Statistik und Wahrscheinlichkeitsrechnung
|
|
- Gerhard Kramer
- vor 5 Jahren
- Abrufe
Transkript
1 Statistik und Wahrscheinlichkeitsrechnung Übung
2 Inhalt der heutigen Übung Vorrechnen der Hausübung D.3 Gemeinsames Lösen der Übungsaufgaben D.4: Zufallsvektoren D.5: Multivariate Wahrscheinlichkeiten D.6: Faltungsintegral
3 Multivariate Wahrscheinlichkeitsdichte Statistik und Wahrscheinlichkeitsrechnung Wou multivariate Wahrscheinlichkeiten? R S Sicherer Bereich Versagen R S Grenustandsfunktion
4 Aufgabe D.4 Die marginalen Wahrscheinlichkeitsdichtefunktionen eines T weidimensionalen Zufallsvektors Z X, Y sind wie folgt definiert: f X 1 2 ( x) 0 für 1 x 1 sonst f Y ( y) 3 (2 2 y y ) für 0 y sonst Der Korrelationskoeffiient wischen X und Y entspricht XY. 1 3 a) Berechne den Erwartungswert von b) Berechne die Kovarian c) Berechne die Varian von d) Berechne den Erwartungswert von 6X 4Y 2 C 6 X,4Y 6X 4Y X 4Y
5 ur Erinnerung Skript: Gleichungen D.16 & D.18 Erwartungswertoperator: c cex ( ) ( ) ( ) ( ) Ec EcX E a bx a be X E g X g X E g X E g X Varianoperator: Var c Var cx 0 2 c Var X 2 Var a bx b Var X
6 Aufgabe D.4 a) Berechne den Erwartungswert von 6X 4Y 2 b) Berechne die Kovarian C6 X,4Y c) Berechne die Varian von 6X 4Y d) Berechne den Erwartungswert von 6X 4Y EabX abe X ( ) ( ) ( ) ( ) E g X g X E g X E g X a) E[6X 4Y 2] 6 E[ X] 4 E[ Y]
7 f X Aufgabe D ( x) 0 für 1 x 1 sonst f Y ( y) 3 (2 2 y y ) für 0 y 2 4 a) Berechne den Erwartungswert von 6X 4Y 2 b) Berechne die Kovarian C6 X,4Y c) Berechne die Varian von 6X 4Y d) Berechne den Erwartungswert von 6X 4Y 0 sonst XY 1 3 Berechnung E[X] und Var[X] ( ) 0 EX [ ] xf X x dx x dx x E X EX Var X x 1 E X x fx ( x) dx x dx
8 f X Aufgabe D ( x) 0 für 1 x 1 sonst f Y ( y) 3 (2 2 y y ) für 0 y 2 4 a) Berechne den Erwartungswert von 6X 4Y 2 b) Berechne die Kovarian C6 X,4Y c) Berechne die Varian von 6X 4Y d) Berechne den Erwartungswert von 6X 4Y 0 sonst XY 1 3 Berechnung E[Y] und Var[Y] EY [ y yf ( y) dy y (2 y y ) dy y ] y 0 0 EY 2 Var Y E Y y y 6 E Y y fy ( y) dy y (2 y y ) dx
9 Aufgabe D.4 a) Berechne den Erwartungswert von 6X 4Y 2 b) Berechne die Kovarian C6 X,4Y c) Berechne die Varian von 6X 4Y d) Berechne den Erwartungswert von 6X 4Y Nun können die Rechenregeln für die verschiedenen Operatoren verwendet werden, um die Aufgabe u lösen. Skript: Gleichungen D.16 D.18 a) ( ) ( ) ( ) ( ) E g X g X E g X E g X EabX abe X E[6X 4Y 2] 6 E[ X] 4 E[ Y]
10 Aufgabe D.4 a) Berechne den Erwartungswert von 6X 4Y 2 b) Berechne die Kovarian C6 X,4Y c) Berechne die Varian von 6X 4Y d) Berechne den Erwartungswert von 6X 4Y b) C 1 64 C X,4 Y X, Y XY C XY, XY, X Y C Var[ X ] Var[ Y ] CXY, XY Var[ X ] Var[ Y ]
11 Der Erwartungswert und die Varian einer linearen Funktion Zufallsvektor X ( X1, X2,..., X ) T n Lineare Funktion des Zufallsvektors Y a a X 0 n i1 i i Skript: Gleichungen D.24 und D.25 Erwartungswert und Varian der linearen Funktion Y EY a ae X 0 n i1 i i n 2 n n Var Y aivar X i2 aia jcxix j i1 i1 ji
12 Aufgabe D.4 a) Berechne den Erwartungswert von 6X 4Y 2 b) Berechne die Kovarian C6 X,4Y c) Berechne die Varian von 6X 4Y d) Berechne den Erwartungswert von 6X 4Y c) 2 Var X Y Var X Var Y C 2 [6 4 2] 6 [ ] 4 [ ] 26(4) XY, 0 n i1 Y a a X EY a ae X 0 n i i1 i i i n 2 n n Var Y aivar X i2 aia jcxix j i1 i1 ji ( 48)
13 Aufgabe D.4 a) Berechne den Erwartungswert von 6X 4Y 2 b) Berechne die Kovarian C6 X,4Y c) Berechne die Varian von 6X 4Y d) Berechne den Erwartungswert von 6X 4Y d) E[6X 4 Y ] 6 E[ X ] 4 E[ Y ] 2 2 E X x fx ( x) dx 2 2 E Y y fy ( y) dy Vgl. Teilaufgabe a) E[6X 4 Y ] 6 E[ X ] 4 E[ Y ]
14 Aufgabe D.5 Es wurden Windgeschwindigkeiten mit wei unterschiedlich genauen Messgeräten erfasst. Uns liegen die multivariaten Wahrscheinlichkeiten für die Anahl der Tage pro Jahr vor, an denen die Überschreitung eines Grenwertes mit den beiden Geräten gemessen wird: P N,N N G ist die Anahl der Tage pro Jahr, an denen die mit dem genau messenden Gerät ermittelten Windgeschwindigkeiten den Grenwert übersteigen. N U ist die Anahl der Tage pro Jahr, an denen die mit dem ungenau messenden Gerät ermittelten Windgeschwindigkeiten den Grenwert übersteigen G U
15 Aufgabe D.5 Die Tabelle eigt für beide Geräte die multivariate Wahrscheinlichkeit der Anahl der Tage pro Jahr, an denen die gemessene Windgeschwindigkeit einen bestimmten Grenwert überschreitet. N G = 0 N G = 1 N G = 2 N G = 3 P(N U ) N U = N U = N U = N U = P(N G ) =
16 Aufgabe D.5 a) Berechne die Wahrscheinlichkeit, dass sich die Anahl der Tage pro Jahr, an denen Überschreitungen des Grenwertes von den beiden Geräten gemessen wurden, entspricht. b) Es gilt die Annahme, dass das genau messende Gerät immer die exakte Windgeschwindigkeit misst. Wie gross sind die Wahrscheinlichkeiten, dass die Windgeschwindigkeit den Grenwert innerhalb eines Jahres 0, 1, 2 bw. 3 mal überschreitet, wenn nach Angabe des ungenauer messenden Gerätes der Grenwert 2 mal überschritten wird?
17 Aufgabe D.5 Lösung a) Berechne die Wahrscheinlichkeit, dass sich die Anahl der Tage pro Jahr, an denen Überschreitungen des Grenwertes von den beiden Geräten gemessen wurden, entspricht. PN [ N ] G U
18 Aufgabe D.5 Lösung Wahrscheinlichkeit, dass NG NU PN [ N ] G U U(0) G(2) U(1) U(2) G(3) U(3) Diskrete multivariate Wahrscheinlichkeitsdichtefunktion G(1) G(0) Wahrscheinlichkeit, dass NG NU PN [ G NU] Wahrscheinlichkeit, dass NG NU PN [ G NU]
19 Aufgabe D.5 Lösung b) Es gilt nun die Annahme, dass das genaue Gerät immer die exakte Windgeschwindigkeit misst. Wie gross sind die Wahrscheinlichkeiten, dass die Windgeschwindigkeit den Grenwert innerhalb eines Jahres 0, 1, 2 bw. 3 mal überschreitet, wenn nach Angabe des ungenaueren Messgeräts der Grenwert 2 mal überschritten wird? bedingte Wahrscheinlichkeit N G = 0 N G = 1 N G = 2 N G = 3 P(N U ) N U = N U = N U = N U = P(N G ) =
20 Aufgabe D.5 Lösung N G = 0 N G = 1 N G = 2 N G = 3 P(N U ) N U = N U = N U = N U = P(N G ) = 1.00 P[ N N 2] G U P[N (N 2 )] G U P[ N 2] U P[( N G 0) ( N U 2)] 001. P[N G 0 N U 2] P[ N 2] U
21 Aufgabe D.5 Lösung N G = 0 N G = 1 N G = 2 N G = 3 P(N U ) N U = N U = N U = N U = P(N G ) = 1.00 P[( NG 1) ( NU 2)] PN [ G 1 NU 2] PN [ 2] U P[( NG 2) ( NU 2)] PN [ G 2 NU 2] PN [ 2] U P[( NG 3) ( NU 2)] 0.03 PN [ G 3 NU 2] PN [ 2] U
22 Diskrete Zufallsvariablen Statistik und Wahrscheinlichkeitsrechnung Summe von Zufallsvariablen Man betrachte wei Würfel. Das Ergebnis für jeden einelnen Würfel wird anhand der diskreten Zufallsvariablen X und Y beschrieben. Wir suchen die Wahrscheinlichkeit, dass die Summe der gewürfelten Zahlen 10 entspricht. Die Summe selbst ist wiederum eine Zufallsvariable und kann so dargestellt werden: Z=X+Y Die Wahrscheinlichkeit, dass die Summe 10 entspricht, ist??? X /Y
23 Summe von Zufallsvariablen Diskrete Zufallsvariablen Die Summe der Augenahlen in einem Wurf mit wei Würfeln kann als Zufallsvariable dargestellt werden: Z=X+Y Skript: Gleichungen D.31 D.36 Die Wahrscheinlichkeit, dass die Summe 10 entspricht, ist: X /Y å 6 i= 4 PZ [ = 10] = PX ( = ipy ) ( = 10-i) = æ ö 1 = 3 ç çè 6 ø
24 Diskrete Zufallsvariablen Die Summe der Augenahlen in einem Wurf mit wei Würfeln kann als Zufallsvariable dargestellt werden: Z=X+Y Statistik und Wahrscheinlichkeitsrechnung Summe von Zufallsvariablen Die Wahrscheinlichkeit, dass die Summe 10 entspricht, ist: X /Y Für unabhängige stetige Zufallsvariablen X und Y gilt: å 6 i= 4 PZ [ = 10] = PX ( = ipy ) ( = 10-i) fz( ) = ò fx( x) fy( -x) dx
25 Animation für Faltungsintegral Statistik und Wahrscheinlichkeitsrechnung
26 Aufgabe D.6 Autobahnbrücken müssen während ihrer Lebensdauer gewartet werden. Die Zeitdauer T wischen den Wartungseinheiten folgt einer Exponentialverteilung mit einem Mittelwert von 10 Jahren. Die Wartungsarbeiten nehmen einen Zeitraum S in Anspruch, der ebenfalls exponentialverteilt ist und einen Mittelwert von 1/12 Jahren aufweist. a) Unter der Annahme, dass T und S unabhängig voneinander sind, soll die Verteilung der Zeit Z wischen aufeinanderfolgenden Wartungsarbeiten berechnet werden, also Z=S+T. b) Wie gross ist die Wahrscheinlichkeit P(Z 5)? c) Wir betrachten nun wei Autobahnbrücken, deren Zeitraum bis ur nächsten Wartung T 1 und T 2 beträgt (unabhängig voneinander und gleiche Verteilung wie T). Wie gross ist die Wahrscheinlichkeit, dass in den nächsten 5 Jahren für beide Brücken KEINE Wartungsarbeiten anfallen?
27 Aufgabe D.6 Was ist gegeben??? Die Zeit, in der keine Wartung notwendig ist, T, ist exponentialverteilt mit µ T =10 Jahre. Der Zeitraum der Wartungsarbeiten, S, ist ebenfalls exponentialverteilt, jedoch mit µ S =1/12 Jahre. a) Unter der Annahme, dass T und S unabhängig voneinander sind, soll die Verteilung der Zeit Z wischen aufeinanderfolgenden Wartungsarbeiten berechnet werden, also Z=S+T. 0 S S t T T Z Für stetige unabhängige Zufallsvariablen gilt: fz( ) = ò fx( x) fy( -x) dx
28 Aufgabe D.6 a) Z ist definiert innerhalb des Intervalls [0;+ ]. t 1 T ft () t e,( t 0) T s ( t) 1 1 S S fs () s e e,( s0) S S vgl. Tabelle D.1 im Skript ( 0)
29 Aufgabe D.6 Berechnung des Faltungsintegrals f ( ) = f ( t) f ( -t) dt ò Z T S 0 st, ³ 0 unteregrene = 0 ³ t, sonst : s < 0 oberegrene = t 1 T ft () t e ; T 1 fs () s e ( t) S aa x y a x y S
30 Aufgabe D.6 Berechnung des Faltungsintegrals f ( ) = f ( t) f ( -t) dt Z T S 0 -t -( -t) æ 1 öæ 1 ö T S = e ç e ò dt ç ç ç è øè ø = ò 0 ò 0 T 1 e T S S æ æ ö ö 1 1 t ç è çè T S ø S ø dt t 1 T ft () t e ; T 1 fs () s e ( t) S aa x y a x y S = ò 0 1 e T S æ ö çæ - + S T ö t - ç ç çè T S ø S çè ø dt
31 Aufgabe D.6 S T t - 1 ç ç T S S çè çè ø ø fz ( ) = ò e dt 0 T S æ çæ ö ç ö ç - + é 1 T S = T S - S + T êë æ S T ö - + ( ) t - ç çè ø T S S æ ö æ ö ç è ø çè ø S T 1 ç 1 = e e T S S S S T S T æ æ S T ö æ ö - ö TS TS æ ö çè S ø èç S ø T S = e - e = e e - T - S T ç ç - S çè çè ø ø ù úû 0 e ax e dx e a ax
32 Aufgabe D.6 æ ö T S fz ( ) = e e - T - ç S çè ø æ - ö = e e 1 ç çè ø 12 T = 10, = S 1 12 æ - ö = e -e ç çè ø
33 Aufgabe D.6 Wahrscheinlichkeitsdichtefunktion für Z=S+T : Statistik und Wahrscheinlichkeitsrechnung fz ( ) Zeit [Jahre]
34 Aufgabe D.6 b) Wie gross ist die Wahrscheinlichkeit P(Z 5)? Hierfür wird die kumulative Verteilungsfunktion F ( ) benötigt: Z FZ( ) fz( ) d
35 Aufgabe D.6 b) Wie gross ist die Wahrscheinlichkeit P(Z 5)? y y FZ ( ) e e dy 0 y e e y 1 1 e e ( 10 ) e e FZ (5) e e æ - ö fz ( ) = e -e ç çè ø ax e dx e a ax
36 Aufgabe D.6 kumulative Verteilungsfunktion FZ ( ) Zeit [Jahre]
37 Aufgabe D.6 c) Wir betrachten nun wei Autobahnbrücken, deren Zeitraum bis ur nächsten Wartung T 1 und T 2 beträgt (unabhängig voneinander und gleiche Verteilung wie T). Wie gross ist die Wahrscheinlichkeit, dass in den nächsten 5 Jahren für beide Brücken KEINE Wartungsarbeiten anfallen? Keine Wartungsarbeiten in den nächsten 5 Jahren PT5, T 5 PT5 PT 5 PT5 1PT5 1 - t T -0.1t = - = - vergleiche Skript, Tabelle D.1 F () t 1 e 1 e T T 5 T PT5, T 5 1PT5 (1 (1 e ))
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
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
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
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
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
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Mai 2017 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 Mai 2017 1 / 12 1 Einleitung 2 Zufallsvariablen 3 Linearität
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrStochastik Musterlösung 4
ETH Zürich HS 218 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 4 1. Die Zufallsvariable, die die Anzahl eingehender Telefonanrufe in einer Telefonzentrale
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung - 2017 Bemerkung: Sei X = (X 1,..., X n ) Zufallsvektor. Der n dimensionale Vektor ( ) E(X ) = E(X 1 ),..., E(X n ) ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N (0,
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
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
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
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
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
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
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 4 12.03.2008 1 Aufgabe 4.1 Die monatliche Aufwendung X [CHF] für den Wasserverbrauch einschliesslich h der Abwassergebühren eines 2 Personenhaushalts seien
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
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
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
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 1 / 11 1 Einleitung 2 Zufallsvariablen 3 Linearität und Varianz
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
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
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) =
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:
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 26. Juni 2009 Stetige Verteilungen, & ZGS Wiederholung Stetige Zufallsvariable Definition Eigenschaften, Standardisierung Zusammenhang von Poisson-
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
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
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.
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 18: Woche vom
Übungsaufgaben 11. Übung SS 18: Woche vom 25. 6. 29. 6. 2016 Stochastik V: ZG; Momente von ZG; Zufallsvektoren Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
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
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
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
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
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
MehrUnabhängigkeit von Zufallsvariablen
Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrPrüfung. Wahrscheinlichkeit und Statistik. ETH Zürich HS 2015 Prof. Dr. P. Embrechts Januar Nachname. Vorname. Legi Nummer
ETH Zürich HS 25 Prof. Dr. P. Embrechts Januar 26 Prüfung Wahrscheinlichkeit und Statistik BSc INFK Nachname Vorname Legi Nummer Das Folgende bitte nicht ausfüllen! Aufgabe Max. Punkte Summe Kontrolle
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrDr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit
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
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
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
MehrÜbungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker
Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
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,
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............................
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)
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrKapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D.
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
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
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
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
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
MehrÜbungen zur Vorlesung Statistische Methoden Kapitel 1-2
TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable
MehrWahrscheinlichkeitsrechnung und Statistik
7. Vorlesung - 2018 Bemerkung: Sei X = X 1,..., X n Zufallsvektor. Der n dimensionale Vektor EX = EX 1,..., EX n ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N0, 1. X, Y sind die Koordinaten
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik Lösungsblatt zu Nr. 2 1. Für die
MehrWiederholungsklausur DWT
LÖSUNG Wiederholungsklausur DWT Sommersemester 2008 Hinweis: Alle Antworten sind zu begründen. Insbesondere sollte bei nicht-trivialen Umformungen kurz angegeben werden, weshalb diese Umformungen erlaubt
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
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
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 13: Woche vom
Übungsaufgaben 11. Übung SS 13: Woche vom 24. 6. 13-28. 6. 2013 Stochastik V: ZG Momente von ZG; Grenzverteilungssätze Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/
MehrAufgabenstellung und Ergebnisse zur. Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2018/19
Aufgabenstellung und Ergebnisse zur Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 08/9 PD Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Die Klausur besteht
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
MehrLösungen zu Übungsaufgaben Blatt 9
Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht
Mehr