Sprechstunde zur Klausurvorbereitung
|
|
- Gerda Bachmeier
- vor 6 Jahren
- Abrufe
Transkript
1 htw saar 1 Sprechstunde zur Klausurvorbereitung Mittwoch, , Uhr, Raum 2413 Bei Interesse in Liste eintragen: Max. 20 Minuten Einzeln oder Kleingruppen (z. B. bei gemeinsamer Klausurvorbereitung) Zusätzlich: Beantwortung einzelner Fragen per Hans-Peter.Hafner@htwsaar.de Ab : Hans-Peter.Hafner@web.de
2 htw saar 2 Wiederholung: Ziegenproblem B i Auto hinter Tür i, i = 1, 2, 3 mit P(B i ) = 1/3 für alle i. Da wir keine weiteren Informationen haben, sind alle drei Türen gleich wahrscheinlich. Der Spieler wähle Tür 1. Der Quizmaster zeigt die Ziege hinter Tür 3 (Ereignis A). Ist das Auto wahrscheinlicher hinter Tür 1 (nicht wechseln) oder hinter Tür 2 (wechseln)? Wir müssen P(A B 1 ), P(A B 2 ) und P(A B 3 ) berechnen: P(A B 1 ) = 1/2 Wenn das Auto hinter Tür 1, macht es keinen Unterschied, ob Moderator Tür 2 oder 3 öffnet. P(A B 2 ) = 1 Auto hinter Tür 2: Moderator kann dann nur Tür 3 öffnen. P(A B 3 ) = 0 Auto hinter Tür 3: Moderator kann diese Tür nicht öffnen.
3 htw saar 3 Ziegenproblem Fortsetzung Wir haben alle benötigten Wahrscheinlichkeiten und können mit dem Satz von Bayes die Wahrscheinlichkeiten für Wechseln P(B 2 A) und Nicht-Wechseln P(B 1 A) berechnen: P(B 1 A) = = P(B 2 A) = P(A B 1 ) P(B 1 ) P(A B 1 ) P(B 1 ) + P (A B 2 ) P(B 2 ) + P(A B 3 ) P(B 3 ) = (1/6) / (3/6) = 1/3 P(A B 2 ) P(B 2 ) P(A B 1 ) P(B 1 ) + P (A B 2 ) P(B 2 ) + P(A B 3 ) P(B 3 ) = = (1/3) / (3/6) = 2/3 Da die 2. Wahrscheinlichkeit größer ist, empfiehlt es sich zu wechseln!
4 htw saar 4 Simpson Paradoxon 1 Sind Frauen diskriminiert?
5 htw saar 5 Simpson Paradoxon 2 Oder sind doch die Männer diskriminiert? Die Zulassungsquoten in den einzelnen Studiengängen unterscheiden sich! Studiengang 1: 72% Studiengang 2: 36% Mehr weibliche Bewerber in Studiengang mit niedrigerer Zulassungsquote. Darum Gewichtung: Frauen 0.2 * * 0.4 = = 0.48 Männer 0.8 * * 0.2 = = 0.60
6 htw saar 6 Simpson Paradoxon 3 Bezug zu bedingten Wahrscheinlichkeiten Sei (Ω, P) ein Wahrscheinlichkeitsraum, und E 1,, E n seien paarweise disjunkte Ereignisse mit E i = Ω. Ferner seien A und B Ereignisse mit P(A E i ) > 0 und P(A E i ) > 0 für jedes i = 1,, n. Das Simpson-Paradox liegt vor, wenn neben den Ungleichungen P(B A E i ) > P(B A E i ) für jedes i = 1,, n (oder für eine deutliche Mehrheit der i) auch die folgende Ungleichung gilt: Es ist P(B A) = P( E i A) * P(B A E i ) und P(B A) = P( E i A) * P(B A E i ) P(B A) < P(B A) In Beispiel: n = 2; E i Bewerbung für Fach i; B Zulassung; A weiblich S. ausführlicher bei Henze, Kapitel
7 htw saar 7 Unabhängigkeit bei mehr als 2 Ereignissen Erinnerung: Zwei Ereignisse A und B heißen unabhängig, wenn die Information, dass das eine Ereignis eingetreten ist, die Wahrscheinlichkeit für das andere nicht verändert. P(A B) = P(A) * P(B) Seien nun A, B und C Ereignisse, so dass (i) A und B unabhängig (ii) A und C unabhängig Ist dann z. B. auch B C von A unabhängig?
8 htw saar 8 Beispiel: Der Junge auf dem Reiterhof Zwei Mädchen, 13 und 14 Jahre alt, sind auf dem Reiterhof angekommen. Dort gibt es auch einen Jungen, dessen Alter a schwer zu schätzen ist. Wie könnte man herausbekommen, ob er schon über 14 ist, wenn man das wäre ja peinlich eine direkte Frage vermeiden möchte? Irgendwann stellen sie ihm die wirklich harmlos wirkende Frage Wie lange reitest Du eigentlich schon? (Antwort: 4 Jahre), und ein paar Tage später wollen sie wissen Wie alt warst Du denn, als Du angefangen hast zu reiten? (Antwort: 12). Bezeichnet man mit A die Information Alter > 14?, so ist es dafür völlig belanglos zu wissen, dass er seit 4 Jahren reitet (B). Für sich genommen würde es auch nichts nutzen zu erfahren, dass er mit 12 angefangen hat (C). Aber mit B und C zusammen ist alles klar! => Die Kombination von für sich belanglosen Informationen führt zu neuen Erkenntnissen!
9 htw saar 9 Beispiel: Münzwurf A Das Ergebnis zweier Würfe ist (Kopf, Zahl) oder umgekehrt. B Die erste Münze zeigt Kopf. C Die zweite Münze zeigt Zahl. (1) A und B sowie A und C sind unabhängig. P(A B) = P(A C) = 1/4 P(A) = 1/2 P(B) = P(C) = 1/2 P(A B) = P(A) * P(B) und P(A C) = P(A) * P(C) (2) A und B C sind nicht unabhängig. P(B C) = 1/4 P(A (B C)) = 1/4, aber P(A) * P(B C) = 1/8 (oder P(A B C) = 1 1/2 = P(A))
10 htw saar 10 Unabhängigkeit für n Ereignisse Sei (Ω, P) ein Wahrscheinlichkeitsraum. Die Ereignisse A 1,, A n heißen unabhängig, wenn gilt: für alle k = 2,, n und 1 i 1 < < i k n. P(A i1 A ik ) = P(A i1 ) * * P (A ik )
11 htw saar 11 Bemerkungen 1 1) Jede Teilmenge einer Menge von unabhängigen Ereignissen ist unabhängig. 2) In einer unabhängigen Menge von Ereignissen sind insbesondere je zwei Ereignisse unabhängig (paarweise Unabhängigkeit). 3) P(A 1 A n ) = P(A 1 ) * * P (A n ) reicht nicht für Unabhängigkeit. Sonst wäre jede Menge von Ereignissen unabhängig, bei der ein Ereignis die Wahrscheinlichkeit 0 hat.
12 htw saar 12 Unabhängigkeit für Zufallsvariable Zwei Zufallsvariable X und Y auf einem Wahrscheinlichkeitsraum (Ω, P) heißen (stochastisch) unabhängig, wenn gilt: P(X = x i, Y = y j ) = P(X = x i ) * P(Y = y j ). Für unabhängige Zufallsvariable X und Y auf einem Wahrscheinlichkeitsraum (Ω, P) gilt die Multiplikationsregel für Erwartungswerte E(X * Y) = EX * EY.
13 htw saar 13 Literatur Behrens Henze 15/ /17.9
14 htw saar 14 KAPITEL 5 STETIGE ZUFALLSVARIABLEN
15 htw saar 15 Motivation 1 Glücksrad Wir drehen ein Rad, dessen Umfang die Länge l hat und notieren die Position, an der es stoppt. Diskreter Fall Das Rad ist in m Sektoren unterteilt. Jeder Sektor hat Wahrscheinlichkeit 1/m Stetiger Fall Das Rad kann an jeder Stelle des Intervalls [0, l] stoppen. Dieses Intervall als Teilmenge der reellen Zahlen betrachtet hat unendlich viele Punkte. => Problem: Definition der Wahrscheinlichkeit für einen Punkt?
16 htw saar 16 Motivation 2 Lösung: Wahrscheinlichkeiten für Intervalle Sei [a, b] [0, l]. Definiere P([a, b] ) = (b a) / l. => P([0, l]) = 1 Im stetigen Fall hat jedes einzelne ω Ω die Wahrscheinlichkeit 0. Positive Wahrscheinlichkeiten können nur für Intervalle definiert werden.
17 htw saar 17 Formale Definition von Wahrscheinlichkeiten im stetigen Fall 1 Im Glücksrad-Beispiel war die Definition der Wahrscheinlichkeiten einfach, da eine Gleichverteilung über den ganzen Kreisumfang angenommen wurde. Meist gibt es aber unterschiedliche Wahrscheinlichkeiten und man möchte die Wahrscheinlichkeiten für beliebig kleine Intervalle berechnen. => Definition über Integrale Definition Dichtefunktion: Eine reellwertige Funktion f wird Dichtefunktion genannt, wenn (i) f(x) 0 für alle x. (ii) f() =1.
18 htw saar 18 Formale Definition von Wahrscheinlichkeiten im stetigen Fall 2 Definition Wahrscheinlichkeit: Sei f eine Dichtefunktion und sei Ω ein Wahrscheinlichkeitsraum. Dann ist für jedes in Ω enthaltene Intervall [c, d] die Wahrscheinlichkeit definiert als P([c, d]) = Für eine stetige Zufallsvariable X auf Ω ist die Verteilungsfunktion definiert als F(x) = P(X x) = Der Erwartungswert einer stetigen Zufallsvariablen mit zugehöriger Dichte f ist definiert als E(X) =
19 htw saar 19 Normalverteilung 1 Satz von de Moivre Laplace: Die Wahrscheinlichkeit, dass die Erfolgsanzahl bei n unabhängigen Bernoulli-Experimenten zwischen α und β (0 < α < β n) kann durch die Normalverteilung approximiert werden. de Moivre Laplace
20 htw saar 20 Normalverteilung 2 Adolphe Quetelet Um 1835: Untersuchungen zu Körpermaßen von belgischen Soldaten Körpergröße, Brustumfang und andere Maße entsprechen einer Normalverteilung
21 htw saar 21 Normalverteilung 3 Carl Friedrich Gauß Theorie der Beobachtungsfehler bei Experimenten => Fehler sind normalverteilt Gauß hat die Normalverteilung nicht entdeckt, aber wichtige Anwendungen entwickelt. Daher wird sie oft auch Gauß-Verteilung genannt und die Kurve der Dichte wird Gauß-Kurve oder wegen ihrer Form Glockenkurve genannt.
22 htw saar 22 Normalverteilung 4 Eine stetige Zufallsvariable X heißt normalverteilt, wenn sie eine Dichte f der folgenden Form besitzt: f(x) =!" * exp(-1/2 * ( # ) 2 ) Man schreibt: X ~ N($, % 2 ). Man kann zeigen: $ ist der Erwartungswert und % 2 ist die Varianz. N(0, 1) wird als Standard Normalverteilung bezeichnet.
23 htw saar 23 Normalverteilung 5 Je größer % 2, desto flacher ist die Kurve.
24 htw saar 24 Normalverteilung 6 Eine N($, % 2 ) verteilte Zufallsvariable X kann in eine standard-normalverteilte transformiert werden durch Z = X# 2 E(Z) = E( X# 2 ) = 2 E(X $) = 2 (E(X) -$) = 0 V(Z) = V( X# 2 ) = V( X 2) = 2 V(X) = 1
25 htw saar 25 Normalverteilung 7 Die Normalverteilung hat u. a. die folgenden Eigenschaften: symmetrisch um den Erwartungswert $ 68% der Werte liegen im Bereich einer Standardabweichung % um $, 95% im Bereich von 2 Standardabweichungen und 99,7% im Bereich von 3 Standardabweichungen um $
26 htw saar 26 Normalverteilung 8 Wie berechnet man die Wahrscheinlichkeiten? Berechnung des Integrals kompliziert! => Es gibt Tabellen! Vorgehensweise: Die Tabelle enthält für die Standard-Normalverteilung die kumulierten Wahrscheinlichkeiten, dass ein Wert kleiner als $ + x * % ist. Um die Tabelle für eine beliebige Normalverteilung anwenden zu können, müssen die Werte transformiert werden. Die transformierten Werte nennt man z-werte.
27 htw saar 27 Normalverteilung 9 Intelligenzquotienten und Mitgliedschaft bei MENSA (Gemeinschaft Hochbegabter) Als Aufnahmeprüfung wird der Intelligenztest nach Stanford-Binet verwendet, der annähernd normalverteilt ist mit Mittelwert 100 und einer Standardabweichung von 16. Aufnahmekriterium ist, dass man zu den intelligentesten 2% der Bevölkerung gehört. Der z-wert, der zu 0.98 gehört, ist Somit muss man einen IQ von mindestens * 16 = 132.8, also etwa 133 haben.
Satz von der totalen Wahrscheinlichkeit
htw saar 1 Satz von der totalen Wahrscheinlichkeit Sei (Ω, P) ein Wahrscheinlichkeitsraum, und B 1,, B n seien paarweise disjunkte Ereignisse mit B i = Ω. Für jedes Ereignis A gilt dann: P(A) = P(A B 1
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
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
Mehrhtw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT Hans-Peter Hafner WS 2016/2017
htw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT htw saar 2 Gliederung 25.01. Bedingte Wahrscheinlichkeit: Motivation und Definition Multiplikationssatz Stochastische Unabhängigkeit:
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
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
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
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.
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
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........................
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
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
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
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
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
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
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
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)
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
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
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
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
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
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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............................
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:
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
MehrMultivariate Zufallsvariablen
Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse.
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
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
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:
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
MehrKapitel 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
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
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
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,...)
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
MehrKAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN
htw saar 1 KAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN htw saar 2 Gliederung 18.01. Was sind Zufallsvariablen? Charakteristika einer Zufallsvariablen: Verteilung, Erwartungswert und Varianz Ausgewählte
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 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrVorlesung 5b. Zufallsvariable mit Dichten
Vorlesung 5b 1 Vorlesung 5b Zufallsvariable mit Dichten Vorlesung 5b Zufallsvariable mit Dichten Wiederholung aus Vorlesung 2b+: Kontinuierlich uniform verteilte Zufallsvariable: Sei S eine Teilmenge des
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests 5 Regression Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
MehrStatistik 1 Beispiele zum Üben
Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen
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
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
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........................
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
Mehr(6.29) Z X. Die standardnormalverteilte Zufallvariable Z, Z ~ N(0,1), weist den Erwartungswert (6.30) E(Z) = 0 und die Varianz (6.31) V(Z) = 1 auf.
Standardnormalverteilung Da die arameter μ und σ beliebige reelle Zahlenwerte bw. beliebige positive reelle Zahlenwerte (σ >0) annehmen können, gibt es unendlich viele Normalverteilungen. Die Dichtefunktion
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Wir betrachten Ereignisse, die in fast gleicher Form öfter auftreten oder zumindest öfter auftreten können. Beispiele: Werfen eines Würfels, Sterben an Herzversagen
MehrKapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit
Teil I: Wahrscheinlichkeitstheorie 1 Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 3: Bedingte Wahrscheinlichkeit Kapitel 4: Zufallsvariablen Kapitel 5: Erwartungswerte, Varianz, Kovarianz
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrWahrscheinlichkeitstheorie. Alea iacta est!
Wahrscheinlichkeitstheorie Alea iacta est! "Wissenschaftliche Theorien, die auf Eigenschaften einer großen Zahl von Individuen rekurrieren, [...] werden anfällig gegen Fehlinterpretationen, wenn man die
MehrBedingte Wahrscheinlichkeiten und stochastische Unabhängigkeit
Bedingte Wahrscheinlichkeiten und stochastische Unabhängigkeit Stochastische Unabhängigkeit von Ereignissen Beispiel: das Ziegenproblem Gewinnspiel: Hinter einer von drei Türen ist ein Preis, hinter den
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,
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr
Universität Münster Institut für Mathematische Statistik Stochastik für Lehramtskandidaten SoSe 015, Blatt 1 Löwe/Heusel Übungen Abgabetermin: Freitag, 10.7.015, 10 Uhr Hinweis: Dies ist nur eine Beispiellösung.
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
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
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
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
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
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
MehrKonversatorium -Vorbereitung für die erste Diplomprüfung - Stochas0k. -Wahrscheinlichkeitstheorie-
Konversatorium -Vorbereitung für die erste Diplomprüfung - Stochas0k -Wahrscheinlichkeitstheorie- Begriffsdefini=on Stochas=k altgriechisch stochas=kē technē, lateinisch ars conjectandi, Die Kunst des
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
Mehr