Spezielle stetige Verteilungen
|
|
- Eleonora Lorenz
- vor 7 Jahren
- Abrufe
Transkript
1 Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für eine exponentailverteilte Zufallsvariable X gilt EX = 1 k V (X ) = 1 k 2 P(X > t + s X > t) = P(X > s) für alle s, t > 0, d. h. die Exponentialverteillung ist gedächtnislos verteilungen2.pdf, Seite 1
2 Dichte und Verteilungsfunktion der Exponentialverteilung für verschiedene Parameterwerte k. verteilungen2.pdf, Seite 2
3 Anwendung Die Exponentialverteilung ist das stetige Gegenstück der geometrischen Verteilung. Sie modelliert die Wartezeit auf ein zufällig eintretendes Ereignis, wenn diese Wartezeit nicht davon abhängt, wie lange man bereits gewartet hat. Beispiele sind Lebensdauer eines Bauteils, das keinem Verschleiÿ unterliegt Wartezeit bis zum nächsten Anruf/auf den nächsten Kunden In einem PoissonProzess ist die Zeit zwischen zwei aufeinander folgenden Ereignissen exponentialverteilt. verteilungen2.pdf, Seite 3
4 Verallgemeinerung: Die WeibullVerteilung beschreibt die Lebensdauer von Bauteilen mit altersabhängiger Ausfallrate. Sie hat die Dichte mit den Parametern α, β > 0. f (x) = αβx β 1 e αxβ für x > 0 Die Verteilungsfunktion ist F (x) = 1 e αxβ für x 0. Mit β = 1 ergibt sich gerade die Exponetialverteilung mit dem Parameter α, für β > 1 nimmt die Ausfallrate mit zunehmendem Alter zu. verteilungen2.pdf, Seite 4
5 Normalverteilung Eine Zufallsvariable X mit Dichte f (x) = 1 σ 2π e 1 2( x µ σ ) 2 für x R heiÿt normalverteilt mit Parametern µ R und σ > 0, Notation X N(µ, σ 2 ). Eine StandardNormalverteilung liegt vor, wenn µ = 0 und σ = σ 2 = 1, also X die Dichte ϕ(x) = 1 2π e 1 x 2 2 hat. Eigenschaften der Dichte f (x) hat ein globales Maximum bei x = µ, ist streng monoton wachsend für x < µ und streng monoton fallend für x > µ. Die Dichte ist symmetrisch um µ, d. h. f (µ + x) = f (µ x) und sie hat zwei Wendepunkte bei x = µ ± σ. verteilungen2.pdf, Seite 5
6 Dichte der Normalverteilung verteilungen2.pdf, Seite 6
7 Eigenschaften normalverteilter Zufallsvariablen EX = µ und V (X ) = σ 2, falls X N(µ, σ 2 ), d. h. die Parameter µ und σ einer normalverteilten Zufallsvariable sind gerade Erwartungswert und Standardabweichung. Dabei wird in der Notation üblicherweise die Varianz σ 2 angegeben, d. h. X N(0; 4) bedeutet z. B. dass X normalverteilt ist mit Erwartungswert 0 und Varianz σ 2 = 4. Die Standarsabweichung ist somit σ = 2. Die lineare Transformation einer normalverteilten Zufallsvariable ergibt wieder eine normalverteilte Zufallsvariable: Ist X N(µ, σ 2 ) und a, b R mit a 0, so ist ax + b normalverteilt mit Erwartungswert aµ + b und Varianz a 2 σ 2, d. h. ax + b N(aµ + b, (aσ) 2 ). verteilungen2.pdf, Seite 7
8 Weitere Eigenschaften Ist X normalverteilt mit Erwartungswert µ und Varianz σ 2, so ist die standardisierte Zufallsvariable Z = X µ σ standardnormalverteilt. Ist umgekehrt Z standardnormalverteilt, so ist X = σ Z + µ N(µ, σ 2 ). Die Summe von zwei (oder mehr) unabhängigen normalverteilten Zufallsvariablen ist wieder normalverteilt: Sind X und Y unabhängig mit X N(µ, σ 2 ) und Y N(ν, τ 2 ), so ist auch X + Y normalverteilt mit X + Y N(µ + ν, σ 2 + τ 2 ). verteilungen2.pdf, Seite 8
9 Verteilungsfunktion Für die Verteilungsfunktion F (x) = x f (t) dt einer N(µ, σ 2 )verteilten Zufallsvariable X lässt sich kein geschlossener Ausdruck angeben. X lässt sich durch Verschiebung und Streckung/Stauchung (Standardisierung) auf eine StandardNormalverteilung zurückführen: Ist X N(µ, σ 2 ), so gilt mit Z = X µ für die σ Verteilungsfunktion F von X : F (x) = P(X x) = P ( X µ σ wobei x µ σ Φ(z) = 1 2π z ) = P ( Z x µ σ e t2 2 die Verteilungsfunktion der Standardnormalverteilung ist. dt ) ( = Φ x µ ) σ, verteilungen2.pdf, Seite 9
10 Berechnung der Normalverteilung Allgemeiner gilt dann für eine N(µ, σ 2 )verteilte Zufallsvariable X P(a X b) = Φ ( b µ σ ) ( Φ a µ ) σ Ist nur eine untere Grenze gegeben, so erhält man P(X > a) = 1 P(X a) = 1 Φ ( ) a µ σ Die Werte von Φ(x) sind oft in Tabellen angegeben. Aufgrund der Symmetrie der Normalverteilung gilt Φ( x) = 1 Φ(x). Daher beschränken sich die Tabellen in der Regel auf Werte für x > 0. verteilungen2.pdf, Seite 10
11 Beispiel 1 Sei X N ( 1, 1 4), also σ2 = 1 4 σ = 1 2 Dann ist die standardisierte Zufallsvariable Z = 2(X 1) standardnormalverteilt und ( X) hat die Verteilungsfunktion x 1 F (x) = P(X x) = Φ = Φ ( ) 2(x 1). Z. B. gilt 1/2 ( ) ( ) P(1 X 1, 2) = Φ Φ 1,2 1 0, ,5 = Φ(0, 4) Φ(0) 0, , 5 = 0, 1554 = 15, 54% ( ) P(X > 0, 5) = 1 P(X 0, 5) = 1 Φ = 1 Φ( 1) = Φ(1) 0, 8413 = 84, 13% ( ) ( ) P(0 < X < 0, 6) = Φ Φ 0,6 1 0,5 = Φ( 0, 8) Φ( 2) = 1 Φ(0, 8) 0 1 0,5 0,5 1 0,5 ( 1 Φ(2) = Φ(2) Φ(0, 8) 0, , 7881 = 18, 91%. ) verteilungen2.pdf, Seite 11
12 Beispiel 2 mit µ = 3, σ 2 = 4 Gesucht sei ein möglichst kleines c > 0, so dass eine N(3; 4)verteilte Zufallsvariable X mit 95%-iger Wahrscheinlichkeit zwischen 3 c und 3 + c liegt, also P(3 c X 3 + c) 0, 95 ) ( Φ 3 c 3 0, 95 Φ ( 3+c 3 σ = Φ(c/2) σ ( ) 1 Φ(c/2) Φ(c/2) 1 (1 + 0, 95) = 0, ) = Φ(c/2) Φ( c/2) = 2 Φ(c/2) 1 Da Φ streng monoton wachsend und stetig ist, erfüllt das kleinstmögliche c mit dieser Eigenschaft die Gleichung Φ(c/2) = 0, 975 Aus der Tablle entnimmt man Φ(1, 96) 0, 975, also ist die Bedingung erfüllt, wenn c/2 1, 96 c 3, 92. verteilungen2.pdf, Seite 12
13 Verteilung von X N (3; 4) Die N (3; 4)verteilte Zufallsvariable X nimmt somit mit 95prozentiger Wahrscheinlichkeit einen Wert zwischen 3 3, 92 = 0, 92 und 3 + 3, 92 = 6, 92 an. Umgekehrt ist P(X < 0, 92) = P(X > 6, 92) 2, 5% P( X 3 > 3, 92) 5% verteilungen2.pdf, Seite 13
14 Quantile Der Wert x 1, 96, für den Φ(x) = 0, 975 gilt, ist das 97, 5%Quantil z 0,975 der StandardNormalverteilung. Die wichtigsten Quantile sind in Tabellen aufgeführt. Das pquantil z p ist der (eindeutig bestimmte) Wert, für den gilt P(Z z p ) = p für eine standardnormalverteilte Zufallsvariable Z. Aus Symmetriegründen gilt z 1 p = z p sowie (für p > 0, 5 z p > 0) P( Z z p ) = P(Z z p ) + P(Z z p ) = 2 (1 p). verteilungen2.pdf, Seite 14
15 Anschauliche Bedeutung eines Quantils z p verteilungen2.pdf, Seite 15
16 Spezielle Werte der Normalverteilung Die Wahrscheinlichkeit, dass eine N(µ, σ 2 )verteilte Zufallsvariable einen Wert... gröÿer als µ + σ annimmt, liegt bei 1 Φ(1) 15, 9% gröÿer als µ + 2σ annimmt, liegt bei 1 Φ(2) 2, 3% gröÿer als µ + 3σ annimmt, liegt bei 1 Φ(3) 0, 13% zwischen µ σ und µ + σ annimmt, liegt bei Φ(1) Φ( 1) = 2Φ(1) 1 68, 3% zwischen µ 2σ und µ + 2σ annimmt, liegt bei Φ(2) Φ( 2) = 2Φ(2) 1 95, 5% zwischen µ 3σ und µ + 3σ annimmt, liegt bei Φ(3) Φ( 3) = 2Φ(3) 1 99, 7% verteilungen2.pdf, Seite 16
17 Standardnormalverteilung verteilungen2.pdf, Seite 17
18 Zentraler Grenzwertsatz Voraussetzungen Betrachtet wird die Summe unabhängiger identisch verteilter Zufallsvariablen X 1, X 2, X 3,..., die gegeben ist durch n S n = X k = X X n k=1 Die X k dürfen eine beliebige Verteilung haben, vorausgesetzt wird, dass der Erwartungswert EX k = µ und die Varianz V (X k ) = σ 2 existieren. Dann hat S n den Erwartungswert ES n = n µ, die Varianz V (S n ) = n σ 2 und die Standardabweichung n σ. Es folgt, dass Z n = S n ES n V (Sn ) = S n nµ n σ die für jedes n eine standardisierte Zufallsvariable ist, d. h. für alle n 1 gilt EZ n = 0 und V (Z n ) = 1 für alle n 1. verteilungen2.pdf, Seite 18
19 Zentraler Grenzwertsatz Die Folge (Z n ) n 1 konvergiert in Verteilung gegen die StandardNormalverteilung, d. h. für alle x R gilt lim P(Z n x) = lim F n (x) = Φ(x), n n wenn F n die Verteilungsfunktion von Z n und Φ die der Standardnormalverteilung ist. Folglich gilt für hinreichend groÿe n und b R mit x = b nµ n σ ( Sn nµ P(S n b) = P b nµ ) = P(Z n x) n σ n σ ( ) b nµ Φ(x) = Φ n σ Allgemeiner gilt für a, b R mit a < b ( ) ( ) b nµ a nµ P(a S n b) Φ Φ n σ n σ Dabei kann auch durch < ersetzt werden. verteilungen2.pdf, Seite 19
20 Zentraler Grenzwertsatz Beispiel 1 Verteilung der Augensumme S 10 bei 10maligem Würfeln Mit der Augenzahl X k des kten Würfels ist µ = EX k = 7 = 3, 5 und 2 σ 2 = V (X k ) = 35 σ = 35 1, verteilungen2.pdf, Seite 20
21 Fortsetzung Beispiel 1 Für die Wahrscheinlichkeit, dass die Augensumme kleiner als 30 ist, gilt (mit 10 µ = 35 und σ 10 = ) 12 ( ) P(S 10 < 30) Φ 10 35/12 = Φ( 0, 926) = 1 Φ(0, 926) 1 [0, 4 Φ(0, 92) + 0, 6 Φ(0, 93)] 1 0, , 7% Dabei wurde Φ(0, 926) = Φ(0, 4 0, , 6 0, 93) mit den Tabellenwerten für Φ(0, 92) und Φ(0, 93) linear interpoliert: Aus 0, 926 = 0, , 6 (0, 93 0, 92) = 0, 4 0, , 6 0, 93 erhält man Φ(0, 926) 0, 4 Φ(0, 92) + 0, 6 Φ(0, 93) 0, 4 0, , 6 0, , 8228 verteilungen2.pdf, Seite 21
22 Beispiel 2 Die Wahrscheinlichkeit, dass die Augensumme bei 100 mal Würfeln zwischen 320 und 360 liegt, erhält man durch ( ) ( ) , ,5 P(320 S ) Φ Φ ( = Φ ) ( Φ / /12 ) = Φ(0, 343) Φ( 1, 029) = Φ(0, 343) 1 + Φ(1, 029) = 0, , 848 = 0, 482 = 48, 2% verteilungen2.pdf, Seite 22
23 Beispiel 3 Wie oft muss man würfeln, damit die Augensumme S n mit 99%-iger Wahrscheinlichkeit um maximal 1% vom Erwartungswert n µ = 3, 5n abweicht? P ( S n nµ n µ ) ( ( ) 100 = P n µ Sn ( ) ) n µ) 100 ( ) ( ) ( 0,01nµ Φ 0,01nµ n σ Φ n σ = 2Φ 0,035 n ) 1 35/12 Damit dieser Ausdruck 0, 99 ist, muss mit dem 99, 5%Quantil z 0,995 = 2, 5758 der Standardnormalverteilung gelten Φ ( 0,035 35/12 n n ) 0, 995 0,035 35/12 n z 0,995 ( ) 35/12 z 0,995 n ,5758 0, , , 01 Also muss man mindestens mal würfeln. verteilungen2.pdf, Seite 23
24 Zentraler Grenzwertsatz Bemerkungen Der zentrale Grenzwertsatz gilt für beliebige Verteilungen von X k, so lange Erwartungswert und Varianz endlich sind. Auch bei diskreten Zufallsvariablen X k nähert sich die Verteilung von X X n für n einer stetigen Normalverteilung an. Die Approximation von S n durch eine Normalverteilung ist im allgemeinen besser, wenn die Verteilung der X k symmetrisch ist, d. h. wenn X k und µ X k die selbe Verteilung haben. Sind die X k diskret verteilt, so erhält man eine bessere Approximation durch eine Stetigkeitskorrektur (siehe Beispiel zur Binomialverteilung). Es gibt Varianten des zentralen Grenzwertsatzes, die unter schwächeren Voraussetzungen als unabhängig und identisch verteilt gelten. verteilungen2.pdf, Seite 24
25 Vergleich zentraler Grenwertsatz Gesetz der groÿen Zahlen Beide Sätze haben die gleichen Voraussetzungen: unabhängige und identisch verteilte Zufallsvariablen X 1, X 2,... mit Erwartungswert EX k = µ R uns Varianz V (X k ) = σ 2 <. Mit S n = X X n und X n = 1 n S n betrachtet das Gesetz der groÿen Zahlen die Folge S n nµ n = X n µ, deren Verteilung sich zu einem Punkt zusammenzieht. Dagegen macht der zentrale Grenzwertsatz Aussagen über die Folge S n nµ = ( ) n X n µ, n die sich einer Normalverteilung mit Varianz σ 2 annähert. verteilungen2.pdf, Seite 25
26 Zentraler Grenzwertsatz für Binomialverteilung Ist X b(n, p), so ist X die Summe von n unabhängigen Zufallsvariablen, die jeweils die Werte 0 mit Wahrscheinlichkeit 1 p und 1 mit Wahrscheinlichkeit p annehmen. Nach dem zentralen Grenzwertsatz nähert sich die Verteilung von X EX = X np V (X ) np(1 p) für n der StandardNormalverteilung an. Folglich gilt für groÿe n (Faustregel np(1 p) 9 n 9 p(1 p) ) ( a np P(a X b) = P np(1 p) X np np(1 p) ( ) ( ) b np a np Φ Φ np(1 p) np(1 p) ) b np np(1 p) verteilungen2.pdf, Seite 26
27 Approximation der Binomialverteilung durch die Normalverteilung verteilungen2.pdf, Seite 27
28 Steigkeitskorrektur Da die Binomialverteilung nur ganzzahlige Werte annimmt, gilt z. B. P(5 X 10) = P(4, 5 X 10, 5) = P(4 < X < 11), d. h. man kann verschiedene Werte für a und b wählen, um das gleiche Zufallsereignis zu beschreiben. Allgemeiner: Um P(α X β) mit α, β Z zu bestimmen, können a und b beliebig mit α 1 < a α und β b < β + 1 gewählt werden. Die beste Näherung mit dem zentralen Grenzwertsatz erhält man, wenn man die Werte in der Mitte a = α 1 und b = β + 1 wählt, also 2 2 ( β P(α X β) Φ np ) ( α 1 Φ np ) 2. np(1 p) np(1 p) verteilungen2.pdf, Seite 28
29 Beispiel 1 Wie groÿ ist die Wahrscheinlichkeit, beim 45 maligen Würfeln mehr als 4 und weniger als 11 Sechsen zu erhalten? Die Zahl X der Sechsen ist binomialverteilt mit mit n = 45 und p = 1. Mit np = 7, 5 und 6 np (1 p) = 75 = 25 = 5 = 2, 5 erhält man P(4 < X < 11) = P(5 X 10) = P(4, 5 X 10, 5) ( ) ( ) Φ Φ = Φ(1, 2) Φ( 1, 2) 10,5 7,5 2,5 4,5 7,5 2,5 = 2 Φ(1, 2) 1 = 2 0, , 0 %. Bemerkung: Die exakte Wahrscheinlichkeit liegt bei 77, 25 %. Obwohl die Faustregel nicht erfüllt ist (np(1 p) = 6, 25 < 9) liefert die Normalapproximation mit Stetigkeitskorrektur schon eine gute Näherung. verteilungen2.pdf, Seite 29
30 Beispiel 2 Die Wahrscheinlichkeit, beim 1000maligen Würfeln zwischen 160 und 170 Sechsen zu werfen, erhält man durch P(160 X 170) = P(159, 5 X 170, 5) ( ) ( ) Φ Φ 35, 6%. 170, /36 Bemerkung 159, /36 Ohne die Stetigkeitskorrektur ist das Ergebnis ( ) ( ) Φ Φ , 6%. 5000/ /36 Die mit der Binomialverteilung berechnete exakte Wahrscheinlichkeit liegt bei b 1000; 1 6 (160) + b 1000; 1 (161) b 1000; 1 (170) 35, 7%. 6 6 verteilungen2.pdf, Seite 30
31 Bemerkung Ist eine Wahrscheinlichkeit der Form P(a < X < b) gefragt, so werden bei der Stetigkeitskorrektur die Grenzen nach innen verschoben. Im letzten Beispiel wäre P(160 < X < 170) = P(160, 5 X 169, 5) ( ) ( ) Φ Φ 169, /36 160, /36 Φ(0, 240) Φ( 0, 523) 29, 5%. Allgemein gilt also für Zufallsvariablen mit ganzzahligen Werten und α, β Z: Bei einer unteren Grenze der Form α X wird a durch α 1 2 und bei α < X durch α + 1 ersetzt. Die obere Grenze wird bei 2 X β durch β + 1 und bei X < β durch β 1 ersetzt. 2 2 verteilungen2.pdf, Seite 31
32 Beispiel 3 Eine Fluggesellschaft weiÿ aus Erfahrung, dass von den Kunden, die einen Flug gebucht haben, im Durchschnitt 95% tatsächlich erscheinen. Ein Flugzeug hat 300 Plätze. Wie viele Tickets kann die Fluggesellschaft maximal verkaufen, damit mit 95%iger Wahrscheinlichkeit alle Passagiere, die erscheinen, einen Platz bekommen? Dabei wir für die Zahl X der erschienenen Passagiere eine Binomialverteilung mit p = 0, 95 angenommen. Ist n die Zahl der verkauften Tickets, so muss gelten P(X 300) 0, 95, wobei X b(n; 0, 95). verteilungen2.pdf, Seite 32
33 Rechnung im Beispiel Für welche n gilt für eine b(n; 0, 95)verteilte Zufallsvariable X, dass P(X 300) 0, 95? Die Normalapproximation mit Stetigkeitskorrektur liefert mit dem 95%Quantil z 0,95 = 1, 6449 der Standardnormalverteilung ( ) 300,5 0,95n 0, 95 P(X 300) Φ n 0,95 0,05 z 0,95 300,5 0,95n n 0,95 0,05 300, 5 0, 95n 1, 6449 n 0, 95 0, 05 0, 3585 n Mit x = n und g(x) = 0, 95x 2 + 0, 3585x 300, 5 muss dann gelten g(x) 0 x 2 + 0, 3774x 316, x 17, 60 n = x 2 309, 76 Somit können bis zu 309 Tickets verkauft werden. verteilungen2.pdf, Seite 33
34 Approximation der PoissonVerteilung Eine Poissonverteilte Zufallsvariable X mit Parameter λ > 0 entspricht aufgrund der Summationseigenschaft einer Summe von n unabhängigen Poissonverteilten Zufallsvariablen mit Parameter λ/n. Daher kann für hinreichend groÿe λ (Faustregel λ 9) die PoissonVerteilung durch die Normalverteilung mit Erwartungswert µ = λ und Varianz σ 2 = λ approximiert werden. Mit Stetigkeitskorrektur erhält man dann für ganzzahlige α, β P(α X β) Φ ebenso P(X β) Φ ( β+ 1 λ 2 ( ) β+ 1 λ 2 λ λ ) Φ ( α 1 λ 2 λ ), und P(X α) 1 Φ ( α 1 λ 2 λ ). Bei < statt werden auch hier jeweils die Grenzen entsprechend nach innen verschoben. verteilungen2.pdf, Seite 34
35 Beispiel Ist X Poissonverteilt mit Parameter λ = 16, so ist P(X > 16) = λ k k=17 k! e λ = 1 16 λ k k=0 k! e λ 43, 4%. Mit der Normalapproximation mit Stetigkeitskorrektur erhält man ( ) ( ) 16, P(X > 16) 1 Φ = 1 Φ 45, 0% 4 8 Weiter ist z. B. ( ) ( ) 17, , 5 16 P(13 X 17) Φ 4 4 = Φ(3/8) Φ( 7/8) = Φ(3/8) 1 + Φ(7/8) 37, 1% verteilungen2.pdf, Seite 35
36 Die ChiQuadratVerteilung (χ 2 Verteilung) mit m Freiheitsgraden ist die Verteilung von X = m Zk 2 = Z Z Zm, 2 k=1 wenn Z 1,..., Z m unabhängig und standardnormalverteilt sind. Notation: X χ 2 (m) Additionseigenschaft Aus der Denition folgt: Sind X χ 2 (m) und Y χ 2 (n) unabhängig, so ist X + Y χ 2 (m + n). verteilungen2.pdf, Seite 36
37 Dichte der χ 2 Verteilung verteilungen2.pdf, Seite 37
38 Eigenschaften Ist X χ 2 (m), so ist EX = m und V (X ) = 2m. Dies folgt aus der Additionseigenschaft mit EZ 2 = 1 und V (Z 2 ) = E(Z 4 ) (E(Z 2 )) 2 = 3 1 = 2 für eine standardnormalverteilte Zufallsvariable Z. X χ 2 (m) hat die Dichte f (x) = 1 2 m/2 Γ ( m 2 ) x m 2 1 e x/2 für x > 0, wobei die Werte Γ ( m 2 ) der Gammafunktion mit einer Rekursionsformel berechnet werden können. Die Verteilungsfunktion der χ 2 (m)verteilung lässt sich (zumindest für ungerade m) nicht durch einen geschlossenen Ausdruck angeben. verteilungen2.pdf, Seite 38
39 Die Gammafunktion (Teschl/Teschl S ) ist deniert durch das uneigentliche Integral Γ(y) = 0 t y 1 e t dt, welches für alle y > 0 existiert. Mit partieller Integration erhält man die Rekursionsformel Γ(y + 1) = y Γ(y). Mit Γ(1) = 1 folgt Γ(n + 1) = n! für n N (Beweis durch vollständige Induktion!) Weiter ist Γ ( 1 2) = π, womit mit der Rekursionsformel weitere Werte der Gammafunktion bestimmt werden können: Γ ( 3 2 ) = 1 2 π, Γ ( 5 2 ) = 3 4 π, Γ ( 7 2 ) = 15 8 π,... verteilungen2.pdf, Seite 39
40 Beispiel Die χ 2 (3)Verteilung hat die Dichte f 3 (x) = 1 2 3/2 Γ( 3 2) x e x/2 = 1 2π x e x/2 für x > 0, für m = 6 erhält man f 6 (x) = Γ(3) x 2 e x/2 = 1 16 x 2 e x/2 Anwendungen der χ 2 Verteilung Die χ 2 Verteilung tritt in statistischen Testverfahren auf. Dabei spielen die Quantile χ 2 m;p für P(X < χ 2 m;p) = p für eine χ 2 (m)verteilte Zufallsvariable X eine Rolle. Diese Quantile sind oft in Tabellen aufgeführt. Ist F die Verteilungsfunktion von X, so gilt F (χ 2 m;p) = p χ 2 m;p = F 1 (p). verteilungen2.pdf, Seite 40
41 Beispiel: 80%Quantil der χ 2 (4)Verteilung verteilungen2.pdf, Seite 41
42 Grundlage für das Auftreten der χ 2 Verteilung als Testverteilung in der Statistik ist der Satz Sind Z 1,..., Z n N(µ, σ) unabhängige normalverteilte Zufallsvariablen, so ist n ( ) 2 ( ) 2 ( Zk Z Z1 Z Zn Z = ) 2 k=1 σ σ σ mit Z = 1 n (Z Z n ) eine χ 2 verteilte Zufallsvariable mit m = n 1 (nicht n) Freiheitsgraden. verteilungen2.pdf, Seite 42
43 Die studentsche t-verteilung mit m Freiheitsgraden ist die Verteilung von T = Z X /m, wenn Z und X unabhängige Zufallsvariablen sind mit Z N(0; 1) und X χ 2 (m), Notation T t(m). Sie hat die Dichte Γ ( ) m+1 2 f (x) = (1 + x 2 mπ Γ(m/2) m ) m+1 2 für x R. verteilungen2.pdf, Seite 43
44 Spezielle Dichten f m der t(m)verteilung f 1 (x) = Γ(1) π Γ( 1 f 2 (x) = Γ( 3 2) 2π Γ(1) f 5 (x) = 2) (1 + x 2 ) 1 = 1 1 π 1+x 2 ( ) 3/2 1 + x 2 2 = 1 Γ(3) 5π Γ( 5 2) f 6 (x) = Γ( 7 2) 6π Γ(3) ( ( 1 + x x 2 6 (2+x 2 ) 3/2 ) 3 = 8 ( ) 3 5 π 1+ x ) 7/2 = 15 ( x 2 6 ) 7 verteilungen2.pdf, Seite 44
45 Dichte der tverteilung verteilungen2.pdf, Seite 45
46 Eigenschaften Die Dichte der tverteilung ist symmetrisch um 0 und breiter als die Normalverteilung. Für m nähert sie sich der Standardnormalverteilung an und kann für groÿe m (Faustregel m 30) durch diese approximiert werden. Der Erwartungswert der t(1)verteilung existiert nicht. Ist X t(m) mit m 2, so ist ET = 0. Die Varianz der tverteilung mit einem oder zwei Freiheitsgraden ist unendlich. Für T t(m) mit m 3 ist V (T ) = m. m 2 Für m = 1 entspricht die tverteilung der CauchyVerteilung. Sind Z 1 und Z 2 unabhängig und standardnormalverteilt, so ist der Quotient Z 1 /Z 2 Cauchyverteilt. verteilungen2.pdf, Seite 46
47 Die F Verteilung (nach Ronald Aylmer Fisher) ist eine weitere in der Statistik wichtige stetige Wahrscheinlichkeitsverteilung. Sie hat zwei ganzzahlige Parameter n, m 1 und die Dichte ) f (x) = m m 2 n n 2 Γ ( m 2 + n 2 Γ ( m 2 ) Γ ( n 2 ) x m 2 1 (mx + n) (m+n)/2 für x > 0. Die F Verteilung ergibt sich als Verteilung eines Quotienten ( 1 m X ) / ( 1 n Y ), wenn X und Y unabhängig und χ 2 verteilt sind mit m bzw. n Freiheitsgraden. verteilungen2.pdf, Seite 47
48 Dichten der F Verteilung verteilungen2.pdf, Seite 48
49 Erwartungswert und Varianz Für eine F verteilte Zufallsvariable mit Parametern m und n gilt: Ist n = 1 oder n = 2, so existiert der Erwartungswert nicht. Im Fall n 3 ist EX = unabhängig von m. n n 2 Die Varianz ist unendlich, falls n 4. Für n 5 ist V (X ) = 2n2 (m + n 2) m(n 2) 2 (n 4). verteilungen2.pdf, Seite 49
Ausgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
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)
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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
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
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
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
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
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrWiederholung Analysis
Wiederholung Analysis F( x) sei Stammfunktion zu f( x) f( x) dx = F( x) F ( x) = f( x) Bestimmtes Integral b a f ( x) dx = F( b) F( a) Uneigentliche Integrale x x x f() t 0 F( x) = f() t dt ist monoton
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
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
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
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 16. Januar 2015 1 Verteilungsfunktionen Definition Binomialverteilung 2 Stetige Zufallsvariable,
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 17. November 2010 1 Gesetze Das Gesetz der seltenen Ereignisse Das schwache Gesetz der großen Zahl 2 Verteilungsfunktionen
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
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
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
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
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
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
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) =
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
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
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
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,
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
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
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
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 10. Übung SS 18: Woche vom
Übungsaufgaben 10. Übung SS 18: Woche vom 18. 6. 22. 6. 2016 Stochastik IV: ZG (diskret + stetig); Momente von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte,, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 3 4 5 6 P
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
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
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.
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26) Ein Wahrscheinlichkeitsraum (Ω, P) ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments) versehen mit einer Abbildung P : P(Ω) [0,
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
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte, 2, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 2 3 4 5
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
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
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:
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrNormalverteilung und Standardisierung
Normalverteilung und Standardisierung N(0,1) z 0 z N(µ,) }{{}}{{} µ µ z z z µ+z Die Normalverteilungen N(µ, ) ergeben sich aus der Standardnormalverteilung N(0, 1) (Gaussche Glockenkurve) durch strecken
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
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
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
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
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
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 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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
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............................
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
Mehr