Inhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
|
|
- Hede Bayer
- vor 5 Jahren
- Abrufe
Transkript
1 Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher Inhaltsverzeichnis 1 Permutation ohne Wiederholungen mit Wiederholungen Variation ohne Wiederholungen mit Wiederholungen Kombination ohne Wiederholungen mit Wiederholungen Ereignisse 2 5 Geschichte des Wahscheinlichkeits-Begriffs 2 6 Wahrscheinlichkeitsraum Rechenregeln Ω sei diskret Ω sei stetig Unvereinbarkeit Unabhängigkeit bedingte Wahrscheinlichkeit Multiplikationssatz Ereignisbäume 7 8 Zufalls-variablen, Verteilungsfunktion Diskrete Zufalls-variablen Stetige Zufalls-Variablen Symmetrische ZV Verteilungsparameter Erwartungswert E(X) = µ Varianz V (X) = σ Eigenschaften (Rechenregeln) Spezielle Zufalls-Variablen Diskrete Verteilung Stetige Verteilung
2 1 Permutation Ümsortierung der Elemente einer endlichen Menge, d.h. eine eineindeutige Abblidung der Mende auf sich. 1.1 ohne Wiederholungen Anzahl aller Permutationen mit n unterscheidbaren Elementen: n! 1.2 mit Wiederholungen Anzahl aller Permutationen mit n Elementen, n 1 ; n k nicht unterscheidbar: n! n 1! n k! 2 Variation Anordnung (Ziehung) von k der n der Elemente, welche nach der Reihenfolge (der Ziehung) angeordnet werden. 2.1 ohne Wiederholungen Keines der n Elemente darf mehrfach auftauchen. (Ziehung ohne Zurücklegen) Anzahl aller Variationen: n! (n k)! 2.2 mit Wiederholungen Jedes der n Elemente darf mehrfach auftauchen. (vor nächster Ziehung wird Zurücklegt) Anzahl aller Variationen: n k 3 Kombination Auswahl von k der n der Elemente ohne Berücksichtigung der Reihenfolge. 3.1 ohne Wiederholungen Keines der n Elemente darf mehrfach ( auftauchen. (Ziehung ohne Zurücklegen) Anzahl aller Kombinationen: n ) k = n! k! (n k)! 3.2 mit Wiederholungen Jedes der n Elemente darf mehrfach ( auftauchen. (vor nächster Ziehung wird Zurücklegt) Anzahl aller Kombinationen: n+k 1 ) k = (n+k 1)! k! (n k)! 1
3 4 Ereignisse Ω Ω Ω sicheres Ereignis unmögliches Ereignis A, B E(Ω) A B E(Ω) A B E(Ω) A \ B E(Ω) Ω \ A E(Ω) A und B treten gemeinsam ein A oder B ist eingetreten A ist eingetreten B nicht A ist nicht eingetreten E(Ω) muss abgeschlossen sein A B = A und B sind unvereinbar A B E(Ω) A impliziert B A zieht B nach sich Ω \ A = A Komplementäres Ereignis Wahrscheinlichkeit weist jedem Ergebnis eine Zahl, seine Wahrscheinlichkeit zu: P : E(Ω) R mit gewissen Eigenschaften. 5 Geschichte des Wahscheinlichkeits-Begriffs 1. Wahrscheinlichkeit als relative Häufigkeit: A Ω f n (A) = hn(a) n 2. Subjektive Wahrscheinlichkeit n P (A) 3. Laplace-Wahrscheinlichkeit; klassischer W-Begriff: Ω endlich alle Möglichkeiten sind gleich wahrscheinlich Dann: A Ω P (A) = A Ω = Anzahl der fuer A guenstigen Anzahl aller moeglichkeiten 4. Axiomatik der Wahrscheinlichkeits-Theorie 2
4 6 Wahrscheinlichkeitsraum Definition: Ein Wahrscheinlichkeitsraum ist ein Tripel [Ω, E(Ω), P ], wobei Ω die Menge aller möglichen Ausgänge eines Zufallsexperiments, E(Ω) eine Menge von Ereignissen und P : E(Ω) R eine Funktion ist mit 1. P (A) 0 für alle A E(Ω) 2. P (Ω) = 1 3. P (A B) = P (A) + P (B), falls A, B E(Ω) unvereinbar sind E(Ω) ist gleich P (Ω), falls Ω endlich oder abzählbar unendlich (diskret) ist, für überabzählbares Ω (stetig oder kontinuierlich) ist E(Ω) eine Familie von Teilmengen von Ω mit folgenden Eigenschalten: Ω E(Ω) A E(Ω) A = Ω \ A E(Ω) A i E(Ω), i N i=1 A i E(Ω) σ - Algebra Verschärfung von 3. (sigma - Algebra) A i E(Ω), A i A j = für i j (paarweise unvereinbar) Dann gilt P ( i=1 A i) = i=1 P (A) 3
5 6.1 Rechenregeln 1. P (A) = 1 P (A) A A = A (Ω \ A) = Ω und A (Ω \ A) = P (Ω) = 1 = P (A) + P (A) 2. P ( ) = 0 3. A 1, A 2,, A n E(Ω) mit A i A j = für i j P (A 1 A 2 A n ) = P (A 1 ) + P (A 2 ) + + P (A n ) 4. P (A \ B) = P (A) P (A B) A = (A \ B) (A B) (A \ B) (A B) = 5. P (A B) = P (A) + P (B) P (A B) 6. A B P (A) P (B) B = (B \ A) A P (B) = P (B \ A) + P (A) Ω sei diskret {e i } Elementarereignis Ω = {e 1 } {e n }( ) P (Ω) = 1 = P P n (+ ) P ({e i }) = P i = 0 A Ω: A = {e i1,, e ik } P (A) = P i1 + + P ik 4
6 Spezialfall: Laplace-Experiment Ω = {e 1 } {e n } und p = p i mit i = 1,, n p = p i = 1 n und P (A) = A n Urnenmodell I N Kugeln, davon M rote alle übrigen schwarz, Ziehung von n Kugeln (gleichzeitig Laplace W.) ohne zurücklegen. M N und n N A Wahrscheinlichkeit um k rote Kugeln zu ziehen P (A) = (M k ) ( N M n k ) ( N n) Urnenmodell II N Kugeln, davon M rote alle übrigen schwarz, Ziehung von n Kugeln (gleichzeitig Laplace W.) mit zurücklegen. M N und n N ziehen A Wahrscheinlichkeit um beim 1. mal eine rote Kugeln zu P (A) = M N 0 k n B Wahrscheinlichkeit für k rote der n Kugeln P (B) = ( M N ) k ( ) 1 M n k ( N n k) 6.3 Ω sei stetig Alle Elementarereignisse sind gleich wahrscheinlich P ({e}) = 0! Beispiele: 1. Ω = R (Ω = s 1 ) P (A) Länge von A P (Bogen) Bogenlänge von = Bogenlaenge 2π 2. Tor Ω = [0; 3]x[0; 2] P (A) Fläche von A = F (A) 6 5
7 6.4 Unvereinbarkeit Unabhängigkeit [Ω, E(Ω), P ] 1. A, B E(Ω) A, B sind unvereinbar, falls A B = 2. A 1,, A n E(Ω) heißen paarweise unvereinbar, falls A i A j = für i j 3. A 1,, A n E(Ω) heißen Vollständig unvereinbar, falls für jedes k n A i1 A ik = für i r i s 6.5 bedingte Wahrscheinlichkeit Bedingte Wahrscheinlichkeit für A unter der Bedingung B. P (A B) = P (A B) P (B) P ( B) erfüllt die Axiome eines Wahrscheinlichkeitsmaßes für E(Ω), d.h.: 1. P (A B) 0 2. P (Ω B) = P (Ω B) P (B) = 1 3. A 1 A 2 = : P (A 1 A 2 B) = P (A 1 B) + P (A 2 B) 4. P (A 1 A 2 B) = P ((A 1 A 2 ) B) P (B) 6.6 Multiplikationssatz P (A B) = P (A B) P (B) = P ((A 1 B) (A 2 B)) P (B) = P (A 1 B)+P (A 2 B) P (B) A; B E(Ω) heißen unabhängig, falls eine der Folgenden Bedingungen erfüllt ist: 1. P (A B) = P (A B) 2. P (A) = P (A B) P (B) = P (B A) 3. P (A B) = P (A) P (B) Wenn A und B unabhängig sind MULTIPLIZIEREN sich die einzelnen Wahrscheinlichkeiten. P (A B C) = P (A) P (A B) P (C A B) 6
8 7 Ereignisbäume Nur für Mehrstufige Zufallsexperimente anwendbar. An den Zweigen steht die bedingbte Wahrscheinlichkeit dafür das das Ereignis am Ende des Zweigs eintritt. Pfadregeln: 1. Multiplikationsregel: Die Wahrscheinlichkeit für das Ereignis am Ende eines Pfades ist das Produkt der Wahrscheinlichkeiten der Zweige die zu diesem Ereignis führen. 2. Additionsregel: Die Wahrscheinlichkeit für ein Ereignis ist gleich der Summe der Wahrscheinlichkeiten aller Pfade, längs derer es erreicht werden kann. 8 Zufalls-variablen, Verteilungsfunktion 8.1 Diskrete Zufalls-variablen [Ω, E(Ω), P ], X : Ω R ZV X heißt diskret, falls X nur endlich oder abzählbar unendlich viele Werte annimmt. Dann ist X durch seine Verteilung bestimmt also die Werte x 1, x 2,, x n (, ) und die Wahrscheinlichkeiten p i = P (X = x i ) = P ({e Ω X(e) = x i }) > 0 X { (x i ; p i )} mit i = 1, 2,, n(, ) P (X x) = F X (x) P (X > x) = 1 P (X x) = 1 F X (x) a < b: P (a < X b) = P ({X b} \ {x a}) = P (X b) P (X a) = F X (b) F X (a) P (a X b) = P ({a < X b} {X = a}) = F X (b) F X (a) + P (X = a) P (X = a) = F X (a) F X (a) mit F X (a) = linksseitigen GW von F X in a { 0,falls a keine Sprungstelle von F X ist. P (X = a) = sprunghöhe,falls a Sprungstelle von F X ist. 7
9 8.2 Stetige Zufalls-Variablen [Ω, E(Ω), P ], X : Ω R ZV X heißt stetig, falls X eine Dichte (funktion) f hat, d.h. eine Funktion f : R R mit 1. f(x) 0 für alle x, 2. + f(x)dx = 1 und 3. P (X x) = F X (x) = x f(t)dt x f(t)dt = F X(x) F X (x) = f(x) gilt. c < x: x f(t)dt = x f(t)dt c f(t)dt = F c X(x) F X (c) F X(x) c Folgerung: X stetig P (X = x) = 0 für alle x R. P (a X b) = P (a < X b) = P (a X < b) = P (a < X < b) = F X (b) F X (a) 8.3 Symmetrische ZV Die Zufalls-Variable X heißt symmterisch zu c R, falls für alle x R P (X c x) = P (X c + x) gilt. P (X c x) = F X (c x) P (X c + x) = 1 P (X < c + x) = 1 P (X c + x) = 1 F X (c + x) F X (c x) = 1 F X (c + x) Rotations symmetrisch um (c; F X (c)). Folgerung: Ist die ZV X stetig und symmetrisch zu c, dann gilt für ihre Dichte f(c x) = f(c + x), der Graph geht also unter Spiegelung an der Geraden x = c in sich über. c = 0 f gerade 8.4 Verteilungsparameter entsprechen dem arithmetischen Mittel der Statistik Erwartungswert E(X) = µ X diskret, d.h. durch {(x i ; p i )} beschrieben µ = E(X) = i p i x i X stetig µ = E(X) = + x f(x)dx 8
10 8.4.2 Varianz V (X) = σ X diskret σ = V (X) = E(X 2 ) (E(X)) 2 = E((X E(X)) 2 ) X stetig σ = V (X) = + (x µ)2 f(x)dx = + (X E(X))2 f(x)dx Eigenschaften (Rechenregeln) g(x) = b x + a 1. E(g(x)) = b E(X) + a 2. X symmetrisch zu c R = E(X) = c 3. zentrieren von X : X µ x (µ x = E(X)) = E(X µ x ) = 0 4. V (g(x)) = b 2 V (X) 5. Standardisieren von X : Z = X µx mit µ x = E(X) und = V (X) > 0 ( ) 1 = E(Z) = E X µx = 1 E(X) µx = 0 ( ) 1 = Z(Z) = V X µx = 1 V (X) = 1 σx 2 6. Tschebyscheff-Ungleichung (grobe Abschätzung) P ( X µ x ε) 1 σ2 x ε 2 P ( X µ x ε) σ2 x ε 2 ε = λ : λ = 1; 2; 3 P ( X µ x λ ) 1 λ 2 λ = 2 P ( µ x 2 X µ x + 2 ) Bereich λ = 3 P ( µ x 3 X µ x + 3 ) Bereich 9
11 8.5 Spezielle Zufalls-Variablen Diskrete Verteilung [Ω, E(Ω), P ] A E(Ω) mit P (A) = Π > 0 Bernoulli - Experiment es wird n mal unabhängig ausgeführt. X gibt an wie oft A eingetreten ist. Werte von X: 0; 1; 2; 3; ; n p i = P (X = i) = ( ) n i Πi (1 Π) n i Binomial Verteilung mit n N 0 < Π < 1 X B(n; Π) µ x = E(X) = n Π; σ 2 x = V (X) = n Π (1 Π) für sehr große n und sehr kleine Π: Faustregel: Π 0, 1; n 50 und n Π 9 B(n; Π) P o (µ) X P o (µ) P o (µ) = P (X = i) = e µ µi i! mit µ = n Π E(X) = µ = V (X) Bernoulli - Experiment X gibt die Anzahl der Wiederholungen an bis A erstmalig eingetreten ist. Werte von X: N p i = P (X = i) = Π (1 Π) i 1 X G(Π) heißt Geometrische Verteilung E(X) = 1 1 Π ; V (X) = Π Π 2 Hypergeometrische Verteilung Modell: Urne mit N Kugeln, 0 < M < N rote, Rest schwarz, es werden n Kugeln ohne zurücklegen gezogen. X = Anzahl der roten unter n gezogenen Kugeln. Werte von X: 0; 1; 2; 3; ; n mit i M; n i N M p i = P (X = i) = (M i ) ( N M n i ) ( N n) E(X) = n M N V (X) = n M N (1 M N ) N n N 1 10
12 8.5.2 Stetige Verteilung Rechteck- oder Gleichverteilung: Exp.: zufällige Wahl einer Zahl im Intervall [α; β], α < β 0, x < α 1 Dichte f(x) =, α x β β 2 0, x β Verteilungfunktion F (x) = 0, x α x f(t)dt = x α, α < x < β β α 1, x β P (a X b) = b b a f(x)dx = a β α Exponentialverteilung: Seltenes Ereignis wird mit der Poission-Verteilung beschrieben. Dann ist die Zeit, die bis zum nächsten Eintreten dieses Ereignisses vergeht- die Wartezeit-exponential-Verteilt. { 0, x < 0 Dichte f(x) = λ e λx, x 0 Verteilungfunktion F (x) = x f(t)dt = x 0 λ e λt dt = [ e λt] x 0 = 1 e λx = E(X) = 1 λ ; V (X) = 1 λ 2 Satz: Die Exponentialverteilung hat kein Gedächtnis ; d.h. P (X > s + t X > t) = P (X > s) für alle s, t. { 0, x < 0 1 e λx, x 0 Normalverteilung: ϕ µ,σ 2(x) = 1 2π σ e (x µ)2 2σ 2 Φ µ,σ 2(x) = x infty ϕ µ,σ 2(t)dt (Gaus-Verteilung) tabeliert für µ = σ 2 = 1 11
Wahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
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
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
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
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
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
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
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:
MehrVorlesung gehalten von Martin Aigner. Wintersemester 2008/9
ELEMENTARE STOCHASTIK Vorlesung gehalten von Martin Aigner Wintersemester 28/9 Inhaltsverzeichnis 1 Grundbegriffe........................... 1 1.1 Zufall........................... 1 1.2 Wahrscheinlichkeitsräume................
MehrWahrscheinlichkeitsräume und Zufallsvariablen
Kapitel Wahrscheinlichkeitsräume und Zufallsvariablen. W-Raum Unter einem Zufallsexperiment verstehen wir einen vom Zufall beeinflussten Vorgang, der ein entsprechend zufälliges Ergebnis hervorbringt.
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,
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
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
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,...)
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)
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
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............................
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
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
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Wir betrachten Ereignisse, die in fast gleicher Form öfter auftreten oder zumindest öfter auftreten können. Beispiele: Werfen eines Würfels, Sterben an Herzversagen
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
MehrKATA LOGO Mathematik Statistik Wahrscheinlichkeitsverteilungen - Beispiele
KATA LOGO Mathematik Statistik Wahrscheinlichkeitsverteilungen - Beispiele Verteilungen Problemstellung Ergebnisraum Ω Stichprobe (n aus N) mehrfaches Auswählen = wiederholen Formel für P Erwartungswert
MehrVorkurs Mathematik. Christoph Hindermann. Wahrscheinlichkeitstheorie
Kapitel 4 Christoph Hindermann Vorkurs Mathematik 1 4.0 Motivation Wenn 100 Münzen geworfen werden, wie ist dann die Wahrscheinlichkeit, dass genau 50 davon Kopf zeigen? Angenommen, es befinden sich 300
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 18: Woche vom
Übungsaufgaben 9. Übung SS 18: Woche vom 11. 6. 15. 6. 2018 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
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
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
MehrSprechstunde zur Klausurvorbereitung
htw saar 1 Sprechstunde zur Klausurvorbereitung Mittwoch, 15.02., 10 12 + 13.30 16.30 Uhr, Raum 2413 Bei Interesse in Liste eintragen: Max. 20 Minuten Einzeln oder Kleingruppen (z. B. bei gemeinsamer Klausurvorbereitung)
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
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr3. Zufallsvariable und Verteilungen
3. Zufallsvariable und Verteilungen Häufige Situation in der Praxis: Es interessiert nicht so sehr das konkrete Ergebnis ω Ω eines Zufallsexperimentes, sondern eine Zahl, die von ω abhängt Beispiele: Gewinn
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
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrStatistik für NichtStatistiker
Statistik für NichtStatistiker Zufall und Wahrscheinlichkeit von Prof. Dr. Karl Bosch 5., verbesserte Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1. ZufalLsexperimente und zufällige Ereignisse
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
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
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
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,
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,
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
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
Mehr3. STOCHASTISCHE PROZESSE 73
3. STOCHASTISCHE PROZESSE 73 3. Stochastische Prozesse 3.1. Grundlegende Begriffe bei zufälligen Prozessen. In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
MehrSachrechnen/Größen WS 14/15-
Kapitel Daten & Wahrscheinlichkeit 3.1 Kombinatorische Grundlagen 3.2 Kombinatorik & Wahrscheinlichkeit in der Grundschule 3.3 Daten Darstellen 3.1 Kombinatorische Grundlagen Verschiedene Bereiche der
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
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
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
MehrKapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrKombinatorik & Stochastik Übung im Sommersemester 2018
Kombinatorik & Stochastik Übung im Sommersemester 2018 Kombinatorik Formeln & Begriffe Begrifflichkeiten Permutation = Anordnung in einer bestimmten Reihenfolge Kombination = Anordnung ohne bestimmte Reihenfolge
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
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) =
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrInhaltsverzeichnis
Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 5 1 Grundbegriffe.............................. 6 1.1 Einleitung, Geschichte.................. 6 1.2 Zufällige Ereignisse..................... 10 1.3 Ereignisfelder..........................
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
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
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrInhaltsverzeichnis (Ausschnitt)
6 Diskrete Wahrscheinlichkeitsräume Inhaltsverzeichnis (Ausschnitt) 6 Diskrete Wahrscheinlichkeitsräume Laplacesche Wahrscheinlichkeitsräume Kombinatorik Allgemeine diskrete Wahrscheinlichkeitsräume Deskriptive
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
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
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrKapitel II - Wahrscheinlichkeitsraum
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel II - Wahrscheinlichkeitsraum Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrRumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Rumpfskript Elementare Wahrscheinlichkeitsrechnung Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
MehrGrundlagen der Stochastik
Grundlagen der Stochastik Johannes Recker / Sep. 2015, überarbeitet Nov. 2015 Fehlermeldungen oder Kommentare an recker@sbshh.de Inhalt 1. Grundlegende Begriffe der Wahrscheinlichkeitsrechnung... 2 1.1.
Mehr1 Elementare Wahrscheinlichkeitstheorie
1 Elementare Wahrscheinlichkeitstheorie 1.1 Zufallsexperiment Definition 1.1. Ein Zufallsexperiment ist ein Vorgang, der im Prinzip beliebig oft unter identischen Randbedingungen wiederholt werden kann.
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
Mehr