6 Wahrscheinlichkeitsrechnung
|
|
- Kerstin Roth
- vor 7 Jahren
- Abrufe
Transkript
1 6 Wahrscheinlichkeitsrechnung 6.1 Grundbegriffe Ziel der Wahrscheinlichkeitsrechnung ist die Analyse einer stochastischen Situation. Grundlage ist die Modellierung von Zufallsvorgängen. Zwei Fragen: Was kann alles passieren? Mit welcher Wahrscheinlichkeit passiert dies oder jenes? Ein Zufallsvorgang führt zu einem von mehreren, sich gegenseitig ausschließenden Ergebnissen. Es ist vor der Durchführung ungewiss, welches Ergebnis tatsächlich eintreten wird. Ein Zufallsexperiment ist ein Zufallsvorgang, der unter kontrollierbaren Bedingungen wiederholbar ist. Idee: Ein Ergebnis ω S tritt ein, zufallsgesteuert. Die (nichtleere) Menge S aller möglichen Ergebnisse heißt Ergebnisraum oder Ereignisraum. Statistik_A@statistik.uni-bonn 6 1
2 Beispiele: Lose ziehen (auf Kirmes) S = {Niete, Trostpreis, Teddy, Ferrari} Nächstes Spiel eines Fußballvereins S = {Gewinn, Niederlage, Unentschieden} Ein Münzwurf Würfel S = {Kopf, Zahl} ={+1, 1} ={0, 1} S = {1, 2, 3, 4, 5, 6} Einarmiger Bandit S = {(z 1, z 2, z 3 ) z i {Glocke, Krone, Apfel}} 2 Würfel (Monopoly, Backgammon,... ) S = {(1, 1), (1, 2), (2, 2), (2, 3),..., (6, 6)} Statistik_A@statistik.uni-bonn 6 2
3 Beispiele (Fortsetzung): Ziehung der Lottozahlen (vereinfacht, ohne Zusatzzahl) S = {{z 1,..., z 6 } z i z j 1 z i 49} n Münzwürfe S = {ω = (z 1,..., z n ) z i {K, Z}} Anzahl Schadensmeldungen, die bei einer Versicherung in einem bestimmten Monat eingehen S = {0, 1, 2,... } Anzahl Unfälle auf einer bestimmten Kreuzung S = {0, 1, 2,... } Statistik_A@statistik.uni-bonn 6 3
4 Beispiele (Fortsetzung): Pfeilwurf auf Zielscheibe (mit Radius 20cm) S = {alle Punkte in einer Kreisscheibe mit Radius 20cm} ˆ={(x, y) x 2 + y } R 2 Drehen eines Glücksrads/Flaschendrehen S = {Winkel von 0 bis 360 } ˆ=[0, 360) Random-Taste auf Ihrem Taschenrechner S = {Zufallszahlen im Einheitsintervall} ˆ=[0, 1] Aktienkurs S = {Möglicher Tages-Verlauf der VW-Aktie morgen} ˆ= {Alle Pfade ausgehend von heutigem Schlusskurs} Statistik_A@statistik.uni-bonn 6 4
5 Die letzten Beispiele zeigen: Oft ist das Eintreten jedes einzelnen Ergebnisses sehr, sehr unwahrscheinlich (z.b.: einen festen Punkt auf der Zielscheibe treffen). Diskussion von Wahrscheinlichkeiten nicht auf der Ebene der Ergebnisse, sondern auf der Ebene der Ereignisse A S. Eine Teilmenge A des Ergebnisraums S heißt Ereignis. Wir sagen: A tritt ein, wenn ein Ergebnis ω A eintritt. einzelnes Ergebnis ω S Elementarereignis A = {ω} Beispiele: Ein Münzwurf: A = Kopf liegt oben = {K} S = {K,Z} 1 Würfel: A = Eine 6 wird gewürfelt = {6} {1, 2, 3, 4, 5, 6} B = Eine gerade Zahl wird gewürfelt = {2, 4, 6} C = Mehr als 4 wird gewürfelt = {5, 6} Statistik_A@statistik.uni-bonn 6 5
6 Beispiele (Fortsetzung): 2 Würfel: A = Pasch gewürfelt B = Doppelsechs C = Keine 4 dabei Einarmiger Bandit: A = Hauptgewinn = { Automat zeigt 3 Kronen } = {(Krone,Krone,Krone)} Glücksrad / Flaschendrehen: A = Glücksrad bleibt in bestimmtem Sektor stehen = Flasche zeigt auf bestimmte Person = {Winkel [α, α]} Zielscheibe: A = Pfeil trifft ins Schwarze = {(x, y) x 2 + y 2 1} B = Pfeil landet im äußeren Ring = {(x, y) 18 2 < x 2 + y } Statistik_A@statistik.uni-bonn 6 6
7 Beispiele (Fortsetzung): Schadensmeldungen / Unfälle: A = kein Schaden = {0} N B = höchstens 4 Schäden C = Mehr als 100 Schäden Aktienkurs: A = Schlusskurs ist größer als Ausgangskurs B = mehr als 3% zugelegt Statistik_A@statistik.uni-bonn 6 7
8 6.2 Mengen und Ereignisse x A: x ist ein Element der Menge A. x A: x ist kein Element der Menge A. A B: A ist Teilmenge von B; x A x B. Die Schnittmenge A B ist die Menge aller Elemente, die sowohl in A als auch in B sind; A B = {x : x A und x B} Die Vereinigungsmenge A B ist die Menge aller Elemente, die in A oder B sind; A B = {x : x A oder x B}. Die Differenzmenge A\B ist die Menge aller Elemente, die in A aber nicht in B sind; A\B = {x : x A und x B}. Für A S ist die Komplementärmenge Ā von A bzgl S die Menge aller Elemente von S, die nicht in A sind. (Andere Notation: A c, A.) Die Potenzmenge P(S) ist die Menge aller Teilmengen von S; P(S) = {M M S}. Die Mächtigkeit (Kardinalität) von S ist die Anzahl der Elemente in S; #S = #{x : x S}. Statistik_A@statistik.uni-bonn 6 8
9 Rechenregeln für Mengen (Veranschaulichung im Venn-Diagramm) Kommutativgesetz: A B = B A A B = B A Assoziativgesetz: (A B) C = A (B C) (A B) C = A (B C) Distributivgesetz: (A B) C = (A C) (B C) (A B) C = (A C) (B C) De Morgansche Regeln: (A B) = Ā B (A B) = Ā B Aus A B folgt B Ā. Für die Differenzmenge A\B gilt: A\B = A B. Statistik_A@statistik.uni-bonn 6 9
10 Ò Ö Ò Ø Ð Ì ÐÑ Ò Ö¹ Ò Ö ÙÑ Ô Ð Ù ÐÐ ÜÔ Ö Ñ ÒØ ÒÑ Ð Ï Ö Ò Ò ÏĐÙÖ Ð Ö Ò Ï Ö Ò Ò Ö Ö Ò Ù ÒÞ Ð µ ¾ Ë Ö Ö Ò Ë Ö Ò Ð Ö Ò Ù ÐÐ ÜÔ Ö Ñ ÒØ ÒØÖ Ø Ò ÑÙ ÍÒÑĐÓ Ð Ö Ò Ö Ò Ñ Ö Ò Ù ÐÐ ÜÔ Ö Ñ ÒØ Ù Ò Ò ÐÐ ÒØÖ Ø Ò ÒÒ 6 10
11 ÃÓÑÔÐ Ñ ÒØĐ Ö Ö Ò Å Ò Đ ÑØÐ Ö Ð Ñ ÒØ Ö Ö Ò Ö ¹ Ò Ö ÙÑ Ë Ò Ø Ñ ØÖ Ø Ø Ò Ö Ò ÒØ ÐØ Ò Ò Ö Ò ÃÓÑÔÐ Ñ ÒØĐ Ö Ö Ò ÞÙ Ë Ô Ð Ù ÐÐ ÜÔ Ö Ñ ÒØ ÒÑ Ð Ï Ö Ò Ò ÏĐÙÖ Ð Ö Ò Ï Ö Ò Ò Ö Ö Ò Ù ÒÞ Ð ¾ ½ 6 11
12 Î ÒÒ¹ Ö ÑÑ 6 12
13 Ê Ð Ø ÓÒ Ò ÙÒ ÇÔ Ö Ø ÓÒ Ò ÚÓÒ Ö Ò Ò Þ Ø Ò Ï ÒÒ Ö Ê Ð ÖÙÒ Ò Ö Ò ÙÒ¹ Ò Ö Ö Ò ÒØÖ ØØ Ø Ø Ù Ö Ò ÒØÖ ØØ Ó Ø Ñ Ò Þ Ø Ò º Ø Ò Ì ÐÑ Ò ÚÓÒ º ÙÒ Ò Ð Û ÖØ Đ ÕÙ Ú Ð Òص Û ÒÒ ÙÒ 6 13
14 Î Ö Ò ÙÒ ÚÓÒ Ö Ò Ò ÐÓ ËÙÑÑ µ Î Ö Ò ÙÒ ÞÛ Ö Ö Ò ÙÒ Ø Å Ò ÐÐ Ö Ð Ñ ÒØ Ö Ö Ò ÞÙ Ó Ö ĐÓÖ Ò Î Ö ÐÐ Ñ Ò ÖÙÒ Ö Ò ½ ¾ Ò ½ ¾ Ò Ò ½ 6 14
15 ÙÖ Ò ØØ ÚÓÒ Ö Ò Ò Ö ÙÖ Ò ØØ ÚÓÒ ÙÒ Ø Å Ò ÐÐ Ö Ð Ñ ÒØ Ö Ö Ò ÓÛÓ Ð ÞÙ Ð Ù ÞÙ ĐÓÖ Ò Î Ö ÐÐ Ñ Ò ÖÙÒ Ö Ò ½ ¾ Ò ½ ¾ Ò Ò ½ 6 15
16 ÙÒ Ø Ö Ò Û Ö Ò ÙÒ Ò ÙÒ Ø Û ÒÒ Ö Ð Þ Ø ÒØÖ Ø Ò ÙÒÑĐÓ Ð Ø ËØ Ø ÙÒ Ø ÙÒ ÙÒ 6 16
17 ÄÓ «Ö ÒÞ ÚÓÒ Ö Ò Ò Ö Ò Ö Ò Ø Ø Ö Ò ÒØÖ ØØ ÛĐ Ö Ò Ö Ò Ò Ø ÒØÖ ØØ Ò Ô Ð Ù ÐÐ ÜÔ Ö Ñ ÒØ ÒÑ Ð Ï Ö Ò Ò ÏĐÙÖ Ð ½ ¾ µ Ò ½ ¾ Ò 6 17
18 ÖÐ ÙÒ Ö Ò Ö ÙÑ Ë Ò ËÝ Ø Ñ ÚÓÒ Ö Ò Ò ½ ¾ Ò Ø Ò ÖÐ ÙÒ ÚÓÒ Ë Û ÒÒ Ê Ð Ø ÓÒ Ò ½ ¾ Òµ ĐÙÖ ÙÒ Ø ½ ¾ Ò Ë ÐØ Ò ÙÒ Ò Ö Ö Ò Ò Ñ Ù ÐÐ ¹ ÜÔ Ö Ñ ÒØ ÒØÖ Ø Ò ÑÙ Ô Ð Ù ÐÐ ÜÔ Ö Ñ ÒØ Ï Ö Ò Ò ÏĐÙÖ Ð Ë ½ ¾ ½ ½ ¾ ½ ¾ ÖÐ ÙÒ ÚÓÒ Ë ½ ¾ ½ ¾ ½ ½ ¾ ¾ ½ ¾ Ë 6 18
19 ÖÐ ÙÒ Ö Ò Ö ÙÑ Ë Ò ËÝ Ø Ñ ÚÓÒ Ö Ò Ò ½ ¾ Ò Ø Ò ÖÐ ÙÒ ÚÓÒ Ë Û ÒÒ Ê Ð Ø ÓÒ Ò ½ ¾ Òµ ĐÙÖ ÙÒ Ø ½ ¾ Ò Ë ÐØ Ò ÙÒ Ò Ö Ö Ò Ò Ñ Ù ÐÐ ¹ ÜÔ Ö Ñ ÒØ ÒØÖ Ø Ò ÑÙ Ô Ð Ù ÐÐ ÜÔ Ö Ñ ÒØ Ï Ö Ò Ò ÏĐÙÖ Ð Ë ½ ¾ ½ ½ ¾ ½ ¾ ÖÐ ÙÒ ÚÓÒ Ë ½ ¾ ½ ¾ ½ ½ ¾ ¾ ½ ¾ Ë 6 19
20 Ù ÑÑ Ò ÙÒ Ö ÙÒ ÞÙ ÖÙÒ ¹ Ð Ò Ò Ë Ú Ö ÐØ Þ ÒÙÒ Û µ ËÔÖ ¹ Ö Ø ÐÐÙÒ ØÖ ØØ Ö Ò Ø Ö Ö Ò Ë ØÖ ØØ Ö Ò Ø Ò Ø ÙÒÑĐÓ Ð Ö ¹ Ò Û ÒÒ ÒØÖ ØØ ØÖ ØØ Ò Ø Ì ÐÑ Ò ÚÓÒ Ò Ù ÒÒ Û ÒÒ ÒØÖ ØØ ØÖ ØØ Ò ÙÒ Ò Đ ÕÙ Ú Ð Ò¹ Ø Ö Ò Û ÒÒ ÒØÖ ØØ ØÖ ØØ Ò Ø Ò ÙÒ Ò ÙÒ Ø Ö Ò Ò Ù ÒÒ Û ÒÒ ÒØÖ ØØ ØÖ ØØ Ò Ø Ò Ò Ù ÒÒ Û ÒÒ Ñ Ò ¹ Ø Ò Ò ÒØÖ ØØ Ò Ù ÒÒ Û ÒÒ ½ Ó Ö ¾ Ó Ö ÒØÖ Øص ØÖ ØØ Ò Ò Ù ÒÒ Û ÒÒ ÐÐ ÒØÖ Ø Ò Ò Ù ÒÒ Û ÒÒ ½ ÙÒ ¾ ÙÒ ÒØÖ Ø Òµ ØÖ ØØ Ò ÙÒ Ò ÓÑÔÐ ¹ Ñ ÒØĐ Ö Ö Ò Ø Î Ö Ò ÙÒ Ö Ø ÙÖ Ò ØØ Ö Ë Ì 6 20
21 6.3 Wahrscheinlichkeiten Vor der Durchführung eines Zufallsvorgangs ist es ungewiss, welches Ereignis eintritt. In der Wahrscheinlichkeitsrechnung wird nun die Chance für das Eintreten eines bestimmten Ereignisses A S durch eine Zahl, die Wahrscheinlichkeit P [A], bewer- tet. Problem: Wie kommt man zu Wahrscheinlichkeiten? 1) Klassischer Wahrscheinlichkeitsbegriff (Laplace-Wahrscheinlichkeiten) Bei fairen Würfeln, Glücksrädern, Münzen, Lotto-Ziehungsgeräten, etc., gilt S = {ω 1,..., ω N } ist endlich Alle Ergebnisse sind gleichwahrscheinlich Die Wahrscheinlichkeit von A S ergibt sich durch Abzählen: P [A] = Anzahl der Elementarereignisse in A Anzahl der Elementarereignisse in S Beispiel: Würfel, A = gerade Augenzahl P [A] = 3/6 = 1/2 Statistik_A@statistik.uni-bonn 6 21
22 2) Objektiver (statistischer) Wahrscheinlichkeitsbegriff Wahrscheinlichkeiten ergeben sich als Grenzwert der relativen Häufigkeit eines Ereignisses A S n-malige Wiederholung des interessierenden Zufallsexperiments relative Häufigkeit f n (A) Feststellung: Für n stabilisieren sich die relativen Häufigkeiten erfahrungsgemäß um einen festen Wert. Dieser Wert entspricht der Wahrscheinlichkeit P [A] Beispiel: n = 100, 1000, 10000,... mal würfeln. Bei einem fairen Würfel stabilisieren sich die relativen Häufigkeiten von A = gerade Augenzahl um P [A] = 1/2. 3) Subjektive Wahrscheinlichkeiten Subjektive Wahrscheinlichkeiten geben persönliche Einschätzungen wider. Beispiele: Ihre Einschätzung der Chance, die Klausur Statistik II zu bestehen; Konjunkturprognose durch einen Sachverständigen Statistik_A@statistik.uni-bonn 6 22
23 1. Beispiel: Stabilisierung der relativen Häufigkeiten beim wiederholten Wurf einer fairen Münze. n h( Kopf ) f( Kopf ) , , , , , , , , , , , , , ,503 Statistik_A@statistik.uni-bonn 6 23
24 2. Beispiel: Stabilisierung der relativen Häufigkeiten beim wiederholten Wurf eines fairen Würfels n = 20 Würfe n = 200 Würfe n = Würfe n = Würfe Statistik_A@statistik.uni-bonn 6 24
25 3. Beispiel: Man betrachte ein Land mit N = Bürgerinnen und Bürgern Frauen Anteil = 51% Männer Anteil = 49% Zufallsexperiment: Ziehen eines zufällig ausgewählten Individuums ( mögliche Elementarereignisse Frage: Wahrscheinlichkeit des Ereignisses A ( Frau )? P [A] = = 0.51 Wiederholtes Ziehen von n = 10, 100, 1000,... Individuen: Mit wachsendem n nähert sich f n (A) immer stärker der Wahrscheinlichkeit P [A] an. Vollerhebung: f N (A) = P [A] Statistik_A@statistik.uni-bonn 6 25
26 6.4 Wahrscheinlichkeitsverteilungen Ziel: Unabhängig von der Art des Wahrscheinlichkeitsbegriffs entwickeln wir einen Apparat, mit dem wir die Ausgänge eines Zufallsvorgangs quantifizieren können. Wir legen hier nur fest, welche Eigenschaften Wahrscheinlichkeiten haben müssen und wie wir mit ihnen rechnen dürfen. Jede sinnvolle Zuordnung von Wahrscheinlichkeiten für Ereignisse A, B S besitzt z.b. folgenden Eigenschaften: 0 P [A] 1 P [S] = 1 A B P [A] P [B] P [Ā] = 1 P [A] P [A B] = P [A] + P [B], falls A und B nicht gleichzeitig eintreten können. Die von Wahrscheinlichkeiten zu fordernden Eigenschaften sind in den Axiomen des russischen Mathematikers Kolmogoroff zusammengefasst. Alle zum Umgang mit Wahrscheinlichkeiten wichtigen Rechenregeln lassen sich aus diesen Axiomen ableiten. Statistik_A@statistik.uni-bonn 6 26
27 Gegeben: Diskreter Ereignisraum S = {ω 1, ω 2,...} Ein Wahrscheinlichkeitsmaß P ist eine Abbildung, die allen Ereignissen A eines Zufallsvorgangs eine Zahl P [A] zuordnet, und die folgenden Bedingungen (Eigenschaften, Axiome) genügt: Axiom 1: Die Wahrscheinlichkeit P [A] eines Ereignisses A ist eine eindeutig bestimmte Zahl mit 0 P [A] 1 (Nichtnegativität) Axiom 2: P [S] = 1 (Normierung) Axiom 3: (Additivität) Sind A 1, A 2,..., A k,... paarweise disjunkt, dann gilt Für disjunkte Ereignisse (A B = ) gilt P [A 1 A 2... A k...] = P [A 1 ]+P [A 2 ]+...+P [A k ]+... (S, P[S], P ) heißt dann ein (diskreter) Wahrscheinlichkeitsraum und P heißt (diskrete) Wahrscheinlichkeitsverteilung. Falls S endlich ist, S = (ω 1,..., ω N ), sprechen wir von einem endlichen Wahrscheinlichkeitsraum. Statistik_A@statistik.uni-bonn 6 27
28 S : Was kann alles passieren? genauer: Welche Ereignisse sind modelliert? P : Mit welcher Wahrscheinlichkeit treten die Ereignisse ein? Rechenregeln: P [S] = 1, P [ ] = 0 P [A] P [B], falls A B P [Ā] = 1 P [A] mit Ā = S\A P [A 1 A 2... A k ] = P [A 1 ]+P [A 2 ]+...+P [A k ], falls A 1, A 2,..., A k paarweise disjunkt P [A\B] = P [A] P [A B] Additionssatz: P [A B] = P [A] + P [B] P [A B] Statistik_A@statistik.uni-bonn 6 28
29 Beispiele: 1. Fairer Würfel: Elementarwahrscheinlichkeiten: p 1 = P [{1}] = 1 6 = p 2 = = p 6 Wahrscheinlichkeit eine gerade Zahl zu würfeln: P [ Gerade Zahl ] = P [{2, 4, 6}] = p 2 + p 4 + p 6 = = 1 2 Wahrscheinlichkeit eine ungerade Zahl zu würfeln: P [ Ungerade Zahl ] = P [{1, 3, 5}] = p 1 + p 3 + p 5 = 1 2 = 1 P [ Gerade Zahl ] Wahrscheinlichkeit mehr als 4 zu würfeln: P [ Mehr als 4 ] = P [{5, 6}] = p 5 + p 6 = = 1 3 Statistik_A@statistik.uni-bonn 6 29
30 2. Gefälschter Würfel: Elementarwahrscheinlichkeiten: p 1 = 1 12, p 2 = p 3 = p 4 = p 5 = 1 6, p 6 = 1 4 Wahrscheinlichkeit eine gerade Zahl zu würfeln: P [ Gerade Zahl ] = P [{2, 4, 6}] = p 2 + p 4 + p 6 = = 7 12 Wahrscheinlichkeit eine ungerade Zahl zu würfeln: P [ Ungerade Zahl ] = P [{1, 3, 5}] = p 1 + p 3 + p 5 = 5 12 = 1 P [ Gerade Zahl ] Wahrscheinlichkeit mehr als 4 zu würfeln: P [ Mehr als 4 ] = P [{5, 6}] = p 5 + p 6 = = 5 12 Statistik_A@statistik.uni-bonn 6 30
31 3. Warten auf die erste Zahl beim wiederholten Wurf einer fairen Münze: Elementarwahrscheinlichkeiten: P [ Zahl im 1. Versuch ] = 1 2 =: p 1 P [ Zahl erst im 2. Versuch ] = 1 4 =: p 2 P [ Zahl erst im 3. Versuch ] = = 1 8 =: p 3 P [ Zahl erst im kten Versuch ] = ( 1 k 2) =: pk Probe: k=1 p k = k=1 ( ) k 1 = 1 (Geometr. Reihe) 2 Wahrscheinlichkeit für eine gerade Anzahl von Versuchen: P [ Gerade Anzahl Versuche ] = p 2 + p 4 + p 6 + = k=1 ( ) 2k 1 = = 1 3 Wahrscheinlichkeit für eine ungerade Anzahl von Versuchen: P [ Ungerade Anzahl Versuche ] = = 2 3 = p 1 + p 3 + p 5 + Statistik_A@statistik.uni-bonn 6 31
32 Allgemeine Wahrscheinlichkeitsräume Wenn der Grundraum nicht diskret ist, können die Wahrscheinlichkeiten von Ereignissen nicht mehr durch Summieren von Elementarwahrscheinlichkeiten berechnet werden. Betrachtet man z.b. den Pfeilwurf auf eine Zielscheibe, so ist die Trefferwahrscheinlichkeit für jeden fest gewählten, einzelnen Punkt der Scheibe gleich 0. Damit kann die Wahrscheinlichkeit für einen Treffer ins Schwarze nicht als Summe der Elementarwahrscheinlichkeiten aller Punkte im Schwarzen erhalten werden. Anmerkung: Bei nicht diskreten Räumen ist weiterhin zu beachten, dass es aus mathematischen Gründen nicht möglich ist, allen denkbaren Mengen A S Wahrscheinlichkeiten zuzuweisen und gleichzeitig zu verlangen, dass die Rechenregeln für Wahrscheinlichkeiten weiter gelten. Als Ausweg betrachtet man eine Kollektion von Mengen, die abgeschlossen ist unter mengentheoretischen Operationen ( σ-algebra ). Nur noch den in der Kollektion enthaltenen Ereignissen wird eine Wahrscheinlichkeit zugeordnet. Alle in der Praxis relevanten Mengen wie z.b. Intervalle, Quadrate, Rechtecke, Kreise, Kreissektoren, Kreisringe, usw., sind i. Allg. in einer solchen Kollektion enthalten. Statistik_A@statistik.uni-bonn 6 32
33 6.5 Laplace-Modell Annahmen im Laplace-Modell: S endlich, S = {ω 1,..., ω N } Alle Elementarereignisse gleichwahrscheinlich Elementarwahrscheinlichkeiten: p k = P [{ω k }] = 1 N = 1 #S für alle k = 1,..., N Berechnung der Wahrscheinlichkeit von A: P [A] = ω k A p k = #{ω k ω k A} 1 N = #{ω k ω k A} #S Anzahl der für A günstigen Fälle = Anzahl aller Fälle Beispiele: Fairer Würfel, faire Münze. 2 faire Würfel: P [ Pasch ] = 6 36 = 1 6 Kompliziertere Modelle (z.b. Wahrscheinlichkeit fuer 3,4,5,6 Richtige beim Lotto) geschicktes Abzählen: Kombinatorik. Statistik_A@statistik.uni-bonn 6 33
34 6.6 Zufallsstichproben und Kombinatorik Gegeben: Grundgesamtheit bestehend aus N Elementen {e 1,..., e N } Beispiele: Urne bestehend aus 49 Kugeln (Lottozahlen), Gesamtheit aller Studenten in Bonn,... Wir betrachten nun Stichproben, die durch zufällige Ziehung von n Elementen der Grundgesamtheit entstehen Beispiele: Ziehung der Lottozahlen, Erstellung einer Zufallsstichprobe von Bonner Sudenten zu statistischen Zwecken In vielen Fällen interessiert man sich dabei für die Wahrscheinlichkeit eine bestimmte Stichprobe zu ziehen. Diese hängt ab von der Gesamtzahl der möglichen Stichproben in Abhängigkeit von der Art und Weise des Ziehungsvorgangs. und erfordert die Anwendung von kombinatorischen Überlegungen. Statistik_A@statistik.uni-bonn 6 34
35 Modell mit Zurücklegen Grundgesamtheit aus N Elementen; n voneinander unabhängige Ziehungen jeweils eines zufälligen Elements ( nach jeder Ziehung wird das gezogene Element wieder in die Grundgesamtheit zurückgelegt). Anzahl der möglichen Stichproben: N n Grundgesamtheit aus N = 3 Elementen {a, b, c} Stichproben des Umfangs n = 2: {a, a}, {a, b}, {a, c}, {b, a}, {b, b}, {b, c}, {c, a}, {c, b}, {c, c} Jede dieser Stichproben wird mit der gleichen Wahrscheinlichkeit (1/9) gezogen Stichproben, die durch unabhängiges Ziehen mit Zurücklegen aus einer Grundgesamtheit entstehen, heißen einfache Zufallsstichproben. Statistik_A@statistik.uni-bonn 6 35
36 Die Antwort auf die Frage des Chevalier de Méré: Was ist wahrscheinlicher: Aus 4 Würfen mindestens eine 6 oder aus 24 Würfen mindestens eine Doppelsechs zu erhalten? Fall 1: Mindestens eine 6 aus 4 Würfen Gesamtzahl aller möglichen Stichproben (= Ergebnisse der 4 Würfe): 6 4 Gesamtzahl aller möglichen Stichproben (= Ergebnisse der 4 Würfe), die keine 6 enthalten: 5 4 P [ mindestens eine 6 aus 4 Würfen ] = 1 P [ keine 6 aus 4 Würfen ] = , Analog: P [ mindestens eine Doppelsechs aus 24 Würfen ] = 1 P [ keine Doppelsechs aus 24 Würfen ] = , (An der kleinen Differenz der Wahrscheinlichkeiten sieht man, dass der Chevalier de Meré ein äußerst eifriger Spieler gewesen sein muss, um den Unterschied am Spieltisch wahrzunehmen.) Statistik_A@statistik.uni-bonn 6 36
37 Modell ohne Zurücklegen Grundgesamtheit aus N Elementen; n aufeinanderfolgende Ziehungen jeweils eines zufälligen Elements. Nach jeder Ziehung wird das gezogene Element nicht wieder in die Grundgesamtheit zurückgelegt). Grundgesamtheit aus N = 3 Elementen {a, b, c} 6 Stichproben des Umfangs n = 2 bei Ziehen ohne Zurücklegen: {a, b}, {a, c}, {b, a}, {b, c}, {c, a}, {c, b} Jede dieser Stichproben ist gleichwahrscheinlich (1/6). Anmerkung: Beim Modell ohne Zurücklegen sind die einzelnen Ziehungen nicht unabhängig voneinander; das Resultat einer Ziehung beeinflusst die möglichen Ergebnisse jeder weiteren Ziehung Statistik_A@statistik.uni-bonn 6 37
38 Modell ohne Zurücklegen Anzahl der möglichen Stichproben vom Umfang n: N (N 1) (N n + 1) = N! (N n)! Fakultät Die Fakultät einer natürlichen Zahl k ist definiert durch Es gilt k! = k (k 1) (k 2) ! = 1, 0! = 1 Beispiele: 2! = 2 3! = 6 4! = 24 10! = ! = Statistik_A@statistik.uni-bonn 6 38
39 Permutationen Grundgesamtheit aus N Elementen; durch N- maliges zufälliges Ziehen ohne Zurücklegen werden nacheinander alle Elemente der Grundgesamtheit gezogen. Die resultierenden Stichproben (Permutationen) unterscheiden sich nur in der Reihenfolge der Ele- mente. Anwendungsbeispiel: Auslosung der Startreihenfolge bei einem Sportereignis mit N teilnehmenden Sportlern. N = 3 Elementen {a, b, c} 6 mögliche Permutationen: {a, b, c}, {a, c, b}, {b, a, c}, {b, c, a}, {c, a, b}, {c, b, a} Jede Permutation ist gleichwahrscheinlich (1/6) Anzahl möglicher Permutationen bei N Objekten: N! Statistik_A@statistik.uni-bonn 6 39
40 Modell ohne Zurücklegen und ohne Berücksichtigung der Reihenfolge Grundgesamtheit aus N Elementen; durch zufälliges Ziehen ohne Zurücklegen werden nacheinander n Elemente gezogen. Keine Berücksichtigung der Reihenfolge; zwei Stichproben sind äquivalent, wenn sie die gleichen Ele- entahlten. mente Anzahl der möglichen Stichproben vom Umfang n (jeweils gleichwahrscheinlich): ( ) N n Binomialkoeffizient Der Binomialkoeffizient ( N n) ist definiert als ( ) N N! = n (N n)! n! Es gilt ( ) ( N N = 1, 0 1 ( ) N n ) = N, ( ) N N = 0 falls N < n = 1, Statistik_A@statistik.uni-bonn 6 40
41 Anwendungsbeispiel: Ziehung der Lottozahlen. Bei der Ziehung der Lottozahlen handelt es sich um ein Beispiel für ein Modell ohne Zurücklegen und ohne Berücksichtigung der Reihenfolge. Die Stichprobe 4, 7, 11, 13, 26, 28 wird nicht unterschieden von der Ziehung 11, 26, 13, 28, 4, 7 Es gibt also ( ) 49 6 = 49! (43)! 6! = Möglichkeiten 6 Lottozahlen aus 49 Kugeln zu ziehen Wahrscheinlichkeit, dass eine bestimmte (getippte) Kombination die richtige ist: P [ 6 Richtige ] = = 0, Statistik_A@statistik.uni-bonn 6 41
42 Wahrscheinlichkeit für 3, 4, 5, 6 Richtige? Modell ohne Zurücklegen, Reihenfolge irrelevant alle Ziehungen gleichwahrscheinlich Laplace-Modell P [ 6 Richtige ] = 1 ( 49 6 ) = P [ 3 Richtige ] = = , #{ 3 Richtige und 3 Falsche } #{Alle möglichen Tipps} ( ) 3)( 6 3 ( 49 6 ) =... P [ k Richtige ] = = #{ k Richtige und 6 k Falsche } #{Alle möglichen Tipps} ( ) k)( 6 k ( 49 6 ) Statistik_A@statistik.uni-bonn 6 42
43 Anmerkungen: In der Sprache der Kombinatorik werden Zusammenstellungen (Ziehungen) von n Elementen, die sich unter Berücksichtigung der Reihenfolge ergeben, als Variationen bezeichnet Zusammenstellungen (Ziehungen) von n Elementen, die ohne Berücksichtigung der Reihenfolge ergeben, werden Kombinationen genannt Anzahl Stichproben beim Modell mit Zurücklegen und ohne Berücksichtigung der Reihenfolge (Kombination mit Wiederholung): ( ) N + n 1 Vorsicht: Stichproben nicht gleichwahrscheinlich n Statistik_A@statistik.uni-bonn 6 43
44 6.7 Bedingte Wahrscheinlichkeiten und Unabhängigkeit Bei manchen Problemen der Wahrscheinlichkeitsrechnung betrachtet man das Eintreten von Ereignissen in Abhängigkeit von bestimmten anderen Ereignissen. Beispiel: Ein Unternehmen stellt 2000 Teile auf zwei Maschinen her Teile werden auf Maschine 1 hergestellt. Davon sind 1162 Teile fehlerfrei. 600 Teile werden auf Maschine 2 produziert. Hiervon sind 378 Teile fehlerfrei. A ={Teil ist fehlerfrei} B ={Teil auf Maschine 1 hergestellt} C ={Teil auf Maschine 2 hergestellt} Statistik_A@statistik.uni-bonn 6 44
45 fehlerfrei = A mit Fehlern = Ā Maschine 1 = B Maschien 2 = C P [A] = 1540 = 0, P [B] = = 0, 7 P [A B] = = 0, 581 Wie hoch ist die Wahrscheinlichkeit, dass ein zufällig entnommenes fehlerfreies Teil auf Maschine 1 hergestellt wurde? P [B A] = P [A B] P [A] = 0, 581 0, 77 = Statistik_A@statistik.uni-bonn 6 45
46 Bedingte Wahrscheinlichkeit Wollen definieren: Wahrscheinlichkeit von A, angenommen B tritt ein. (B ist neuer Grundraum) Bezeichnung: P [A B] Definition: [bedingte Wahrscheinlichkeit] Man betrachte Ereignisse A, B S mit P [B] > 0. Die bedingte Wahrscheinlichkeit von A gegeben B wird definiert durch P [A B] := P [A B] P [B] P [ B] als Funktion der Ereignisse A heisst bedingte Wahrscheinlichkeitsverteilung bzgl B. Bedingte Wahrscheinlichkeiten sind wiederum Wahrscheinlichkeiten im Sinne der Axiome von Kolmogoroff (alle Rechenregeln für normale Wahrscheinlichkeiten sind erfüllt). Statistik_A@statistik.uni-bonn 6 46
47 Unabhängigkeit Definition: [Unabhängige Ereignisse] Ein Ereignis A ist dann von einem Ereignis B stochastisch unabhängig, wenn das Eintreten des Ereignisses A von dem Eintreten oder Nichteintreten des Ereignisses B nicht abhängt. P [A B] = P [A] P [B A] = P [B] P [A B] = P [A] P [B] Bemerkung: unabhängig ist nicht gleichbedeutend mit disjunkt Beispiel: Zwei Ereignisse: A und B mit P [A] > 0, P [B] > 0 P [A B] = P [A B] = 0 aber: P [A B] = 0 P [A] P [B] Statistik_A@statistik.uni-bonn 6 47
48 Beispiel 1: Zweimaliges Werfen eines Würfels A = { Im ersten Wurf eine 6 } B = { Im zweiten Wurf eine 6 } P [B A] = P [B] = 1 6, A und B sind unabhängig Beispiel 2: Augenfarbe und Intelligenz A = { Hohe Intelligenz }, B = { Blaue Augen } Vierfeldertafel der Wahrscheinlichkeiten in einer Population: IQ\Augen B (blau) B (nicht blau) Summe A P [A B] = 0.1 P [A B] = 0.4 P [A] = 0.5 Ā P [Ā B] = 0.1 P [Ā B] = 0.4 P [Ā] = 0.5 Summe P [B] = 0.2 P [ B] = 0.8 P [S] = 1 P [A B] = P [A] P [B] = 0.1, P [Ā B] = P [Ā)] P [ B] = 0.4 A und B sind unabhängig, Statistik_A@statistik.uni-bonn 6 48
49 Verallgemeinerung auf mehr als zwei Ereignisse Multiplikationssatz: Für Ereignisse A 1,..., A n P [A 1... A n ] = P [A 1 )] P [A 2 A 1 ] P [A 3 A 1 A 2 ] P [A n A 1... A n 1 ] Unabhängigkeit: Die Ereignisse A 1,..., A n heißen stochastisch unabhängig, wenn für jede Auswahl A i1,..., A im mit m n gilt P [A i1... A im ] = P [A i1 ] P [A i2 ] P [A im ] Statistik_A@statistik.uni-bonn 6 49
50 6.8 Totale Wahrscheinlichkeit und das Theorem von Bayes Beispiel: [Weinkeller] Qualitätswein, Kabinett, Spätlese: 5:3:2 Weißweinanteil: 1/5, 1/3 bzw. 1/4 Wahrscheinlichkeit für Weinsorten A 1 = { Qualitätswein } P [A 1 ] = 0, 5 A 2 = { Kabinett } P [A 2 ] = 0, 3 A 3 = { Spätlese } P [A 3 ] = 0, 2 vollständige Zerlegung von S A 1 A 2 A 3 = S A 1 A 2 =, A 1 A 3 =, A 2 A 3 =, Frage: Wie hoch ist die Wahrscheinlichkeit für Ereignis B, eine ausgewählte Flasche ist Weißwein? P [B A 1 ] = 1 5 P [B A 2 ] = 1 3 P [B A 3 ] = 1 4 Statistik_A@statistik.uni-bonn 6 50
51 A 1 Qualitätswein A 1 B A 3 B A 2 B A 3 Kabinett A 2 Spätlese Vorgehen: A 1.A 2, A 3 bilden eine vollständige Zerlegung des Grundraums S B = (B A 1 ) (B A 2 ) (B A 3 ) P [B] =P [(B A 1 ) (B A 2 ) (B A 3 )] =P [(B A 1 )] + P [(B A 2 )] + P [(B A 3 )] =P [B A 1 ] P [A 1 ] + P [B A 2 ] P [A 2 ] + P [B A 3 ] P [A 3 ] = = Statistik_A@statistik.uni-bonn 6 51
52 Totale Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit: Seien A 1,..., A k Ereignisse, die eine Zerlegung von S bilden, d.h. es gilt: A i A j =, i j, und A 1 A 2 A k = S. Dann folgt für ein Ereignis B S: P [B] = P [A 1 B] + P [A 2 B] P [A k B] = = k P [A i B] i=1 k P [B A i ] P [A i ]. i=1 Statistik_A@statistik.uni-bonn 6 52
53 Beispiel: [Weinkeller (Fortsetzung)] Weitere mögliche Fragestellung: Wie groß ist die Wahrscheinlichkeit P [A 1 B] dafür, daß eine zufällig ausgewählte Weißweinflasche Qualitätswein ist? Grundlage: Wir kennen die Wahrscheinlichkeiten P [B A i ] und P [A i ] i = 1,..., 3 Aus der Definition der bedingten Wahrscheinlichkeit folgt: P [A 1 B] = P [A 1 B] P [B] = P [B A 1 ] P [A 1 ] P [A 1 B] = P [B A 1] P [A 1 ] P [B] = P [B A 1] P [A 1 ] 3 i=1 P [B A i] P [A i ] = = 2 5 Statistik_A@statistik.uni-bonn 6 53
54 Satz von Bayes [Thomas Bayes, englischer Pastor, Mathematiker, ( )] Seien die Vorraussetzungen des Satzes von der totalen Wahrscheinlichkeit erfüllt. Dann kann auch nach der Wahrscheinlichkeit von A i gefragt werden unter der Bedingung, dass B eingetreten ist (Wahrscheinlichkeit a posteriori). Satz von Bayes: Seien A 1,..., A k Ereignisse, die eine Zerlegung von S bilden Sei B Ereignis, derart daß P [B] > 0. Dann gilt: P [A j B] = P [A j ]P [B A j ] k i=1 P [A i]p [B A i ] = P [A j]p [B A j ] P [B] Wir nennen die Wahrscheinlichkeiten P [A i ] a-priori Wahrscheinlichkeiten P [A i B] a-posteriori Wahrscheinlichkeiten Statistik_A@statistik.uni-bonn 6 54
55 Hilfsmittel bei der Berechnung von Wahrscheinlichkeiten: Baumdiagramm Voraussetzung: Vollständige Zerlegung des Ereignisraums Beispiel: Ereignisse A, Ā und B, B P (B A) B P (A) A P ( B A) B P (Ā) Ā P (B Ā) B P ( B Ā) B zur Kontrolle: Die Wahrscheinlichkeiten, der von einem Punkt des Baumdiagramms ausgehenden Äste, haben stets die Summe 1. Die Summe aller Pfadwahrscheinlichkeiten ist 1. Statistik_A@statistik.uni-bonn 6 55
56 Pfadregeln: 1) Wird ein Ergebnis durch einen einzelnen Pfad beschrieben, so ist die Wahrscheinlichkeit dieses Ergebnisses (= Pfadwahrscheinlichkeit) gleich dem Produkt aller Wahrscheinlichkeiten längs des zugehörigen Pfades. 2) Setzt sich ein Ereignis aus mehreren Pfaden zusammen, so werden die entsprechenden Pfadwahrscheinlichkeiten addiert. 6 56
Statistik B. Wahrscheinlichkeitsrechnung und induktive Statistik. Prof. Dr. Alois Kneip Sommersemester 2012
Statistik B Wahrscheinlichkeitsrechnung und induktive Statistik Prof. Dr. Alois Kneip Sommersemester 2012 Literatur: Fahrmeier, Künstler, Pigeot und Tutz (2004): Statistik, Springer Verlag Fahrmeier, Künstler,
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
MehrVorkurs Mathematik. Christoph Hindermann. Wahrscheinlichkeitstheorie
Kapitel 4 Christoph Hindermann Vorkurs Mathematik 1 4.0 Motivation Wenn 100 Münzen geworfen werden, wie ist dann die Wahrscheinlichkeit, dass genau 50 davon Kopf zeigen? Angenommen, es befinden sich 300
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 1. Grundbegriffe der Wahrscheinlichkeitsrechnung
Vorlesungscharts Vorlesung 1 Grundbegriffe der Wahrscheinlichkeitsrechnung Zufallsvorgänge und Zufallsereignisse Definitionen der Wahrscheinlichkeit Seite 1 von 11 Chart 1: Vorgänge deterministisch zufällig
Mehr1. Grundlagen der Wahrscheinlichkeitsrechnung
1. Grundlagen der Wahrscheinlichkeitsrechnung Ereignisse und Wahrscheinlichkeiten Zufälliger Versuch: Vorgang, der (zumindest gedanklich) beliebig oft wiederholbar ist und dessen Ausgang innerhalb einer
MehrEinführung. Wahrscheinlichkeit. 1 Wahrscheinlichkeit: Definition und Interpretation. 2 Elementare Wahrscheinlichkeitsrechnung, bedingte
Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare Wahrscheinlichkeitsrechnung, bedingte Wahrscheinlichkeit Axiome nach Kolmogorov Gegeben sei ein Zufallsexperiment mit Ergebnisraum
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrAllgemeine diskrete Wahrscheinlichkeitsräume I
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II. Beispiel II. Beispiel I. Definition 6.3 (Diskreter Wahrscheinlichkeitsraum)
Allgemeine diskrete Wahrscheinlichkeitsräume I Allgemeine diskrete Wahrscheinlichkeitsräume II Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete Wahrscheinlichkeitsräume Ω endlich
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
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
MehrWahrscheinlichkeitsrechnung [probability]
Wahrscheinlichkeitsrechnung [probability] Hinweis: Die Wahrscheinlichkeitsrechnung ist nicht Gegenstand dieser Vorlesung. Es werden lediglich einige Begriffsbildungen bereitgestellt und an Beispielen erläutert,
Mehr7. Kapitel: Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten
7. Kapitel: Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten 7.1 Zufallsvorgänge - zufälliges Geschehen/ Zufallsvorgang/ stochastische Vorgang: aus Geschehen/Vorgang/Experiment (mit gegebener Ausgangssituation)
MehrWahrscheinlichkeitsrechnung
Teil V Wahrscheinlichkeitsrechnung Inhaltsangabe 6 Einführung in die Wahrscheinlichkeitsrechnung 125 6.1 Kombinatorik......................... 125 6.2 Grundbegri e......................... 129 6.3 Wahrscheinlichkeiten.....................
MehrInhaltsverzeichnis (Ausschnitt)
6 Diskrete Wahrscheinlichkeitsräume Inhaltsverzeichnis (Ausschnitt) 6 Diskrete Wahrscheinlichkeitsräume Laplacesche Wahrscheinlichkeitsräume Kombinatorik Allgemeine diskrete Wahrscheinlichkeitsräume Deskriptive
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrRumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Rumpfskript Elementare Wahrscheinlichkeitsrechnung Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern
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
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
Mehr9. Elementare Wahrscheinlichkeitsrechnung
9. Elementare Wahrscheinlichkeitsrechnung Beispiel (Einmaliges Würfeln): verbal mengentheoretisch I. Zufällige Ereignisse Beispiel (Einmaliges Würfeln): Alle möglichen Ausgänge 1,,, 6 des Experiments werden
MehrZufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
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: Ergebnismenge versehen mit einer Abbildung
MehrKapitel N. Wahrscheinlichkeitsrechnung
Kapitel N Wahrscheinlichkeitsrechnung Inhalt dieses Kapitels N000 1 Diskrete Wahrscheinlichkeitsräume 2 Bedingte Wahrscheinlichkeit und Unabhängigkeit 1 Produktexperimente 2 Kombinatorik und Urnenmodelle
MehrEin Ereignis ist eine Menge von Elementarereignissen. Berechnung von Wahrscheinlichkeiten zufälliger Ereignisse erfordert ein Modell.
SS 2013 Prof. Dr. J. Schütze/ J.Puhl FB GW Wkt.1 1 Grundbegriffe Zufallsexperiment unter gleichen Bedingungen wiederholbarer Vorgang (geplant, gesteuert, beobachtet oder auch nur gedanklich) Menge der
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)
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
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrÙÚ ÖÐ Ø º Ì Ð ÈÖÓ º Ö À Ù Ò Ð ÅÓÒØ ÒÙÒ Ú Ö ØØ Ä Ó Ò Ø ÖÖ º Ç ØÓ Ö ¾¼½ ÈÖÓ º Ö À Ù Ò Ð Ä Ó Òµ ÙÚ ÖÐ Ø º Ç ØÓ Ö ¾¼½ ½» ½
ÙÚ ÖÐ Ø º Ì Ð ÈÖÓ º Ö À Ù Ò Ð ÅÓÒØ ÒÙÒ Ú Ö ØØ Ä Ó Ò Ø ÖÖ º Ç ØÓ Ö ¾¼½ ÈÖÓ º Ö À Ù Ò Ð Ä Ó Òµ ÙÚ ÖÐ Ø º Ç ØÓ Ö ¾¼½ ½» ½ ÁÒ ÐØ ÈÖÓ º Ö À Ù Ò Ð Ä Ó Òµ ÙÚ ÖÐ Ø º Ç ØÓ Ö ¾¼½ ¾» ½ Ò Ö Ð ÈÖÓ º Ö À Ù Ò Ð Ä Ó Òµ
Mehr1 Grundbegriffe der Wahrscheinlichkeitsrechnung
4 1 Grundbegriffe der Wahrscheinlichkeitsrechnung 1.1 Grundlegende Begriffe Der Begriff wahrscheinlich wird im Alltag in verschiedenen Situationen verwendet, hat dabei auch unterschiedliche Bedeutung.
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Wir betrachten Ereignisse, die in fast gleicher Form öfter auftreten oder zumindest öfter auftreten können. Beispiele: Werfen eines Würfels, Sterben an Herzversagen
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Grundbegriffe: Experiment: ein Vorgang, den man unter gleichen Voraussatzungen beliebig oft wiederholen kann. Ergebnis ω : Ausgang eines Experiments Ergebnismenge Ω : Menge
MehrWie hoch ist das Risiko, dass ein System, das aus mehreren Komponenten besteht, ausfällt?
In diesem Kapitel werden wir den egriff Wahrscheinlichkeit und die Grundlagen der Wahrscheinlichkeitsrechnung kennenlernen, um z.. folgende Fragestellungen zu beantworten. Wie hoch ist das Risiko, dass
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Wahrscheinlichkeit und Zufallsvorgänge Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
Mehr3. Grundbegriffe der Wahrscheinlichkeitstheorie
03. JULI 2006: BLATT 17 3. Grundbegriffe der Wahrscheinlichkeitstheorie (v.a. nach Manning/Schütze: 40ff und Fahrmeir /Künstler/Pigeot/Tutz: 171ff) Übersicht Um entscheiden zu können, ob eine statistische
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
MehrP (A B) P (B) = P ({3}) P ({1, 3, 5}) = 1 3.
2 Wahrscheinlichkeitstheorie Beispiel. Wie wahrscheinlich ist es, eine Zwei oder eine Drei gewürfelt zu haben, wenn wir schon wissen, dass wir eine ungerade Zahl gewürfelt haben? Dann ist Ereignis A das
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
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
MehrÒ Ù Ù Ò Ë ØÞÚ ÒØ Ð Ó Ò ÖÓ ÐÛ Ö ÙÒ µ ÙÒ ÃÓÐ ÒÚ Ò¹ Ø Ð Ñ Ø ÖÓ ÐÛ Ö ÙÒ µ B A B A ØØ ÙÒ Ö Ø ÙÖ Ñ Ò Ð ØÖÓÑ Ò Ø Ý Ö ÙÐ Ó Ö ÔÒ ÙÑ Ø ËØ ÐÐ Ò Ø Ò Ò Ö Ø ÙÖ Ý Ö
ËÔ ÖÖÚ ÒØ Ð Ø ÑÑØ ÎÓÐÙÑ Ò ØÖÓÑÖ ØÙÒ ËÔ ÖÖ Òµ ÖÙ Ú ÒØ Ð Ø ÑÑØ Ð Ø ÖÙ Ñ ËÝ Ø Ñ Ö Ò¹ Å Ò ÖÒ Ù ÐØ Òµ Þ Ò ËØÖÓÑÚ ÒØ Ð Ø ÑÑØ ÎÓÐÙÑ Ò ØÖÓÑ Ñ ËÝ Ø Ñ ÖÓ ÐÒ Î ÒØ Ð Ä ØÙÒ Ù ÙÖ Ò Ù ÙÒ ÚÓÒ p ËØ Ù ÖÙÒ ÙÒ ËØÖ ÑÙÒ Ö ØÙÒ
Mehr1 Elementare Wahrscheinlichkeitstheorie
1 Elementare Wahrscheinlichkeitstheorie 1.1 Zufallsexperiment Definition 1.1. Ein Zufallsexperiment ist ein Vorgang, der im Prinzip beliebig oft unter identischen Randbedingungen wiederholt werden kann.
MehrWahrscheinlichkeitsrechnung
Abiturvorbereitung Wahrscheinlichkeitsrechnung S. 1 von 9 Wahrscheinlichkeitsrechnung Kombinatorik Formeln für Wahrscheinlichkeiten Bedingte Wahrscheinlichkeiten Zusammenfassung wichtiger Begriffe Übungsaufgaben
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
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 21.02.2014 Holger Wuschke B.Sc. Glücksspiel auf der Buchmesse Leipzig, 2013 Organisatorisches 1. Begriffe in der Stochastik (1)
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
Mehrhtw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT Hans-Peter Hafner WS 2016/2017
htw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT htw saar 2 Gliederung 25.01. Bedingte Wahrscheinlichkeit: Motivation und Definition Multiplikationssatz Stochastische Unabhängigkeit:
MehrErgebnis Ergebnisraum Ω. Ereignis. Elementarereignis
Stochastik Die Stochastik besteht aus zwei Teilgebieten, der Statistik und der Wahrscheinlichkeitsrechnung. Die Statistik beschreibt die Vergangenheit und verwendet Informationen, die (in realen Versuchen)
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
MehrWahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele
Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Wahrscheinlichkeitstheorie Agenda:
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 7. Übung SS 16: Woche vom
Übungsaufgaben 7. Übung SS 16: Woche vom 23. 5. 27. 5.. 2016 Stochastik I: Klassische Wkt.-Berechnung Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/... (SS16).html
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Motivation bisher: Beschreibung von Datensätzen = beobachteten Merkmalsausprägungen Frage: Sind Schlußfolgerungen aus diesen Beobachtungen möglich? Antwort: Ja, aber diese gelten nur mit einer bestimmten
MehrGrundbegriffe. Vereinigungsmenge Schnittmenge sicheres Ereignis disjunkte Mengen komplementäre Ereignisse/ Gegenereignisse/ Alternativereignisse
Grundbegriffe Vereinigungsmenge Schnittmenge sicheres Ereignis disjunkte Mengen komplementäre Ereignisse/ Gegenereignisse/ Alternativereignisse 33 Mengenschreibweise von Ereignissen - Rechenregeln: (1)
MehrWahrscheinlichkeitsrechnung und Statistik
1. und 2. Vorlesung - 2017 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich werde mit Sicherheit gewinnen! Ist das wirklich unmöglich?
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrTeil 2: Wahrscheinlichkeitsrechnung - Theoretischer Kalkül
Teil 2: Wahrscheinlichkeitsrechnung - Theoretischer Kalkül 6 Einführung in die Wahrscheinlichkeitsrechnung 272 6 Einführung in die Wahrscheinlichkeitsrechnung 6.1 Wichtige Grundbegriffe und Regeln 6.1.1
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
MehrKombinatorik & Stochastik Übung im Sommersemester 2018
Kombinatorik & Stochastik Übung im Sommersemester 2018 Kombinatorik Formeln & Begriffe Begrifflichkeiten Permutation = Anordnung in einer bestimmten Reihenfolge Kombination = Anordnung ohne bestimmte Reihenfolge
MehrLeseprobe. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Leseprobe Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - nwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch): 978-3-446-43255-0
Mehr2. Zufallsvorgänge und Wahrscheinlichkeiten
2. Zufallsvorgänge und Wahrscheinlichkeiten Ziel des Kapitels: Einführung elementarer Begriffe der Wahrscheinlichkeitsrechnung (definitorisch) Ziel der Wahrscheinlichkeitsrechnung: Modellierung von zufälligen
MehrMathematik 1 ohne Taschenrechner Zeit: 90 Minuten
St. Gallische Kantonsschulen Aufnahmeprüfung 2002 Maturitätsabteilungen 1. Klassen Mathematik 1 ohne Taschenrechner Zeit: 90 Minuten Name, Vorname:... Summe Bisherige Schule:... Note Alle Aufgaben sind
Mehr(A i ) t 1 A i f l. f l+1 = f l c l Ð. A t 1 l. c l,i = (A i ) t 1/(A i f l ) c l + = c l,i Ð
Ö Å Ø Ñ Ø ÙÒ ÁÒ ÓÖÑ Ø Ö Ø ÖÙÔÔ È Ö ÐÐ Ð ÙÒ Î ÖØ ÐØ ËÝ Ø Ñ ÈÖÓ º Öº Ë Ö ÓÖÐ Ø È Ö ÐÐ Ð ÖÙÒ Ò Ð Ö ÓÒ ØÖÙ Ø ÓÒ Ð ÓÖ Ø ÑÙ Ñ Ø Í ÓÑ Ò ÕÙ Å ÐÒ Ö ºÑ ÐÙÒ ¹ÑÙ Ò Ø Öº ÓÑ Ò ÕÙ Å ÐÒ Ö È Ö ÐÐ Ð ÖÙÒ Ò Ð Ö ÓÒ ØÖÙ Ø ÓÒ
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Josef Leydold c 2006 Mathematische Methoden II Wahrscheinlichkeitstheorie 1 / 24 Lernziele Experimente, Ereignisse und Ereignisraum Wahrscheinlichkeit Rechnen mit Wahrscheinlichkeiten
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
MehrSoll ein Zufallsexperiment näher untersucht werden, so muss zuerst geklärt werden, was man als dessen mögliche Ausgänge ansieht:
2 Zufallsexperimente Nachdem wir uns spielerisch mit dem Phänomen "Zufall" beschäftigt und den Begriff "Zufallsexperiment" bereits intuitiv erfasst haben, wollen wir in diesem Kapitel den Begriff "Zufallsexperiment"
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrStochastik Grundlagen
Grundlegende Begriffe: Zufallsexperiment: Ein Experiment, das beliebig oft wiederholt werden kann. Die möglichen Ergebnisse sind bekannt, nicht jedoch nicht, welches Ergebnis ein einzelnes Experiment hat.
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr2.4. Mehrstufige Zufallsexperimente
2.4. Mehrstufige Zufallsexperimente Zufallsexperimente können einstufig, also einmalig, durchgeführt werden oder auch mehrstufig, also wiederholt. Wirft man einen Würfel z.b. nur einmal, dann ist das Zufallsexperiment
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrÖÐ ÙÒ Ò Ê ÒÑ Ò Ò Ä ÙÖ ÒØ È Ð Ö ¼º ÆÓÚ Ñ Ö ¾¼¼ ½» ¾
ÖÐ ÙÒ Ò Ê ÒÑ Ò Ò Ä ÙÖ ÒØ È Ð Ö ¼º ÆÓÚ Ñ Ö ¾¼¼ ½» ¾ ÖÐ À ØÓÖ À ÒØ Ö Ö Ò Ö ÒÞ ÒÑ Ò Ö ÒÞ ÒÚ Ö Ö Ò ØÙÖ Ö Ö ÒÞ ÒÑ Ò Ò ÐÝØ Å Ò ¾» ¾ ÖÐ ½ ½ ½ ½ Ä Ø ÞÙÖ Ø Ö ÁÒ Ù ØÖ ÐÐ Ò Ê ÚÓÐÙØ ÓÒ ½ ÎÓÐÐÑ Ò ÖØ Ö Ï ØÙ Ð ½ ¼ Ù
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
Mehr9. Elementare Wahrscheinlichkeitsrechnung
9. Elementare Wahrscheinlichkeitsrechnung I. Zufällige Ereignisse Beispiel (Einmaliges Würfeln): Alle möglichen Ausgänge 1, 2,, 6 des Experiments werden zur Ergebnismenge Ω ( Ergebnisraum ) zusammengefasst.
MehrÖÙÒ ½ ÖÙÒ ¾ ËÔ Ö ÈÖÓÞ ÓÖ» Ø Ù ÑÑ Ò ÙÒ ÂÓÒ Ë ÐÙÑ Ö Ö ¾»
ÖÙÒ ÎÓÖØÖ Ñ ÈÖÓ Ñ Ò Ö ÃÓÒÞ ÔØ ÚÓÒ ØÖ Ý Ø Ñ ÓÑÔÓÒ ÒØ Ò ÂÓÒ Ë ÐÙÑ Ö Ö Ô Ð Ôº Ò ÓÖÑ Ø ºÙÒ ¹ ÖÐ Òº Ö Ö ¹ Ð Ü Ò Ö¹ÍÒ Ú Ö ØØ ÖÐ Ò»Æ ÖÒ Ö ¾ º ÂÙÒ ¾¼¼ ÂÓÒ Ë ÐÙÑ Ö Ö ½» ÖÙÒ ½ ÖÙÒ ¾ ËÔ Ö ÈÖÓÞ ÓÖ» Ø Ù ÑÑ Ò ÙÒ ÂÓÒ
MehrKapitel 5. Kapitel 5 Wahrscheinlichkeit
Wahrscheinlichkeit Inhalt 5.1 5.1 Grundbegriffe Ω, Ω, X, X,...... 5.2 5.2 Wahrscheinlichkeitsräume (Ω, (Ω, P) P) 5.3 5.3 Das Das Laplace-Modell P(A) P(A) = A / Ω 5.4 5.4 Erwartungswert E(X) E(X) Literatur:
MehrÓÒÙ ¹Å ÐÙ ËÝ Ø Ñ Ö Î Ö ÖÙÒ Û Ã Ø ÓÖ Ò ÚÓÒ Ê Ò Ò Ó Ø Ú Ò Ê Ò Þº º ÈË Þ Ð Ò ÙØÓ Ö ÀÙ Ö ÙÑ Û Ø Ø ºº ÙÒ Ò Ù Ø Ú Ò Ê Ò Ò Ø Ó Ø Ú Ñ Ö Ê Òµ Ê Ó Ö Ø Ø Ã ÒÒ Ò
Ê ÓØ ÓÖ º Ì Ð ÈÖÓ º Ö À Ù Ò Ð ÅÓÒØ ÒÙÒ Ú Ö ØØ Ä Ó Ò Ø ÖÖ ¾ º ÔÖ Ð ¾¼½ ÈÖÓ º Ö À Ù Ò Ð Ä Ó Òµ Ê ÓØ ÓÖ ¾ º ÔÖ Ð ¾¼½ ½» ½ ÓÒÙ ¹Å ÐÙ ËÝ Ø Ñ Ö Î Ö ÖÙÒ Û Ã Ø ÓÖ Ò ÚÓÒ Ê Ò Ò Ó Ø Ú Ò Ê Ò Þº º ÈË Þ Ð Ò ÙØÓ Ö ÀÙ
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
Mehr= = = = =
Å ÌÀ Ê ÂÍÆ ÍÆ ÄÌ ¹ Ë ÊÁ ¹ Â Æ» ¾¼½ ½ ÎÓÖ ÙÐ ½ Ù ¹½½ Ù Ñ Ð Ò Û Ö Ê Ð Ñ Ø Ñ Ö Û Ö ÓÖÑØ Ò Òº Ø ÐÐ Ù Ø ÐÐØ Ò ËØ Ò Ñ Ö ÚÓÖ Ò Òº µ Ï Ú Ð Ú Ö Ò ÓÑÑ Ò ÚÓÖ µ Ï Ð Ø Ñ Ù Ø Ò Ú ÖØÖ Ø Ò µ Ï Ð Ø Ù Ñ ÐØ Ò Ø Ò ¾ À Ï Ò
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
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrPopulation und Stichprobe: Wahrscheinlichkeitstheorie
Population und Stichprobe: Wahrscheinlichkeitstheorie SS 2001 4. Sitzung vom 15.05.2001 Wahrscheinlichkeitstheorie in den Sozialwissenschaften: Stichprobenziehung: Aussagen über Stichprobenzusammensetzung
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
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
Mehr