Operations Research (OR) II
|
|
- Sven Schumacher
- vor 7 Jahren
- Abrufe
Transkript
1 Operations Research (OR) II Fortgeschrittene Methoden der Wirtschaftsinformatik 27. Juni 2007 Michael H. Breitner, Hans-Jörg von Mettenheim und Frank Köller # 1 Stochastische Inputgrößen Stochastische Inputgrößen Diskrete Wahrscheinlichkeitsfunktionen Binomialverteilung Poisson-Verteilung Empirische Funktionsverläufe Aus Beobachtungswerte können zum Teil näherungsweise mathematische Funktionen abgeleitet werden Häufig aber können keine theoretischen Dichte- oder Wahrscheinlichkeitsfunktionen abgeleitet werden Empirisch beobachtete Verläufe können als nichttheoretische Dichte- oder Wahrscheinlichkeitsfunktionen bezeichnet werden Beispiel: Bank an einer S-Bahn Station (20 Minuten-Takt)! # 2
2 Nicht-theoretische Dichte oder Wahrscheinlichkeitsfunktion Empirisch beobachtetes Anrufaufkommen in einem Call Center und deren Prognose zur Personalbedarfsermittlung und -einsatzplanung in der Praxis (häufig 30- oder 60-Minutenintervalle) Quelle: Helber, S.; Stolletz, R. (2004) Call Center Management in der Praxis: Strukturen und Prozesse betriebswirtschaftlich optimieren. Berlin: Springer. Auskunftsdienst der Deutschen Telegate AG vom # 3 Stochastische Inputgrößen Beispiel: wöchentliche Nachfrage nach einem Gut Nachfragemenge Häufigkeit ( =50) Relative Häufigkeit Werte spiegeln das Verhalten der Nachfrager wider Können als Basis für zufallsgesteuerte (simulierte) Experimente dienen Künftiges Nachfrageverhalten und dessen Auswirkungen können simuliert werden Auswirkungen z.b. auf Produktions- und Lagerhaltungsentscheidungen # 4
3 Stochastische Inputgrößen Signifikanztest Praktische Erfahrungen oder theoretische Überlegungen führen zu Hypothesen bezüglich der bestimmten Verteilungstypen der stochastischen Inputgrößen Hypothese wird anhand von Stichproben überprüft Entsprechende Verfahren werden als Signifikanztests bezeichnet Beispielsweise kann getestet werden, ob die Annahme zum Erwartungswert einer normalverteilten Inputgröße wirklich µ ist Durch eine Stichprobe die ein bestimmtes Signifikanzniveau erreicht kann die Hypothese verworfen oder angenommen werden # 5 Mit Hilfe der Verteilungstypen sollen in einer Simulation Zufallszahlen erzeugt werden Generierung (0,1)-gleichverteilter Zufallszahlen Erzeugung diskreter und kontinuierlicher Zufallszahlen Echte Zufallszahlen: Selten benutzt!!! Ziehen aus einer Urne Mit einem Ziehungsgerät (Lotterie) Pseudo-Zufallszahlen: Häufige Anwendung in der Simulation Zahlenfolge durch Zufallszahlen-Generator Unregelmäßigkeiten in der Ziffernfolge von π, e, 2 Frequenz des natürlichen Rauschens (z.b. beim Radio) # 6
4 Anforderungen an Zufallszahlen-Generatoren: Gute Annäherung der Pseudo-Zufallszahlen an die gewünschte Verteilung Zahlenfolge soll reproduzierbar sein Zahlenfolge soll eine große Periodenlänge haben Generierungszeit soll kurz sein Speicherplatzbedarf soll gering sein Standardzufallszahlen Hier nur Algorithmus zu (0,1)-gleichverteilten Zufallszahlen Kongruenzmethode von Lehmer Vgl. W. Domschke/A. Drexl, Einführung in das Operations Research, Springer, # 7 Kongruenzmethode von Lehmer Voraussetzung: am, INund b IN { 0} Start: Wähle eine beliebige Zahl g0 IN a gi 1 + b Bilde gi = ( a gi 1+ b) modulo m= ( a gi 1+ b) m m gi berechne die Zufallszahl zi : = m Additive Kongruenzmethode wenn b > 0 Multiplikative Kongruenzmethode wenn b = 0 Wahl der Parameter a, b und m sowie des Startwertes g 0 hat wesentlichen Einfluss auf die Güte der Zufallszahlen g i = ganzzahliger Rest # 8
5 Kongruenzmethode von Lehmer a gi 1 + b Bilde gi = ( a gi 1+ b) modulo m= ( a gi 1+ b) m m gi und zi : = m a = 3, b = 0, m = 2 4 sowie g 0 = 1 (Periodenlänge von 4) g1 = ( ) 16= = 3 16 z1 : = g2 = ( ) 16= = 9 z 16 2 : = g3 = ( ) 16 = = z3 : = g4 = ( ) 16= = 1 z 16 4 : = g5 = ( ) 16= = 3 16 z5 : = # 9 Kongruenzmethode von Lehmer Wahl der Parameter a, b und m sowie des Startwertes g 0 hat wesentlichen Einfluss auf die Güte der Zufallszahlen Parameterwahl in Abhängigkeit vom verwendeten Rechnertyp Beispiel: multiplikative Kongruenzmethode für 32 Bit-Rechner Für a = 7 5, m = und ganzzahliges g 0 mit 0 < g 0 < m hat eine Periodenlänge von m 1 Je Zyklus wird jede ganze Zahl g i von 1 bis m 1genau einmal erzeugt # 10
6 Kongruenzmethode von Lehmer Bei sinnvoller Vorgabe der Parameter sind die g i ganze Zahlen aus {1,, m 1} g i = m kann wegen der Modulofunktion nicht auftreten g i = 0 darf bei der additiven Kongruenzmethode bei positivem b auftreten: Division g i /m liefert dann gleichverteilte Zufallszahlen z 0,1 [ ) Bei der multiplikativen Kongruenzmethode darf nicht g i = 0 auftreten, weil sonst alle weiteren Zahlen ebenfalls Null wären: Division g i /m liefert also gleichverteilte Zufallszahlen zi ( 0,1) Große Periodenlänge liefert genaue Annäherung an die Werte 0 und 1: kein Unterschied zwischen offenen und geschlossenen Intervallen (Standardzufallszahlen) # 11 i Probleme bei der Zufallszahlenerzeugung! # 12
7 Diskrete weitere Zufallszahlen Beispiel empirisch ermittelte Verteilung Nachfragemenge Häufigkeit ( =50) Relative Häufigkeit Unterteilung des Intervalls (0,1) in entsprechend den relativen Häufigkeiten disjunkte Abschnitte Fällt eine Zufallszahl z i in das k-te Intervall (mit k=1,2,,6) so ist dies die simulierte Absatzmenge x i = k # 13 Diskrete weitere Zufallszahlen Bernoulli-verteilte Zufallszahlen Wiederholtes Erzeugen von im Intervall (0,1) gleichverteilten Zufallszahlen z z p folgt x = 1 z > p folgt x = 0 Binomialverteilte Zufallszahlen B(n,p) Jeweils n Bernoulli-verteilte Zufallszahlen erzeugen und die Ergebnisse addieren (wiederholtes addieren von 1 oder 0) Poissonverteilte Zufallszahlen Während des Beobachtungszeitraums werden n t exponentialverteilte Zufallszahlen erzeugt und die Anzahl an zugehörigen Ankünften aufsummiert # 14
8 Kontinuierlich verteilte Zufallszahlen Gleichverteilte Zufallszahl x auf dem Intervall (a,b): Erzeuge Standardzufallszahl z ((0,1)-gleichverteilt) Gemäß x := a + z (b a) wird eine gleichverteilte Zufallszahl x auf dem Intervall (a,b) erzeugt Zufallszahlen einer beliebige Verteilungsfunktion Z ist eine (0,1) gleichverteilte Zufallsvariable F eine Verteilungsfunktion für die die Umkehrfunktion F 1 existiert Zufallsvariable X = F 1 (Z) besitzt Verteilungsfunktion # 15 Kontinuierlich verteilte Zufallszahlen Exponentialverteilte Zufallszahl F(x) Verteilungsfunktion F(x) der Exponentialverteilung: F( x) = 1 e δx Gleichsetzen der Standardzufallszahl z mit F(x): x x z F( x) e δ δ = = + 1 e = 1 z Durch Logarithmieren: 1 1 δ x ln e= ln 1 z x= ln 1 z oder x= ln z δ δ ( ) ( ) ( ) # 16
9 Kontinuierlich verteilte Zufallszahlen Dreiecksverteilte Zufallszahl Dichte- bzw. Verteilungsfunktion: x 1 für 1 x 2 f ( x) = 3 x für 2 x 3 0 sonst Gleichsetzen der Standardzufallszahl z mit F(x): 1 x 2: x: = 1+ 2z und 2 x 3: x: = 3 2 2z ( ) F x 0 für x 1 2 x 1 x 2 2 für 1 x 2 = 2 x 7 für 3x 2 x sonst # 17 Kontinuierlich verteilte Zufallszahlen N(0,1)-verteilte Zufallszahlen Verteilungsfunktion F(y) (0,1) gleichverteilte Zufallszahlen z i auf der Ordinate Daraus ableitbar: N(0,1)-verteilte Zufallszahl y i Berechnung normalverteilter Zufallszahlen stößt auf Schwierigkeiten: Weder Verteilungsfunktion von F noch deren Inverse F 1 sind angebbar In Statistikbüchern sind jedoch beide Funktionen tabelliert Beispiel N(0,1)-verteilte Zufallszahlen y i : z i y i # 18
10 Kontinuierlich verteilte Zufallszahlen Alternative Vorgehensweise zur Erzeugung N(0,1)- verteilte Zufallszahlen Erzeuge 12 (0,1) gleichverteilte Zufallszahlen z 1,,z 12 Berechne 12 yi : = zj 6 j= 1 Auf Grund des zentralen Grenzwertsatzes der Statistik sind die Zahlen y i näherungsweise normalverteilt mit dem Erwartungswert µ= 0und der Standardabweichung σ = 1 Beliebige Konstanten µ und σ: Zufallszahlen x i = σ y i + µ sind näherungsweise normalverteilt mit Erwartungswert µ und Standardabweichung σ # 19 N(0,1) relative Häufigkeit absolute Häufigkeit 12 yi : = zj 6 j= 1 mit i = 1,, # 20
11 Anwendungen der Simulation Analyse komplexer stochastischer Systeme und Anwendungen Planung von (inner-) betrieblichen Transport-, und Materialflusssystemen Zielsetzung: Analyse und Bewertung verschiedener Varianten der Gestaltung der Komponenten und der organisatorischen Abläufe des Systems Numerische Integration von Funktionen Auswertung stochastischer Netzpläne Modell aus der Lagerhaltungstheorie Simulation von Warteschlangensystemen # 21 Anwendungen der Simulation Numerische Integration von Funktionen Praktische Verwendung findet die Simulation v.a. bei der gleichzeitigen Integration von Funktionen nach zahlreichen Variablen Mit c sei eine obere Schranke für den Maximalwert der Funktion im Intervall [a,b] bekannt (0,1) gleichverteilten Zufallszahl y f ( x)dx y' := a + (b a) y in (a,b) ist gleichverteilt Bestimme den Funktionswert t = f(y') Danach ermittele in (0,1) gleichverteilte Zufallszahlen z z' := z c ist in (0,c) gleichverteilt Ist z' t, so ist dies ein Punkt unterhalb oder auf f(x), ansonsten handelt es sich um einen Punkt oberhalb von f(x) Auf diese Weise lässt sich durch hinreichend viele Iterationen näherungsweise das Verhältnis des gesuchten Flächeninhaltes zu dem des Rechteckes mit den Seitenlängen b a und c ermitteln # 22 b a Vgl. W. Domschke/A. Drexl, Einführung in das Operations Research, Springer, 2002
12 Anwendungen der Simulation Numerische Integration von Funktionen Voraussetzung: Eine Methode zur Erzeugung (0,1)-gleichverteilter Zufallszahlen y i und z i Start: Setze den Zähler j := 0 Iteration i (=1, 2,...): Bestimme y i sowie z i und berechne t := f(a + (b a) y i ); falls z i c t, setze j := j + 1 Ergebnis: Nach hinreichend vielen Iterationen erhält man durch Gleichsetzen von j F = i b a c ( ) die gesuchte Fläche F = j c (b a)/i als Näherung für das Integral Methoden zur Bestimmung eines geeigneten Stichprobenumfanges zeigen, dass bei gegebenem Stichprobenumfang n das sogenannte Latin Hypercube Sampling" (LHS) reinen Stichprobenziehungen überlegen ist LHS unterteilt die Dichtefunktion in n Intervalle gleicher Wahrscheinlichkeit und zieht genau eine Stichprobe je Intervall Im Falle n = 100 bedeutet dies, dass man das Intervall [a,b] in 100 gleich breite Abschnitte unterteilt Bemerkung: Die MC-Integration spielt in der Praxis i. d. R. erst für 3 und mehr unabhängige Variablen eine Rolle (sonst: Numerische Quadraturformeln)! # 23 Anwendungen der Simulation Gesucht: Schwerpunkt und Trägheitsmomente M. H. Breitner, Vorlesung Numerische Mathematik an der TU Clausthal, WS 00/ # 24
13 Anwendungen der Simulation Test des Zufallszahlengenerators (nur notwendig Aussage!) # 25 Anwendungen der Simulation # 26
14 Anwendungen der Simulation Auswertung stochastischer Netzpläne Bei Netzplänen mit stochastischen Vorgangsdauern und/oder Vorgangsfolgen sind Projektdauern und Pufferzeiten keine deterministischen, sondern ebenfalls stochastische Größen Ihre Dichte- bzw. Verteilungsfunktion analytisch zu bestimmen, ist i.d.r. schwierig oder gar unmöglich, mit Simulation jedoch recht einfach zu bewerkstelligen Ereignisse des Netzplans sind mit A bis E bezeichnet C d[1,3] D Den Pfeilen bzw. Vorgängen sind die stochastischen, g[1,2] im jeweiligen Intervall gleichverteilten (g) bzw. bei g[1,4] A Vorgang (C,D) im Intervall [1,3] gleichschenklig dreiecksverteilten (d) Vorgangsdauern zugeordnet Für dieses Beispiel können wir die gemeinsame g[1,3] B Dichtefunktion der Vorgänge (A,B) und (B,E), also des Weges w 1 = (A,B,E) im Netzplan, sehr einfach ermitteln Sie ist dreiecksverteilt im Intervall [4,8] mit einer maximalen Wahrscheinlichkeit p = 0.5 für die Dauer 6 g[3,5] g[1,2] E # 27 Anwendungen der Simulation Auswertung stochastischer Netzpläne Die Ermittlung der Dichtefunktion entlang des Weges w 2 = (A,C,D,E) sowie des Weges w 3 = (A,B,D,E) ist bereits deutlich schwieriger Sie lässt sich durch Faltung" der jeweiligen Dichtefunktionen berechnen Entsprechende Berechnungen sind grundsätzlich auch für je zwei parallel zueinander verlaufende Wege möglich g[1,2] A g[1,3] C d[1,3] g[1,4] B D g[3,5] g[1,2] E Simulation eignet sich auch zur Bestimmung der Dichtefunktion Für die Ermittlung von jeweils einem Wert der Projektdauer (ein Zufallsexperiment) wird je eine zufallsabhängige Dauer pro Vorgang generiert Diese Zahlen werden addiert für jeden der drei Wege im Netzplan Anschließend wird das Maximum dieser Summen gebildet Für dieses Beispiel kann das sehr einfach unter Verwendung des Tabellenkalkulators Excel durchgeführt werden # 28
15 Anwendungen der Simulation Auswertung stochastischer Netzpläne W. Domschke/A. Drexl, Einführung in das Operations Research, Springer, 2002 Häufigkeitsverteilungen für die Dauer der Vorgänge der drei Wege und der Projektdauer nach Durchführung von Zufallsexperimenten Kurve 1 Weg (A,B,E): approximiert die erwartete Dreiecksverteilung Kurve 2 Weg (A,C,D,E): auch hier Dreiecksverteilung mit Erwartungswert 5 Kurve 3 Weg (A,B,D,E): Erwartungswert 4,5 Zeitdauern unter und über dem Erwartungswert besitzen jedoch eine ebenso hohe Wahrscheinlichkeit wie der Erwartungswert Die Häufigkeitsverteilung ähnelt einer Trapezverteilung Häufigkeitsverteilung für die gesamte Projektdauer (fett eingezeichnet) Ähnelt Normalverteilung mit Erwartungswert 6,65 Bereich über 8 ZE identisch mit Kurve 3 (da nur diese Vorgänge relevant) g[1,2] # 29 A g[1,3] C d[1,3] g[1,4] B D g[3,5] g[1,2] E
Forschungsstatistik 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
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
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)
Mehr7 Zufallszahlen, Simulation
7 Zufallszahlen, Simulation Es ist nützlich, Folgen von i.i.d. R[0, 1]-verteilten Zufallszahlen auf einem Rechner erzeugen zu können vgl. Simulation, Monte-Carlo-Verfahren). Letztere sind i.a. keine echten
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
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:
MehrEinführung in die Simulation. Dr. Christoph Laroque Wintersemester 11/12. Dresden,
Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Einführung in die Simulation Dr. Christoph Laroque Wintersemester 11/12 Dresden, 11.10.2011 01.11.2011 Einführung
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
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
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
MehrStochastik-Praktikum
Stochastik-Praktikum Zufallszahlen und Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 17. Oktober 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 17. Oktober 2017 1 / 23
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung Pseudozufallszahlen sind, wie der Name schon sagt, keine echten Zufallszahlen, sondern werden durch Generatoren erzeugt. Als Pseudozufallszahlen bezeichnet man Zahlenfolgen die durch einen
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
Mehr15 Grundlagen der Simulation
15 Grundlagen der Simulation 15.1 Einführung Komplexe Problemstellungen, die einer analytischen Behandlung nur sehr schwer oder gar nicht zugänglich sind Lösung von diskreten (oder analytischen) Optimierungsaufgaben,
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
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
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
MehrNr. 4: Pseudo-Zufallszahlengeneratoren
Proseminar: Finanzmathematische Modelle und Simulationen Martin Dieckmann WS 09/0 Nr. 4: Pseudo-Zufallszahlengeneratoren Begriff Pseudo-Zufallszahl Zufallszahlen im Rechner entstehen letztlich immer durch
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
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
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Achte Auflage fyj Springer Inhaltsverzeichnis Vorwort Symbolverzeichnis V XIII Kapitel 1: Einführung 1 1.1 Begriff des Operations Research
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Dritte, verbesserte und erweiterte Auflage Mit 79 Abbildungen und 58 Tabellen Springer Votwort Symbolverzeichnis V XIII Kapitel 1: Einführung
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
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
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 +... +
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
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
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
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
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:
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
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
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
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
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:
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
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
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrHypothesenbewertungen: Übersicht
Hypothesenbewertungen: Übersicht Wie kann man Fehler einer Hypothese abschätzen? Wie kann man einschätzen, ob ein Algorithmus besser ist als ein anderer? Trainingsfehler, wirklicher Fehler Kreuzvalidierung
MehrDiskrete Strukturen II
SS 2004 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2004ss/ds/index.html.de 18. Juni 2004 Exponentialverteilung als Grenzwert der geometrischen
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
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
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
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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
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
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.
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
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
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
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
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
MehrWahrscheinlichkeitsrechnung und Statistik
6. Vorlesung - 2018 Diskrete ZG eine diskrete ZG X wird vollständig durch ihre Wahrscheinlichkeitsverteilung beschrieben ( ) x1 x X 2... x i... = p 1 p 2... p i... P(X (a, b]) = und die Verteilungsfunktion
MehrÜbungen zur Vorlesung Statistische Methoden Kapitel 1-2
TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable
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
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:
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
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
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/
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
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
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Sommer 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
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
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
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
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
Mehr2 Verteilungen. Zoltán Zomotor. Versionsstand: 1. April 2015, 10:29. Die nummerierten Felder bitte während der Vorlesung ausfüllen. Inhaltsverzeichnis
2 Verteilungen Zoltán Zomotor Versionsstand: 1. April 2015, 10:29 Die nummerierten Felder bitte während der Vorlesung ausfüllen. This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
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
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
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
Mehr