Diskrete Wahrscheinlichkeitsverteilungen
|
|
- Carl Kraus
- vor 7 Jahren
- Abrufe
Transkript
1 Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz Tschebyschev-Ungleichung Worum geht es in diesem Modul? Merkmale oder Variablen spielen eine zentrale Rolle im Bereich der deskriptiven Statistik. Dieser Bedeutung entsprechend sind sie auch im Rahmen der Wahrscheinlichkeitsrechnung besonders wichtig. Zu der einfachen Zuordnungsvorschrift kommt hier der Zufallscharakter der Beobachtung hinzu. Dies führt zu dem Begriff der Zufallsvariablen. Mit Zufallsvariablen lassen sich Ereignisse einfach beschreiben. Die grundlegenden Ereignisse führen dann auch zu theoretischen Gegenstücken der empirischen Verteilungen, den Wahrscheinlichkeits- und Verteilungsfunktionen. Weiterhin werden theoretische Maßzahlen der Lage und Streuung sowie des Zusammenhanges als theoretische Gegenstücke von arithmetischem Mittel und Varianz eingeführt. Zufallsvariablen Wir betrachten zum Einstieg als Zufallsexperiment eine Untersuchung einer Fachbibliothek über das Ausleihverhalten der Studierenden einer Universität. Die Bibliothek notiert dazu für zufällig ausgewählte Besucher die Anzahl der jeweils von diesen Besuchern ausgeliehenen Büchern. Die Variable = "Anzahl der ausgeliehenen Bücher" hat die Realisationsmöglichkeiten 0,1,2,3,...,10. Mehr als 10 Bücher dürfen von einer Person nicht ausgeliehen werden. Null ausgeliehene Bücher sind natürlich bei ausschließlichem Besuch des Lesesaals ebenfalls möglich. Durch die verschiedenen Werte von werden nun Ereignisse festgelegt, indem durch eben diese Werte Teilmengen der Grundgesamtheit aller Studierenden bestimmt sind. Page 1
2 Als ein lässt sich beispielsweise " nimmt den Wert 3 an" formulieren. Dieses Ereignis tritt genau dann ein, wenn eine Person mit drei ausgeliehenen Büchern ausgewählt wird. In diesem Sinn ist also der Wert von zufällig. Allgemein ist eine Zufallsvariable eine Variable, die jedem möglichen Ergebnis eines Zufallsexperimentes eine Zahl zuordnet. Das durch eine Zufallsvariable bestimmte Ereignis wird als " nimmt den Wert an" bezeichnet. Dafür wird geschrieben; es ist also. Analog ist das Ereignis, dass einen Wert annimmt, welcher höchstens so groß ist wie. Entsprechend lassen sich weitere Ereignisse angeben. In unserem Eingangsbeispiel der ausgeliehenen Bücher sind etwa: Page 2
3 Weitere einfache Beispiele für Zufallsvariablen sind: - Die Augenzahl beim Würfeln. - Die Anzahl der Kraftfahrzeuge, die in einem festgelegten Zeitabschnitt durch eine Straße fahren. Wahrscheinlichkeitsverteilungen Definition von Wahrscheinlichkeits- und Verteilungsfunktion Bei empirischen Datensätzen fassen wir die Verteilung der Beobachtungen durch die bzw. durch die zusammen. Die Wahrscheinlichkeit für ein Ereignis der Form gibt die Chance an, dass der entsprechende Wert beobachtet wird. Diese Wahrscheinlichkeit ist gewissermaßen eine potenzielle relative Häufigkeit. Daher ist es nahe liegend, von einer Wahrscheinlichkeitsverteilung zu sprechen, die durch die Zuordnung der Wahrscheinlichkeiten zu den einzelnen Werten bzw. durch die Funktion von gegeben ist. Die Zufallsvariable habe die Realisationsmöglichkeiten. Die Wahrscheinlichkeitsfunktion der Zufallsvariablen ist definiert durch: Die zugehörige theoretische Verteilungsfunktion der Zufallsvariablen ist. In der Regel wird nur für die Realisationsmöglichkeiten angegeben. Für wird auch kurz geschrieben. Eigenschaften von Wahrscheinlichkeits- und Verteilungsfunktion Die Angabe der Wahrscheinlichkeitsverteilung mittels Wahrscheinlichkeitsfunktion bzw. Verteilungsfunktion sind für Zufallsvariablen mit höchstens abzählbar vielen Realisationsmöglichkeiten gleichwertig. Das sei an einem einfachen Beispiel illustriert. Wird eine Ein-Euro-Münze dreimal geworfen und notiert, ob die Zahl-Seite oder die Symbol-Seite nach oben zu liegen kommt, so gibt es folgende Möglichkeiten für die Zufallsvariable = "Anzahl der Zahl-Seiten": Page 3
4 Nur die Realisationsmöglichkeiten mit den zugehörigen Wahrscheinlichkeiten sind angegeben. Für andere ist ja Auch braucht nur für die Realisationsmöglichkeiten angegeben zu werden. Die anderen Werte erhalten wir damit zu Es ist offensichtlich, wie aus und umgekehrt aus Allgemein gilt: zu gewinnen ist. Als formale Eigenschaften halten wir fest: (1) nimmt nur Werte zwischen 0 und 1 an, d.h. es ist. (2) steigt für wachsendes monoton an, d.h. es gilt Darstellung von Wahrscheinlichkeits- und Verteilungsfunktion Die Darstellung der theoretischen Verteilungsfunktion und der Page 4
5 Wahrscheinlichkeitsfunktion geschieht einfach entsprechend der empirischen Situation als Treppenfunktion und Stabdiagramm. Titel: Wahrscheinlichkeits- und Verteilungsfunktion "Anzahl Zahlseiten" bei drei Münzwürfen Quelle: Eigene Berechnungen Zufallsvariablen im Gleichmöglichkeitsmodell Gegeben sei eine endliche Grundgesamtheit mit Elementen. Das Merkmal habe die Realisationsmöglichkeiten. Die Wahrscheinlichkeitsfunktion der Zufallsvariablen bzgl. des Gleichmöglichkeitsmodells ist dann gerade die Häufigkeitsfunktion von in der Grundgesamtheit, wenn die Anzahl der Elemente in der Grundgesamtheit bezeichnet, bei denen das Merkmal den Wert annimmt:. Hamburger Würfelbude Quelle: K.Lange (1980): Zahlenlotto; Ravensburg, Otto Maier Verlag Die Hamburger Würfel-Bude hat folgenden Gewinnplan: Der Einsatz beträgt zwei Euro. Bei einmaligem Werfen mit einem Würfel erhalten wir Augenzahl Auszahlung 6 4 Euro 1 3 Euro 3 Freispiel Bestimmen Sie die Wahrscheinlichkeitsfunktion und die Verteilungsfunktion der Zufallsvariablen "Auszahlung" für den Fall, dass nur ein Freispiel möglich ist, d.h. Sie dürfen bei der zweiten Drei nicht mehr weiterwürfeln. Stellen Sie diese Funktionen grafisch dar. Link zur Lösung ( : b6b.pdf ) Maßzahlen theoretischer Verteilungen Die Wahrscheinlichkeiten für Ereignisse haben wir als potenzielle relative Häufigkeiten bezeichnet. Damit kann die analog zum gebildete Maßzahl als "potenzielles arithmetisches Mittel" bezeichnet werden. Wie ist aber zu interpretieren? Betrachten wir dazu die stark vereinfachte Situation einer Versicherung, bei der nur eine begrenzte Anzahl von Schäden mit zugehörigen Wahrscheinlichkeiten auftreten können. Schadenshöhe Wahrscheinlichkeit Page 5
6 Bei Zugrundelegung dieser Schadensverteilung wird die Versicherung bei insgesamt 1000 Verträgen mit folgendem Geschehen rechnen müssen: Erwartete Anzahl von Schäden bei 1000 Verträgen Schadenshöhe Gesamtschaden Insgesamt sind es also Euro, die voraussichtlich zur Schadensdeckung nötig werden. Wird dieser erwartete Schaden gleichmäßig auf alle Verträge verteilt, so sind pro Vertrag 26 Euro einzukalkulieren, um den erwarteten Gesamtschaden abzudecken. Dies ist der erwartete Schaden pro Vertrag. Die Überlegung basiert darauf, dass bei einer großen Anzahl von Versuchsdurchführungen die relativen Häufigkeiten der einzelnen Realisationen der interessierenden Variablen in etwa mit den Wahrscheinlichkeiten übereinstimmen. Das Resultat ist eine Maßzahl, die angibt, mit welchem Wert wir im Durchschnitt zu rechnen haben, welchen Wert wir erwarten. Ein gleichartiges Vorgehen führt zur theoretischen Varianz als Gegenstück zur. Definition von Erwartungswert und Varianz Für eine Zufallsvariable mit den Realisationsmöglichkeiten zugehörigen Wahrscheinlichkeiten wird der Lageparameter der Wahrscheinlichkeitsverteilung, das potenzielle arithmetische Mittel, als Erwartungswert bezeichnet, i.z.: Die theoretische Varianz ist und den Page 6
7 und die theoretische Standardabweichung ist die Wurzel aus der Varianz: Für die vereinfachte Versicherungssituation erhalten wir mit dem bereits bekannten Wert : Wieder ist die Standardabweichung die eigentliche Maßzahl zur Beurteilung der Streuung. Hier ist Je geringer die Standardabweichung ist, desto eher werden sich die Durchschnittswerte der einzelnen Schäden bei 26 Euro befinden. Die Hamburger Würfelspiel-Bude hat folgenden Gewinnplan: Der Einsatz beträgt zwei Euro; bei einmaligem Werfen mit einem Würfel gibt es: Augenzahl Auszahlung 6 4 Euro 1 3 Euro 3 Freispiel Welche Auszahlung können Sie erwarten, wenn nur ein Freispiel möglich ist, d.h. Sie dürfen bei der zweiten Drei nicht mehr weiterwürfeln? Wie groß ist dann die Standardabweichung? Interpretieren Sie die beiden Maßzahlen im Hinblick auf viele Spiele! Page 7
8 Link zur Lösung ( : d10.pdf ) Eigenschaften von Erwartungswert und Varianz Die wichtigsten Eigenschaften der beiden theoretischen Maßzahlen spiegeln die Eigenschaften der entsprechenden empirischen Maßzahlen, dem arithmetischen Mittel und der empirischen Varianz, wider: Der Erwartungswert einer Lineartransformation ist also gleich dem linear transformierten Erwartungswert. Bei der Varianz verändert eine Verschiebung nichts; die Multiplikation mit einem Faktor verändert die Varianz in der Weise, dass der Faktor quadratisch herausgezogen wird. Dies ist vernünftig, ergibt es doch für die Standardabweichung die Relation. Über die Beziehung lässt sich die Varianz häufig einfacher berechnen. Standardisierte Zufallsvariablen Wir können vermuten, dass Verteilungen von Zufallsvariablen mit und zueinander ähnlich sind. Wir führen daher eine besondere Bezeichnung ein: Eine Zufallsvariable heißt standardisiert, wenn ihr Erwartungswert den Wert 0 und ihre Standardabweichung den Wert 1 haben. Durch eine einfache Transformation kann jede Zufallsvariable mit in eine standardisierte Zufallsvariable transformiert werden. Die Transformation wird als Standardisierung bezeichnet:. Generell gilt, dass der IQ in der Normalbevölkerung eine Verteilung besitzt mit und Neue Intelligenztests müssen zur Herstellung der Vergleichbarkeit auf diese Normen gebracht werden. Bei einem neuen Test beträgt nun der Erwartungswert und die Varianz Wie muss die Variable transformiert werden, damit die Ergebnisse vergleichbar werden? Link zur Lösung ( : d66.pdf ) Tschebyschev-Ungleichung Bei empirischen Verteilungen gibt die Standardabweichung an, wie stark die Werte um den Mittelwert des Merkmals streuen. Bei einer kleinen Streuung haben wir weniger große Abweichungen vom Mittelwert als bei einer größeren Streuung. Dies drückt auch die empirische Variante der Tschebyschev-Ungleichung aus. Titel: P.L. Tschebyschev, Quelle: Bartth, F. und Haller, R. (1985): Stochastik; München: Ehrenwirth Verlag Die theoretische Version der Tschebyschev-Ungleichung erfasst nun, dass wir bei einer kleinen Streuung seltener eine große Abweichung vom Erwartungswert beobachten werden als bei einer größeren Streuung. Für eine Zufallsvariable mit Erwartungswert und Varianz gilt bei beliebigem die Page 8
9 Tschebyschev-Ungleichung Die Tschebyschev-Ungleichung gibt eine Mindestwahrscheinlichkeit dafür an, dass eine Zufallsvariable einen Wert aus einem Schwankungsintervall annimmt, dessen Grenzen das k-fache der Standardabweichung vom Erwartungswert weg liegen. Für verschiedene Werte von k erhalten wir: Für k=1 ist die Abschätzung praktisch wertlos, da Wahrscheinlichkeiten sowieso größer oder gleich null sind. Bei k=2 sehen wir aber, dass die Wahrscheinlichkeit, einen Wert aus dem Intervall um zu beobachten, schon ¾ beträgt; bei k=3 ist sie praktisch gleich 0.9 usw. Für die meisten Verteilungen, mit denen wir im Rahmen dieser Einführung zu tun haben, ist die Abschätzung recht grob. Wenn aber sonst keine Voraussetzungen gemacht werden, geht es nicht besser. Ein Sägewerk erhält eine neue Maschine für den automatischen Zuschnitt von Holzlatten. Der Hersteller teilt mit, dass die Maschine mit einer Varianz von cm2 arbeitet. Die Maschine wird so eingestellt, dass die mittlere Lattenlänge cm beträgt. Mit welcher Mindestwahrscheinlichkeit liegt die Lattenlänge einer zufällig der Produktion entnommenen Latte zwischen 148 cm und 152 cm? Link zur Lösung ( : de5.pdf ) Erwartungswert ExplanationStandardabweichung, theoretische ExplanationStandardisierung ExplanationTschebyschev-Ungleichung ExplanationVarianz, theoretische ExplanationVerteilungsfunktion, theoretische ExplanationWahrscheinlichkeitsfunktion ExplanationWahrscheinlichkeitsverteilung ExplanationZufallsvariable ExplanationZufallsvariable, standardisierte Page 9
10 Explanation (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Kontakt: Page 10
Gemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
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
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
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.
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
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
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
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
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
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
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
MehrBeispiel 2 (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter)
Beispiel (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter) 1 Ein Statistiker ist zu früh zu einer Verabredung gekommen und vertreibt sich nun die Zeit damit, daß er die Anzahl X der Stockwerke
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
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,
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
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
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrBerechnung von W für die Elementarereignisse einer Zufallsgröße
R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.
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
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,
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.
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
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,
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
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
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter Erwartsungswert und Varianz
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
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)
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
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
Mehr1.5 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:
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrKapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen
Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population
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
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
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
Mehr1.4 Zufallsvariablen und ihre Verteilung
1.4.1 Diskrete Zufallsvariablen Ein Zufallsexperiment wird beschrieben durch einen Grundraum Ω und eine Wahrscheinlichkeit P auf Ω. Häufig interessieren nicht die Ergebnisse an sich, sondern bestimmte
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
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
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)
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrBiomathematik für Mediziner, Klausur WS 2000/2001 Seite 1
Biomathematik für Mediziner, Klausur WS 2000/2001 Seite 1 Aufgabe 1: Von 2 gleichartigen Maschinen eines pharmazeutischen Betriebes stellt die erste 40% und die zweite 60% der Produkte her. Dabei verursacht
MehrDemo-Text für STOCHASTIK. Tschebyscheff-Ungleichung. Einführung mit Anwendungsbeispielen. Datei Nr Friedrich W.
STOCHASTIK Tschebyscheff-Ungleichung Einführung mit Anwendungsbeispielen Datei Nr. 36111 Friedrich W. Buckel Stand 1. April 010 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK www.mathe-cd.de Inhalt 1 Wiederholung:
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
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
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.
MehrLösungen zu Übungs-Blatt 8 Wahrscheinlichkeitsrechnung
Lösungen zu Übungs-Blatt Wahrscheinlichkeitsrechnung Diskrete Zufallsgrößen Zu Aufgabe ) Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung?
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,
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
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
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
MehrEinführung: Kaum Theorie, aber viel Training. Mehr Theorie in Zusätzliche Aufgabensammlung in 34021
STOCHASTIK Binomialverteilung Einführung: Kaum Theorie, aber viel Training Mehr Theorie in 3402 Zusätzliche Aufgabensammlung in 3402 Ausführliche Erklärung des Einsatzes dreier Rechner: Grafikrechner:
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
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
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:
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Mehr