Statistik für Ingenieure Vorlesung 3
|
|
- Achim Abel
- vor 6 Jahren
- Abrufe
Transkript
1 Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017
2 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind Zahlenwerte Ergebnisse von Zufallsversuchen. Oft ist es auch in anderen Fällen für eine mathematische Behandlung günstig, den Versuchsergebnissen Zahlen zuzuordnen (etwa 1 für Erfolg und 0 für Misserfolg ). Beschreibung von Ergebnissen eines Zufallsversuches durch eine Zufallsgröße X (oder mehrere Zufallsgrößen X 1, X 2,..., X n ). Beispiele: Zufällige Zeit X (Lebensdauer, Ausfallzeiten,... ) mit möglichen Werten {x R : x 0}. Messergebnis X (Länge, Kraft, Temperatur,... ) mit entsprechenden Zahlenwerten (ohne Maßeinheit) als möglichen Werten. Augenzahl X beim Würfeln mit möglichen Werten {1, 2, 3, 4, 5, 6}. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
3 Mathematische Definition einer Zufallsgröße Mathematische Definition einer Zufallsgröße: Eine Abbildung (Funktion) X : Ω R heißt Zufallsgröße (reelle Zufallsvariable), falls für jedes Intervall (a, b) R, a < b, die Menge {ω Ω : a < X (ω) < b} ein zufälliges Ereignis ist ( Messbarkeitsbedingung ; dabei wird ein System von zufälligen Ereignissen mit bestimmten natürlichen Eigenschaften als gegeben vorausgesetzt). Es gilt: Sind X, Y Zufallsgrößen zu einem Zufallsversuch, dann sind auch X + Y, X Y, X Y, X /Y, falls Y 0, a X mit a R und ähnliche durch mathematische Operationen gebildete Größen Zufallsgrößen (d.h. die Messbarkeitsbedingung bleibt erhalten). Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
4 Grundtypen von Zufallsgrößen Für Zufallsgrößen interessieren vor allem Wahrscheinlichkeiten der Art P(X b), P(a < X < b), P(a X b) (mit reellen Zahlen a, b) oder ähnliche. Diese bilden die Verteilung oder Wahrscheinlichkeitsverteilung der Zufallsgröße. Abgeleitete Kenngrößen, wie zum Beispiel Erwartungswert oder Varianz liefern ebenfalls wichtige Informationen. Zwei wichtige Grundtypen von Zufallsgrößen (mit zum Teil unterschiedlichen mathematischen Hilfsmitteln bei Berechnungen oder Untersuchungen) sind: Zufallsgrößen mit diskreter Verteilung (diskrete Zufallsgrößen) und Zufallsgrößen mit (absolut) stetiger Verteilung (stetige Zufallsgrößen). Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
5 Zufallsgrößen mit diskreter Verteilung Definition: Eine Zufallsgröße X heißt diskret, wenn sie nur endlich viele oder abzählbar unendlich viele mögliche Werte x 1, x 2,... annehmen kann. Die Zuordnung p i := P(X = x i ), i = 1, 2,..., heißt Wahrscheinlichkeitsfunktion der diskreten Zufallsgröße, die Werte p i sind die zu den möglichen Werten zugehörigen Wahrscheinlichkeiten. Oft wird eine Verteilungstabelle gegeben: mögliche Werte x i x 1 x 2 x 3... zugehörige Wahrscheinlichkeiten p i p 1 p 2 p 3... Die Bestimmung der Wahrscheinlichkeiten p i erfolgt durch Berechnung aus Grundannahmen (typische Verteilungen, spezielle Modelle) oder experimentell mittels statistischer Methoden. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
6 Wahrscheinlichkeiten bei diskreten Verteilungen Beispiel: Gerechtes Würfeln, Zufallsgröße X : Augenzahl. x i p i 1 6 Für die Wahrscheinlichkeiten p i gelten : 0 pi 1 ; p i = 1. i Für beliebige Mengen I R gilt P(X I ) = xi I p i, z.b. für reelle Zahlen a < b P(a < X < b) = Beispiel: Zweimaliges Würfeln (fairer Würfel), Zufallsgröße X : Augensumme. Ges.: P(X 4). a<x i <b Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November p i.
7 Zufallsgrößen mit stetiger Verteilung Definition: Eine Zufallsgröße X heißt stetig, wenn es eine integrierbare reelle Funktion f X : R R gibt, so dass P(a X b) = b a f X (x) dx für beliebige reelle Zahlen a b gilt. Die Funktion f X heißt Dichtefunktion (oder Verteilungsdichte) der Zufallsgröße X und besitzt die Eigenschaften: 1. f X (x) 0 für alle x R ; 2. f X (x) dx = 1. Bemerkungen: Eine stetige Zufallsgröße kann beliebige Werte aus einem Intervall (oder einer ähnlichen Menge) annehmen. Eine Dichtefunktion muss nicht stetig oder beschränkt sein! Eine Dichtefunktion gibt die Verteilung der Wahrscheinlichkeitsmasse auf der reellen Achse an. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
8 Beispiel Zufallsgröße mit stetiger Verteilung Beispiel: Rein zufällige Auswahl eines Punktes (Wertes) X aus dem Intervall [0, 1] (auf dem Intervall [0, 1] gleichverteilte oder gleichmäßig verteilte Zufallsgröße). Für 0 a < b 1 gilt P(a X b) = b a. { 1, 0 x 1 ; Die Dichtefunktion ist f X (x) = 0, sonst. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
9 Verteilungsfunktion einer Zufallsgröße Die Verteilungen von beliebigen Zufallsgrößen können vollständig durch die Verteilungsfunktion der jeweiligen Zufallsgröße beschrieben werden. Definition: Die Funktion F X einer reellen Variablen mit reellen Funktionswerten, die durch F X (x) = P(X < x) = P( < X < x), x R, definiert wird, heißt Verteilungsfunktion der Zufallsgröße X. Der Funktionswert ist für jede reelle Zahl x die Wahrscheinlichkeit dafür, dass die Zufallsgröße X einen Wert annimmt, der kleiner als x ist. Bemerkung: Mitunter wird die Verteilungsfunktion einer Zufallsgröße X auch durch F X (x) = P(X x), x R, definiert, insbesondere in der Zuverlässigkeitstheorie. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
10 Verteilungsfunktion einer diskreten Zufallsgröße Für übliche diskrete Zufallsgrößen ist die Verteilungsfunktion eine Treppenfunktion mit Sprüngen der Höhe p i an den Werten x i. Beispiel: Verteilungsfunktion F X der Zufallsgröße X : Augenzahl beim Würfeln mit einem gerechten Würfel. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
11 Verteilungsfunktion einer stetigen Zufallsgröße Für stetige Zufallsgrößen ist die Verteilungsfunktion eine in allen Punkten stetige Funktion. Beispiel: Verteilungsfunktion F X einer Zufallsgröße X, die auf [0, 1] gleichverteilt ist. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
12 Allgemeine Eigenschaften von Verteilungsfunktionen Eine Verteilungsfunktion F X ist monoton nicht fallend. Es gilt lim X (x) = 0. x Es gilt lim X (x) = 1. x + Es gilt für beliebige reelle Zahlen a < b : Für stetige Zufallsgrößen gelten P(a X < b) = F X (b) F X (a). P(a X < b) = P(a < X < b) = P(a < X b) = P(a X b). Außerdem gelten für stetige Verteilungen F X (x) = x f X (t) dt, x R und f X (x) = F X (x) an den Stellen x R, in denen die Ableitung existiert. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
13 3.2 Charakteristische Größen von Verteilungen Die Gesamtinformation, die mit einer Wahrscheinlichkeitsverteilung gegeben wird (oder gegeben werden muss) ist häufig zu umfangreich. Deshalb nutzt man Kenngrößen, die in praktischen Situationen gut zu nutzen sind. Die beiden wichtigsten Gruppen von Kenngrößen sind die der Lageparameter und der Streuungsparameter. Die am häufigsten genutzte Kenngröße ist der Erwartungswert EX einer Zufallsgröße X (auch Mittelwert der Zufallsgröße genannt). Der Erwartungswert ist ein Lageparameter, eine (nichtzufällige) reelle Zahl und beschreibt die Lage des Schwerpunkts der Wahrscheinlichkeitsmasse. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
14 Definition Erwartungswert einer Zufallsgröße Definition: Für eine diskrete Zufallsgröße X mit möglichen Werten x 1, x 2,... und zugehörigen Wahrscheinlichkeiten p 1 = P(X = x 1 ), p 2 = P(X = x 2 ),... wird der Erwartungswert definiert durch EX = x i p i. i Für eine stetige Zufallsgröße X mit der Dichtefunktion f X wird der Erwartungswert definiert durch Beispiele: EX = Zufallsgrößen x f X (x) dx. X1 Augenzahl beim Würfeln mit einem gerechten Würfel. X2 gleichmäßig verteilt auf dem Intervall [0, 1]. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
15 Beispiele: Erwartungswert einer Zufallsgröße X 1 Augenzahl beim Würfeln X 2 gleichverteilt auf [0, 1] Einzelwahrscheinlichkeiten Dichtefunktion und Erwartungswert und Erwartungswert Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
16 Eigenschaften von Erwartungswerten Nicht jede Zufallsgröße besitzt einen Erwartungswert. Linearitätseigenschaft von Erwartungswerten: für Zufallsgrößen X, Y und reelle Zahlen a, b gelten E(a + bx ) = a + bex ; E(X + Y ) = EX + EY. Ist g : R R eine (z.b. stetige) Funktion und X eine Zufallsgröße, dann kann man den Erwartungswert der Zufallsgröße Y = g(x ) wie folgt berechnen, ohne erst die Verteilung von Y zu bestimmen: EY = Eg(X ) = i g(x i )p i für diskrete ZG X ; EY = Eg(X ) = g(x)f X (x) dx für stetige ZG X. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
17 Varianz und Standardabweichung einer Zufallsgröße (ZG) Die wichtigste Kenngröße für die Variabilität von Zufallsgrößen ist die Varianz (auch Streuung oder Dispersion) der Zufallsgröße. Definition: Die Varianz VarX der Zufallsgröße X ist die nichtnegative reelle Zahl VarX = E (X EX ) 2 { (x i EX ) 2 p i, diskrete ZG ; = i (x EX )2 f X (x) dx, stetige ZG. Die Varianz, falls sie existiert, gibt die erwartete quadratische Abweichung der Zufallsgröße von ihrem Erwartungswert an. Definition: Die Standardabweichung σ X der Zufallsgröße X ist die positive Quadratwurzel aus der Varianz der Zufallsgröße: σ X = VarX. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
18 Eigenschaften von Varianzen und Standardabweichungen Varianz und Standardabweichung sind Streuungsparameter. Die Varianz lässt sich meistens bequemer mit Hilfe der Formel VarX = E ( X 2) (EX ) 2 berechnen. Ist a eine reelle Zahl und X Varianz, dann gelten Var(aX ) = a 2 VarX, Var(a + X ) = VarX, σ(ax ) = a σ X, σ (a+x ) = σ X. eine Zufallsgröße mit endlicher Es gilt genau dann VarX = σ X = 0, wenn es eine reelle Zahl x 0 gibt, so dass P(X = x 0 ) = 1 gilt. Die Zufallsgröße X heißt dann einpunktverteilt. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
19 Beispielberechnung Varianzen ZG X 1 : Augenzahl beim Würfeln mit einem gerechten Würfel. EX1 2 = VarX 1 = 91 6 ( = 91 6 ) 2 = = ZG X 2 : gleichmäßig verteilt auf dem Intervall [0, 1]. 1 EX2 2 = x 2 1 dx = VarX 2 = 1 ( ) = = Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
20 Variationskoeffizient Definition: Für eine Zufallsgröße X mit endlicher Varianz und EX > 0 wird der Variationskoeffizient V X definiert durch V X = σ X EX. Mit dem Variationskoeffizienten wird die Streuung der möglichen Werte zum mittleren Wert (Erwartungswert) in Beziehung gesetzt. Der Variationskoeffizient ist einheitenunabhängig und er hilft beim Vergleich der Stärke der zufälligen Schwankungen der Werte von unterschiedlichen Zufallsvariablen, insbesondere wenn diese in unterschiedlichen Einheiten gemessen wurden. Der Variationskoeffizient kann für solche Zufallsgrößen verwendet werden, bei denen die Quotientenbildung der möglichen Werte auch inhaltlich sinnvoll ist. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
21 Quantile einer stetigen Zufallsgröße Für 0 < q < 1 heißt die reelle Zahl x q ein q Quantil der stetigen Zufallsgröße X, wenn X Werte links von x q mit einer Wahrscheinlichkeit q annimmt, d.h. x q ist eine Lösung der Gleichung xq f X (x) dx = q bzw. F X (x q ) = q. q Quantile können auch für diskrete und andere Zufallsgrößen betrachtet werden. Wichtige Quantile sind: das 0.5 Quantil, es heißt Median von X ; das 0.25 bzw Quantil, dies sind die sogenannten Viertelquantile oder Quartile von X (das untere bzw. das obere) ; die α bzw. (1 α) Quantile für kleine Werte α, sie spielen bei statistischen Fragen eine große Rolle. Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
22 Beispiel Exponentialverteilung Eine Zufallsgröße X heißt exponentialverteilt mit Parameter λ > 0, falls für die Verteilungsfunktion F X bzw. die Verteilungsdichte f X gilt: F X (x) = { 0, x 0, 1 exp( λx), x > 0, f X (x) = { 0, x 0, λ exp( λx), x > 0. Verteilungsfunktion (λ = 2) Dichtefunktion (λ = 2) Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
23 Quantile für Exponentialverteilung Es sei X exponentialverteilt mit Parameter λ = 2, d.h. F X (x) = P(X < x) = { 0, x 0, 1 exp( 2x), x > 0. Dann gilt für das q Quantil x q (mit 0 < q < 1) : F X (x q ) = 1 exp( 2x q ) = q, also x q = 1 ln (1 q). 2 q x q Verteilungsfunktion Dichtefunktion Prof. Dr. Hans-Jörg Starkloff Statistik für Ingenieure Vorlesung 3 Geändert: 24. November
Statistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
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
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
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
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
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
MehrLösungen zu Übungsaufgaben Blatt 9
Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
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:
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
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
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
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
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 für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
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
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
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
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
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
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
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.
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
Mehr5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die
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
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
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
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
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
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
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
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
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
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
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
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
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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)
MehrBerechnung von W für die Elementarereignisse einer Zufallsgröße
R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
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:
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
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 Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
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
Mehr