An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
|
|
- Christel Kästner
- vor 5 Jahren
- Abrufe
Transkript
1 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten, Ergebns st Student Es nteressert de Körpergröße X ( ) 2. Würfeln mt 2 Würfeln, Ergebns st Paar ( 1, 2), 1 1, 2 6 Es nteressert de Augensumme X ( 1, 2 ) 1 2 Allgemen wrd durch en Zufallsexperment en Elementareregns an wrd der Wert der Zufallsgröße X ( ) abgelesen. ausgewählt, Im Untersched zu Funtonen nehmen Zufallsgrößen hre Werte nur mt bestmmten Wahrschenlcheten an. Vertelung: Welcher Wert ommt mt welcher Wahrschenlchet vor?
2 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 2 Dsrete Zufallsgrößen Ene Zufallsgröße heßt dsret, wenn se nur endlch oder abzählbar unendlch vele Werte annehmen ann. endlch: W x,..., 1 xn abzählbar: Bespel 1. Körpergröße X ( ) st ncht dsret, da se alle reellen Zahlen enes bestmmten Intervalls annehmen ann (stetge Zufallsgröße, später genauer) 2. Augensumme X (, ) von 2 Würfeln st dsret, endlch X : 2,3,4,..., 12 z.b. X (1,1) 11 2 X (4, 2) W x,..., x,..., n n aber auch X(1,5) X(3,3) 6 Vertelung von X: Mt welcher Wahrschenlchet treten dese Werte auf? 4.1
3 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 3 Dsrete Zufallsgrößen X habe den Werteberech x1,..., x n,... (endlch oder abzählbar unendlch) Vertelung (Wahrschenlchetsfunton) von X st bestmmt durch de Wahrschenlcheten p P( X x ), 1,2,... Folgerungen p 1 P( X t) P( X x ) : x t Vertelungsfunton F( x) P( X x) P( X x ) : x x 4.2
4 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 4 Erwartungswert dsreter Zufallsgrößen x1 x n X habe den Werteberech,...,,... (endlch oder abzählbar unendlch) Erwartungswert von X EX x P( X x ) Spezalfall De Zufallsgröße nmmt n verschedene Werte mt jewels der glechen Wahrschenlchet 1/n an. Dann glt 1 1 n n 1 n n n 1 1 EX x P( X x ) x x x Im allgemenen Fall werden de Werte der Zufallsgröße be Berechnung des Erwartungswertes mt der Wahrschenlchet hres Auftretens gewchtet. 4.3
5 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 5 Erwartungswert dsreter Zufallsgrößen Egenschaften des Erwartungswerts E( a X ) a EX E( X b) EX b E( g( X )) g( x ) P( X x ) für jede belebge Funton g Für belebge Zufallsgrößen glt E( X Y ) EX EY 4.4
6 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 6 Streuungsmaße dsreter Zufallsgrößen X habe den Werteberech x1,..., x n,... Varanz von X VarX x EX P X x 2 ( ) ( ) Es glt VarX E( X EX ) EX ( EX ) Lneare Transformaton 2 Var( a ) a Var X b X Standardabwechung (Streuung) s VarX s Varatonsoeffzent V, EX 0 EX Der Varatonsoeffzent st dmensonslos bzw. wrd n Prozent angegeben, Ene snnvolle Interpretaton st nur für postve Zufallsgrößen möglch. 4.5
7 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 7 Kenngrößen dsreter Zufallsgrößen Statstscher Zugang: 100 mal würfeln De relatven Häufgeten schätzen de Wahrschenlcheten des Modells. Augenzahl Abs. Häufgeten Rel. Häufgeten Wtn. (Modell) Der emprsche Erwartungswert (Durchschntt) schätzt den Erwartungswert. 1 x x n Modell: Erwartungswert EX = 3.5 Emprsche Varanz st Schätzung für de Varanz s ( x x) 2.71 n 1 Modell: Varanz VarX = 2.9
8 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 8 Spezelle dsrete Vertelungen Dsrete Glechvertelung Modell Aus ener endlchen Menge M a,..., 1 a, n a gezogen. X: gezogene Zahl, dann st X glechvertelt, Erwartungswert 1 P( X a) für jedes a n EX 1 n a n 1 Varanz n n VarX a a n 1 n 1 2 wrd enmalg ens der Elemente zufällg X Gl a a ~ 1,..., n Anwendung: Glücsspele, z.b. zufällge Augenzahl be farem Würfel
9 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 9 Spezelle dsrete Vertelungen Bnomalvertelung Bespel In enem -aus-n -System müssen mndestens von n verbauten Telen arbeten, damt das System ncht ausfällt. Unter der Voraussetzung der Unabhängget der Ausfälle berechne man de Zuverlässget enes 2-aus-3 -Systems, wenn de 3 Tele unabhängg vonenander mt glecher Wahrschenlchet p = 0.1 n enem Zetntervall ausfallen. Mt welcher Wahrschenlchet snd n der Zet 0, 1, 2, 3 Tele ausgefallen? Se ene Tel. 0 ncht ausgefallen Y ( ) 1 ausgefallen P( Y 0) 1 p 0.9 P( Y 1) p 0.1 Se de Zufallsgröße X de Anzahl der ausgefallenen unter den n = 3 Telen: X Y( ) Y( ) Y( ) 1 2 3
10 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 10 Spezelle dsrete Vertelungen Bnomalvertelung für Anzahl der Ausfälle X = Y( 1 ) + Y( 2 ) + Y( 3 ) Wt. (1-p) (1-p) (1-p) = p (1-p) (1-p) = (1-p) p (1-p) = (1-p)(1-p) p = p p (1-p) = p (1-p) p = (1-p) p p = p p p = Vertelung von X: P( X 0) 0.729, P( X 1) 0.243, P( X 2) 0.027, P( X 3) System funtonert, wenn 2 oder 3 Tele funtoneren bzw. 0 oder 1 Tel ausfällt P( 0 oder 1 Ausfall) P( X 0) P( X 1)
11 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 11 Spezelle dsrete Vertelungen Bnomalvertelung Vertelung von X P( X 0) (1 p) (1 ) 0 p 3 P( X 1) 3 p(1 p) p(1 p) 1 3 P X p p p p P( X 3) p p ( 2) 3 (1 ) (1 ) X heßt bnomalvertelt, X~Bn(n,p), wenn n n P( X ) p (1 p), 0 n, 0 p 1 Bnomaloeffzent n Anzahl der Möglcheten, aus n verschedenen Elementen auszuwählen ohne Zurüclegen, ohne Rehenfolge n n!!( n )! n ( n 1)... ( n 1)
12 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 12 Spezelle dsrete Vertelungen Modell der Bnomalvertelung Experment mt 2 möglchen Ausgängen 0 und 1 mt P(Y = 1) = p, P(Y = 0) = 1 - p wrd n mal wederholt, wobe sch de Versuchsausgänge ncht beenflussen Erfolgswahrschenlchet p blebt onstant X: Anzahl der Erfolge, dann glt Satz X ~ Bn(n,p), d.h. n n P( X ) p (1 p), 0 n, 0 p 1 X ~ Bn(n,p), dann glt für Erwartungswert und Varanz E X = n p Var X = n p (1 - p) 4.6
13 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 13 Spezelle dsrete Vertelungen Bespel Urne mt 3 weßen, 7 schwarzen Kugeln a) Zehen von 2 Kugeln mt Zurüclegen ( ww),( ws),( sw),( ss) w s w s w s P(bede weß) = = 0.09 Zurüclegen schert onstante Erfolgswt. alternatv mt Bnomalvertelung: n = 2 Versuche, Erfolgswt. p = 3/10 X: Anzahl der gezogenen weßen n 2, p 0.3, 2 n P( X ) p (1 p) n
14 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 14 Spezelle dsrete Vertelungen gleches Urnenbespel, aber b) Zehen von 2 Kugeln ohne Zurüclegen 3/10 7/10 w s 2/9 7/9 3/9 6/9 w s w s P(bede weß) = Erfolgswt. für Zehen ener weßen Kugel st ncht onstant: 1. Zug p = 3/10 2. Zug p = 3/9 oder p = 2/9 Kene Bnomalvertelung!!! Raucher-Bsp passt demnach auch ncht zu Bnomalvertelung, aber de Erfolgswt. für Auswahl enes Rauchers m 2. Zug hat sch nur vernachlässgbar geändert Ohne Zurüclegen ene onstante Erfolgswt.
15 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 15 Spezelle dsrete Vertelungen Hypergeometrsche Vertelung Modell: Urne mt N Kugeln, M davon weß, N M schwarz es werden n Kugeln gezogen ohne Zurüclegen ohne Berücschtgung der Rehenfolge Zufallsgröße X: Anzahl der weßen unter den n Kugeln X st hypergeometrsch vertelt, X ~ Hyp (N, M, n) Wahrschenlchetsfunton: P X Erwartungswert: EX M N M n 0 n, M, N n ( N M ) n M n N M M N M Varanz: VarX n 1 N N N 1 4.7
16 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 16 Spezelle dsrete Vertelungen Approxmaton der Hypergeometrschen Vertelung durch de Bnomalvertelung M Für große N glt mt p N Faustregeln M N M n n P X p p N n (1 ) n 0.1 M, n 0.1 ( N M ) oder Stchprobenumfang lener als 1/10 der Grundgesamthet, d.h. 10n N n
17 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 17 Spezelle dsrete Vertelungen Possonvertelung Modell X: Anzahl der Eregnsse n enem Kontnuum (Zetraum, Strece, Fläche) Wahrschenlchet für Entreten hängt nur von Größe des Intervalls/Ausschntts, aber ncht von sener der Lage m Kontnuum ab Entreten von Eregnssen n dsjunten Ausschntten st unabhängg vonenander Wahrschenlcheten der Possonvertelung mt Parameter > 0 X ~ Po( ) P X e, 0,1,2,...! heßt Intenstätsrate und entsprcht der mttleren Anzahl von Eregnssen m betrachteten Kontnuum, EX =
18 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 18 Spezelle dsrete Vertelungen Satz Für Erwartungswert und Varanz der Possonvertelung glt EX VarX Approxmaton der Bnomal- durch de Possonvertelung Für großes n und lenes p glt mt n p n p n (1 p ) e! Faustregeln: n p 10 bzw. n 1500 p oder n p 9, p 0.1, n
19 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 19 Spezelle dsrete Vertelungen Bespel Anzahl gemeldeter Störungen enes Systems pro Tag, erfasst an 149 Arbetstagen Passt dazu en Posson-Modell? Anzahl Störungen Erfasst an Tagen Posson-Modell Schätzung des Parameters durch den Mttelwert, da der Erwartungswert st x Posson-Wahrschenlcheten mt 3.47 für de beobachteten Anzahlen P( X ) e! P( X 0) e somt erwartete Anzahl Tage mt Störungen = 0: 0! = 5 Beobachtet wurde hngegen an 7 Tagen ene Störung.
20 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 20 Spezelle dsrete Vertelungen Bespel Anzahl gemeldeter Störungen pro Tag und Anzahl gemäß Pos(3.47) Verglech der beobachteten Häufgeten und der be Modellerung durch ene Possonvertelung mt λ = 3.47 als mttlere erwarteten Anzahl
21 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 21 Spezelle dsrete Vertelungen Geometrsche Vertelung Vertelung der Wartezet auf den ersten Erfolg Modell Wederholte Durchführung von unabhänggen Versuchen mt onstanter Erfolgswahrschenlchet p > 0, X: erster erfolgrecher Versuch, dann st X ~ Geo(p) Wahrschenlchetsfunton der geometrschen Vertelung P X p p 1 ( ) (1 ), 1,2,3,... Erwartungswert 1 EX p Varanz 1 p VarX 2 p 4.10
22 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 22 Überscht: Dsrete Zufallsgrößen Typ Glech- Vertelung Geometr. Vertelung Bnomalvertelung Possonvertelung Hypergeo. Vertelung x,... 1 xn Realserungen Wahrschenlcheten 1 p n Erwartungswert 1 n n x 1 Varanz 1 n n 1 ( x EX ) 1 1 p 1 x, 1,2,... p(1 p) 2 p p n x, 0,..., n p (1 p n ) np np(1 p) x, 0,1,... x, 0,..., n e! M N M n M M M N M n n 1 N N N N N 1 n 2
23 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 23 Gemensame Vertelung von Zufallsgrößen Oft msst man an enem Elementareregns mehr als ene Zufallsgröße. Dann steht oft de Frage nach enem Zusammenhang den Größen. Zufallsgrößen X, Y mt Werteberechen x1 x n,...,,... bzw. y1 y n,...,,... Gemensame Wahrschenlchetsfunton p( x, y ) P( X x, Y y ) j j für alle Kombnatonen x,y j Aus der gemensamen Vertelung erhält man de endmensonalen Vertelungen von X und Y als Randvertelungen: Randvertelung von X: p( x ) P( X x, Y y j ) Randvertelung von Y: p( y ) P( X x, Y y ) j j j für alle x für alle y j 4.11
24 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 24 Unabhängget von Zufallsgrößen Zwe dsrete Zufallsgrößen X, Y snd unabhängg, wenn alle Eregnsse X x, Y y unabhängg snd, d.h. für alle, P( X x, Y y ) P( X x ) P( Y y ) Für Unabhängget st also zu prüfen, ob für jede möglche Kombnaton von Ausprägungen der Zufallsgrößen X, Y de Wahrschenlchet deser Kombnaton P(X = x, Y = y glech dem Produt der entsprechenden Randwahrschenlcheten st. P( X x ) P( Y y ) Falls ene Kombnaton gefunden st, für de dese Bedngung ncht glt, snd de Zufallsgrößen abhängg. 4.12
25 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 25 Kenngrößen dsreter Zufallsgrößen Kovaranz zweer dsreter Zufallsgrößen Cov( X, Y ) ( x EX )( y EY ) P( X x, Y y ) Enfachere Berechnung der Kovaranz Cov( XY ) E( X EX )( Y EY ) EXY EX EY Folgerung Für unabhängge Zufallsgrößen glt Korrelatonsoeffzent Cov( X, Y ) VarX VarY Cov( XY ) 0, da EXY EX EY
26 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 26 Kenngrößen dsreter Zufallsgrößen Egenschaften Für den Korrelatonsoeffzenten glt 1 1 Snd X, Y unabhängg, st 0 Aus 1 folgt, dass en lnearer Zusammenhang zwschen X, Y besteht. Für de Summe zweer Zufallsgrößen glt Var(X + Y = VarX + VarY + 2Cov(X, Y Var(X + Y = VarX + VarY falls X, Y unabhängg außerdem E( X Y ) EX EY falls X, Y unabhängg 4.13
27 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 27 Summenvertelungen Summe (Faltung) dsreter Zufallsgrößen Seen X, X 1 2 unabhängge, dsrete Zufallsgrößen mt den Wahrschenlcheten p P( X x ), 0,1,2,... (1) (1) 1 p P( X x ), j 0,1,2,... (2) (2) j 2 j Dann st hre Summe Y X X 1 2 ene dsrete Zufallsgröße mt den Enzelwtn. P( Y y) P( X x ) P( X x ) p p Im Spezalfall (1) (2) (1) (2) 1 2 j j, j: x x y, j: x x y (1) ( 2) (1) ( 2) j j Achtung Formel glt nur be Unabhängget. Anderenfalls braucht man de zwedmensonale (1) (2) Vertelung mt allen Wahrschenlcheten P( X x, X x ) x, x j (1) (2) j glt be Unabhängget P( Y ) P( X ) P( X ), 0,1,2, j
28 SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 28 Spezelle Summenvertelungen Summe von Bnomalvertelungen Se X1, X 2,..., X ene Folge unabhängger, bnomalvertelter Zufallsgrößen mt X ~ Bn( n, p), 1 Dann st hre Summe bnomalvertelt mt 1 X ~ Bn( n... n, p) 1 Summe von Posson-Vertelungen Se X1, X 2,..., X ene Folge unabhängger, possonvertelter Zufallsgrößen mt X ~ Pos( ), 1 Dann st hre Summe possonvertelt mt 1 X ~ Pos(... )
Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrKapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik
Kaptel 4: Wahrschenlchetsrechnung und Kombnator 1 4. Wahrschenlchetsrechnung De Wahrschenlchetsrechung stellt Modelle beret zur Beschrebung und Interpretaton solcher zufällger Erschenungen, de statstsche
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrKapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik
Kaptel 4: Wahrschenlchketsrechnung und Kombnatork 1 4. Wahrschenlchketsrechnung De Wahrschenlchketsrechung stellt Modelle beret zur Beschrebung und Interpretaton solcher zufällger Erschenungen, de statstsche
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
MehrKaplan- Meier- Schätzer
Kaplan- Meer- Schätzer Glederung 1. Enletung 2. Zensur 3. Notaton 4. Methoden zur Schätzung der Überlebensfunton a. Reduced Sample Method/ Drect Method b. Actuaral Method bzw. verscherungsmath. Methode
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrZ Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.
Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
Mehr2. Wahrscheinlichkeitsrechnung
. Grundlagen der Wahrschenlchketsrechnung. Wahrschenlchketsrechnung Der Wahrschenlchketstheore kommt ene wchtge Rolle als Bndegled zwschen der deskrptven und der nduktven Statstk zu. Aufgabe der nduktven
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrFolien zur Vorlesung
Folen zur Vorlesung Statstk für Prozesswssenschaften (Tel : Wahrschenlchketsrechnung) U. Römsch http://www.tu-berln.de/fak3/staff/roemsch/homepage.html . WAHRSCHEINLICHKEITSRECHNUNG De Wahrschenlchketsrechnung
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
Mehr4. Rechnen mit Wahrscheinlichkeiten
4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrZufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert
R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
MehrErwartungswert und Varianz
Erwartungswert und Varanz Dskrete Wahrschenlchketsvertelungen J E(X p(xj x j var(x E[X ( E(X] j BespelEnpunktvertelung ε a Zähldchte: p(x I(a x E(X a var(x 0 BespelDskrete Glechvertelung G(x,,x n Zähldchte:
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrDas Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.
ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrÜbung zu Erwartungswert und Standardabweichung
Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrIn der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
Mehr8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0
8. MARKOVKETTEN 17 8. Marovetten Abbldung 8.1: Reduzble und perodsche Marovette 8.1. Homogene Marovetten n dsreter Zet En Prozess {X n : n IIN} hesst homogene Marovette (n dsreter Zet) mt (abzählbarem)
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrVl. Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 3: Diskrete Verteilungen
Vl. Statstsche Prozess- ud Qualtätsotrolle ud Versuchsplaug Übug 3: Dsrete Verteluge Prof. Dr. B. Grabows Zur Lösug der folgede Aufgabe öe Se auch de begefügte Tabelle der dsrete Verteluge m Ahag verwede.
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrItem-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrMethoden der computergestützten Produktion und Logistik
Methoden der comutergestützten Produkton und Logstk 9. Bedensysteme und Warteschlangen Prof. Dr.-Ing. habl. Wlhelm Dangelmaer Modul W 336 SS 7 Bedensysteme und Warteschlangen Besel: Fahrradfabrk Presse
MehrU Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech
MehrStochastik - Kapitel 4
Aufgaben ab Sete 5 4. Zufallsgrößen / Zufallsvarablen und hre Vertelungen 4. Zufallsgröße / Zufallsvarable Defnton: Ene Zufallsgröße (Zufallsvarable) X ordnet jedem Versuchsergebns ω Ω ene reelle Zahl
MehrStatistische Methoden der Datenanalyse. Übung XIII
Albert-Ludwgs-Unverstät Freburg Wntersemester 2012/2013 Statstsche Methoden der Datenanalyse Marus Schumacher, Stan La, Floran Kss Übung XIII 05.2.2013, 08.2.2013 Anwesenhetsaufgaben Aufgabe 67 Profle
MehrAUFGABEN ZUR INFORMATIONSTHEORIE
AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
Mehr22. Vorlesung Sommersemester
22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De
MehrUrsache der Ungewissheit kann dabei z.b. unvollständige Information sein oder unbekannte bzw. nicht beeinflussbare Bedingungen.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl/ FB GW Deskr.1 1 Warum Stochastk? Stochastk: Kunst des Mutmaßens (grech.) Mathematsche Stochastk beschäftgt sch mt der Beschrebung und Untersuchung von Erschenungen,
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrWahrscheinlichkeitstheorie
Wahrschenlchet Grundbegrffe Wahrschenlchetsbegrffe (Axomatsche Defnton) Rechenoperatonen mt Wahrschenlcheten Statstsche Unabhängget Numersche Berechnung von Wahrschenlcheten Klasssche Bemessung nach Laplace
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrDie mathematischen Grundlagen der Wellenmechanik
De mathematschen Grundlagen der Wellenmechank Zustände und deren Darstellung En physkalsches System wrd durch enen Zustand u charaktersert, ndem es durch ene bestmmte expermentelle Präparaton gebracht
Mehr