Mathe C4 Merz - Cheatsheet
|
|
- Stefanie Frank
- vor 5 Jahren
- Abrufe
Transkript
1 Mathe C4 Merz - Cheatsheet greeny, nudelsalat, Sheppy September 215 Diesen Zusammenfassung kann Fehler enthalten! Contents 1 Statistik empirisches arithmetisches Mittel empirischer Median (Zentralwert) empirische korrigierte Varianz Regressionsgerade Maximum-Likelyhood Methode Konfidenzintervalle Kovarianz Markov-Ketten Mengen o-algebra Wahrscheinlichkeiten Würfeln keine mindestens x 6er (Gegenereignis) er-Pasch bei 2 Würfeln genau eine 6 bei n-würfeln/würfen genau x-6er bei n-würfeln/würfen X-Mal Werfen, min eine 3 unter der Bedingung min. eine Seiten mit verschiedenen Wahrscheinlichkeiten Bedingte Wahrscheinlichkeiten Beispiele Krankheitstest min. eine 6 unter Bedingung verschiedene Augenzahlen. 9 1
2 5 Wahrscheinlichkeitsfunktionen Eigenschaften von Wahrscheinlichkeitsfunktionen Absoluten Momente diskreter Verteilungen Mittelwert, Varianz Momenterzeugende Funktion Erzeugende Funktion Wahrscheinlichkeitsfunktion berechnen Mittelwert m Varianz ˆm Verteilungen und Verteilungsfunktionen Allgemein Eigenschaften Verteilungsfunktionen Binominalverteilung Allgemein Beispiel: 5 Druckfehler auf 5 Seiten Poisson-Verteilung Allgemein Normal-Verteilung N (µ, σ 2 ) N (, 1)-Verteilung Exponentiallverteilung Laplace-Verteilung Hypergeometrische Verteilung Geometrische Verteilung Uniform-Verteilung U(a, b) Zufallsvariablen Dichten von Verteilungen von Zufallsvariablen Beispiel Erwartungswert ε diskreter Zufallsvariablen Marginaldichte - Beispielrechnung 15 9 Transformation von Dichten 16 2
3 1 Statistik 1.1 empirisches arithmetisches Mittel x arith = 1 n x n i i=1 1.2 empirischer Median (Zentralwert) x n+1 x median = 2 n ungerade x n/2 +x (n+1)/2 2 n gerade Wobei der Index für die n te Zahl in einer Angabe in Stile von {A,B,C,...} steht. 1.3 empirische korrigierte Varianz xvar = 1 n Regressionsgerade n (x i x arith ) i=1 Gauss sche Normalengleichung Die Regressionsgerade wird mit der Gauss schen Normalengleichung gelöst. ( x 2 ) ( i xi a xi n b) Auflösen nach Parametern a, b. Regressionsgerade: 1.5 Maximum-Likelyhood Methode ( ) xi y = i, mit i n (1) yi y(x) = a x + b (2) Problembeschreibung: Man möchte für einen unbekannten Parameter λ einer Verteilung, die mindestens einen Parameter besitzt, einen Schätzwert bestimmen mithilfe einer konkreten Stichprobe (x 1,..., xn). 1. Likelihood-Funktion L(λ) bilden für gegebene Verteilung n L(λ) = L(x 1,..., xn; λ) == f (x }{{} i, λ) (3) i=1 Dichtefunktion (4) 3
4 Im Falle von Exponentialverteilung: 2. Funktion L(λ) mit ln multiplizieren Rechenregeln für ln: ln a b = b ln a ln(a b) = ln a + ln b n λe λx i = λ n e λ n i=1 x i (5) i=1 ln L(λ) 3. Ableiten nach λ: λ 4. Funktion gleich setzen und nach λ auflösen. 1.6 Konfidenzintervalle Standartwerte für Konfidenz: 9% : z = % : z = % : z = 2.58 P ( x µ c) = α (6) µ [ x z 1 α 2 σ n ] (7) 1.7 Kovarianz Sind zwei Zufallsvariablen X 1, X 2 stochastisch unabhängig dann gilt: Ansonsten: cov(x 1, X 2 ) = (8) cov(x 1, X 2 ) = E(X 1 X 2 ) E(X 1 )E(X 2 ) (9) Erwartungswert: EX = k P (X = k) = x f(x)dx (1) k Ω Beispiel: Berechnen der Kovarianz der Zufallsvariablen Z 1 = X 1 X 2 und Z 2 = X 1, wenn der Zufallsvektor (X 1, X 2 ) auf der Menge Gesucht: cov(z 1, Z 2 ) M = {(x 1, x 2 ) x 2 2 und x 1 x 2 } (11) 4
5 1. Kovavarianz umformen cov(z 1, Z 2 ) = cov(x 1 X 2, X 1 ) = (E(X 2 1 ) E(X 1 )2 ) (E(X 2 X 1 ) E(X 2 )E(X 1 )) (12) 2. Die Fläche A M unter Funktion berechnen: A M = Die Dichtefunktion ist der Kehrwert von A M und damit 1 2. f(x 1, x 2 ) = { 12 x 1, x 2 M sonst (13) 4. Jetzt wieder mittels Marginalsdichte f(x 1 ) und f(x 2 ) bestimmen. 2 f 1 (x 1 ) = f(x 1, x 2 )dx 2 (14) x 1 x2 f 2 (x 2 ) = f(x 1, x 2 )dx 1 (15) 5. Berechnung der benötigten Erwartungswerte E: 2 E(X i ) = x i f i (x i )dx (16) E(X i 2 2 ) = x2 i f i (x i )dx (17) E(X 1 X 2 ) = 2 x2 } {{ } x 1 x 2 f(x 1, x 2 )dx 1 dx 2 Integration über x 1 und x 2 (18) 6. Einsetzen in umgeformte Kovarianzformel (siehe 1) 1.8 Markov-Ketten Bei Übergangsmatrix P (R )rxr sind alle Zeilensummen gleich 1. Vektor u (R ) r mit u 1 = 1 der u = P T u (19) erfüllt, heißt Gleichgewichtszustand/-verteilung. 5
6 Berechnung von u: Kern(P T Idr). Kern wird berechnet durch klassischen Gauß- Algorithmus. Wenn keine eindeutige Lsg (z.b. = ), dann Variable beliebig wählen. Es gibt immer einen Kern, da Determinante garantiert ist durch obige Summenbedingung. Vektoreinträge müssen positiv sein, sonst Fehler. Vektor u durch u 1 (Summennorm) teilen. 2 Mengen 2.1 o-algebra n u 1 := x i (2) i=1 - leere Menge enthalten - alle Kombinationen der Elemente enthalten, die nicht bereits gemeinsamme Elemente haben also z.b. NICHT {x,y} und {y,z} zu {x,y,z} machen - alle Komplemente enthalten Beispiel: Grundmenge = {1, 2, 3, 4} NICHT o-algebra Menge = {{1, 2}, {3}} o-algebra Menge = {, {1, 2}, {3}, {1, 2, 3} }{{} {1,2}{3} 3 Wahrscheinlichkeiten, {3, 4}, {4} }{{} {1,2} }{{} {1,2,3}, {1, 2, 3, 4}, {1, 2, 4}} 3.1 Würfeln keine 6 p = ( ) 5 n, n = Anzahl der Würfe mindestens x 6er (Gegenereignis) ( 5 n p 1 = 1 = 1 p 6) ( ( ) 5 n ) ( 5 n p 2 = 1 1 = 1 p 6 6) 1 p x 1 px = 1 p i i= 6
7 er-Pasch bei 2 Würfeln Ereignisraum = 6 2, Anzahl günstiger Ereignisse = 1, nähmlich (6,6) dann wieder über Gegenereignis: ( ) 35 n p = genau eine 6 bei n-würfeln/würfen p = n 5(n 1) 6 n - 6 n ist wie immer die Anzahl der Gesamtmöglichkeiten - es gibt n-moglichkeiten an der die 6 sein kann - es bleiben bei den verbleibenden n-1 Würfen 5 Möglichkeiten genau x-6er bei n-würfeln/würfen ( n 5 k) (n k) p = 6 n ( n n! = k) k!(n k)! oder noch allgemeiner, mit Anzahl Möglichkeiten z (z.b. 6 bei Würfel): ( ) n (z 1) k (n k) p = z n X-Mal Werfen, min eine 3 unter der Bedingung min. eine 6 A = min. eine 3 B = min. eine 6 gesucht: P (A B) P (A B) = P (B) P (B) = 1 P (keine 6) = 1 ( 5 6 ) 4 =
8 Idee: P (A B) = 1 P ( (A B)) = 1 P ( A B) = 1 P ( A) P ( B) + P ( A B) = 1 P (keine 3) P (keine 6) + P (weder 3 noch 6) ( ) 5 4 ( ) 5 4 ( ) 4 4 = 1 = und das dann nur noch oben einsetzen und fertig. P (A B) = P (A B) P (B) also: P (A B) = Seiten mit verschiedenen Wahrscheinlichkeiten z.b. 6 Seiten mit normaler Wahrscheinlichkeit (w 1 ), 8 Seiten mit 1/4 Wahrscheinlichkeit (w 2 ), wir exploiten die Tatsache, dass: (T eil )W ahrscheinlichkeiten = 1 also: Zwei Gleichungen, zwei Unbekannte, easy mode. 6w 1 + 8w 2 = 1 (21) 4 Bedingte Wahrscheinlichkeiten 4.1 Beispiele Krankheitstest 1 4 w 1 = w 2 (22),2% Krank, 95% der Kranken werden erkannt, 98% der Gesunden werden richtig erkannt Ereignis A 1 : Person ist krank Ereignis A 2 : Person ist gesund 8
9 Ereignis B: Test identifiziert Person als krank. Wie viele als Krank erkannte wirklich krank? P (A 1 B) = P (B A 1 ) P (A 1 ) P (B A 1 ) P (A 1 ) + P (B A 2 ) P (A 2 ) =, 95, 2 = 8, 7%, 95, 2 +, 2, 998 Lösung mittels Formel von Bayes: P (B k /A) = P (A B k ) P (B k ) j J P (A B j ) P (B j ) (23) Dieser Vorgang wird auch Rückwärtsinduktion genannt. Angenommen man kennt die Wahrscheinlichkeit eines Ereignis unter einer gewissen Bedingung (hier Test schlägt zu x% an unter Bedingung Person ist krank P (B A 1 ) oder Person ist gesund P (B A 2 )), dann kann man die umgekehrte bedingte Wahrscheinlichkeit mit dieser Formel berechnen. Hier: Wie wahrscheinlich ist es, dass Person krank ist, unter Bedingung, dass Test das gemeldet hat P (A 1 B) min. eine 6 unter Bedingung verschiedene Augenzahlen P (min.eine6 verschiedeneaugenzahlen) = bei 3 Würfeln also z.b.: p = p = n (6 1)! (6 n)! 6! n! 3 5! 3! 6! 3! Möglichkeiten verschiedene Augenzahlen UND min. eine 6 Möglichkeiten verschiedene Augenzahlen = =, 5 5 Wahrscheinlichkeitsfunktionen 5.1 Eigenschaften von Wahrscheinlichkeitsfunktionen f(w) = 1 (die Summe aller Wahrscheinlichkeiten ist 1) w Ω und logischerweise: w Ω.f(w) >= (keine negativen Wahrscheinlichkeiten) 5.2 Absoluten Momente diskreter Verteilungen Ist für k {1, 2, 3,...} die Summe x X x k f(x) <, so heisst m k = m k (P ) = x X x k f(x) (24) das k-te absolute Moment der Verteilung P. 9
10 5.2.1 Mittelwert, Varianz Mittelwert: m 1 = m 1 (P ) = n= n f(n) Varianz: m 2 = m 2 m Momenterzeugende Funktion M(t) = (e t ) n f(n) n Ω - f(n) ist die gegebene Wahrscheinlichkeitsfunktion - n könnte z.b. definiert sein als n = {1, 2, 3,...} Berechnungsvorschrift für das k-te Moment: 1. Berechne k-te Ableitung M k von M(t) 2. m i = M (k) () 5.3 Erzeugende Funktion Wahrscheinlichkeitsfunktion berechnen Gegegeben: Eine erzeugende Funktion ˆf(z) gegeben. Gesucht: Die Funktion f(k) Möglichkeit 1: Taylorentwicklung ˆf(z) = f(k)z k (25) k= 1 ˆf(z) = k! ˆf (k) ()z k (26) k= f(k) = 1 k! ˆf k () (27) Möglichkeit 2: Problem auf bekannte diskrete Verteilung zurückführen (z.b. geometrische Reihe) Mittelwert m 1 M(t) = ˆf(e t ) (28) m 1 = M (t) t= = ˆf (e t )e t t= = ˆf (1) (29) 1
11 5.3.3 Varianz ˆm 2 1. Zuerst zweites Moment berechnen: m 2 = ˆf (1) + ˆf (1), falls Erzeugende-Funktion (hier) (3) 2. Dann Varianz: m 2 = ˆf (), falls Momenterzeugende-Funktion (31) Siehe unten für m 2 Berechnungsvorschrift! ˆm 2 = m 2 m 2 1 (32) 6 Verteilungen und Verteilungsfunktionen 6.1 Allgemein Eigenschaften Verteilungsfunktionen stetig monoton steigend lim t G(t) = 1, lim t G(t) = Dichte g(t) = G (t) m 1 = t g(t)dt 6.2 Binominalverteilung Allgemein B(k p, n) oder auch B(k; p, n) = ( n k) p k (1 p) n k mit k =,1,2,...,n - wobei diese Funktion die kumulierte Wahrscheinlichkeit angibt, also z.b. wobei k = 2 die Wahrscheinlichkeit 1 oder 2 - p ist die Wahrscheinlichkeit für ein positives Ereignisse - n ist Anzahl wie oft wir ziehen Beispiel: 5 Druckfehler auf 5 Seiten Wie hoch ist die Wahrscheinlichkeit, dass auf einer Seite mindestens 3 Druckfehler sind? 2 1 B(k, p, n) mit k= k=,1,2 (Gegenereignisse) 11
12 n = 5 (wir ziehen Fehler ohne zurücklegen ) p=1/5 (die Wahrscheinlichkeit dass ein Fehler auf einer bestimmten Seite ist) 2 1 B(k 1/5, 5) = 1 B( 1/5, 5) B(1 1/5, 5) B(2 1/5, 5) k= ( ) = ( ) ( ) ( ) =, Poisson-Verteilung Allgemein Ereignisse müssen mit konstanter Rate, unabhängig voneinander und in einem festen Bereich (Modell) stattfinden! P λ (n) = λn n! e λ 6.4 Normal-Verteilung N (µ, σ 2 ) f(x) = N(µ, σ 2 1 ) = 1 2πσ 2 e 2σ 2 (x µ)2 m 1 = µ m 2 = σ N (, 1)-Verteilung f(x) = 1 2π e.5x2 6.5 Exponentiallverteilung Dichtefunktion: Verteilungsfunktion: f λ (x) = x F (x) = f λ (t)dt = { λ e λx x x < { 1 e λx x x < (33) (34) 6.6 Laplace-Verteilung Zufallsexperimente, bei denen jedes Ergebnis die gleiche Chance hat. f(w) = L(Ω) = 1 Ω 12
13 6.7 Hypergeometrische Verteilung Zufallsexperimente, bei denen man die Ergebnisse als Anzahlen von schwarzen Kugeln unter n gezogenen interpretieren kann. ( Kk ) ( N K ) f(k) = H(N, K, n) = n k ( Nn ) 6.8 Geometrische Verteilung Die geometrische Verteilung beschreibt die Wartezeit für das erstmalige Eintreten eines Ereignisses unter der Annahme der Gedächtnislosigkeit. G(p) = f(n) = p q n 1 m 1 = p Uniform-Verteilung U(a, b) Dichtefunktion: { 1 a x b f(x) = b a sonst Verteilungsfunktion: x a F (x) = x a a < x < b b a 1 x b (35) (36) 7 Zufallsvariablen 7.1 Dichten von Verteilungen von Zufallsvariablen Problembeschreibung: Berechnung von Wahrscheinlichkeit des Ereignisses (X 1 > a X 2 ) o.ä. Zufallsvariablen X 1, X 2 sind dabei stochastisch unabhängig. Die Verteilungen von X i haben dabei die Dichten f i. Somit gilt nach der Marginalsdichte: f(x 1, x 2 ) = f 1 (x 1 ) f 2 (x 2 ). P (X 1 > a X 2 ) = f 1 (x 1 ) f 2 (x 2 )dx 1 dx 2 := I (37) x 1 >a x 2 In Abhängigkeit von Reihenfolge, in der die Integration über die Variablen x 1 und x 2 durchgeführt werden, ergeben sich zwei Darstellungen: I = f 1 (x 1 )F 2 ( 1 a x 1 )dx 1 (38) I = f 2 (x 2 )(1 F 1 (ax 2 ))dx 2 (39) Siehe auch Lösungssammlung Aufgabe 98 ff. 13
14 7.1.1 Beispiel Die Zufallsvariablen X 1 und X 2 seien uniform verteilt auf [, 2]. Wahrscheinlichkeit des Ereignisses (X 1 X 2 2 1). Berechnen Borelsche Menge: M = {(x 1, x 2 ) R 2 x 1, x 2 2} (4) { f(x f(x 1, x 2 ) = 1 ) f(x 2 ) = 4 1 für (x 1, x 2 ) M (41) sonst B = {(x 1, x 2 ) R 2 x 1 x = x 2 1 } (42) 2x 1 P (x 1 x B ) = f(x 1, x 2 )d(x 1, x 2 ) = 1 B 1 M 1 4 d(x 1, x 2 ) (43) 1 B M 1 4 d(x 1, x 2 ) (44) Schnittmenge aus B und M: B M = {(x 1, x 2 ) R 2 ( x x 2 2) (1 4 x 1 2 x 2 1 2x 1 )} P (x 1 x ) = dx 1 dx (45) 1 2x 1 (46) 1 4 dx 2 dx 1 14
15 7.2 Erwartungswert ε diskreter Zufallsvariablen Falls der Erwartungswert einer diskreten Zufallsvariablen X auf einem diskreten Wahrscheinlichkeitsraum (Ω, A, P ) existiert, ist ε P X = ω Ω X(ω)P {ω} (47) 8 Marginaldichte - Beispielrechnung Marginaldichte: f(x 1, x 2 ) = Grenzen von x 2 {}}{ x1 f 1 (x 1 ) = f(x 1, x 2 )dx 2 x1 = ce 2x 1e 3x 2 dx 2 { ce (2x 1 +3x 2 ) x 1 > und < x 2 < x 1 sonst = c e 2x 1 }{{} Konstante, da Integration nach x 2 = ce 2x (1 e 3x 2) mit und x 1 einsetzen integrieren { }}{ x1 e 3x 2 dx 2 Gegebenenfalls konnen wir das gleiche auch mit dx 2 tun wenn das einfach zur integrieren ist oder nach beiden Marginaldichten gefragt ist. Damit f(x 1, x 2 ) und f 2 (x 2 ) Dichten sind muss gelten: f 2 (x 2 )dx 2 = 1 bzw: f(x 1, x 2 )dx 1 dx 2 = 1 15
16 9 Transformation von Dichten Before (Ω, A, P ) X (R n, Bn, P X ) Y = G X G (R m, Bm, P G Gegeben: Man hat stochastisch unabhängige Zufallsvariablen X 1,..., Xn gegeben mit Art der Verteilung. Gesucht: Verteilung von Zufallsvariable Y, die sich aus X i berechnen lässt. Beispiel: Welche Verteilung besitzt Y = X 1 X 1 + X 2 (48) falls X 1 und X 2 exponentiell verteilt mit Paramter λ und stochastisch unabhängig sind. 1. Wegen Unabhängigkeit der Variablen X 1 und X 2 besitzt P X die Dichte f(x 1, x 2 ) = f 1 (x 1 )f 2 (x 2 ). 2. M = (x 1, x 2 ); x 1 > und x 2 > Wertebereich von xn anhand von Verteilung ermitteln. 3. Gleichungen G(x) definieren: y 1 = x 1 x 1 + x 2 (49) y 2 = x 2 (5) 16
17 4. Funktionaldeterminante (J G (x)) der Abbildung G berechnen G 1 G (x) 1 x 1 xn (x) J G (x) = det..... (51) Gn (x) Gn x 1 xn (x) ( x ) 2 J G (x 1, x 2 ) = det (x 1 +x 2 ) 2 x = 2 1 (x 1 + x 2 ) 2 (52) 5. Umkehrabbildung G berechnen. Alle Zufallsvariablen werden werden mittels Funktionen verändert: z.b: y 1 = x 1 /x 2. Jede i-te Funktion nach x i auflösen. x1 = y 1 y 2 1 y 1 (53) x 2 = y 2 (54) 6. Gesuchte Funktion: g(y) = f(g (y)) 1 J G (G (y)) Setze für alle x i dementsprechend y i ein und multipliziere mit Kehrwehrt von Funktionaldeterminante. 7. Mit Marginaldichte g 1 (y 1 ) berechnen: g(y 1, y 2 ) = λ 2 e 1 y λ y 1 2 (1 y 1 ) 2 (55) g 1 (y 1 ) = λ λ y 1 y 2 e 1 y λ 1 dy 1 1 y 2 (56) 1 = λ λ m 1 y 1 (ε( )) (57) 1 1 y 1 = 1 (58) Da Mittelwert der ε-verteilung gerade Kehrwert des Paramters ist. 8. Folgerung: Dichte g 1 ist also die der Uniform-Verteilung (U(, 1)). 17
Wirtschaftsmathematik
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
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
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
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
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
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:
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
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
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
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
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
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
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
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
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
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,
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
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
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
MehrFormelsammlung: Statistik und Wahrscheinlichkeitstheorie
Formelsammlung: Statistik und Wahrscheinlichkeitstheorie Kapitel 1: Deskriptive und explorative Statistik Empirische Verteilungsfkt (S15): Quantile (S24): Bei Typ7 1.Pkt = 0 Danach 1/(n-1) Median (S24):
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
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
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
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrStochastik. Frank Eckert und. Thomas Huppertz Letzte Änderung:
Stochastik getext von Frank Eckert Frank.Eckert@post.rwth-aachen.de und Thomas Huppertz thuppert@fh-niederrhein.de Letzte Änderung: 4.Juli.2000 INHALTSVERZEICHNIS Inhaltsverzeichnis Kombinatorische Grundformeln
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
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........................
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
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
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
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
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
MehrSatz 104 (Skalierung exponentialverteilter Variablen)
2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
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
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
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............................
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
Mehr1 1 e x2 =2 d x 1. e (x2 +y 2 )=2 d x d y : Wir gehen nun zu Polarkoordinaten uber und setzen x := r cos und y := r sin.
Lemma 92 Beweis: Wir berechnen zunachst I 2 : I 2 = Z 1 I := e x2 =2 d x p = 2: 1 Z 1 1 Z 1 Z 1 = 1 1 Z 1 e x2 =2 d x 1 e (x2 +y 2 )=2 d x d y : e y2 =2 d y Wir gehen nun zu Polarkoordinaten uber und setzen
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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:
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrKapitel 6 Diskrete Wahrscheinlichkeitsräume
Kapitel 6 Wahrscheinlichkeitsräume Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Die Laplace- Die Poisson- Lehrstuhl für Angewandte Mathematik 1 FAU Die einer ZV en von ZVen Wahrscheinlichkeitsräume
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
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
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
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.
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
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........................
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
MehrAufgabe Punkte
Institut für Mathematik Freie Universität Berlin Carsten Hartmann, Stefanie Winkelmann Musterlösung für die Nachklausur zur Vorlesung Stochastik I im WiSe 20/202 Name: Matr.-Nr.: Studiengang: Mathematik
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
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
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,
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
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
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Zufallsvariablen Beschreibung von Ereignissen
MehrInstitut für Statistik der LMU. FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER
Institut für Statistik der LMU FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER 2003 2003 Inhaltsverzeichnis 1 Elementare Wahrscheinlichkeitsrechnung 1 1.1 Die Axiome von Kolmogorov...........................
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
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 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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
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
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
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
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
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,...)
MehrDiskrete Strukturen II
SS 2004 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2004ss/ds/index.html.de 18. Juni 2004 Exponentialverteilung als Grenzwert der geometrischen
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
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
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.
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)
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
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
MehrLösungen zu den Übungsaufgaben (zur Vorbereitung auf die Klausur am )
Dr. Moritz Diehl Dr. Torsten Fischer Ileana Borja Tecuatl, Gerrit Schultz Interdisziplinäres Zentrum für Wissenschaftliches Rechnen (IWR) Zentrum für Molekulare Biologie (ZMBH) Mathematik B für die Molekulare
MehrUE Statistik I für VWL, WS 05/06
UE Statistik I für VWL, WS 05/06 Beispielsammlung 1. Zeigen Sie, dass die folgenden Rechenregeln für das Summenzeichen gelten, wobei die Summe durch n x i = x 1 + x 2 +... + x n 1 + x n, definiert ist.
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
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
Mehr