Grundbegriffe der Wahrscheinlichkeitsrechnung
|
|
- Felix Lang
- vor 5 Jahren
- Abrufe
Transkript
1 Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich. Diese werden in diesem Anhang bereitgestellt. A Grundbegriffe der Wahrscheinlichkeitsrechnung TU Bergakademie Freiberg, WS 2005/06
2 Algorithmen und Datenstrukturen 113 A.1 Wahrscheinlichkeit Wahrscheinlichkeit wird definiert bezüglich eines Grundraums Ω, dessen Elemente ω Elementarereignisse genannt werden. Jedes Elementarereignis kann als mögliches Ergebnis eines Zufallsexperiments angesehen werden. Beispiel: Betrachte das Zufallsexperiment, zwei unterscheidbare Münzen zu werfen. Mit K=Kopf und Z=Zahl ist der Grundraum gegeben durch Ω = {KK, ZK, KZ, ZZ}. Ein Ereignis ist eine Teilmenge des Grundraums. Im obigen Beispiel wäre etwa das Ereignis, genau einen Kopf und eine Zahl zu werfen, gegeben durch {KZ, ZK} Ω. Die gesamte Menge Ω heißt sicheres Ereignis, das Ereignis heißt Nullereignis. Zwei Ereignisse A und B sind disjunkt, falls A B =. A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
3 Algorithmen und Datenstrukturen 114 A.1.1 Axiome der Wahrscheinlichkeit Eine Wahrscheinlichkeitsverteilung Pr auf einem Grundraum Ω ist eine Abbildung, welche Ereignissen reelle Zahlen zuordnet, sodass folgende Axiome erfüllt sind: 1. Pr(A) 0 für alle Ereignisse A. 2. Pr(Ω) = Pr(A B) = Pr(A) + Pr(B) für zwei disjunkte Ereignisse A, B. Allgemeiner: für jede abzählbare Folge paarweise disjunkter Ereignisse gilt ( ) Pr A i = Pr(A i ). i i Pr(A) heißt Wahrscheinlichkeit des Ereignisses A. A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
4 Algorithmen und Datenstrukturen 115 Folgerungen aus den Axiomen: Pr( ) = 0 A B Pr(A) Pr(B). Mit A := Ω \ A (Komplement von A) gilt Pr(A) = 1 Pr(A). Für zwei beliebige Ereignisse A, B gilt Pr(A B) = Pr(A) + Pr(B) Pr(A B) Pr(A) + Pr(B). Im Münzbeispiel: besitzen alle 4 Elementarereignisse dieselbe Wahrscheinlichkeit 1/4, so ist die Wahrscheinlichkeit, mindestens einen Kopf zu werfen Pr({KK, KZ, ZK}) = Pr({KK}) + Pr({KZ}) + Pr({ZK}) = 3/4. Die W. echt weniger als einmal Kopf zu werfen ist Pr({ZZ}) = 1/4, also wirft man mit W. 1 1/4 = 3/4 mindestens einmal Kopf. A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
5 Algorithmen und Datenstrukturen 116 A.1.2 Diskrete Wahrscheinlichkeitsverteilungen Eine Wahrscheinlichkeitsverteilung heißt diskret, falls sie über einem endlichen oder abzählbaren Grundraum Ω definiert ist. Da Elementarereignisse paarweise disjunkt sind, gilt in diesem Fall für jedes Ereignis A Pr(A) = ω A Pr(ω). Ist Ω endlich und besitzt jedes Elementarereignis dieselbe Wahrscheinlichkeit 1/ Ω, so spricht man von einer Gleichverteilung. A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
6 Algorithmen und Datenstrukturen 117 Beispiel: Wurf einer fairen Münze, d.h. bei welcher Kopf und Zahl je mit Wahrscheinlichkeit 1/2 auftreten. Bei n-maligem Wurf ergibt sich die Gleichverteilung auf dem Grundraum Ω = {K, Z} n bestehend aus allen n- Tupeln aus {K, Z}, d.h. Ω = 2 n, und jedes tritt auf mit Wahrscheinlichkeit 1/2 n. Für das Ereignis A = {Genau k Mal Kopf und n k Mal Zahl treten auf} gilt A = ( n k), denn es gibt genau soviele n-tupel aus {K, Z} n, in denen K k Mal auftritt. Somit gilt ( n k) Pr(A) = 2 n. A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
7 Algorithmen und Datenstrukturen 118 A.1.3 Kontinuierliche Gleichverteilung Hier ist Ω = [a, b] mit a < b, a, b R. Die kontinuierliche Gleichverteilung ist ein Beispiel, in dem nicht alle Teilmengen des Grundraums auch Ereignisse sind. Stattdessen geben wir ein Mengensystem an, auf dem Wahrscheinlichkeiten so definiert werden können, dass die Axiome erfüllt sind. Für jedes abgeschlossene Intervall [c, d] mit a c d b ordnet die kontinuierliche Gleichverteilung dem Ereignis [c, d] die Wahrscheinlichkeit zu. Pr([c, d]) = d c b a A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
8 Algorithmen und Datenstrukturen 119 Beachte: Pr([x, x]) = 0 Pr ( (c, d) ) = Pr([c, d]) Allgemein sind alle Ereignisse diejenigen Teilmengen von [a, b], welche als endliche oder abzählbare Vereinigng von offenen oder abgeschlossenen Intervallen dargstellt werden können. A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
9 Algorithmen und Datenstrukturen 120 A.1.4 Bedingte Wahrscheinlichkeit und Unabhängigkeit Bedingte Wahrscheinlichkeit beschreibt Zufallsexperimente, über deren Ausgang bereits Teilinformationen bekannt sind. Beispiel: Beim Wurf zweier fairer Münzen sei bekannt, dass eine der beiden Kopf zeige. Wie groß ist die Wahrscheinlichkeit, dass beide Kopf zeigen? Die Vorinformation schließt das Ereignis {ZZ} aus. Da die verbleibenden drei Ereignisse gleich wahrscheinlich sind, ist die Antwort 1/3. Die bedingte Wahrscheinlichkeit eines Ereignisses A unter der Annahme, dass Ereignis B eingetreten ist, wird definiert als Pr(A B) := Pr(A B), sofern Pr(B) 0. Pr(B) A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
10 Algorithmen und Datenstrukturen 121 Im Beispiel: A = {KK}, Pr(A) = 1/4, B = {ZK, KZ, KK}, Pr(B) = 3/4, und somit Pr(A B) = 1/4 3/4 = 1/3. Zwei Ereignisse heißen unabhängig, falls Pr(A B) = Pr(A) Pr(B), was, falls Pr(B) 0, äquivalent ist mit Pr(A B) = Pr(A). A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
11 Algorithmen und Datenstrukturen 122 A.1.5 Der Satz von Bayes Nach Definition bedingter Wahrscheinlichkeit gilt Pr(A B) = Pr(B) Pr(A B) = Pr(A) Pr(B A). Auflösen nach Pr(A B) ergibt den Satz von Bayes, wonach Pr(A B) = Pr(A) Pr(B A). (A.1) Pr(B) A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
12 Algorithmen und Datenstrukturen 123 Beispiel: Das Monty-Hall Problem Als Kandidat einer Spielsendung a erhalten Sie die Wahl zwischen drei Türen: hinter einer Tür befindet sich ein wertvoller Preis (etwa ein Auto), hinter den anderen beiden befindet sich jeweils ein weniger wertvoller Preis (etwa eine Ziege). Nachdem Sie ihre Wahl getroffen haben öffnet der Moderator eine der nichtgewählten Türen und bringt eine Ziege zum Vorschein. Sie erhalten nun die Möglichkeit, Ihre Wahl zu revidieren und zur anderen verbleibenden Tür zu wechseln. Erhöht ein Wechsel Ihre Gewinnchancen? a Die Sendung hieß Let s Make a Deal und Monty Hall war der Moderator. A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
13 Algorithmen und Datenstrukturen 124 Lösung: Wechseln verdoppelt Ihre Gewinnchancen. Bezeichnungen: W {1, 2, 3} vom Kandidatengewählte Tür P {1, 2, 3} Tür, hinter welcher Preis liegt T {1, 2, 3} Tür, die Moderator öffnet O.b.d.A.: W = 1, T = 2. Es gilt: Pr(P = 1) = Pr(P = 2) = Pr(P = 3) = 1 3, Pr(T = 1) = 0, Pr(T = 2) = Pr(T = 3) = 1 2, Pr(T = 2 P = 3) = 1, Pr(T = 2 P = 1) = 1 2, Satz von Bayes: Pr(P = 3 T = 2) = 2 3, Pr(P = 1 T = 2) = 1 3. A.1 Wahrscheinlichkeit TU Bergakademie Freiberg, WS 2005/06
14 Algorithmen und Datenstrukturen 125 A.2 Diskrete Zufallsvariable Eine (diskrete) Zufallsvariable X ist eine Funktion von einem endlichen oder abzählbaren Grundraum in die reellen Zahlen. Dadurch wird jedem Elementarereignis eine Zahl zugeordnet, und eine Wahrscheinlichkeitsverteilung auf den reellen Zahlen induziert. a Für eine Zufallsvariable X und x R definieren wir das Ereignis X = x als X 1 ({x}) = {ω Ω : X(ω) = x}, und somit Pr(X = x) = Pr({ω}). {ω Ω:X(ω)=x} Die Funktion f(x) = Pr(X = x) ist die Wahrscheinlichkeitsdichte der Zufallsvariable X. a Zufallsvariable können auch für überabzahlbare Grundräume definiert werden, was aber gewisse technische Feinheiten beinhaltet die für unsere Belange nicht erforderlich sind. A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
15 Algorithmen und Datenstrukturen 126 Aus den Axiomen folgt Pr(X = x) 0 sowie x Pr(X = x) = 1. Beispiel: Werfen zweier Würfel Sind diese ungezinkt, so liegt Gleichverteilung vor, d.h. jedes des 36 Elementarereignisse besitzt die Wahrscheinlichkeit 1/36. Die Zufallsvariable X sei definiert als das Maximum der beiden geworfenen Augenzahlen. So ist etwa Pr(X = 3) = 5/36, da X genau den Elementarereignissen den Funktionswert 3 zuordnet. (1, 3), (2, 3), (3, 3), (3, 2) und (3, 1) A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
16 Algorithmen und Datenstrukturen 127 Sind X und Y zwei auf demselben Grundraum definierte Zufallsvariable, so bezeichnet man die auf R 2 definierte Funktion f(x, y) = Pr({X = x und Y = y}) als gemeinsame Wahrscheinlichkeitsdichte von X und Y. Für festes y gilt Pr(Y = y) = x Pr({X = x und Y = y}) und analog für festes x Pr(X = x) = y Pr({X = x und Y = y}) Nach de Definition der bedingten Wahrscheinlichkeit ist Pr(X = x Y = y) = Pr({X = x und Y = y}) Pr(Y = y) A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
17 Algorithmen und Datenstrukturen 128 Zwei Zufallsvariablen heißen unabhängig, falls für alle x, y die Ereignisse {X = x} und {Y = y} unabhängig sind, oder äquivalent Pr({X = x und Y = y}) = Pr(X = x) Pr(Y = y). A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
18 Algorithmen und Datenstrukturen 129 A.2.1 Erwartungswert einer Zufallsvariable Da Wahrscheinlichkeitsverteilungen sehr viel Information enthalten ist es hilfreich, einige Größen zu definieren, welche die wichtigsten Eigenschaften von Zufallsvariablen zusammenfassen. Der Erwartungswert (Mittelwert, Erwartung) einer diskreten Zufallsvariable X ist definiert als E[X] := x Pr(X = x) x (sofern die Summe endlich ist bzw. absolut konvergiert). Der Erwartungswert von X wird auch mit µ X oder einfach µ bezeichnet. A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
19 Algorithmen und Datenstrukturen 130 Beispiel: Sie werfen zwei faire Münzen und erhalten für jeden Kopf 3 Euro, müssen aber für jede Zahl 2 Euro bezahlen. Der Erwartungswert der Zufallsvariable X, die Ihren Gewinn angibt, ergibt sich zu E[X] = 6 Pr({KK}) + 1 Pr({ZK, KZ}) 4 Pr({ZZ}) = 6 1/ /2 4 1/4 = 1. Eine wichtige Eigenschaft des Erwartungswerts ist die Linearität, d.h. für beliebige Zufallsvariable X gilt E[X + Y ] = E[X] + E[Y ] (selbst wenn X und Y nicht unabhängig sind). A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
20 Algorithmen und Datenstrukturen 131 Ist X eine Zufallsvariable und g eine Funktion einer Veränderlichen, so ist durch Y (ω) := g(x(ω)) eine neue Zufallsvariable definiert. Hierfür ist der Erwartungswert E[g(X)] = x g(x) Pr(X = x), sofern die Summe existiert. Für die spezielle Funktion g(x) = ax, a eine Konstante, ergibt sich E[aX] = ae[x], d.h. für Zufallsvariablen X, Y und Konstanten a, b gilt stets E[aX + by ] = ae[x] + be[y ]. A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
21 Algorithmen und Datenstrukturen 132 Sind X, Y unabhängige Zufallsvariable, für welche die Erwartung existiert, so gilt E[XY ] = xy Pr({X = x und Y = y}) x y = xy Pr(X = x) Pr(Y = y) x y ( ) ( ) = x Pr(X = x) y Pr(Y = y) x = E[X] E[Y ]. Allgemeiner: sind die Zufallsvariablen X 1,..., X n paarweise unabhängig, so gilt E[X 1 X 2 X n ] = E[X 1 ]E[X 2 ] E[X n ]. y A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
22 Algorithmen und Datenstrukturen 133 A.2.2 Varianz und Standardabweichung Der Erwartungswert einer Zufallsvariable gibt keine Auskunft darüber, wie weit die Werte dieser Zufallsvariablen darum streuen. Gilt etwa für zwei Zufallsvariable X und Y Pr(X = 1/4) = Pr(X = 3/4) = 1/2, Pr(Y = 0) = Pr(Y = 1) = 1/2, sowie so liegen trotz E[X] = E[Y ] = 1/2 die Werte von Y weiter vom Erwartungswert entfernt als die von X. Die Varianz quantifiziert diese Streuung. A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
23 Algorithmen und Datenstrukturen 134 Die Varianz einer Zufallsvariablen X mit Erwartungswert E[X] ist definiert durch Var[X] := E[(X E[X]) 2 ] = E[X 2 2XE[X] + E[X] 2 ] = E[X 2 ] 2E[X E[X]] + E[X] 2 = E[X 2 ] 2E[X] 2 + E[X] 2 = E[X 2 ] E[X] 2. Für skalare Vielfache ax, a konstant, ergibt sich Var[aX] = a 2 Var[X]. Für unabhängige Zufallsvariable X, Y gilt Var[X + Y ] = Var[X] + Var[Y ]. A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
24 Algorithmen und Datenstrukturen 135 Entsprechend gilt für n paarweise unabhängige Zufallsvariablen X 1,..., X n Var[X X n ] = Var[X 1 ] + + Var[X n ]. Die Standardabweichung einer Zufallsvariablen X ist die (nichtnegative) Wurzel der Varianz von X, und wird mit σ oder σ X bezeichnet. Mit σ 2 wird oft auch die Varianz bezeichnet. A.2 Diskrete Zufallsvariable TU Bergakademie Freiberg, WS 2005/06
Grundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
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.
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
MehrPaarweise Unabhängigkeit vs. Unabhängigkeit
Paarweise Unabhängigkeit vs. Unabhängigkeit Beispiel: Wir betrachten das Szenario von zuvor. Wissen bereits, dass A 1, A 2 und A 1, B unabhängig sind. Analog folgt, dass A 2 und B unabhängige Ereignisse
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
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:
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
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrWichtige 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............................
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie
Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
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
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
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
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Mai 2017 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 Mai 2017 1 / 12 1 Einleitung 2 Zufallsvariablen 3 Linearität
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
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
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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 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
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
MehrZufallsvariablen rekapituliert
Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 1 / 11 1 Einleitung 2 Zufallsvariablen 3 Linearität und Varianz
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
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
MehrTechnische Universität München
Stand der Vorlesung Kapitel 2: Auffrischung einiger mathematischer Grundlagen Mengen, Potenzmenge, Kreuzprodukt (Paare, Tripel, n-tupel) Relation: Teilmenge MxN Eigenschaften: reflexiv, symmetrisch, transitiv,
MehrKapitel 2 Mathematische Grundlagen
Kapitel 2 Mathematische Grundlagen Ziel: Einführung/Auffrischung einiger mathematischer Grundlagen 2.1 Mengen, Relationen, Ordnungen Definition: Eine Menge ist eine Zusammenfassung von wohlbestimmten und
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.
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
Mehr6: Diskrete Wahrscheinlichkeit
Stefan Lucks Diskrete Strukturen (WS 2009/10) 219 6: Diskrete Wahrscheinlichkeit 6: Diskrete Wahrscheinlichkeit Stefan Lucks Diskrete Strukturen (WS 2009/10) 220 Wahrscheinlichkeitsrechnung Eines der wichtigsten
MehrDas Zweikinderproblem
Das Zweikinderproblem Definition Zweikinderproblem Eine Familie besitzt zwei Kinder. Wie groß ist die Wahrscheinlichkeit Pr[ Beide Kinder sind Mädchen. Eines der Kinder ist ein Mädchen ]? Lösung: Sei A
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
MehrDiskrete Zufallsvariable
Diskrete Zufallsvariablen Slide 1 Diskrete Zufallsvariable Wir gehen von einem diskreten W.-raum Ω aus. Eine Abbildung X : Ω Ê heißt diskrete (numerische) Zufallsvariable oder kurz ZV. Der Wertebereich
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
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,
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrKapitel I Diskrete Wahrscheinlichkeitsräume
Kapitel I Diskrete Wahrscheinlichkeitsräume 1. Grundlagen Definition 1 1 Ein diskreter Wahrscheinlichkeitsraum ist durch eine Ergebnismenge Ω = {ω 1, ω 2,...} von Elementarereignissen gegeben. 2 Jedem
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. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
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
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
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
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,
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,
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
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
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.
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
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
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,...)
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
MehrKapitel N. Wahrscheinlichkeitsrechnung
Kapitel N Wahrscheinlichkeitsrechnung Inhalt dieses Kapitels N000 1 Diskrete Wahrscheinlichkeitsräume 2 Bedingte Wahrscheinlichkeit und Unabhängigkeit 1 Produktexperimente 2 Kombinatorik und Urnenmodelle
MehrStochastik und Markovketten
1 Zentrum für Bioinformatik der Universität des Saarlandes WS 22/23 2 Warum Stochastik? Viele Fragestellungen der Bioinformatik lassen sich auch heutzutage gar nicht oder nicht schnell genug exakt beantworten
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
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrKapitel 2 Mathematische Grundlagen
Kapitel 2 Mathematische Grundlagen Ziel: Einführung/Auffrischung einiger mathematischer Grundlagen 2.1 Mengen, Relationen, Ordnungen Definition: Eine Menge ist eine Zusammenfassung von wohlbestimmten und
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrBeispiel: Zufallsvariable
Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
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
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung - 2017 Bemerkung: Sei X = (X 1,..., X n ) Zufallsvektor. Der n dimensionale Vektor ( ) E(X ) = E(X 1 ),..., E(X n ) ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N (0,
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)
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Grundbegriffe: Experiment: ein Vorgang, den man unter gleichen Voraussatzungen beliebig oft wiederholen kann. Ergebnis ω : Ausgang eines Experiments Ergebnismenge Ω : Menge
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
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
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests 5 Regression Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen
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
MehrWahrscheinlichkeitsrechnung und Statistik
7. Vorlesung - 2018 Bemerkung: Sei X = X 1,..., X n Zufallsvektor. Der n dimensionale Vektor EX = EX 1,..., EX n ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N0, 1. X, Y sind die Koordinaten
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten Da G X (s) := Pr[X = k] s k = E[s X ], k Pr[X = k] = E[X].
7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten Da G X (s) := gilt G X(1) = Pr[X = k] s k = E[s X ], k=0 k Pr[X = k] = E[X]. k=1 DWT 7.1 Einführung 182/476 Beispiel 73 Sei X binomialverteilt
MehrSatz 16 (Multiplikationssatz)
Haug verwendet man die Denition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A \ B] = Pr[BjA] Pr[A] = Pr[AjB] Pr[B] : (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1 ; : : : ; A n
MehrWiederholung. Einführung in die Wahrscheinlichkeitstheorie Wahrscheinlichkeitsraum Ergebnismenge Ω = {ω 1, ω 2, } mit ω Ω Pr[ω]=1.
Wiederholung Einführung in die Wahrscheinlichkeitstheorie Wahrscheinlichkeitsraum Ergebnismenge Ω = {ω 1, ω, } mit ω Ω Pr[ω]=1. Berechnung von Pr[ n i=1 A i ]: A i disjunkt: Additionssatz n i=1 Pr[A i
MehrZusammenfassung Stochastik
Zusammenfassung Stochastik Die relative Häufigkeit Ein Experiment, dessen Ausgang nicht vorhersagbar ist, heißt Zufallsexperiment (ZE). Ein Würfel wird 40-mal geworfen, mit folgendem Ergebnis Augenzahl
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
MehrVorlesung 5a. Die Varianz
Vorlesung 5a Die Varianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrZufallsvariable X. 30 e. 40 e = 33,33...% 6
Zufallsvariable Wir führen ein Zufallsexperiment mit Ergebnisraum Ω durch. Eine Zufallsvariable X ordnet jedem möglichen Ergebnis einen Zahlenwert zu. Eine Zufallsvariable ist also eine Funktion X : Ω
MehrStochastische Unabhängigkeit. 01. Dezember 2014
Stochastische Unabhängigkeit 0. Dezember 204 Der Begriff der Unabhängigkeit Großbritannien, im November 999. Die Anwältin Sally Clark wird wegen Mordes an ihren Kindern angeklagt. Clark geriet unter Verdacht
MehrPartialbruchzerlegung
Partialbruchzerlegung Beispiel: Partialbruchzerlegung Seien g(x) = x und f (x) = 1 x x 2. f R (x) = x 2 x 1 besitzt die beiden Nullstellen 1 2 ± 1 4 + 1, d.h. φ = 1+ 5 2 und φ = 1 5 2. Damit gilt f (x)
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
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
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
Mehr