3. Zufallsvariable und Verteilungen
|
|
- Gotthilf Kerner
- vor 6 Jahren
- Abrufe
Transkript
1 3. Zufallsvariable und Verteilungen Häufige Situation in der Praxis: Es interessiert nicht so sehr das konkrete Ergebnis ω Ω eines Zufallsexperimentes, sondern eine Zahl, die von ω abhängt Beispiele: Gewinn in Euro im Roulette Gewinn einer Aktie an der Börse Monatsgehalt einer zufällig ausgewählten Person 104
2 Intuitive Bedeutung einer Zufallsvariablen: Vorschrift, die das abstrakte ω in eine Zahl übersetzt Begrifflichkeiten: Deskriptive Statistik Wskt.-Rechnung Grundgesamtheit Ergebnismenge Merkmal Zufallsvariable Messwert Realisation 105
3 3.1 Grundbegriffe und Definitionen Definition 3.1: (Zufallsvariable [kurz: ZV]) Unter einer Zufallsvariablen versteht man formal eine (mathematische) Funktion X : Ω R ω X(ω). Bemerkungen: Eine Zufallsvariable ordnet jedem Ergebnis ω Ω eine reelle Zahl zu 106
4 Zufallsvariable als Abbildung der Ergebnismenge auf die reelle Zahlenachse (vgl. Schira, 2009, S. 258) 107
5 Bemerkungen: [I] Intuition: Eine Zufallsvariable X charakterisiert eine Zahl, deren Wert man noch nicht kennt Nach der Durchführung des Zufallsexperimentes realisiert sich die Zufallsvariable X im Wert x x heißt die Realisation oder Realisierung der ZV X nach Durchführung des zugehörigen Zufallsexperimentes In dieser VL: Zufallsvariablen werden immer mit Großbuchstaben, Realisationen immer mit Kleinbuchstaben bezeichnet 108
6 Bemerkungen: [II] Die Zufallsvariable X beschreibt die Situation ex ante, d.h. vor der tatsächlichen Durchführung des Zufallsexperimentes Die Realisation x beschreibt die Situation ex post, d.h. nach der Durchführung des Zufallsexperimentes Wahrscheinlichkeitsaussagen kann man nur über die Zufallsvariable X treffen Für den Rest der VL sind Zufallsvariablen von zentraler Bedeutung 109
7 Beispiel 1: Betrachte den 1-maligen Münzwurf (Z=Zahl, K=Kopf). Die ZV X bezeichne die Anzahl der Köpfe bei diesem Zufallsexperiment Es gilt: Ω = {K, Z} Die ZV X kann 2 Werte annehmen: X(Z) = 0, X(K) = 1 110
8 Beispiel 2: Betrachte den 3-maligen Münzwurf. erneut die Anzahl der Köpfe Die ZV X bezeichne Es gilt: Ω = {(K, K, K), (K, K, Z),..., (Z, Z, Z) }{{}}{{}}{{} =ω 1 =ω 2 Die Zufallsvariable X ist definiert durch X(ω) = Anzahl der K in ω =ω 8 } Offensichtlich: X ordnet verschiedenen ω dieselbe Zahl zu, z.b. X((K, K, Z)) = X((K, Z, K)) = X((Z, K, K)) = 2 111
9 Beispiel 3: Aus einer Personengruppe werde zufällig 1 Person ausgewählt. Die ZV X soll den Erwerbsstatus der ausgewählten Person bezeichnen Es gilt: Ω = { erwerbstätig }{{}, } nicht erwerbstätig {{} =ω 1 =ω 2 } Die ZV X kann definiert werden durch (Codierung) X(ω 1 ) = 1, X(ω 2 ) = 0 112
10 Beispiel 4: Das Zufallsexperiment bestehe in der Messung des morgigen Kurses einer bestimmten Aktie. Die ZV X bezeichne diesen Aktienkurs Es gilt: Ω = [0, ) X ist definiert durch X(ω) = ω 113
11 Zwischenfazit: Die ZV X kann verschiedene Werte annehmen und zwar mit bestimmten Wskt en Vereinfachende Schreibweise: (a, b, x R) P (X = a) P ({ω X(ω) = a}) P (a < X < b) P ({ω a < X(ω) < b}) P (X x) P ({ω X(ω) x}) 114
12 Frage: Wie kann man diese Wskt en bestimmen und mit diesen rechnen? Lösung: Die Berechnung solcher Wskt en kann über die sogenannte Verteilungsfunktion der ZV en X erfolgen Intuition: Die Verteilungsfunktion der ZV en X charakterisiert die Wahrscheinlichkeiten, mit denen sich die potenziellen Realisationen x auf der reellen Zahlenachse verteilen (die sogenannte Verteilung der ZV en X) 115
13 Definition 3.2: (Verteilungsfunktion [kurz: VF]) Gegeben sei die Zufallsvariable X. Unter der Verteilungsfunktion der ZV en X (in Zeichen: F X ) versteht man die folgende Abbildung: F X : R [0, 1] x F X (x) = P ({ω X(ω) x}) = P (X x). 116
14 Beispiel: [I] Betrachte das Laplace-Experiment des 3-fachen Münzwurfes. Die ZV X messe die Anzahl Kopf. Zunächst gilt: Ω = {(K, K, K), (K, K, Z),..., (Z, Z, Z) } }{{}}{{}}{{} = ω 1 = ω 2 = ω 8 Für die Wskt en der ZV X errechnet sich: P (X = 0) = P ({(Z, Z, Z)}) = 1/8 P (X = 1) = P ({(Z, Z, K), (Z, K, Z), (K, Z, Z)}) = 3/8 P (X = 2) = P ({(Z, K, K), (K, Z, K), (K, K, Z)}) = 3/8 P (X = 3) = P ({(K, K, K)}) = 1/8 117
15 Beispiel: [II] Daraus ergibt sich die VF: F X (x) = für x < für 0 x < für 1 x < für 2 x < 3 1 für x 3 Graph der Verteilungsfunktion 118
16 Bemerkungen: Es genügt (fast immer), lediglich die VF F X der ZV X zu kennen Oft ist es in praxi gar nicht möglich, den Grundraum Ω oder die explizite Abbildung X : Ω R anzugeben (jedoch kann man meistens die VF F X aus sachlogischen Überlegungen heraus angeben) 119
17 Allgemeingültige Eigenschaften von F X : F X (x) ist monoton wachsend Es gilt stets: lim x F X(x) = 0 und lim F X(x) = 1 x + F X ist rechtsseitig stetig, d.h. lim z x z>x F X (z) = F X (x) (vgl. Eigenschaften der empirischen Verteilungsfunktion aus der VL Statistik I) 120
18 Fazit: VF F X (x) der ZV en X gibt Antwort auf die Frage Wie hoch ist die Wahrscheinlichkeit, dass X höchstens den Wert x annimmt? Jetzt: Antwort auf die Frage Welchen Wert wird die ZV e X mit einer vorgegebenen Wahrscheinlichkeit p (0, 1) nicht überschreiten? Quantilfunktion der ZV en X 121
19 Definition 3.3: (Quantilfunktion) Gegeben sei die ZV X mit VF F X. Für jeden reellen Wert p (0, 1) versteht man unter der Quantilfunktion von X (in Zeichen: Q X (p)) die folgende Abbildung: Q X : (0, 1) R p Q X (p) = min{x F X (x) p}. Der Wert der Quantilfunktion x p = Q X (p) heißt p Quantil der ZV en X. 122
20 Bemerkungen: Das p-quantil x p ist die kleinste Zahl x R mit der Eigenschaft, dass F X (x) den Wert p erreicht oder überschreitet. Interpretiert man p (0, 1) als eine Wahrscheinlichkeit, so ist das p-quantil x p die kleinste Realisation der ZV en X, die X mit Wskt. p nicht überschreitet. Spezielle Quantile: Median: p = 0.5 Quartile: p = 0.25, 0.5, 0.75 Quintile: p = 0.2, 0.4, 0.6, 0.8 Dezile: p = 0.1, 0.2,...,
21 Frage: Warum diese scheinbar komplizierte Definition? Betrachte 3 Fälle: Stetige, streng monoton wachsende VF F X Stetige, teilweise konstante VF F X Rechtsseitig stetige Treppen-VF F X 124
22 Stetige, streng monoton wachsende Verteilungsfunktion 125
23 Stetige, teilweise konstante Verteilungsfunktion 126
24 Rechtsseitig stetige Treppen-Verteilungsfunktion 127
25 Jetzt: Typisierung von ZV en (diskrete vs. stetige ZV en) Grund: Unterschiedliche mathematische Methoden zur Behandlung von ZV en Bei diskreten ZV en: Endliche und unendliche Summen Bei stetigen ZV en: Differential- und Integralrechnung 128
26 Definition 3.4: (Diskrete Zufallsvariable) Die ZV X heißt diskret, wenn sie entweder 1. nur endlich viele Realisationen x 1, x 2,..., x J oder 2. abzählbar unendlich viele Realisationen x 1, x 2,... mit streng positiver Wahrscheinlichkeit annehmen kann, d.h. falls für alle j = 1,..., J,... gilt P (X = x j ) > 0 und J,... j=1 P (X = x j ) =
27 Typische diskrete Merkmale sind: Zählmerkmale ( X = Anzahl von... ) Codierte qualitative Merkmale Definition 3.5: (Träger einer diskreten Zufallsvariablen) Die Menge aller Realisationen, die eine diskrete ZV X mit streng positiver Wskt. annehmen kann, heißt Träger von X (in Zeichen: T X ): T X = {x 1,..., x J } bzw. T X = {x 1, x 2,...}. 130
28 Definition 3.6: (Wahrscheinlichkeitsfunktion) Für eine diskrete ZV X heißt die Funktion f X (x) = P (X = x) die Wahrscheinlichkeitsfunktion von X. Bemerkungen: [I] Die Wahrscheinlichkeitsfunktion f X der ZV X nimmt nur für die Elemente des Träger T X positive Werte an. Für Werte außerhalb des Trägers, d.h. für x / T X, gilt f X (x) = 0: f X (x) = { P (X = xj ) > 0 für x = x j T X 0 für x / T X 131
29 Bemerkungen: [II] Die Wahrscheinlichkeitsfkt. f X hat die Eigenschaften f X (x) 0 für alle x x j T X f X (x j ) = 1 Für eine beliebige Menge B R berechnet sich die Wskt. des Ereignisses {ω X(ω) B} = {X B} durch P (X B) = x j B f X (x j ) 132
30 Beispiel: [I] Betrachte 3-fachen Münzwurf und X = Anzahl Kopf Offensichtlich: X ist diskret mit dem Träger T X = {0, 1, 2, 3} Die Wahrscheinlichkeitsfunktion ist gegeben durch f X (x) = P (X = 0) = für x = 0 P (X = 1) = für x = 1 P (X = 2) = für x = 2 P (X = 3) = für x = 3 0 für x / T X 133
31 Beispiel: [II] Die Verteilungsfunktion ist gegeben durch (vgl. Folie 118) F X (x) = für x < für 0 x < für 1 x < für 2 x < 3 1 für x 3 134
32 Wahrscheinlichkeits- und Verteilungsfunktion 135
33 Offensichtlich: Für die Verteilungsfunktion gilt F X (x) = P (X x) = {x j T X x j x} =P (X=x j ) {}}{ f X (x j ) Fazit: Die VF einer diskreten ZV en X ist eine Treppenfunktion mit Sprüngen an den Stellen x j T X. Die Sprunghöhe an der Stelle x j beträgt F X (x j ) lim x xj x<x j F (x) = P (X = x j ) = f X (x j ), d.h. die Sprunghöhe ist der Wert der Wskt.-Funktion (Beziehung: Verteilungs- und Wahrscheinlichkeitsfunktion) 136
34 Jetzt: Definition von stetigen Zufallsvariablen Intuition: Im Gegensatz zu diskreten ZV en (vgl. Definition 3.4, Folie 129) sind stetige ZV e solche, die überabzählbar viele Realisationen (z.b. jede reelle Zahl in einem Intervall) annehmen können Tatsächlich: Definition stetiger ZV en komplizierter (technischer) 137
35 Definition 3.7: (Stetige ZV, Dichtefunktion) Eine ZV X heißt stetig, wenn sich ihre Verteilungsfunktion F X als Integral einer Funktion f X : R [0, ) schreiben lässt: x F X (x) = f X(t)dt für alle x R. Die Funktion f X (x) heißt Dichtefunktion [kurz: Dichte] von X. Bemerkungen: Die VF F X einer stetigen ZV en X ist (eine) Stammfunktion der Dichtefunktion f X F X (x) = P (X x) ist gleich dem Flächeninhalt unter der Dichtefunktion f X von bis zur Stelle x 138
36 Verteilungsfunktion F X und Dichte f X P(X x) = F X (x) f X (t) x t 139
37 Eigenschaften der Dichtefunktion f X : 1. Die Dichte f X ist niemals negativ, d.h. f X (x) 0 für alle x R 2. Die Fläche unter der Dichte ist gleich 1, d.h. + f X(x)dx = 1 3. Wenn F X (x) differenzierbar ist, gilt f X (x) = F X (x) 140
38 Beispiel: (Gleichverteilung über [0, 10]) [I] Gegeben sei die ZV X mit Dichtefunktion f X (x) = { 0, für x / [0, 10] 0.1, für x [0, 10] Berechnung der VF F X : [I] Für x < 0 gilt: F X (x) = x f X(t) dt = x 0 dt = 0 141
39 Beispiel: (Gleichverteilung über [0, 10]) [II] Berechnung der VF F X : [II] Für x [0, 10] gilt: F X (x) = = x f X(t) dt 0 0 dt }{{} =0 + x dt = [0.1 t] x 0 = 0.1 x = 0.1 x 142
40 Beispiel: (Gleichverteilung über [0, 10]) [III] Berechnung der VF F X : [III] Für x > 10 gilt: F X (x) = x f X(t) dt = = dt }{{} = dt + } 0 {{ } = dt }{{} =0 143
41 Verteilungsfunktion und Dichte der Gleichverteilung über [0, 10] 144
42 Jetzt: Wskt. en für Intervalle, d.h. (für a, b R, a < b) P (X (a, b]) = P (a < X b) Es gilt: P (a < X b) = P ({ω a < X(ω) b}) = P ({ω X(ω) > a} {ω X(ω) b}) = 1 P ({ω X(ω) > a} {ω X(ω) b}) = 1 P ({ω X(ω) > a} {ω X(ω) b}) = 1 P ({ω X(ω) a} {ω X(ω) > b}) 145
43 = 1 [P (X a) + P (X > b)] = 1 [F X (a) + (1 P (X b))] = 1 [F X (a) + 1 F X (b)] = F X (b) F X (a) = b f X(t) dt a f X(t) dt = b a f X(t) dt 146
44 Intervall-Wahrscheinlichkeit mit den Grenzen a und b f X (x) P(a < X b) a b x 147
45 Wichtiges Ergebnis für stetige ZV X: P (X = a) = 0 für alle a R Begründung: Fazit: P (X = a) = lim b a P (a < X b) = lim b a = a a f X(x)dx = 0 b a f X(x) dx Die Wskt., dass eine stetige ZV X einen einzelnen Wert annimmt, ist immer Null!! 148
46 Punkt-Wahrscheinlichkeit bei stetiger ZV f X (x) a b 3 b 2 b 1 x 149
47 Vorsicht: Das bedeutet nicht, dass dieses Ereignis unmöglich ist Konsequenz: Da bei stetigen ZV en für alle a R stets P (X = a) = 0 gilt, folgt für stetige ZV stets P (a < X < b) = P (a X < b) = P (a X b) = P (a < X b) = F X (b) F X (a) (Ob Intervalle offen oder geschlossen sind, spielt für die Wskt.-Bestimmung bei stetigen ZV keine Rolle) 150
48 3.2 Erwartungswert und Varianz einer Zufallsvariablen Jetzt: Beschreibung der Wskt.-Verteilung der ZV en X durch bestimmte Kenngrößen In dieser VL lediglich Betrachtung von Erwartungswert Varianz 151
49 Zunächst: Der Erwartungswert einer ZV en X ist eine Maßzahl für die Lage der Verteilung Der Erwartungswert einer ZV en X ähnelt in seiner Bedeutung dem arithmetischen Mittel einer Datenreihe (vgl. deskriptive Statistik, VL Statistik I) 152
50 Wiederholung: Für eine gegebene Datenreihe x 1,..., x n ist das arithmetische Mittel definiert als x = 1 n n i=1 x i = n i=1 ( x i 1 n ) Jeder Summand x i 1/n entspricht einem Datenpunkt relativer Häufigkeit Jetzt: Übertragung dieses Prinzips auf die ZV X 153
51 Definition 3.8: (Erwartungswert) Der Erwartungswert der ZV en X (in Zeichen: E(X)) ist definiert als E(X) = {x j T X } + x j P (X = x j ), falls X diskret ist x f X(x) dx, falls X stetig ist. Bemerkungen: [I] Der Erwartungswert der ZV en X entspricht also (in etwa) der Summe aller möglichen Realisationen jeweils gewichtet mit der Wskt. ihres Eintretens 154
52 Bemerkungen: [II] Anstelle von E(X) schreibt man häufig µ X Anstelle der Formulierung Erwartungswert der ZV en X sagt man häufig Erwartungswert der Verteilung von X Es gibt ZV en, die keinen Erwartungswert besitzen (kein Gegenstand dieser VL) 155
53 Beispiel 1: (Diskrete ZV) [I] Man betrachte den 2-maligen Würfelwurf. Die ZV X stehe für die (betragliche) Differenz der Augenzahlen. Man berechne den Erwartungswert von X Zunächst ergibt sich als Träger der Zufallsvariablen T X = {0, 1, 2, 3, 4, 5} Die Wahrscheinlichkeitsfunktion ist gegeben durch f X (x) = P (X = 0) = 6/36 für x = 0 P (X = 1) = 10/36 für x = 1 P (X = 2) = 8/36 für x = 2 P (X = 3) = 6/36 für x = 3 P (X = 4) = 4/36 für x = 4 P (X = 5) = 2/36 für x = 5 0 für x / T X 156
54 Beispiel 1: (Diskrete ZV) [II] Als Erwartungswert ergibt sich E(X) = = = Achtung: In diesem Beispiel ist E(X) eine Zahl, die die ZV X selbst gar nicht annehmen kann 157
55 Beispiel 2: (Stetige ZV) Es sei X eine stetige ZV mit der Dichte x, für 1 x 3 f X (x) = 4 0, sonst Zur Berechnung des Erwartungswertes spaltet man das Integral auf: E(X) = = + x f X(x) dx = 3 1 = 1 4 x 2 4 dx = 1 4 ( ) 1 [ ] x dx + x x dx + 0 dx 3 = =
56 Häufige Situation: Kenne ZV X mit Wskt.- oder Dichtefunktion f X Suche den Erwartungswert der transformierten ZV Y = g(x) 159
57 Satz 3.9: (Erwartungswert einer Transformierten) Gegeben sei die ZV X mit Wskt.- oder Dichtefunktion f X. Für eine beliebige (Baire)Funktion g : R R berechnet sich der Erwartungswert der transformierten ZV Y = g(x) als E(Y ) = E(g(X)) = {x j T X } + g(x j ) P (X = x j ), falls X diskret ist g(x) f X(x) dx, falls X stetig ist. 160
58 Bemerkungen: Alle Funktionen, die im VWL- und/oder BWL-Studium auftauchen, sind Baire-Funktionen Für den Spezialfall g(x) = x (die Identitätsfunktion) fällt der Satz 3.9 mit der Definition 3.8 zusammen 161
59 Rechnen mit Erwartungswerten (Teil 1): Betrachte die (lineare) Transformation Y = g(x) = a + b X mit a, b R Ist X stetig mit Dichtefunktion f X, so gilt: E(Y ) = E(a + b X) = + (a + b x) f X(x) dx = + [a f X(x) + b x f X (x)] dx = a + f X(x) dx +b } {{ } =1 + x f X(x) dx } {{ } =E(X) = a + b E(X) 162
60 Bemerkung: Der Erwartungswert ist ein linearer Operator, d.h. E(a + b X) = a + b E(X) für reelle Zahlen a, b R (Spezialfälle: a = 0, b = 0 bzw. a = 0, b = 0) 163
61 Rechnen mit Erwartungswerten (Teil 2): Betrachte die aufgespaltene Funktion Y = g(x) = g 1 (X) + g 2 (X) Ist X stetig mit Dichtefunktion f X, so gilt: E(Y ) = E[g 1 (X) + g 2 (X)] = = + [g 1(x) + g 2 (x)] f X (x) dx + g 1(x) f X (x) dx + } {{ } =E[g 1 (X)] + g 2(x) f X (x) dx } {{ } =E[g 2 (X)] = E[g 1 (X)] + E[g 2 (X)] 164
62 Bemerkung: Für diskrete ZV en sind die Herleitungen analog Satz 3.10: (Zusammenfassung) Es seien X eine beliebige ZV (stetig oder diskret), a, b R reelle Zahlen und g 1, g 2 : R R (Baire)Funktionen. Dann gelten die folgenden Rechenregeln: 1. E(a + b X) = a + b E(X). 2. E[g 1 (X) + g 2 (X)] = E[g 1 (X)] + E[g 2 (X)]. 165
63 Jetzt: Beschreibung des Streuungsverhaltens einer ZV X Wiederholung aus deskriptiver Statistik: Für eine gegebene Datenreihe x 1,..., x n ist die empirische Varianz definiert durch s 2 = 1 n n i=1 (x i x) 2 = n i=1 [ (x i x) 2 1 n ] Jeder Summand entspricht der quadratischen Abweichung des Datenpunktes x i vom arithmetischen Mittel x gewichtet mit seiner relativen Häufigkeit 166
64 Definition 3.11: (Varianz, Standardabweichung) Für eine beliebige stetige oder diskrete ZV X ist die Varianz von X [in Zeichen: V (X)] definiert als die erwartete quadrierte Abweichung der ZV von ihrem Erwartungswert E(X), d.h. V (X) = E[(X E(X)) 2 ]. Unter der Standardabweichung von X [in Zeichen: σ(x)] versteht man die (positive) Wurzel aus der Varianz, d.h. σ(x) = + V (X). 167
65 Bemerkungen: Offensichtlich ist die Varianz von X ein Erwartungswert. Mit g(x) = [X E(X)] 2 und Satz 3.9 (Folie 160) gilt für die Varianz von X: V (X) = E[g(X)] = {x j T X } + [x j E(X)] 2 P (X = x j ), für diskretes X [x E(X)]2 f X (x) dx, für stetiges X Es gibt ZV en, die keine endliche Varianz besitzen (nicht Gegenstand dieser VL) 168
66 Beispiel: (Diskrete ZV) Betrachte erneut den 2-maligen Münzwurf mit der ZV X als (betraglicher) Differenz der Augenzahlen (vgl. Beispiel 1, Folie 156). Für die Varianz gilt: V (X) = (0 70/36) 2 6/36 + (1 70/36) 2 10/36 + (2 70/36) 2 8/36 + (3 70/36) 2 6/36 + (4 70/36) 2 4/36 + (5 70/36) 2 2/36 =
67 Jetzt: Rechenregeln für Varianzen Man beachte: Varianz ist per definitionem ein Erwartungswert Rechenregeln für Erwartungswerte anwendbar Rechenregel 1: [I] Betrachte die (lineare) Transformation Y = g(x) = a + b X mit a, b R 170
68 Rechenregel 1: [II] Es gilt V (Y ) = V [g(x)] = E[[g(X) E(g(X))] 2 ] = E[[a + b X a b E(X)] 2 ] = E[b 2 [X E(X)] 2 ] = b 2 E[[X E(X)] 2 ] = b 2 V (X) Spezialfall: b = 0, a R (Varianz einer Konstanten) V (a) = 0 171
69 Rechenregel 2: Vereinfachte Varianzberechnung: V (X) = E[(X E(X)) 2 ] = E[X 2 2 E(X) X + [E(X)] 2 ] = E(X 2 ) 2 E(X) E(X) + [E(X)] 2 = E(X 2 ) [E(X)] 2 172
70 Übungsaufgabe: Berechnen Sie anhand dieser Formel die Varianz der stetigen ZV en X mit Dichte x, für 1 x 3 f X (x) = 4 0, sonst Satz 3.12: (Zusammenfassung) Es seien X eine beliebige ZV (stetig oder diskret) sowie a, b R reelle Zahlen. Es gelten die folgenden Rechenregeln: 1. V (X) = E(X 2 ) [E(X)] V (a + b X) = b 2 V (X). 173
71 3.3 Spezielle diskrete Verteilungen Jetzt: Einige wichtige diskrete Verteilungen: Bernoulli-Verteilung Binomial-Verteilung Geometrische Verteilung Poisson-Verteilung 174
72 1. Die Bernoulli-Verteilung Ausgangssituation: Ein Zufallsexp. habe nur 2 interessierende Ausgänge: Ω = A A Oft bezeichnet man das Ereignis A als Erfolg und A als Misserfolg oder Niete Definition 3.13: (Bernoulli-Experiment) Ein Zufallsexperiment, bei dem man sich nur dafür interessiert, ob ein Ereignis A eintritt oder nicht, nennt man ein Bernoulli- Experiment. 175
73 Jetzt: Definiere die codierte ZV X als X = { 1, falls A eintritt (Erfolg) 0, falls A eintritt (Misserfolg) Beispiele: [I] Das Geschlecht einer zufällig ausgewählten Person aus einer Population: X = { 1, falls die Person weiblich ist 0, falls die Person männlich ist 176
74 Beispiele: [II] Eine Urne enthält insgesamt N Kugeln, von denen M rot und N M weiß sind. Betrachte das Experiment des 1-maligen Ziehens einer Kugel: Offensichtlich: X = { 1, falls die Kugel rot ist 0, falls die Kugel weiß ist P (X = 1) = M N p P (X = 0) = N M N = 1 M N = 1 p q 177
75 Definition 3.14: (Bernoulli-Verteilung) Die ZV X repräsentiere ein Bernoulli-Experiment und für ein festes p [0, 1] gelte P (X = 1) = P (A) = p, P (X = 0) = P (A) = 1 p q. Dann heißt die ZV X Bernoulli-verteilt mit Parameter (Erfolgswskt.) p und man schreibt X Be(p). Berechnung des E-Wertes bzw. der Varianz: E(X) = 0 (1 p) + 1 p = p V (X) = (0 p) 2 (1 p) + (1 p) 2 p = p (1 p) = p q 178
76 Wahrscheinlichkeits- und Verteilungsfunktion der Bernoulli-Verteilung 179
77 2. Die Binomial-Verteilung Jetzt: Betrachte n gleichartige und unabhängig voneinander durchgeführte Bernoulli-Experimente (alle mit derselben Erfolgswahrscheinlichkeit p) Die ZV X bezeichne die Anzahl der Erfolge, d.h. der Träger von X ist T X = {0, 1,..., n} Gesucht: Wskt. genau x Erfolge zu erzielen, d.h. P (X = x) 180
78 Herleitung: Bei ( ) n unabhängigen Bernoulli-Experimenten gibt es genau n x Versuchsreihen, die exakt x Erfolge und gleichzeitig n x Misserfolge aufweisen Wegen der Unabhängigkeit der Bernoulli-Experimente ist die Wskt. jeder einzelnen dieser ( ) n x Versuchsreihen px (1 p) n x Wegen der Disjunktheit der ( ) n x Versuchsreihen folgt für die gesuchte Wskt. P (X = x) = ( n) px (1 p) n x x 181
79 Definition 3.15: (Binomial-Verteilung) Eine diskrete ZV X mit Träger T X = {0, 1,..., n} und Wahrscheinlichkeitsfunktion P (X = x) = ( n) px (1 p) n x für x = 0, 1,..., n, x heißt binomialverteilt mit den Parametern n und p [in Zeichen: X B(n, p)]. Bemerkung: Die Bernoulli-Verteilung aus Definition 3.14 (Folie 178) ist ein Spezialfall der Binomialverteilung, denn es gilt X Be(p) ist das gleiche wie X B(1, p) 182
80 Beispiel: [I] Eine Urne enthält 10 Kugeln, davon 3 rote und 7 weiße. Es werden 2 Kugeln mit Zurücklegen gezogen. Gesucht sind die Wskt en dafür, genau 0, 1 bzw. 2 rote Kugeln zu ziehen Es bezeichne X die Anzahl der gezogenen roten Kugeln. Die Wskt. bei genau einem Zug eine rote Kugel zu ziehen, beträgt p = 3/10 = 0.3 X B(n = 2, p = 0.3) 183
81 Beispiel: [II] Berechung der Wskt. Funktion: P (X = 0) = ( 2) 0.30 (1 0.3) 2 0 = P (X = 1) = ( 2) 0.31 (1 0.3) 2 1 = P (X = 2) = ( 2) 0.32 (1 0.3) 2 2 = E-Wert und Varianz einer Binomial-Verteilung: E(X) = n p V (X) = n p (1 p) (Beweise: später mit Ergebnissen aus Kapitel 4) 184
82 Wahrscheinlichkeits- und Verteilungsfunktion der Binomial-Verteilung 185
83 3. Die Geometrische Verteilung Ausgangssituation: Bernoulli-Experiment (Ausgänge A bzw. A, P (A) = p) kann prinzipiell beliebig oft wiederholt werden (gleichartige unabhängige Experimente) Von Interesse: Zeitpunkt des 1. Erfolges, d.h. ZV X = Anzahl der Experimente bis zum 1. Ausgang A 186
84 Offensichtlich: Träger von X ist T X = {1, 2,...} = N Berechnung der Wskt.-Funktion: P (X = 1) = p P (X = 2) = (1 p) p = p (1 p) P (X = 3) = (1 p) (1 p) p = p (1 p) 2. Allgemein gilt: P (X = x) = (1 p)... (1 p) p = p (1 p) x 1 }{{} x 1 mal 187
85 Definition 3.16: (Geometrische Verteilung) Eine diskrete ZV X mit Träger T X = N und der Wahrscheinlichkeitsfunktion P (X = x) = p (1 p) x 1 für x N heißt geometrisch verteilt mit Parameter p (0, 1) [in Zeichen: X G(p)]. Bemerkung: Bei der Berechnung diverser Verteilungseigenschaften spielt die unendliche geometrische Reihe eine Rolle, z.b. x=1 P (X = x) = x=1 p (1 p) x 1 = p 1 1 (1 p) = 1 188
86 Satz 3.17: (Kenngrößen der geometrischen Verteilung) Die diskrete ZV X sei geometrisch verteilt mit Parameter p, d.h. X G(p). Dann sind der Erwartungswert bzw. die Varianz von X gegeben durch E(X) = V (X) = x=1 x p (1 p) x 1 = 1 p x=1 (x 1/p) 2 p (1 p) x 1 = 1 p p
87 Beispiel: [I] Aus einer Urne mit 10 Kugeln (4 rote, 6 weiße) wird mit Zurücklegen gezogen. Gesucht werden 1. die Wskt., dass bei der 3. Ziehung erstmalig eine rote Kugel gezogen wird, 2. die Wskt., dass frühestens bei der 3. Ziehung erstmalig eine rote Kugel gezogen wird, 3. der Erwartungswert für das erstmalige Ziehen einer roten Kugel, 4. die Varianz für das erstmalige Ziehen einer roten Kugel. 190
88 Beispiel: [II] Betrachte ZV X = Nummer der Ziehung, bei der erstmalig eine rote Kugel gezogen wird Offensichtlich: X G(0.4). Damit gilt: 1. P (X = 3) = = x=3 P (X = x) = 1 P (X = 1) P (X = 2) = E(X) = 1/0.4 = V (X) = (1 0.4)/(0.4 2 ) =
89 3. Die Poisson-Verteilung Häufiges Anwendungsgebiet: Warteschlangenmodelle, z.b. zur Modellierung von Schlangen vor einem Bankschalter Auftragsschlangen bei einem Internet-Server In dieser VL: Keine sachlogische Herleitung, sondern nur formale Definition Angabe von Erwartungswert und Varianz 192
90 Definition 3.18: (Poisson-Verteilung) Die diskrete ZV X mit dem Träger T X = {0, 1,...} = N {0} und der Wahrscheinlichkeitsfunktion P (X = x) = e µ µx für x = 0, 1, 2,... x! heißt Poisson-verteilt mit Parameter µ > 0 [in Zeichen: P o(µ)]. X Bemerkung: e bezeichnet die Eulersche Zahl und die Funktion e x natürliche Exponentialfunktion (vgl. Abschnitt 2.2, VL Statistik I) die 193
91 Satz 3.19: (Kenngrößen der Poisson-Verteilung) Die diskrete ZV X sei Poisson-verteilt mit Parameter µ, d.h. X P o(µ). Dann sind der Erwartungswert bzw. die Varianz von X gegeben durch E(X) = µ sowie V (X) = µ. 194
92 Herleitungen: [I] Für den Erwartungswert gilt: E(X) = x=0 = e µ x e µ µx x! = e µ x=1 µ = µ e µ x=0 = µ e µ e µ = µ µ x 1 (x 1)! µ x x! x=1 x µx x! 195
93 Herleitungen: [II] Zur Bestimmung der Varianz berechnet man zunächst E(X 2 ) = x=0 x 2 e µ µx x! =... = µ 2 + µ Nach Satz 3.12(a) (vgl. Folie 173) folgt damit für die Varianz: V (X) = E(X 2 ) [E(X)] 2 = µ 2 + µ µ 2 = µ 196
94 3.4 Spezielle stetige Verteilungen Jetzt: Drei bekannte stetige Verteilungen Gleichverteilung Exponentialverteilung Normalverteilung 197
95 1. Die Gleichverteilung Definition 3.20: (Gleichverteilung) Die stetige ZV X heißt gleichverteilt über dem Intervall [a, b], a < b, [in Zeichen: X U(a, b)], falls X die folgende Dichtefunktion besitzt: f X (x) = 1, falls a x b b a 0, sonst. 198
96 Bemerkungen: Die ZV X auf Folie 141 ist gleichverteilt über dem Intervall [0, 10], d.h. X U(0, 10) Die Gleichverteilung U(a, b) sinnvoll, falls X keinerlei Werte zwischen a und b bevorzugt annimmt Die Verteilungsfunktion berechnet sich zu F X (x) = x f X(t) dt = 0, falls x < a x a, falls a x b b a 1, falls x > b 199
97 Dichte- und Verteilungsfunktion der Gleichverteilung über [a, b] 200
98 Satz 3.21: (E-Wert, Varianz) Für die stetige, gleichverteilte ZV X U(a, b) sind Erwartungswert und Varianz gegeben durch E(X) = + x f X(x) dx = a + b 2, V (X) = + [x E(X)]2 f X (x) dx = (b a)
99 2. Die Exponentialverteilung Definition 3.22: (Exponentialverteilung) Die stetige ZV X heißt exponentialverteilt mit Parameter λ > 0 [in Zeichen: X Exp(λ)], falls X die folgende Dichtefunktion besitzt: f X (x) = { 0, falls x < 0 λ e λ x, falls x 0. Bemerkung: Die Verteilungsfunktion berechnet sich zu F X (x) = x f X(t) dt = { 0, falls x < 0 1 e λ x, falls x 0 202
100 Dichtefunktionen der Exponentialverteilung f X (x) 4 3 λ = 3 λ = 2 λ = x
101 Verteilungsfunktionen der Exponentialverteilung F X (x) λ = λ = λ = x
102 Satz 3.23: (E-Wert, Varianz) Für die stetige, exponentialverteilte ZV X Exp(λ) sind Erwartungswert und Varianz gegeben durch E(X) = + x f X(x) dx = 1 λ, V (X) = + [x E(X)]2 f X (x) dx = 1 λ
103 3. Die Normalverteilung Einführende Bemerkungen: [I] Normalverteilung (auch Gaußverteilung) ist die wichtigste Verteilung überhaupt Praxis: Relevanz resultiert aus zentralem Grenzwertsatz (vgl. Kapitel 4) Theorie: Relevant für Entwicklung von Schätz- und Testverfahren (vgl. Kapitel 5-7) 206
104 Einführende Bemerkungen: [II] Viele Phänomene lassen sich gut durch eine Normalverteilung approximieren, z.b. Biometrische Größen (Körpergrößen, Gewicht etc.) Ökonomische Größen (Veränderungsraten) Zufällige Fehler (Messfehler, Produktionsfehler) 207
105 Definition 3.24: (Normalverteilung) Die stetige ZV X heißt normalverteilt mit Parametern µ R und σ 2 > 0 [in Zeichen: X N(µ, σ 2 )], falls X die folgende Dichtefunktion besitzt: f X (x) = 1 ( ) x µ 2 e 1 2 σ, x R. 2π σ Bemerkungen: Die Parameter µ und σ 2 geben der Dichtefunktion ihre spezielle Gestalt Die Normalverteilung N(0, 1) heißt Standardnormalverteilung. Ihre Dichte wird oft mit ϕ(x) bezeichnet 208
106 Dichtefunktionen der Normalverteilung f X (x) N(0,1) N(5,1) N(5,3) N(5,5) 0 5 x 209
107 Satz 3.25: (Eigenschaften der Normalverteilung) [I] Es sei X N(µ, σ 2 ). Dann gilt: 1. Die Dichte f X (x) hat ihr einzige lokales Maximum an der Stelle x = µ. 2. Die Dichte f X (x) ist symmetrisch um µ. 3. Die Dichte f X (x) besitzt Wendepunkte an den Stellen x = µ + σ und x = µ σ. 210
108 Satz 3.25: (Eigenschaften der Normalverteilung) [II] 4. Für Erwartungswert und Varianz von X gilt: E(X) = µ und V (X) = σ Auch die linear transformierte ZV Y = a + b X mit a, b R ist normalverteilt mit Erwartungswert E(Y ) = a + b µ und Varianz V (Y ) = b 2 σ 2, d.h. Y N(a + b µ, b 2 σ 2 ). 211
109 Jetzt: Bestimmung der Verteilungsfunktion F X : F X (x) = P (X x) = = x f X(t) dt ( ) 1 t µ 2 e 1 2 σ dt 2π σ x Problem: Keine mathematisch geschlossene Lösung des Integrals VF en können nur approximativ berechnet werden (durch numerische Verfahren) 212
110 (Approximative) Verteilungsfunktionen der Normalverteilung F X (x) N(0,1) N(5,3) N(5,5) N(5,1) 0 5 x 213
111 Bezeichnung: Die Verteilungsfunktion der Standardnormalverteilung wird oft mit Φ(x) bezeichnet, also für X N(0, 1) Φ(x) F X (x) = P (X x) Zentrales Ergebnis: Für jede beliebige normalverteilte ZV X N(µ, σ 2 ) kann die VF F X (x) = P (X x) auf die VF der Standardnormalverteilung zurückgeführt werden 214
112 Herleitung: [I] Für die VF von X N(µ, σ 2 ) gilt F X (x) = P (X x) = P Nach Satz 3.25(e) folgt Y = X µ σ ist normalverteilt, und zwar Y N(a + b µ, b 2 σ 2 ) = N (X µ)/σ }{{} Y = 1 X µ }{{} σ }{{} σ b a (x µ)/σ µ σ + 1 σ µ, 1 }{{} σ 2 σ2 = N(0, 1) }{{} = 0 = 1 215
113 Herleitung: [II] Insgesamt gilt also für die ZV X N(µ, σ 2 ): F X (x) = P (X x) = P }{{} Y N(0,1) x µ σ = Φ ( x µ σ ) Beispiel: [I] Überdeckungswahrscheinlichkeiten bei der Normalverteilung Es seien X N(µ, σ 2 ) und k R eine reelle Zahl Gesucht: Wahrscheinlichkeit dafür, dass sich X im Intervall [µ k σ, µ + k σ] realisiert 216
114 Beispiel: [II] Es gilt: P (µ k σ X µ + k σ) = F X (µ + k σ) F X (µ k σ) ) ( µ + k σ µ = Φ σ ( µ k σ µ Φ σ = Φ(k) Φ( k) ) Die VF Φ(x) der Standardnormalverteilung ist in allen Statistik- Lehrbüchern ausreichend tabelliert (z.b. in Mosler/Schmid, 2008) 217
115 Beispiel: [III] Außerdem: Φ(x) kann in allen statistischen Programmpaketen berechnet werden (z.b. in Excel, EViews, SPSS) Für k = 1, 2, 3 gilt: k = 1 : Φ(1) Φ( 1) = k = 2 : Φ(2) Φ( 2) = k = 3 : Φ(3) Φ( 3) =
116 Überdeckungswahrscheinlichkeiten der Normalverteilung Flächeninhalte: 1 : : : µ 3 σ µ 2 σ µ σ µ µ + σ µ + 2 σ µ + 3 σ 219
2. Zufallsvariable, Verteilungsfunktion, Erwartungswert,
2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, momentenerzeugende Funktion Ziel des Kapitels: Mathematische Präzisierung der Konzepte Zufallsvariable Verteilungsfunktion Dichtefunktion Erwartungswerte
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
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
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
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
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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:
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:
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
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
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 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
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
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
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
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.
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
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
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
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
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........................
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
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)
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
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
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)
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
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
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
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........................
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
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
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
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
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
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
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
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
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
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
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
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
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
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
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
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
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
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
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
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
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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)
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
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:
Mehr1.5.4 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
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 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
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
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.
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
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
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
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
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
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,
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
Mehr7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
Mehr4 Diskrete Zufallsvariablen
25 4 Diskrete Zufallsvariablen 4.1 Einleitung Die Ergebnisse von Zufallsvorgängen sind nicht notwendigerweise Zahlen. Oft ist es aber hilfreich diese durch Zahlen zu repräsentieren. Beispiel 4.1 (4-maliger
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)
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
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
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
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
MehrFolien zur Vorlesung. Statistik II (Wahrscheinlichkeitsrechnung und schließende Statistik)
Folien zur Vorlesung Statistik II (Wahrscheinlichkeitsrechnung und schließende Statistik) Sommersemester 2014 Montag, 16.15-17.45 Uhr Hörsaal: H 1 und H 3 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität
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.
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
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
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: X
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
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
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
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
Mehr