Grundlagen der Mathematik II (LVA U)
|
|
- Max Giese
- vor 7 Jahren
- Abrufe
Transkript
1 Dr. Marcel Dettling Dr. Daniel Haase FS 2010 Grundlagen der Mathemati II (LVA U) Lösung 10 Zur Übungsstunde vom Aufgabe 28 (Die Gleichverteilung) (a) Die Wahrscheinlicheitsfuntion für die Zufallsvariable X = Anzahl der geworfenen Augen mit einem regulären Würfel ist eine Uniform-Verteilung. Nun wird ein solcher regulärer Würfel aber 2x geworfen und Y = Summe der Augenzahlen aus den beiden Würfen. Es handelt sich nun nicht mehr um eine Uniform-Verteilung. Bestimme und zeichne die entsprechende disrete Wahrscheinlicheitsfuntion. auf. Beachte dass die Summe über alle Wahrscheinlicheiten gleich Eins sein muss. (b) Nun haben wir es mit einem gefälschten Würfel zu tun. Er ist so gefälscht, dass die Wahrscheinlicheit für eine bestimmte Augenzahl umgeehrt proportional zur Augenzahl ist. Es sei nun X = Anzahl der geworfenen Augen. Bestimme und zeichne die entsprechende Wahrscheinlicheitsfuntion. Der gefälschte Würfel wird nun 2x geworfen. Bestimme und zeichne die Wahrscheinlicheitsverteilung für Y = Summe der Augenzahlen aus den beiden Würfen. (c) Ein auf der Strasse gefundener Franen ist leicht verbogen. Er wird 10mal geworfen, und das dreimal hintereinander. Die Würfe lauten KZZKKZZZKK, KZZZZZZZZZ, ZZZZZZZZZZ. Berechne die relative Häufigeit der Kopf-Würfe separat für die drei Folgen. Danach berechne die Wahrscheinlicheit für diese Folgen unter der Annahme, dass die Münze fair ist (also 50% Wahrscheinlicheit für Kopf), und dann unter der Annahme, dass der Kopf eine Wahrscheinlicheit von nur 0.4 besitzt. Beachte dass es hier auf die orrete Reihenfolge anommt. Lösung Zu a): Da nur die Augensumme gezäht wird sind die möglichen Ergebnisse 2, 3, 4,..., 12, die haben allerdings unterschiedliche Wahrscheinlicheiten, weil die Augensumme 3 beispielsweise durch die Würfe (1, 2) und (2, 1) erreicht werden ann, die Summe 2 aber nur durch den einzigen Wurf (1, 1). Jedes Paar (x 1, x 2 ) hat die gleiche Wahrscheinlicheit (weil x 1 und x 2 jeweils uniform verteilt sind). Da es 6 6 = 36 mögliche Paare gibt, ist die Einzelwahrscheinlicheit für jedes Paar Wir zählen wieviele Paare zu einer gegebenen Augensumme führen:
2 Wert von Y Ergebnisse von (X 1, X 2 ) zu Y Wahrscheinlicheit 2 Augen (1, 1) P (Y = 2) = Augen (1, 2), (2, 1) P (Y = 3) = Augen (1, 3), (2, 2), (3, 1) P (Y = 4) = Augen (1, 4), (2, 3), (3, 2), (4, 1) P (Y = 5) = Augen (1, 5), (2, 4), (3, 3), (4, 2), (5, 1) P (Y = 6) = Augen (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) P (Y = 7) = Augen (2, 6), (3, 5), (4, 4), (5, 3), (6, 2) P (Y = 8) = Augen (3, 6), (4, 5), (5, 4), (6, 3) P (Y = 9) = Augen (4, 6), (5, 5), (6, 4) P (Y = 10) = Augen (5, 6), (6, 5) P (Y = 11) = Augen (6, 6) P (Y = 12) = 1 36 Als Histogramm: Zu b): Hier müssen wir zuerst die nicht-uniforme Verteilung von X bestimmen, der Anzahl der Augen eines Wurfes mit einem (gefälschten) Würfel. Laut Aufgabe soll sie antiproportional zur Augenzahl sein, also P (X = ) = c 1 für eine unbeannte Konstante c. Die ist dann aber durch die Normierungsbedingung P (Alles) = 1 festgelegt, wie in in Aufgabe 27 nur dass wir hier mit Summen statt Integralen arbeiten. Die Summe über alle möglichen Ergebnisse des Wurfes ist 6 6 ( c 1 P (Alles) = P (X = ) = = c ) 6 =1 = = c = c = c Damit die Gesamtwahrscheinlicheit Eins ist, müssen wir den Kehrwert c = einsetzen. Damit steht die Verteilung des gefälschten Würfels fest: Als Histogramm also P (X = 1) = c 1 = 0.408, P (X = 2) = c 2 = 0.204, P (X = 3) = c 3 = 0.136, P (X = 4) = c 4 = 0.102, P (X = 5) = c 5 = 0.081, P (X = 6) = c 6 =
3 Aus dieser Verteilung berechnen wir wieder die Doppelwurf-Verteilung für Y, jetzt sind aber nicht mehr alle Paare (x 1, x 2 ) gleichwahrscheinlich, wir müssen die Summen aus Teil (a) weiter auftrennen. Dazu überlegt man sich, dass wegen der Unabhängigeit der Würfe gelten muss P (Paar (x 1, x 2 ) gewürfelt) = P (X 1 = x 1 und X 2 = x 2 ) = P (X = x 1 ) P (X = x 2 ) = c x 1 c x 2 = x 1 x 2. Für jede mögliche Augenzahl müssen wir die verschiedenen Wahrscheinlicheiten über die Einzelpaare aufaddieren: Wert von Y Ergebnisse von (X 1, X 2 ) zu Y Wahrscheinlicheit 2 Augen (1, 1) P (Y = 2) = c 2 1 = Augen (1, 2), (2, 1) P (Y = 3) = c 2 ( ) = Augen (1, 3), (2, 2), (3, 1) P (Y = 4) = c 2 ( ) = Augen (1, 4), (2, 3), (3, 2), (4, 1) P (Y = 5) = c 2 ( ) = Augen (1, 5), (2, 4), (3, 3), (4, 2), (5, 1) P (Y = 6) = c 2 ( ) = Augen (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) P (Y = 7) = c 2 ( ) = Augen (2, 6), (3, 5), (4, 4), (5, 3), (6, 2) P (Y = 8) = c 2 ( ) = Augen (3, 6), (4, 5), (5, 4), (6, 3) P (Y = 9) = c 2 ( ) = Augen (4, 6), (5, 5), (6, 4) P (Y = 10) = c 2 ( ) = Augen (5, 6), (6, 5) P (Y = 11) = c 2 ( ) = Augen (6, 6) P (Y = 12) = c = Als Histogramm:
4 Zu c): Die relative Häufigeit der Kopf-Würfe ist einfach deren Anzahl geteilt durch die Gesamtzahl der Würfe: Folge KZZKKZZZKK : h = 5 10 = 0.5 Folge KZZZZZZZZZ : h = 1 10 = 0.1 Folge ZZZZZZZZZZ : h = 0 10 = 0.0 Diese Häufigeiten sind als Aussage grundsätzlich verschieden von den Wahrscheinlicheiten für das Auftreten dieser Würfe: Es sei X = (X 1,..., X 10 ) die Zufallsvariable die eine Wurffolge beschreibt, und X j die Zufallsvariable mit Werten {0, 1} mit X = 1 für Kopf im j-ten Wurf. Dann ist bei einer fairen Münze P (X j = 0) = P (X j = 1) = 1 2, und wegen der Unabhängigeit der Einzelwürfe folglich P (X = (x 1,..., x 10 )) = P (X 1 = x 1 und X 2 = x 2 und... und X 10 = x 10 ) = P (X 1 = x 1 ) P (X 2 = x 2 ) P (X 10 = x 10 ) = = = Dabei ist es ganz egal welche Werte wir in die Zielwerte x j schreiben, weil Kopf und Zahl in jedem Einzelwurf 1 die gleiche Wahrscheinlicheit haben. Jede der drei Wurffolgen hat also die gleiche Wahrscheinlicheit Jetzt nehmen wir an, dass die Münze nicht fair ist mit Kopf-Wahrscheinlicheit P (X j = 1) = 0.4 und dem Gegenereignis Zahl P (X j = 0) = 0.6 in einem Einzelwurf. Dann haben wir für die drei Folgen: P (X = (KZZKKZZZKK)) = = P (X = (KZZZZZZZZZ)) = = P (X = (ZZZZZZZZZZ)) = = Hier ist es also wahrscheinlicher, eine Folge mit hohem Zahl-Anteil zu beommen. Aufgabe 29 (Die Binomialverteilung) (a) Wie hoch ist die Wahrscheinlicheit, mit einer fairen Münze bei 5 Würfen genau zweimal Kopf zu werfen? (b) Wie hoch ist die Wahrscheinlicheit, mit einer unfairen Münze (Kopf hat Wahrscheinlicheit 0.4) bei 5 Würfen höchstens zweimal Kopf zu werfen? (c) Wie hoch ist die Wahrscheinlicheit, genau 500mal Kopf zu werfen wenn man 1000mal werfen darf? Beantworte die Frage für den Fall dass die Münze fair ist (also echte 50%-Chance auf Kopf), und dass sie unfair ist (Wahrscheinlicheit nur 0.4 für den Kopf). Bearbeite diese Frage nicht per Hand, sondern verwende Mathematica: der Zufallsvariablen X ordnet man die Binomialverteilung B(n, p) zu mit dem Kommando X = BinomialDistribution[n,p], danach ann man mit PDF[X][] die Wahrscheinlicheit P (X = ) abfragen.
5 (d) Wie hoch ist bei einer fairen Münze die Wahrscheinlicheit, bei Würfen höchstens mal den Kopf zu erhalten? Lösung Die Binomialverteilung misst die Wahrscheinlicheit eine Anzahl von Erfolgen zu erzielen wie beim Münzwurf, nur dass es nicht mehr auf die Reihenfolge der einzelnen Würfe anommt. Beim Münzwurf fallen beispielsweise die Ergebnisse KZZZZZZZZZ und ZZZZZZZZZK zusammen. Ist die Erfolgswahrscheinlicheit im Wurf p [0, 1], so ist die geordnete Erfolgswahrscheinlicheit für die Folge von n Würfen p (1 p) n, genau Erfolge in n Würfen zu haben. Jetzt fallen alle Sortierungen der Folge zu einem einzigen Ereignis zusammen, es gibt ( ) n = n!!(n )! Möglicheiten die Folge anzuordnen wenn Erfolge und n Fehlschläge zu sortieren sind. Daher ist die Binomialverteilung gegeben durch ( ) n X B(n, p), P (X = ) = p (1 p) n. Zu a): Bei einer fairen Münze ist p = (1 p) = 1 2, also haben wir ( ) 5 P (X = 2) = = 5! 2 2! 3! 0.55 = Zu b): Bei der unfairen Münze haben wir p = 0.4 Erfolgswahrscheinlicheit, und 1 p = 0.6 Fehlschlagswahrscheinlicheit. Die Wahrscheinlicheit höchstens zweimal Kopf zu beommen ist 2 ( ) 5 P (X 2) = P (X = 0) + P (X = 1) + P (X = 2) = =0 = = Zu c): Diese Werte berechnet Mathematica natürlich nicht mit den Binomialoeffizienten (die werden für n 10 so groß dass man nicht mehr anständig damit rechnen ann, sondern mit einer ausgefeilten Näherungsformel. Für die unfaire Münze gibt Mathematica einen Wert aus der annähernd Null ist, bei der fairen Münze dagegen den Wert PDF[X][500]= Diese Chance von ca. 2% ist überraschend hoch wenn man bedent dass es sich um ein Einzelergebnis unter möglichen Wurffolgen handelt. Das liegt daran, dass die Wurffolge bei der Binomialverteilung ungeordnet ist, und die geringe Einzelwahrscheinlicheit durch die extrem hohe Anzahl an möglichen Umordnungen ompensiert wird (ein ähnlicher Kompensationseffet findet im Teil a) der vorigen Aufgabe in der Tabelle für Y statt). Bei der unfairen Münze versagt die Kompensation (wie in Teil b) der vorigen Aufgabe), bei tausend Würfen dominiert die Verzerrung richtung Zahl einfach zu sehr. Zu d): Hier ann man auch Mathematica fragen, die analytische Näherung für B(n, p) ist so effizient, dass auch diese großen Werte problemlos verarbeitet werden. Mit ein wenig Nachdenen ommen man aber auch ohne Rechnung darauf, dass die Wahrscheinlicheit 1 2 sein muss, weil die Beschreibung aus der Aufgabe genau die Hälfte der ungeordneten Wurffolgen beschreibt. Die hat dann auch nach der Zusammenfassung zu den ungeordneten Ereignissen die Wahrscheinlicheit 1 2. Das der Wahrscheinlicheitswert den Mathematica hier produziert nicht exat.5 ist liegt daran, dass eine gerade Zahl ist: ein Ereignis liegt genau auf der Mitte, und man ann es leider nicht zerteilen. Aufgabe 30 (Eine Korrelation) Lade den Datensatz zur Serie 10 von der Homepage, und bearbeite dann die folgenden Aufgaben mit Mathematica:
6 (a) Auftrennung der Blumensorten: Sind es die Sepal- oder die Petalblätter, welche die verschiedenen Blumensorten am besten unterscheiden önnen? Probiere zur Beantwortung dieser Frage alle 4 quantitativen Variablen einzeln mit einem geeigneten Plot durch. (b) Scatterplot der Sepalblätter: Erstelle einen Scatterplot von Länge und Breite der Sepalblätter, ohne Regressions- und Glättungsgerade. (c) Separate Scatterplots: Nun drei separate Scatterplots jeweils für die drei Blumensorten, indem Du die Stichprobe auftrennst. (d) Berechnung der Korrelation: Berechne die Korrelation zwischen Länge und Breite der Sepalblätter sowohl mit der Methode von Pearson, wie auch mit der Methode von Spearman, über die gesamte Stichprobe. (e) Berechnen die Korrelation zwischen Länge und Breite für jede einzelne Blumensorte. Die Datensätze beschreiben die Längen und Breiten der verschiedenen Blatttypen dreier Blumensorten. Ziel ist es, Anhand der Blatteigenschaften die Art der Blume zu bestimmen. Die Strutur der Datensätze ist: (1) Sepal (Länge) (2) Sepal (Breite) (3) Petal (Länge) (4) Petal (Breite) (5) Blumensorte Lösung Vergleiche das NB-File auf der Homepage. (a) Die vier Plots der Variablen jeweils mit der Sorte zeigen, dass die Petalblätter durch die Sorte stärer beeinflusst werden als die Sepalblätter, wobei es nicht viel Unterschied macht ob man die Länge oder Breite verwendet. (b) Die drei Scatterplots der Sepalblätter sind für die drei Sorten ziemlich ähnlich. (c) Die Pearson-Korrelation zwischen Sepalbreite und Sepallänge über alle Sorten ist ϱ P = , das ist sehr gering. Das verwundert da die Breite und die Länge eines Blattes normalerweise voneinander abhängen. Die Spearman-Korrelation zwischen Sepalbreite und Sepallänge über alle Sorten ist mit ϱ P = nur wenig besser. (d) Mit ρ 1 = ist der Korrelationsoeffizient der Sepalblätter der Sorte 1 recht hoch, auch ρ 2 = für die zweite Sorte ist gut, ebenso ρ 3 = Alle drei Werte liegen weit über der Korrelation über die gesamte Stichprobe, d. h. die Blättlängen und Blattbreiten hängen schon star voneinander ab, nur ist die Art des Zusammenhangs bei jeder Sorte anders. Bei der Korrelationsprobe über die gesamte Stichprobe ist das aber nicht mehr erennbar.
Diskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrÜbungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker
Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und
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
MehrKAPITEL 2. Kombinatorik
KAPITEL 2 Kombinatori In der Kombinatori geht es um das Abzählen von Kombinationen 21 Geburtstagsproblem Beispiel 211 (Geburtstagsproblem In einem Raum befinden sich 200 Studenten Wie groß ist die Wahrscheinlicheit,
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Grundbegriffe: Experiment: ein Vorgang, den man unter gleichen Voraussatzungen beliebig oft wiederholen kann. Ergebnis ω : Ausgang eines Experiments Ergebnismenge Ω : Menge
MehrDer Binomialkoeffizient (Einführung):
Der Binomialoeffizient (Einführung): ) Wie viele Kombinationsmöglicheiten gibt es, Kugeln in Kästchen anzuordnen? Lösung: ) Beispiel: Fragen sollen beantwortet werden. Die Antwort ann richtig (r) oder
MehrR. Brinkmann Seite
R. Brinmann http://brinmann-du.de Seite 9.. Bernoulli Versuche und die Binomialverteilung Viele Zufallsexperimente önnen als xperimente mit zwei rgebnissen interpretiert werden, wie z.b. ünzwurf mit den
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 stheorie: Grundbegriffe Prof. Dr. Achim Klenke http://www.aklenke.de 5. Vorlesung: 25.11.2011 1/33 Inhalt 1 Zufallsvariablen 2 Ereignisse 3 2/33 Zufallsvariablen Eine Zufallsvariable
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT Wahrscheinlichkeitsverteilungen
ARBEITSBLATT 7- Wahrscheinlicheitsverteilungen Lernziele: Wahrscheinlicheitsfuntion und Verteilungsfuntion disreter Verteilungen berechnen und zeichnen önnen. Dichtefuntion und Verteilungsfuntion stetiger
MehrAufgabe A1 Ein Glücksrad hat vier Sektoren, wovon die ersten beiden die Winkelgröße 60 haben. Für die Winkelgrößen und des dritten und vierten Sektors
Level Grundlagen Blatt Dokument mit Aufgaben Aufgabe A Ein Glücksrad hat vier Sektoren, wovon die ersten beiden die Winkelgröße 60 haben. Für die Winkelgrößen und des dritten und vierten Sektors gilt.
Mehr1,00 2,00 3,00 4,00 Bestimme den Gewinnerwartungswert. Entscheide, ob das Spiel fair ist.
Level Grundlagen Blatt Dokument mit 3 Aufgaben Aufgabe A Ein Glücksrad hat vier Sektoren, wovon die ersten beiden die Winkelgröße 60 haben. Für die Winkelgrößen und des dritten und vierten Sektors gilt.
MehrStatistik im Versicherungs- und Finanzwesen
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statisti im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 204. Auflage Lösungssizzen der Übungsaufgaben
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
MehrStochastik Klasse 10 Zufallszahlen
Thema Grit Moschkau Stochastik Klasse 10 Zufallszahlen Sek I Sek II ClassPad TI-Nspire CAS. Schlagworte: Urnenmodell, Histogramm, absolute und relative Häufigkeit, Zufallsexperiment, Wahrscheinlichkeit,
MehrAbitur 2012 Mathematik Stochastik III
Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 2012 Mathematik Stochastik III Für eine Quizshow sucht ein Fernsehsender Abiturientinnen und Abiturienten als Kandidaten. Jeder Bewerber gibt in einem
MehrStochastik - Kapitel 2
" k " h(a) n = bezeichnet man als die relative Häufigkeit des Ereignisses A bei n Versuchen. n (Anmerkung: für das kleine h wird in der Literatur häufig auch ein r verwendet) k nennt man die absolute Häufigkeit
MehrBasistext - Wahrscheinlichkeitsrechnung
Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.
MehrWahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel
Wahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel Aufgaben Lösen Sie A1 und A sowohl mit der Bernoulli-Formel als auch mit dem TR(BV), die anderen Aufgaben lösen sie mit dem TR(BV). A1 Eine Familie
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS4A Oettinger 6/205 Aufgabe (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Richtig: ein ordinales Merkmal
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
MehrHausaufgabe 7 Abgabe am oder am in der Übung
Stochasti, Sommersemester 04 Hausaufgabe 7 Abgabe am 6.5. oder am.5. in der Übung Prof. Dr. I. Veselić Dr. M. Tautenhahn, Dr. C. Schumacher Aufgabe. Sei a (0, /). Die Wahrscheinlicheit p, dass eine Familie
MehrSS 2016 Torsten Schreiber
SS 01 Torsten Schreiber 15 Ein lineares Gleichungssystem besteht immer aus einer Anzahl an Variablen und Gleichungen. Die Zahlen vor den Variablen werden in der sogenannten zusammen gefasst und die Zahlen
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:
MehrEreignis E: ist ein oder sind mehrere Ergebnisse zusammen genommen. Bsp. E = {2; 4; 6}
Laplace-Experimente Begriffsklärung am Beispiel eines Laplace-Würfel mit Augenzahlen (AZ) 1-6: Ergebnis: ist jeder Ausgang eines Zufallsexperimentes heißt ein Ergebnis ω dieses Zufallsexperimentes. Die
MehrWAHRSCHEINLICHKEITSTHEORIE. 1. Elementare Kombinatorik Wir betrachten die Frage wieviele Möglichkeiten es gibt, aus n unterschiedlichen
WAHRSCHEINLICHKEITSTHEORIE 1. Elementare Kombinatori Wir betrachten die Frage wieviele Möglicheiten es gibt, aus n unterschiedlichen Objeten auszuwählen. Dabei müssen wir sowohl unterscheiden ob ein Objet
MehrZusammengesetzte Zufallsexperimente - Baumdiagramme und Pfadregeln ==================================================================
Zusammengesetzte Zufallsexperimente - Baumdiagramme und Pfadregeln ================================================================== Ein Zufallsexperiment heißt zusammegesetzt, wenn es es die Kombination
MehrBeispiele: Beim Zahlenlotto sollte jede Sechserserie von Zahlen mit derselben Wahrscheinlichkeit auftreten.
3. Laplaceexperimente. Beispiele: Beim Zahlenlotto sollte jede Sechserserie von Zahlen mit derselben Wahrscheinlichkeit auftreten. Laplace-Münze: p(k) = p(z) = / Laplace-Würfel: p() =... = p(6) = / 6.
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrAufgabe 4 Ein fairer Würfel wird 36-mal geworfen. Berechne die Wahrscheinlichkeit dafür, dass die Augenzahl 6 in der erwarteten Anzahl eintritt.
Dokument mit 26 Aufgaben Aufgabe 1 Ein Jäger trifft sein Ziel mit einer Wahrscheinlichkeit 40 %. Mit welcher Wahrscheinlichkeit erzielt er bei zehn Schüssen a) genau sechs Treffer b) mehr als sechs Treffer?
MehrWahrscheinlichkeitsrechnung für die Mittelstufe
Wahrscheinlichkeitsrechnung für die Mittelstufe Wir beginnen mit einem Beispiel, dem Münzwurf. Es wird eine faire Münze geworfen mit den Seiten K (für Kopf) und Z (für Zahl). Fair heißt, dass jede Seite
MehrStatistik Übungen SS 2018
Statistik Übungen SS 2018 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
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
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrDiskrete Strukturen I
Universität Kassel Fachbereich 10/1 PD Dr. Sebastian Petersen 14.09.2017 Klausur zur Vorlesung Diskrete Strukturen I Es können maximal 40 Punkte erreicht werden. Version mit Lösungsskizze Zur Notation:
MehrBinomialverteilung & Binomialtest
Mathemati II für Biologen & 5. Juni 2015 & -Test Kombinatori Permutationen Urnenmodelle Binomialoeffizient Motivation Bin(n, p) Histogramme Beispiel Faustregeln Vorzeichentest & -Test Permutationen Urnenmodelle
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
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
MehrMONS-TABOR-GYMNASIUM MONTABAUR
MONS-TABOR-GYMNASIUM MONTABAUR Mathemati Leistungsfachanforderungen Kursarbeit 3 M L3 24..2005 Aufgabe I Durch Analysis 2 x f : x x + e ; > 0 ist in R eine Funtionenschar gegeben. Der Graph von f sei G..
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
MehrAbitur 2016 Mathematik Stochastik IV
Seite 1 http://www.abiturloesung.de/ Seite Abitur 016 Mathematik Stochastik IV Bei einem Zufallsexperiment wird eine ideale Münze so lange geworfen, bis zum zweiten Mal Zahl (Z) oder zum zweiten Mal Wappen
MehrMehr Erfolg in Mathematik, Abitur: Stochastik
Mehr Erfolg in... Mehr Erfolg in Mathemati, Abitur: Stochasti von Wolfdieter Feix 1. Auflage Mehr Erfolg in Mathemati, Abitur: Stochasti Feix schnell und portofrei erhältlich bei bec-shop.de DIE FACHBUCHHANDLUNG
MehrAuf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an.
Aufgabe 4 Glückspasch" (16 Punkte) Auf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an. Spielregeln: Einsatz 1. Der Mitspieler würfelt mit 2 Oktaederwürfeln. Fällt ein Pasch,
MehrBSZ für Bau- und Oberflächentechnik des Landkreises Zwickau Außenstelle Limbach-Oberfrohna STOCHASTIK
. Ordnen Sie die in den folgenden Bildern dargestellten Wahrscheinlichkeitsfunktionen nach den Erwartungswerten ihrer Zufallsgröße X mit x, 2,, 4, 5 größten Erwartungswert. i. Beginnen Sie mit dem Bild
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜBUNG - LÖSUNGEN. Zweimaliges Werfen eines Würfels mit Berücksichtigung der Reihenfolge a. Ergebnismenge (Ereignisraum)
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
MehrIst P(T) = p die Trefferwahrscheinlichkeit eines Bernoulli-Experiments,
. Binomialverteilung ==================================================================.1 Bernoulli-Experimente und Bernoullikette -----------------------------------------------------------------------------------------------------------------
MehrÜbungen zu Wahrscheinlichkeitstheorie Judith Kloas, Wolfgang Woess, Jonas Ziefle SS 2016
Übungen zu Wahrscheinlichkeitstheorie Judith Kloas, Wolfgang Woess, Jonas Ziefle SS 2016 43) [3 Punkte] Sei φ(t) die charakteristische Funktion der Verteilungsfunktion F (x). Zeigen Sie, dass für jedes
MehrLaplace und Gleichverteilung
Laplace und Gleichverteilung Aufgaben Aufgabe 1 An einem Computer, dessen Tastatur die 26 Tasten für die kleinen Buchstaben (a,b,c... z) hat, sitzt ein Nutzer (User) und tippt zufällige auf den Tasten
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, 31.01.2011 Fakultät für Mathematik M. Winkler Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Bearbeitungszeit 90 min. Die Klausur gilt als bestanden, wenn
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
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.
MehrWelche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret.
Grundlagen der Statistik 25.9.2014 7 Aufgabe 7 Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret. B Ein Merkmal
MehrStochastik Musterlösung 4
ETH Zürich HS 218 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 4 1. Die Zufallsvariable, die die Anzahl eingehender Telefonanrufe in einer Telefonzentrale
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
MehrArbeitsblatt Wahrscheinlichkeit
EI 8a 2010-11 MATHEMATIK Arbeitsblatt Wahrscheinlichkeit gelöst! 1. Aufgabe Wahrscheinlichkeit (hier wird dann auch mal gerundet!) a) Merksatz: Wahrscheinlichkeiten kann man immer (nicht ganz. dann, wenn
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrSerie 9, Musterlösung
WST www.adams-science.org Serie 9, Musterlösung Klasse: 4U, 4Mb, 4Eb Datum: FS 18 1. Mädchen vs. Knaben 442187 Unter 3000 in einer Klinik neugeborenen Kindern befanden sich 1578 Knaben. Testen Sie mit
MehrWählt man aus n Mengen mit z 1 bzw. z 2,..., bzw. z n Elementen nacheinander aus jeder Menge jeweils ein Element aus,
V. Stochastik ================================================================== 5.1 Zählprinzip Wählt man aus n Mengen mit z 1 bzw. z 2,..., bzw. z n Elementen nacheinander aus jeder Menge jeweils ein
MehrStochastik. Abitur. Intensivkurs Mathematik. Die optimale Vorbereitung auf das Abitur: Intensivkurs. Florian Timmermann
Florian Timmermann Intensivurs Mathemati Stochasti Die optimale Vorbereitung auf das Abitur: Erlärung des gesamten Stoffes Aufgaben auf allen Niveaustufen mit allen Lösungswegen Abitur Intensivurs Mathemati
MehrKlausur zur Vorlesung Statistik für BWL Name Vorname Matrikelnr.
Hochschule Darmstadt Fachbereich MN Prof. Dr. Dietrich Baumgarten Darmstadt, den 9.7.2012 Klausur zur Vorlesung Statistik für BWL Name Vorname Matrikelnr. Aufgabe 1 2 3 4 5 6 Summe Note Punkte 1 Aufgabe
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
Mehr1 Grundlagen Wahrscheinlichkeitsrechung
1 Grundlagen Wahrscheinlichkeitsrechung 1.1 Grundbegriffe Alle möglichen Ereignisse eines Zufallsexperiments fassen wir in einer Ereignismenge Ω zusammen. Ereignisse sind Teilmengen von Ω. Umfasst das
MehrLösungen Wahrscheinlichkeitstheorie
Lösungen Wahrscheinlichkeitstheorie Serie 3 Aufgabe (Differenz der Augenzahlen. Es werden zwei sechsseitige Spielwürfel geworfen und die (nichtnegative Differenz Z der beiden Augenzahlen notiert. Stellen
MehrElemente der Stochastik (SoSe 2016) 5. Übungsblatt
Dr. M. Weimar 02.05.2016 Elemente der Stochasti (SoSe 2016) 5. Übungsblatt Aufgabe 1 (4 Punte) Beweisen sie, dass die Potenzmenge P(A) einer beliebigen endlichen Menge A genau P(A) 2 A Elemente enthält!
MehrAufgabe 10 Die Zufallsvariable ist binomialverteilt mit
Level Grundlagen Blatt 2 Dokument mit 8 Aufgaben Aufgabe Die Zufallsvariable ist binomialverteilt mit und,3. Welches der beiden Histogramme zeigt die Wahrscheinlichkeitsverteilung von? Begründen Sie Ihre
MehrStatistik Übungen WS 2017/18
Statistik Übungen WS 2017/18 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine diskrete reellwertige Zufallsvariable, d.h. eine ZV e mit Wertebereich R (oder einer Teilmenge davon), sodass eine
MehrStatistik Übungen SS 2017
Statistik Übungen SS 2017 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrAufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen
Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),
MehrLevel 1 Grundlagen Blatt 1. Dokument mit 19 Aufgaben
Level 1 Grundlagen Blatt 1 Dokument mit 19 Aufgaben Aufgabe A1 Ein Glücksrad hat drei Sektoren mit den Farben Rot, Gelb und Grün. Das Rad bleibt mit einer Wahrscheinlichkeit von 0,1 so stehen, dass der
MehrDas Galton - Brett. Ein schneller Zugang zu Binomialverteilungen:
B. Pollo, LSW Soest Ein schneller Zugang zu Binomialverteilungen: Das Galton - Brett Stochasti wurde in der Seundarstufe II während der letzten Jahre längst nicht von allen Mathemati-Lehrer(inne)n unterrichtet.
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
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 0/ 5.03.0 Dr. Sebastian Petersen Klausur: Diskrete Strukturen I Aufgabe. (8 Punkte) a) Sei X = {0, }. Geben Sie die Potenzmenge P (X) (durch Auflisten ihrer Elemente) an.
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
MehrWie viele Möglichkeiten gibt es, n Kinder in einer Reihe zu platzieren, z.b. für n = 5? Für n = 2 gibt es 2 Möglichkeiten.
n-faultät Wie viele Möglicheiten gibt es, n Kinder in einer Reihe zu platzieren, z.b. für n? Für n gibt es Möglicheiten. Für n 3 hat das 3. Kind 3 Möglicheiten, die beiden restlichen Plätze önnen jeweils
MehrAbitur 2010 Mathematik GK Stochastik IV
Seite http://www.abiturloesung.de/ Seite Abitur 00 Mathematik GK Stochastik IV Das Spiel Gewinn mit Vier besteht aus dem einmaligen Drehen des abgebildeten Laplace- Glücksrades mit gleich großen Sektoren
Mehr1.1 Ergebnisräume einfacher Zufallsexperimente. 2) Es gibt mindestens zwei mögliche Ausgänge des Experiments.
Übungsmaterial 1 1 Zufallsexperimente 1.1 Ergebnisräume einfacher Zufallsexperimente Damit ein Experiment ein Zufallsexperiment ist, müssen folgende Eigenschaften erfüllt sein: 1) Das Experiment lässt
MehrDiskrete Wahrscheinlichkeitsverteilung
Disrete Wahrscheinlicheitsverteilung Disrete Wahrscheinlicheitsverteilung Binominalverteilung [] S. [] S. ORIGIN Wahrscheinlicheitsverteilung Die umultative Binominalverteilung geht auf den Binomischen
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 1
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/ Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie svorschläge zu
MehrMathematik für Biologen
Mathemati für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 22. Dezember 2010 1 Binomialtests Einseitiger unterer Binomialtest Zweiseitiger Binomialtest Beispiel BSE Normalapproximation
MehrÜBUNG: ZUFALLSEREIGNISSE, BAUMDARSTELLUNGEN
ÜBUNG: ZUFALLSEREIGNISSE, BAUMDARSTELLUNGEN Resultate auf zwei Stellen nach dem Komma runden. 1. Auf einer Speisekarte gibt es 3 Vorspeisen, 5 Hauptspeisen und 2 verschiedene Desserts. Wie viele verschiedene
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 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
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrAUSWERTEN. Ein Zufallsexperiment wird ausgewertet, indem man die relativen Häufigkeiten berechnet. Die relative Häufigkeit ist das Verhältnis:
Hilfe EIN ZUFALLSEXPERIMENT AUSWERTEN Die Ergebnisse eines Zufallsexperiments werden in der Regel in einer Tabelle aufgeschrieben. Hierzu können während des Experiments Strichlisten geführt oder nach Beendigung
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
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
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)
MehrD. Ulmet IT 4 Blatt 5 Stochastik I SS 2005
D Ulmet IT Blatt Stochastik I SS 200 Aufgabe : Von den Ereignissen A, B und C trete a nur A ein, A B C ( (Ā (Ā b genau eines ein, A B C B C B C c höchstens eines ein, ( A B C (Ā B C (Ā B C (Ā B C d mindestens
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
MehrZusammenfassung Stochastik
Zusammenfassung Stochastik Die relative Häufigkeit Ein Experiment, dessen Ausgang nicht vorhersagbar ist, heißt Zufallsexperiment (ZE). Ein Würfel wird 40-mal geworfen, mit folgendem Ergebnis Augenzahl
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Die Binomialverteilung und deren Anwendung
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Die Binomialverteilung und deren Anwendung Das komplette Material finden Sie hier: School-Scout.de Wiederholung: Zufallsexperiment,
MehrTeil A hilfsmittelfreier Teil
Klassenarbeit GYM Klasse 0 Seite Datum: Thema: Name: Zeit: Erreichte Punkte: Note: Hilfsmittel: keine Teil A hilfsmittelfreier Teil Aufgabe : (4 Punkte) Entscheide, ob das Zufallsexperiment eine Bernoulli-Kette
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
Mehr