Wahrscheinlichkeitsrechnung. Sommersemester Kurzskript
|
|
- Otto Kaufman
- vor 6 Jahren
- Abrufe
Transkript
1 Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält das Skript möglicherweise Themen, die nicht Gegenstand der Vorlesung waren. Das Dokument befindet sich in laufender Überarbeitung. Für Verbesserungsvorschläge und Fehlermeldungen ( bin ich dankbar!
2 Inhaltsverzeichnis 1 Beschreibende Statistik Statistische Grundbegriffe Grundgesamtheit und Stichprobe Merkmale und Merkmalsausprägungen Skalen und Merkmalstypen Tabellarische und grafische Darstellungen Häufigkeiten Die empirische Verteilungsfunktion Stabdiagramm Lagemaße Median und Quantil Stichprobenmittel Ausreißerverhalten Streuungsmaße Spannweite und Quartilsabstand Stichprobenvarianz- und Standardabweichung Grafische Darstellungen Box-Plots Histogramm Diskrete Wahrscheinlichkeitsräume und elementare Kombinatorik Grundlagen Einfache Urnenmodelle (Kombinatorik) Ziehen in Reihenfolge mit Zurücklegen Ziehen in Reihenfolge ohne Zurücklegen Ziehen ohne Reihenfolge mit Zurücklegen Ziehen ohne Reihenfolge ohne Zurücklegen Die hypergeometrische Verteilung Einige diskrete Wahrscheinlichkeitsverteilungen Die Binomialverteilung Die Poissonverteilung Die geometrische Verteilung Die negative Binomialverteilung Allgemeine Wahrscheinlichkeitsräume Grundlagen Einige stetige Wahrscheinlichkeitsverteilungen Bedingte Wahrscheinlichkeiten Unabhängigkeit
3 Inhaltsverzeichnis 4 Zufallsvariablen Einführung Unabhängige ZV en und mehrdimensionale ZV en Mehrdimensionale ZV en Quantilfunktion Summen unabhängiger ZV en Erwartungswert, Varianz und Kovarianz Transformationen von ZV en Grenzwertsätze Das Gesetz großer Zahlen Der zentrale Grenzwertsatz Anwendungen Monte-Carlo Simulation
4 1 Beschreibende Statistik 1.1 Statistische Grundbegriffe Grundgesamtheit und Stichprobe Merkmale und Merkmalsausprägungen 1.2 Skalen und Merkmalstypen 1.3 Tabellarische und grafische Darstellungen Häufigkeiten Die empirische Verteilungsfunktion Definition 1.1 (Indikatorfunktion) Für A R sei die Funktion 1 A : R {0, 1} definiert durch 1 A (x) := { 1 x A 0 x / A 1 A heißt Indikatorfunktion der Menge A. Definition 1.2 (Empirische Verteilungsfunktion) Für x 1,..., x n R wird die empirische Verteilungsfunktion F n : R [0, 1] definiert durch F n (x) := 1 n n 1 (,x] (x i ) i=1 Bemerkung 1.3 Seien x 1,..., x n R. Dann hat die empirische Verteilungsfunktion F n die folgenden Eigenschaften: (a) F n ist eine monoton wachsende Treppenfunktion. (b) F n (x) = 0 für x < min{x 1,..., x n } und F n (x) = 1 für x max{x 1,..., x n } (c) F n (x) ist der relative Anteil der Beobachtungen im Intervall (, x]. 1 F n (x) ist der relative Anteil der Beobachtungen im Intervall (x, ). F n (y) F n (x) ist der relative Anteil der Beobachtungen im Intervall (x, y]. 4
5 1 Beschreibende Statistik Stabdiagramm 1.4 Lagemaße Median und Quantil Stichprobenmittel Ausreißerverhalten 1.5 Streuungsmaße Spannweite und Quartilsabstand Definition 1.4 (Spannweite, Quartilsabstand) Für x 1,..., x n R wird die Spannweite R und Quartilsabstand Q definiert als R = x (n) x (1) Q = x 0.75 x Stichprobenvarianz- und Standardabweichung Definition 1.5 (Stichprobenvarianz- und Standardabweichung) Für x 1,..., x n R wird die Stichprobenvarianz s 2 n und empirische Standardabweichung s n definiert als s 2 n := 1 n n (x i x) 2 i=1 s := s 2 n Bemerkung 1.6 (Verschiebungssatz) Für x 1,..., x n R gilt n n (x i x) 2 = x 2 i n (x) 2 i=1 i=1 s 2 = x 2 (x) 2 bzw. 1.6 Grafische Darstellungen Box-Plots Histogramm 5
6 2 Diskrete Wahrscheinlichkeitsräume und elementare Kombinatorik 2.1 Grundlagen Definition 2.1 (Grundraum, Ereignis) Definition 2.2 (Ereignisse, Operationen) Definition 2.3 ((Diskreter) W-Raum) Sei Ω ein endlicher oder abzählbarer Grundraum. Eine Abbildung P : P ot(ω) [0, 1] heißt Wahrscheinlichkeitsmaß bzw. Wahrscheinlichkeitsverteilung, wenn (A1) P (Ω) = 1. (A2) Für alle A Ω gilt P (A) 0. (A3) Für alle disjunkten A, B Ω gilt P (A B) = P (A) + P (B). (Ω, P ) heißt (diskreter) Wahrscheinlichkeitsraum. Lemma 2.4 Sei (Ω, P ) diskreter Wahrscheinlichkeitsraum, seien A, B, A i Ω. Dann: (a) P (A c ) = 1 P (A), speziell P ( ) = 0 (b) A B P (A) P (B) (c) P (A \ B) = P (A) P (A B) (d) Falls A 1,..., A n paarweise disjunkt P ( n i=1 A i) = n i=1 P (A i) (e) Für beliebige Mengen A 1,..., A n gilt P ( n i=1 A i) n i=1 P (A i) (f) P (A B) = P (A) + P (B) P (A B) (g) P (A) = ω A P ({ω}) Definition 2.5 (Wahrscheinlichkeitsfunktion) Sei (Ω, P ) ein diskreter Wahrscheinlichkeitsraum. Die Abbildung ω P ({ω}) heißt Wahrscheinlichkeitsfunktion bzw. Zähldichte(funktion). Schreibweise: Oft P (ω) statt P ({ω}). 6
7 2 Diskrete Wahrscheinlichkeitsräume und elementare Kombinatorik 2.2 Einfache Urnenmodelle (Kombinatorik) Definition 2.6 (Laplacescher Wahrscheinlichkeitsraum) Sei Ω ein endlicher Grundraum. Wenn alle ω Ω die gleiche Wahrscheinlichkeit P (ω) besitzen, dann heissen: (a) P : (diskrete) Gleichverteilung auf Ω. (b) (Ω, P ): Laplacescher W-raum Ziehen in Reihenfolge mit Zurücklegen Ziehen in Reihenfolge ohne Zurücklegen Ziehen ohne Reihenfolge mit Zurücklegen Ziehen ohne Reihenfolge ohne Zurücklegen Identitäten für Binomialkoeffizienten Die hypergeometrische Verteilung 2.3 Einige diskrete Wahrscheinlichkeitsverteilungen Definition 2.7 (Diskrete Gleichverteilung) Definition 2.8 (Hypergreometrische Verteilung) Die Binomialverteilung Definition 2.9 (Binomialverteilung) Die Poissonverteilung Definition 2.10 (Poisson-Verteilung) Die geometrische Verteilung Definition 2.11 (Geometrische Verteilung) Die negative Binomialverteilung 7
8 3 Allgemeine Wahrscheinlichkeitsräume 3.1 Grundlagen Definition 3.1 (σ-algebra) Definition 3.2 (Wahrscheinlichkeitsraum) Definition 3.3 (Dichtefunktion, Verteilungsfunktion) Lemma 3.4 (Eigenschaften von Verteilungsfunktionen) 3.2 Einige stetige Wahrscheinlichkeitsverteilungen Definition 3.5 (Gleichverteilung) Seien a, b R mit a < b. Dann ist die (stetige) Gleichverteilung (Rechteckverteilung) auf dem Intervall [a, b] definiert durch die Dichtefunktion f(x) = 1 b a 1 [a,b](x) Bezeichnungen: U([a, b]), U(a, b), R(a, b)... (englisch: uniform distribution) Definition 3.6 (Exponentialverteilung) Sei λ > 0. Die Exponentialverteilung mit Parameter λ ist gegeben durch die Dichtefunktion f(x) = λ exp( λx) 1 [0, ) (x) bzw. Verteilungsfunktion F (x) = (1 exp( λx)) 1 [0, ) (x) Bezeichnung: Exp(λ) Definition 3.7 (Normalverteilung) Sei µ R, σ 2 > 0. Die Normalverteilung N(µ, σ 2 ) mit Parametern µ und σ 2 ist definiert durch die Dichtefunktion ( 1 f(x) = exp 1 ( ) ) 2 x µ (x R) 2πσ 2 2 σ Speziell für µ = 0 und σ 2 = 1 heißt N(0, 1) Standardnormalverteilung. Die zugehörige Dichtebzw. Verteilungsfunktion werden mit ϕ bzw. Φ bezeichnet. Es ist ϕ(x) = 1 exp ( 12 ) 2π x2 (x R) 8
9 3 Allgemeine Wahrscheinlichkeitsräume Bemerkung 3.8 (Eigenschaften der Normalverteilung) Mit den Bezeichnungen aus der obigen Definition gilt (a) ϕ ist symmetrisch zur y-achse, d.h. ϕ(x) = ϕ( x) (x R). (b) Φ(x) = 1 Φ( x) (x R). Speziell gilt Φ(0) = 1/2. (c) Sei F µ,σ 2 die Verteilungsfunktion von N(µ, σ 2 ). Dann gilt: F µ,σ 2(x) = Φ( x µ σ ). 9
10 3 Allgemeine Wahrscheinlichkeitsräume 3.3 Bedingte Wahrscheinlichkeiten Definition 3.9 (Bedingte Wahrscheinlichkeit) Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum, B A mit P (B) > 0. Für A A wird die bedingte Wahrscheinlichkeit von A unter B definiert durch P (A B) := P (A B) P (B) Lemma 3.10 (Eigenschaften) Folgerung 3.11 (Satz von der totalen Wahrscheinlichkeit) Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum, B 1,..., B n A mit n i=1 B i = Ω die B i s sind paarweise disjunkt P (B i ) > 0 für alle i = 1,... n. Dann gilt für beliebiges Ereignis A A: P (A) = n P (A B i ) P (B i ) i=1 Folgerung 3.12 (Bayessche Formel) Unter den Bedingungen der obigen Folgerung gilt: P (B i A) = P (B i ) P (A B i ) n k=1 P (A B k) P (B k ) 3.4 Unabhängigkeit Definition 3.13 (Unabhängigkeit von Ereignissen) Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Zwei Ereignisse A, B A heißen unabhängig, wenn P (A B) = P (A) P (B) 10
11 4 Zufallsvariablen 4.1 Einführung Definition 4.1 (Zufallsvariable) Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Eine Zufallsvariable (ZV e) ist eine Abbildung X : Ω R. Definition 4.2 (Verteilung von X unter P ) Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum, X : Ω R eine Zufallsvariable und B die Borelsche σ-algebra auf R. Für A B definieren wir die Wahrscheinlichkeitsverteilung von X durch P X (A) := P (X A) := P ({ω Ω X(ω) A}) Bezeichnungen: X hat Verteilung P X, X ist verteilt wie P X Notationen: X P X, X P,... Definition 4.3 (Verteilungsfunktion) Sei (Ω, A, P ) ein Wahrscheinlichkeitsraum, X : Ω R eine Zufallsvariable mit Wahrscheinlichkeitsverteilung P X. Die Funktion F X R [0, 1] mit F X (x) := P X ((, x]) = P (X x) heißt die zur Verteilung P X gehörige Verteilungsfunktion. Notationen: F X, F X, F, X F,... Sprechweisen:: F ist Verteilungsfunktion von X, X ist nach F verteilt, Unabhängige ZV en und mehrdimensionale ZV en Definition 4.4 (Unabhängigkeit) Seien X, Y ZV en auf einem Wahrscheinlichkeitsraum (Ω, A, P ). X und Y heißen (stochastisch) unabhängig, wenn für alle x, y R gilt P (X x, Y y) = P (X x) P (Y y) Mehrdimensionale ZV en Definition 4.5 (Randverteilung, gemeinsame Verteilungsfunktion) Seien X, Y ZV en. Dann heißt die Funktion F : R 2 [0, 1] F (x, y) := P (X x, Y y) (x, y R) gemeinsame Verteilungsfunktion von X und Y (Notationen: F, F (X,Y ), F (X,Y ),...) Die Funktionen F X (x) = P (X x) bzw. F Y (y) = P (Y y) heißen Randverteilungen (Randverteilungsfunktionen) von X bzw. Y. 11
12 4 Zufallsvariablen Definition 4.6 (Randdichte, gemeinsame Dichtefunktion) Seien X, Y ZV en. Eine Funktion f : R 2 R + heißt gemeinsame Dichte von X und Y, wenn F (x, y) = x y (Notationen: f, f (X,Y ), f (X,Y ),...) Die Funktionen f X (x) = f(u, v) du dv (x, y R) f(x, y) dy bzw. f Y (y) = heißen Randdichten von X bzw. Y. f(x, y) dx Bemerkung 4.7 (Verteilungsfunktion und Dichte bei unabhängigen ZV en) Seien X, Y unabhängige ZV en. Dann gilt (a) (b) F (X,Y ) (x, y) = F X (x) F Y (y) f (X,Y ) (x, y) = f X (x) f Y (y), falls die Dichtefunktionen existieren. 4.3 Quantilfunktion Definition 4.8 (Quantilfunktion, Quantil) Sei F : R [0, 1] eine stetige und streng monoton steigende Verteilungsfunktion. Für p (0, 1) heißt x p := F 1 (p) das p-quantil von F bzw. von der Wahrscheinlichkeitsverteilung, die zur Verteilungsfunktion F gehört. Die Funktion F 1 : (0, 1) R, p F 1 (p) heißt Quantilfunktion von F. Bezeichnungen: x p, q p,... Folgerung 4.9 (Simulationslemma) Sei F : R [0, 1] eine stetige und streng monoton steigende Verteilungsfunktion. (a) Sei Y U(0, 1), Z := F 1 (Y ). Dann ist Z F, d.h. die Verteilungsfunktion von Z ist F. (b) Sei X F, Z := F (X). Dann ist Z U(0, 1). 4.4 Summen unabhängiger ZV en Satz 4.10 (Faltungsformel für diskrete ZV en) Seien X, Y : Ω Z unabhängige ZV en. Dann gilt für k Z P (X + Y = k) = j Z P (X = k j) P (Y = j) = j Z P (X = j) P (Y = k j) Folgerung 4.11 (a) Seien X 1,..., X n Bin(1, p) iid. Dann ist X X n Bin(n, p). (b) Seien X P ois(λ), Y P ois(µ) unabhängig. Dann ist X + Y P ois(λ + µ). 12
13 4 Zufallsvariablen Satz 4.12 (Faltungsformel für stetige ZV en) Seien X, Y : Ω Z unabhängige ZV en mit DIchten f und g. Dann hat die ZV e X + Y die Dichte f g mit (f g)(x) = = f(y) g(x y) dy f(x y) g(y) dy Bezeichnung: Faltung von f und g. Die Faltung der entsprechenden Verteilungsfunktionen F und G wird entsprechend definiert: (F G)(x) = x F G = F X+Y (f g)(y) dy, d.h. Folgerung 4.13 Seien X N(µ 1, σ 2 1), Y N(µ 2, σ 2 2) unabhängig. Dann ist X + Y N(µ 1 + µ 2, σ σ 2 2). 4.5 Erwartungswert, Varianz und Kovarianz Definition 4.14 (Erwartungswert für diskrete ZV e) Sei X : Ω {x 1, x 2,...} eine diskrete ZV e mit Wahrscheinlichkeitsfunktion (Zähldichte) p. Dann ist der Erwartungswert von X definiert durch E(X) = i N = i N x i p(x i ) x i P (X = x i ) Definition 4.15 (Erwartungswert für stetige ZV e) Sei X : Ω R eine stetige ZV e mit Wahrscheinlichkeitsdichte f. Dann ist der Erwartungswert von X definiert durch E(X) = x f(x) dx Satz 4.16 (Rechnen mit Erwartunsgwerten) Seien X, Y ZV en, a, b R. Dann gilt: (a) E(a) = a. (b) E(aX) = a E(X) (Homogenität). (c) E(X + Y ) = E(X) + E(Y ) (Additivität). (d) Falls X Y (d.h. X(ω) Y (ω) für alle ω Ω), dann: E(X) E(Y ) (Monotonie). (e) E X + Y E X + E Y (Dreiecksungleichung). Satz 4.17 (Multiplikationssatz) Seien X, Y unabhängige ZV en. Dann gilt: E(X Y ) = E(X) E(Y ) 13
14 4 Zufallsvariablen Definition 4.18 (Varianz, Kovarianz) Seien X, Y ZV en. (a) Var(X) := E(X EX) 2 = E(X 2 ) (EX) 2 heißt Varianz von X. (b) Cov(X, Y ) := E((X EX) (Y EY )) = E(XY ) (EX) (EY ) heißt Kovarianz von X und Y. Lemma 4.19 (Eigenschaften Varianz) Seien X, Y ZV en, a, b R. Dann gilt: (a) Var(a) = 0. (b) Var(aX) = a 2 Var(X). (c) Var(X + b) = Var(X) (Translationsinvarianz). (d) E(X a) 2 = VarX + (EX a) 2. Speziell gilt: E(X a) 2 wird minimal für a = E(X). (e) Var(X + Y ) = Var(X) + Var(Y ) + 2Cov(X, Y ). Lemma 4.20 (Eigenschaften Kovarianz) Seien X, Y ZV en, a, b R. Dann gilt: (a) Cov(X, X) = Var(X). (b) Cov(X, Y ) = Cov(Y, X) (Symmetrie). (c) Cov(X + a, Y + b) = Cov(X, Y ) (Translationsinvarianz). (d) Cov(aX, by ) = ab Cov(X, Y ). (e) Wenn X, Y unabhängig sind, folgt Cov(X, Y ) = 0. Speziell gilt dann:. Var(X + Y ) = Var(X) + Var(Y ) Folgerung 4.21 (Erwartungswert einer Funktion von ZV en) Sei X ZV e, g eine Funktion, Y := g(x). Dann ist Y eine ZV e und es gilt: (a) Falls X eine diskrete ZV e mit Wahrscheinlichkeitsfunktion (Zähldichte) p ist, dann gilt: E(Y ) = i N = i N g(x i ) p(x i ) g(x i ) P (X = x i ) (b) Falls X eine stetige ZV e mit Wahrscheinlichkeitsdichte f ist, dann gilt: E(Y ) = g(x) f(x) dx 4.6 Transformationen von ZV en 14
15 5 Grenzwertsätze 5.1 Das Gesetz großer Zahlen Satz 5.1 (Tschebyscheff-Ungleichung) Sei X eine ZV e mit Erwartungswert µ und Varianz σ 2. Dann gilt für alle t > 0: P ( X µ t) σ2 t 2 Satz 5.2 (Gesetz großer Zahlen) Sei X 1, X 2,... eine iid Folge mit E(X i ) = µ und Var(X i ) = σ 2. Sei n X n := 1 n i=1 X i Dann gilt: X n µ (n ) Genauer: Für jedes ε > 0 gilt P ( X n µ > ε) 0 (n ) 5.2 Der zentrale Grenzwertsatz Satz 5.3 (Zentraler Grenzwertsatz) Sei X 1, X 2,... eine iid Folge mit E(X i ) = µ und Var(X i ) = σ 2. Sei Dann gilt: S n := 1 n n i=1 X i µ σ S n Z (n ) und Z N(0, 1). Genauer: Für jedes x R gilt P (S n x) Φ(x) (n ) Dabei ist Φ die Verteilungsfunktion von N(0, 1). 15
16 5 Grenzwertsätze Folgerung 5.4 (de-moivre-laplace) Sei X Bin(n, p) mit p (0, 1). Dann gilt: X np np(1 p) Z (n ) und Z N(0, 1). Genauer: Für jedes x R gilt ( ) X np P x Φ(x) (n ) np(1 p) Dabei ist Φ die Verteilungsfunktion von N(0, 1). 5.3 Anwendungen Monte-Carlo Simulation Monte-Carlo-Integration Berechnung von Pi 16
17 Literaturverzeichnis Lehrbücher [B1] Bourier, Beschreibende Statistik, Gabler, 2005 [B2] Bourier, Wahrscheinlichkeitsrechnung und schließende Statistik, Gabler, 2006 [CK] Cramer, Kamps, Grundlagen der Wahrscheinlichkeitsrechnung und Statistik, Springer, 2007 [DH] Dehling, Haupt, Einführung in die Wahrscheinlichkeitstheorie und Statistik, Springer, 2004 [Kr] Krengel, Einführung in die Wahrscheinlichkeitstheorie und Statistik, Vieweg, 1991 [PfSchu] Pfeifer, Schuchmann, Statistik mit SAS, Oldenbourg, 1997 [Ri] Rice, Mathematical Statistics and Data Analysis, Duxbury, 1995 [St] Steland, Mathematische Grundlagen der empirischen Forschung, Springer, 2004 Nachschlagewerke [Sa] Sachs, Heddrich, Angewandte Statistik, Springer, 2006 [Ha] Hartung, Statistik, Oldenbourg,
I 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........................
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
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........................
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
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
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........................
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,
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
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
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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.
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
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
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
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
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
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 ]
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
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
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,
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
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
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)
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
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
MehrStochastik für Studierende der Informatik
Wiederholungs-/Fragestunde Peter Czuppon Uni Freiburg, 05. September 2016 Diese Zusammenfassung wurde mit Hilfe des Skriptes von Prof. Dr. Pfaffelhuber aus dem Sommersemester 2016 erstellt. Ferner deckt
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
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
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
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
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
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
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
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
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
MehrStochastik I - Formelsammlung
Stochastik I - Formelsammlung Ereignis Ergebnisraum: Ω von Julian Merkert, Wintersemester 2005/06, Prof. Bäuerle Ereignisse und Wahrscheinlichkeiten Ereignis: A Ω Elementarereignis: {ω}, ω Ω A B := AB
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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
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
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
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
MehrInhaltsverzeichnis. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Inhaltsverzeichnis Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - Anwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch):
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
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
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
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
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
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
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:
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
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.
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
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
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
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
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
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
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrStochastik für Wirtschaftswissenschaftler
Stochastik für Wirtschaftswissenschaftler Hartmut Lanzinger Wintersemester 0/ Inhaltsverzeichnis Wahrscheinlichkeiten Einführung.......................................... Laplacesche Wahrscheinlichkeitsräume...........................
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:
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
MehrStatistik für. von. Prof. Dr. Josef Bleymüller. und. Prof. Dr. Rafael Weißbach. sowie. Dr. Günther Gehlert. und. Prof. Dr.
Statistik für Wirtschaftswissenschaftler von Prof. Dr. Josef Bleymüller und Prof. Dr. Rafael Weißbach sowie Dr. Günther Gehlert und Prof. Dr. Herbert Gülicher bei früheren Auflagen 17., überarbeitete Auflage
MehrStichwortverzeichnis. Chi-Quadrat-Verteilung 183, 186, 189, 202 ff., 207 ff., 211 Testen von Zufallszahlen 294 Cărtărescu, Mircea 319
Stichwortverzeichnis A Ableitung partielle 230 absolute Häufigkeit 47 Abweichungen systematische 38, 216, 219 zufällige 216, 218, 220, 222 Algorithmus average case 303 Las Vegas 300 Monte Carlo 300 randomisierter
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrFerienkurs zur Einführung in die Wahrscheinlichkeitstheorie
Ferienkurs zur Einführung in die Wahrscheinlichkeitstheorie Wintersemester 2010/2011 Fabian Benesch 28.02.2011 Information Das Kleingedruckte Dieser Ferienkurs ist kein Bestandteil der Vorlesung Einführung
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie
Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
MehrInhaltsverzeichnis. Vorwort 13. Teil I Beschreibende Statistik 17. Kapitel 1 Statistische Merkmale und Variablen 19
Inhaltsverzeichnis Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten 19 1.2 Merkmale und Merkmalsausprägungen
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
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
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
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.
Mehr7.2 Theoretische Kennwerte
7.2 Theoretische Kennwerte Theoretische Varianz und Standardabweichung Definition und Notation Verschiebungsformel für die theoretische Varianz 391 7.2 Theoretische Kennwerte Interpretation der theoretischen
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
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
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,
MehrProf. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker
Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.
Mehr