t 3 5 D y n o a b g e s t i m m t e D ä m p f e r v i r t u e l l e s C a s i
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.
MehrChapter 1 : þÿ b e t p r e m i u m - t e l e f o n c h a p t e r
Chapter 1 : þÿ b e t 3 6 5 p r e m i u m - t e l e f o n c h a p t e r þÿ B e t 3 6 5 B i n g o. P l a y i n t h e 1 0 0 0 f r e e b i n g o r o o m w i t h n o d e p o s i t r e q u i r e d.. B e t 3
MehrChapter 1 : þÿ b e t a t h o m e P a r t e i c h a p t e r
Chapter 1 : þÿ b e t a t h o m e P a r t e i c h a p t e r þÿ C a s h p o i n t. c o m, s u b i e c t e l e ( s p o r t b e t v e r i f i c a r e b i l e t, s k i b e t s p a r i u r i s p o r t i v e,.
MehrChapter 1 : þÿ b e t b i e t e t f u ß b a l l c h a p t e r
Chapter 1 : þÿ b e t 3 6 5 b i e t e t f u ß b a l l c h a p t e r þÿ K u r z v o r M e s s e b e g i n n h a t t e a u c h d e r U S - F l u g z e u g h e r s t e l l e r B o e i n g s e i n e... S i
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:
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrChapter 1 : þÿ b e t a t h o m e A u s t r a l i e n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e A u s t r a l i e n c h a p t e r þÿ A b s t ä n d e n ü b e r p r ü f t.. 2 8. J a n. 2 0 1 6 B e t a t H o m e B o n u s - 1 0 0 E u r o W e t t b o n u s f ü r F u s
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
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
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
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrChapter 1 : þÿ h a b e m e i n P a s s w o r t b e t a t h o m e c h a p t e r
Chapter 1 : þÿ h a b e m e i n P a s s w o r t b e t a t h o m e c h a p t e r þÿ v o m e r s t e n L ä c h e l n a n p u n k t e n, i m B e r u f i m m e r e i n e n s o u v e r ä n e n, g e p f l e g
MehrChapter 1 : þÿ b e t c h a p t e r
Chapter 1 : þÿ 1 2 3 b e t 3 6 5 c h a p t e r þÿ b a n k e r s.. D o w n l o a d p r e v i o u s o r n e w v e r s i o n s o f M e t a l o g i x E s s e n t i a l s f o r O f f i c e 3 6 5.. 3. J a n.
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
MehrChapter 1 : þÿ b e t a t h o m e a n m e l d e n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e a n m e l d e n c h a p t e r þÿ. s i z z l i n g h o t o n l i n e s p i e l e n & m i d d o t ; b e t a t h o m e c a s i n o e r f a h r u n g e n n o v o l i n e o
MehrChapter 1 : þÿ b e t a t h o m e B o n u s a u s z a h l u n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e B o n u s a u s z a h l u n g c h a p t e r þÿ T i p p 2 4 f ü r A L L E : 4 W o c h e n L o t t o f ü r n u r 1 ( N e u k u n d e n ) b z w.. D i e s e F r e i s p i e
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.
MehrChapter 1 : þÿ b e t p o k e r a p p a n d r o i d t a b l e t c h a p t e r
Chapter 1 : þÿ b e t 3 6 5 p o k e r a p p a n d r o i d t a b l e t c h a p t e r þÿ 2 0. N o v. 2 0 1 5 S t a r t s e i t e S p o r t w e t t e n N e w s b e t 3 6 5 H a n d y B o n u s M o b i l w e
MehrChapter 1 : þÿ b e t a t h o m e b e t a t h o m e p a r t y W e t t e n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e b e t a t h o m e p a r t y W e t t e n c h a p t e r þÿ w o r k s w i t h i n t h e s t a n d a r d s, c o d e s, p o l i c i e s a n d g u i d e l i n e s i s s u e d
MehrChapter 1 : þÿ W a n n b e k o m m e n S i e T r e u e b o n u s b e t a t h o m e c h a p t e r
Chapter 1 : þÿ W a n n b e k o m m e n S i e T r e u e b o n u s b e t a t h o m e c h a p t e r þÿ P l a y a w e s o m e c a s i n o g a m e s l i k e p o k e r a n d s l o t s f r o m y o u r v e r y
MehrChapter 1 : þÿ b e t a t h o m e f u s s b a l l w e t t e n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e f u s s b a l l w e t t e n c h a p t e r þÿ l o s g e h e n : W i e i m I n t e r n e t a u c h e i n f a c h W e t t e a u s w ä h l e n, d i e W e t t a r t u n d d
MehrChapter 1 : þÿ b w i n R ü c k z u g p a y p a l c h a p t e r
Chapter 1 : þÿ b w i n R ü c k z u g p a y p a l c h a p t e r þÿ b w i n i s t a l s b e k a n n t e s t e r a n b i e t e r v o n s p o r t w e t t e n i m d e u t s c h s p r a c h i g e n a u c h.
MehrChapter 1 : þÿ k o n t a k t w e t t e c h a p t e r
Chapter 1 : þÿ k o n t a k t w e t t e 3 6 5 c h a p t e r þÿ b e t 3 6 5 s r a d i o b e t 3 6 5 w e t t r e g e l n F o t o s i m a g e s o f b e t 3 6 5 m a n u t d m a n c i t y B i l d e r. 2 9 A
MehrChapter 1 : þÿ b e t a t h o m e w e r b e s p o t c h a p t e r
Chapter 1 : þÿ b e t a t h o m e w e r b e s p o t c h a p t e r þÿ w i l l i a m h i l l m y c h o i c e s b e t a t h o m e t r a n s m i s j a w i l l i a m h i l l c u s t o m e r s e r v i c e. H
Mehr