a) Fragen zur diskreten Wahrscheinlichkeitstheorie
|
|
- Horst Krüger
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 5 a) Fragen zur diskreten Wahrscheinlichkeitstheorie 5. Diskrete Wahrscheinlichkeitsräume (i) Was versteht man unter einem endlichen Wahrscheinlichkeitsraum? Beispiele solcher Räume an, dabei auch Modelle für Laplace-Experimente! (ii) Geben Sie (i) Definition: Sei Ω /0 endliche Menge und P :P(Ω) Ê Abbildung. Dann heißt (Ω,P) (endlicher) Wahrscheinlichkeitsraum, wenn gilt: () P(Ω) = (2) P(A) 0 für alle A P(Ω) sowie (3) P(A B)=P(A)+P(B) für alle A,B P(Ω) mit A B= /0. Jedes Element ω von Ω heißt Ergebnis (Versuchs-Ausgang oder Elementarereignis 2 ), jede Teilmenge von Ω heißt Ereignis, die Funktion P Wahrscheinlichkeitsfunktion oder Wahrscheinlichkeitsmaß; (vgl. auch Tabelle 5., Seite 4). Anmerkung: Bei der wahrscheinlichkeitstheoretischen Auswertung eines Experiments kommt es darauf an, als Modell einen passenden Wahrscheinlichkeitsraum zu finden; die Elementarereignisse entsprechen dann den nicht mehr weiter aufzugliedernden möglichen Ausgängen eines Versuchs, die Ereignisse Kombinationen solcher Ausgänge, die Wahrscheinlichkeiten den idealen relativen Häufigkeiten dieser Ausgänge (s.u.). Das Ereignis A B steht für das Eintreten von "A oder B", der Schnitt A B für das Ereignis A und B und das Komplement C Ω (A)={ω Ω ω A} für das Ereignis, dass A nicht eintritt (Gegenereignis). (ii) Beispiele: a) Würfeln mit einem idealen Würfel: Man wählt Ω = {,2,3,4,5,6} (Augenzahlen) und P(ω i )= 6 für ω i Ω. Das Ereignis Würfeln einer gerade Augenzahl ist A={2,4,6}, und es gilt P(A)=P(2)+P(4)+P(6)= 2. Verallgemeinerung: a) ist Spezialfall eines Laplace-Raumes: P(Ω) bezeichnet die Potenzmenge, also die Menge aller Teilmengen, von Ω. 2 Dabei identifiziert man das Elementarereignis {ω} (also die Singleton-Menge) mit ihrem Element ω.
2 2 5. Wahrscheinlichkeitstheorie/Stochastik b) Laplacescher Wahrscheinlichkeitsraum: Diese Wahrscheinlichkeitsräume dienen als Modell für Versuche, deren mögliche Ausgänge alle gleichwahrscheinlich sind (Symmetrie-Forderung). Für sie gilt: P(ω )=P(ω 2 ) für alle ω,ω 2 Ω (Gleichverteilung). A Folgerung: Aus P(A) = P(ω)= Ω ergibt sich P(A)= Ω. ω A ω A Merkregel: Anzahl der günstigen durch Anzahl der möglichen Fälle. c) Urnenexperimente (ebenfalls Modelle): α) Entnahme einer Stichprobe vom Umfang n ausn N :={,...,N} mit Zurücklegen und unter Beachtung der Reihenfolge (bzw. Verteilung von n unterscheidbaren Kugeln auf N Urnen mit Mehrfachbesetzung): Ω={(a,...,a n ) ai {,...,N}}=(N N ) n. Hierbei ist P(ω)= / N n für ω Ω. β) Entnahme einer Stichprobe vom Umfang n aus N N ohne Zurücklegen mit Beachtung der Reihenfolge (n-tupel ohne Wiederholung) P(ω)=/ N! (N n)!. γ) Entnahme einer Stichprobe vom Umfang n aus N N ohne Zurücklegen ohne Beachtung der Reihenfolge (mit n N) (bzw. Verteilung von n nicht-unterscheidbaren Kugeln auf N Urnen ohne Mehrfachbesetzung): Ω={{a,...,a n } ai {,...,N}, a i a j für i j}=: ( N N n ). Es gilt : P(ω) = / ( ( N n) für ω Ω. (Hierbei bezeichnet N n) den Binomialkoeffizenten N! n!(n n)!.) Hinweis (Warnung): Bei einem Experiment mit Entnahme aus einer Urne mit mehreren nicht-unterscheidbaren Kugeln ohne Berücksichtigung der Reihenfolge erhält man (für die Multimengen!) keinen Laplace-Raum! (Die Wahrscheinlichkeiten kann man durch Nummerierung der ursprünglich ununterscheidbaren Kugeln und durch Beachtung der Reihenfolge der Ziehung berechnen.) Beispiel: Die Urne enthalte 2 blaue und eine rote Kugel. Setze U :={b,b 2,r}. Bei zweimaligem Ziehen ohne Zurücklegen erhält man einen Laplace-Raum mit den folgenden 6 Ausgängen: (b,b 2 ),(b 2,b ),(b,r),(b 2,r),(r,b ),(r,b 2 ). Die ersten beiden ergeben die Multimenge{b,b}, die anderen vier die Menge{b,r}; diese haben die Wahrscheinlichkeiten 2 6 bzw δ) Spezialfall Lotto: Es werden n = 6 aus N = 49 Kugeln ohne Rücklegen und ohne Beachtung der Reihenfolge gezogen. Die Wahrscheinlichkeit für "6 Richtige"(ω gezogen = ω getippt) ist: P(ω)=/ ( 49 6) = : ε) In einer Urne seien S schwarze und W = N S weiße Kugeln. Es werden n Kugeln ohne Rücklegen gezogen. Die Wahrscheinlichkeit, dass genau s schwarze und w = n s weiße Kugeln gezogen werden, ist (bei diesem Laplace-Experiment). ( S W )/( S+W s) ( w s+w). ( Hypergeometrische Verteilung) Bestimmen Sie (unmittelbar aus den Axiomen) folgende Wahrscheinlichkeiten in einem endlichen Wahrscheinlichkeitsraum: (i) P(A) unter Verwendung der Wahrscheinlichkeiten der Elementarereignisse, (ii) P(C Ω A) aus P(A) und (iii) P(A B) aus P(A),P(B) und P(A B)!
3 5. Diskrete Wahrscheinlichkeitsräume 3 (i) Durch Induktion folgt aus Axiom (3): P(A) = P(ω) und P(/0)=0 ω A Anmerkung: Umgekehrt wird bei gegebenen P(ω i ) 0 mit Ω P(ω i )= durch diese Formel ein Wahrscheinlichkeitsmaß definiert. (ii) Aus =P(Ω)=P(A C Ω (A))=P(A)+P(C Ω (A)) ergibt sich P(C Ω A)= P(A). (iii) Aus A B=(A\(A B)) (B\(A B)) (A B) und (ii) erhält man i= P(A B)= P(A)+P(B) P(A B). Wie lässt sich der Begriff des endlichen Wahrscheinlichkeitsraums zu dem des diskreten Wahrscheinlichkeitsraums erweitern? In der Definition des endlichen Wahrscheinlichkeitsraums wird Ω endlich ersetzt durch Ω endlich oder abzählbar unendlich und Axiom (3) durch das folgende Axiom (die sogenannte σ-additivität ) (3 ) P( A i )= P(A i ) für jede Folge (A i ) i N disjunkter Ereignisse A i Ω. i=0 i=0 Aus diesem folgt die (einfache) Additivität unmittelbar. Anmerkung: Ist Ω={ω i i N}, und(ω,p) diskreter Wahrscheinlichkeitsraum, so muss gelten: k=0 P(ω i ) konvergiert gegen. Ist umgekehrt Zahlen, dann ist durch P(A) := ω k A Rényi [?]). k=0 p k = und (p k ) k N eine Folge nicht-negativer p k ein diskreter Wahrscheinlichkeitsraum definiert (s.z.bsp. Definieren Sie den Begriff der bedingten Wahrscheinlichkeit eines Ereignisses B bei gegebenem Ereignis A (mit P(A) 0). Interpretieren Sie sie als Wahrscheinlichkeitsfunktion. Sei (Ω,P) diskreter Wahrscheinlichkeits-Raum. P(B A) := P(A B)/P(A) heißt bedingte Wahrscheinlichkeit von B unter Voraussetzung des Eintretens von A. Die Funktion P A mit P A (B) := P(B A) ist ebenfalls Wahrscheinlichkeitsfunktion auf Ω (Beweis?). Bei dieser werden alle Wahrscheinlichkeiten von Teilmengen von A gerade derart proportional erhöht, dass P A (A)= ist. Die bedingte Wahrscheinlichkeit von B hängt dann nur von A B ab (s. Abb. 5.). B A Ω Abbildung 5.: P(B A)= P(A B) P(A) Beispiel: Würfeln mit einem idealen Würfel und A ={2, 4, 6} (gerade Augenzahl) P({i} A)= 6 / 2 = 3 für i A und P({i} A)=0 für i / A. Wie lauten die Formel von der totalen Wahrscheinlichkeit und die Regel von Bayes? Sei (Ω,P) diskreter Wahrscheinlichkeitsraum; seien ferner A,A 2,... disjunkte Ereignisse mit A k = Ω.
4 4 5. Wahrscheinlichkeitstheorie/Stochastik Tabelle 5.: Zur Sprache der Wahrscheinlichkeitstheorie Versuchsorientierte Sprache Mengen- bzw. maßtheoretische Sprache (Einzel-) Ausgang eines Zufallsexperiments (Versuchs) Menge aller (Einzel-) Ausgänge Ereignis, (zusammengesetzter) Ausgang beobachtbares Ereignis sicheres Ereignis Ergebnis ω Ω, oft mit dem Elementarereignis{ω} identifiziert Ereignisraum Ω A Ω Element der Ereignisalgebra, messbare Menge (s.u.) A A P(Ω) Ω unmögliches Ereignis /0 Nichteintreten des Ereignisses A C Ω A gemeinsames Vorkommen der Ereignisse A, B A B, A B Vorkommen eines der Ereignisse A,B A B, A+B Ereignis A impliziert Ereignis B A B A und B schließen sich einander aus A B= /0 Zufallsvariable messbare Funktion Die Formel von der totalen Wahrscheinlichkeit lautet: P(B)= P(A k ) P(B A k ) für B Ω, die Regel von Bayes: Ist P(B)>0, so gilt P(A i B)= P(A i) P(B A i ) P(A k )P(B A k ). Anmerkung zur Regel von Bayes: Eigentlich zielt man mit der Bayesschen Regel auf eine zweidimensionale Verteilung ab. Früher interpretierte man A k als vergangene Ereignisse und versuchte, so aus den a priori Wahrscheinlichkeiten P(A k ) und den bedingten Wahrscheinlichkeiten P(B A k ) die a posteriori Wahrscheinlichkeiten P(A i B) zu bestimmen; vgl. Krengel [?]. Behandeln Sie exemplarisch am Beispiel des dreimaligen Münzwurfs die Darstellung eines mehrstufigen Experiments mit Hilfe eines Ereignisbaumes bzw. Wahrscheinlichkeitsbaumes. Wie lauten die Pfadregeln zur Bestimmung der Wahrscheinlichkeiten eines Ereignisses? a) Die Ausgänge eines k-fachen Münzwurfs sind beschreibbar durch die Elemente von{w,z} k mit W := Wappen und Z := Zahl. Für k = 0,, 2, 3 erhält man den Ereignisbaum von Abb. 5.2 (mit der Schreibeise X X 2 X 3 :=(X,X 2,X 3 )). k k
5 5. Diskrete Wahrscheinlichkeitsräume 5 O/ W Z WW WZ ZW ZZ WWW WWZ WZW WZZ ZWW ZWZ ZZW ZZZ Abbildung 5.2: Ereignisbaum beim Experiment Dreifacher Münzwurf Allgemein wird bei einem n-stufigen Experiment, beginnend mit /0, auf der k-ten Stufe jeder bis dahin mögliche Ausgang (x...,x k ) des Experiments als Knoten eines Baumes eingezeichnet und (für k < n) mit den Ausgängen (x,...,x k,y) der (k+)-ten Stufe durch eine Kante (Ast, Zweig) verbunden (s. Abb. 5.3 a). Anmerkung:(x,...,x k ) ist auf der k-ten Stufe Bedingung für das Eintreten von(x,...,x k,y) auf der folgenden Stufe. Ist{a,...,a m } die Menge der möglichen Ausgänge des Einzelversuchs, so kommt für y jedes a i in Frage. Unmögliche Ausgänge brauchen nicht eingezeichnet zu werden. O/ (x,..., x k ) P(A) A... a a m P(B A) B... (X,...,X k,a )... (X,..., Xk,a m ) P(C B) a) b) C Abbildung 5.3: a) Verzweigung im Ereignisbaum b) Markierung der (bedingten) Wahrscheinlichkeiten am Wahrscheinlichkeitsbaum b) Durch Markierung der bedingten Wahrscheinlichkeiten an den Ästen gemäß Abb. 5.3 b wird ein Ereignisbaum zum Wahrscheinlichkeitsbaum. Der Wahrscheinlichkeitsbaum zum 3-fachen Münzwurf ist in Abb. 5.4 dargestellt. c) Pfadregel : Die Wahrscheinlichkeit eines Ausgangs (Elementarereignisses) eines mehrstufigen Zufallsexperiments ist das Produkt aller Wahrscheinlichkeiten der Äste desjenigen Pfades,
6 6 5. Wahrscheinlichkeitstheorie/Stochastik W Z 2 W Z 2 2 Z 2 WWW WWZ WZW WZZ ZWW ZWZ ZZW ZZZ Abbildung 5.4: Wahrscheinlichkeitsbaum zum dreifachen Münzwurf (fett markiert ist der Pfad zum Ereignis WWZ mit P(WWZ)= ) der zu diesem Ausgang führt. Beweisskizze: Wiederholte Anwendung der Formel P(A B)= P(A) P(B A). Pfadregel 2: Die Wahrscheinlichkeit eines Ereignisses E ist die Summe der Wahrscheinlichkeiten aller für E günstigen Ausgänge, also aller relevanten Blätter. Beweisskizze: P(E) = P(ω). d) Weiteres Beispiel: Die Wahrscheinlichkeit des Ziehens mindestens einer weißen Kugel bei zweimaligem Ziehen ohne Zurücklegen aus einer Urne mit 3 weißen und 6 schwarzen Kugeln ist = 2 7 = P(SS) (s. Abbildung 5.5). ω E W WW WS SW SS S 8 5 Abbildung 5.5: Anwendung der Pfadregeln auf ein Beispiel (Ziehen ohne Zurücklegen mindestens einer weißen Kugel aus einer Urne mit 3 weißen und 6 schwarzen Kugeln) Was versteht man unter der (stochastischen) Unabhängigkeit zweier Ereignisse A und B eines Wahrscheinlichkeitsraumes bzw. einer Familie von Ereignissen, was unter der (stochastischen) Unabhängigkeit von Zufallsvariablen? (a) Zwei Ereignisse A und B eines Wahrscheinlichkeitsraumes heißen (stochastisch) unabhängig, falls gilt P(A B)= P(A) P(B).
7 5. Diskrete Wahrscheinlichkeitsräume 7 Anmerkungen: (i) Ist P(A) 0, so sind A und B genau dann stochastisch unabhängig, wenn P(B A) = P(B) gilt; (Folgerung aus der Definition von P(B A)). (ii) Damit verträgt sich die Definition mit der intuitiven Vorstellung von Unabhängigkeit. Insbesondere bei mehrstufigen Experimenten geht man davon aus, dass unabhängige Wiederholungen von Teilexperimenten (z.b. Ziehen mit Zurücklegen) zu unabhängigen Ereignissen führen (s.u.). (iii) Stochastische Abhängigkeit ist nicht mit kausaler Abhängigkeit zu verwechseln! (b) Bei der Ausdehnung der Definition auf mehrere Ereignisse reicht es nicht, die paarweise stochastische Unabhängigkeit zu verlangen; vielmehr heißt eine Familie(A i ) i I von Ereignissen stochastisch unabhängig, falls P(A i... A ik )=P(A i )... P(A ik ) für jede endliche Teilmenge {i,...,i k } von I gilt. Anmerkung: Bei der Definition der Unabhängigkeit von mehrstufigen Versuchen fordert man P(A... A n ) = P( Ω... A j... Ω n ) = n P(A j ), also die Unabhängigkeit der j j= Ereignisse jeden Teilversuchs; (s. auch unter Produktraum!). (c) Die Zufallsvariablen X,X 2,...,X m (s. 5.2) über einen (diskreten) Wahrscheinlichkeitsraum heißen (stochastisch) unabhängig, wenn für alle möglichen A,A 2,...,A m gilt P(X A... X m A m )= m i= P(X i A i ). Anmerkung: (i) Manchmal beschränkt man sich bei dieser Definition auf einelementige Ereignisse A i ={x i }. (ii) Die Unabhängigkeit von X,...,X m ist äquivalent zur Unabhängigkeit der Ereignisse Xi (A i ), denn ungeformt lautet die obige Gleichung P(X (A )... Xm (A m))= für alle möglichen A i (insbesondere für A i,...,a ik m i= P(X i (A i )) und A j = X j (Ω) für die übrigen j). Definieren Sie den Produktraum von endlichen Wahrscheinlichkeitsräumen, und erläutern Sie kurz, für welche Zufallsexperimente er Modell sein kann. (a) Sind(Ω,P ),...,(Ω n,p n ) endliche Wahrscheinlichkeitsräume, dann lässt sich auf dem kartesischen Produkt Ω = Ω... Ω n (aller n-tupel (ω,...,ω n ) mit ω i Ω i ) wie folgt ein Wahrscheinlichkeitsmaß definieren P((ω,...,ω n )) := n P i (ω i ). Beweisskizze: Es gilt nämlich u.a. P(Ω... Ω n )= (ω,...,ω n ) Ω = (ω,...,ω n ) Ω... Ω n P(ω,...,ω n ) ( n ω n Ω n i= i= P i (ω i ))P n (ω n )=P(Ω... Ω n ), woraus durch vollständige Induktion P(Ω) = folgt. Definition: P heißt das Produktmaß und(ω... Ω n,p) der Produktraum der(ω i,p i ). Anmerkungen: (i) Eine Verallgemeinerung auf diskrete Räume ist analog möglich; für beliebige Räume ist zuvor eine geeignete Ereignisalgebra zu definieren (s. Seite??). (ii) Ist P das Produktmaß auf Ω... Ω n, so gilt P i (ω i )=P(Ω... {ω i }... Ω n ); die P i sind also die sogenannten Randverteilungen von P.
8 8 5. Wahrscheinlichkeitstheorie/Stochastik (b) Der Produktraum von (Ω,P )...,(Ω n,p n ) dient als Modell für die unabhängige Hintereinanderausführung von Zufallsexperimenten, deren i-ter Teilversuch durch das Modell (Ω i,p i ) beschrieben werden kann. Denn wie gesehen, ist die i-te Randverteilung gleich P i ; ferner ist auch in diesem Modell der Ausgang A i des i-ten Versuchs unabhängig von den anderen Versuchen: P(A... A n ) = P( ω i A i i=,...n {(ω,...,ω n )})= P (ω )...P n (ω n ) ω i A i i=,...n = n P i (ω i )= n i= ω i A i i= Sind die Räume (Ω i,p i ) alle gleich, so ist ( n Ziehen mit Zurücklegen. P i (A i )= n P(Ω... A i... Ω n ). i= i= Ω i,p) = (Ω n,p) auch Modell für das n-fache Was ist eine Bernoulli-Kette, welches Modell ist für eine solche üblich, und wie ist die Anzahl der Treffer (Erfolge) dabei verteilt? Wenden Sie die Ergebnisse auf das Galtonbrett an!. Eine Bernoulli-Kette der Länge n ist ein mehrstufiges Zufallsexperiment, das aus der n-fachen unabhängigen Wiederholung eines Teilexperiments mit zwei möglichen Ausgängen Erfolg Misserfolg (Bernoulli-Experiment) besteht. 2. Jedes Teilexperiment wird beschrieben durch Ω i = {0,} und P i () = p (Treffer- oder Erfolgswahrscheinlichkeit), also P i (0)= p=: q, das Gesamtexperiment durch den Produktraum (Ω n,p). Beispiele: n-facher Münzwurf ( = Wappen, 0 = Zahl), mit p=q= 2. n-faches Würfeln mit einem idealen Würfel und ={6}0 ={,2,3,4,5} mit p= 6 und q= 5 6. Galtonbrett s.u. Nr.4! 3. Ein Elementarereignis(ω,...,ω n ) mit Einsen an genau k festen Stellen hat die Wahrscheinlichkeit p k q n k. Damit erhält man für die Zufallsvariable X, die diese Anzahl der Erfolge angibt 3, P(X = k)= ( n k) p k q n k =: B n,p (k). Eine solche Verteilung heißt eine Binomialverteilung. Anmerkung: Sind X,...,X n stochastisch unabhängige Zufallsvariable und die X i nach P i verteilt, so heißt die Verteilung von S = n X i das Faltungsprodukt von P,...,P n, in Zeichen i= P... P n. Sie ist die von dem Produktmaß und der folgenden Abbildung induzierte Verteilung:(x,...,x n ) n x i. Es lässt sich nun zeigen, dass B n,p B m,p = B n+m,p gilt, insbesondere i= also B n,p = B,p... B,p mit n Faktoren (Reproduktivität der Binomial-Verteilung). 4. Beim Galtonbrett, einem didaktischen Veranschaulichungsmaterial, sind in mehreren Zeilen Hindernisse (Nägel) so angebracht, dass im Idealfall eine fallende Kugel jeweils mitten auf ein solches trifft und mit der gleichen Wahrscheinlichkeit nach rechts oder links an dem Hindernis zur nächsten Zeile vorbeiläuft (s. Abb. 5.6). In jeder Zeile wird also das Bernoulli-Experiment Fallen nach links oder Fallen nach rechts unabhängig von den vorigen Zeilen ausgeführt. Es handelt sich also um eine Bernoulli-Kette mit p= 2 = q der Länge n (bei n Nagelreihen). Zum Fach Nr. k gelangt also eine Kugel mit Wahrscheinlichkeit B n, (k)= ( ) n 2 k ( 2 ) n. Hierbei ist ( n k) die Zahl der unterschiedlichen Wege zum Fach k und 2 n die Anzahl aller möglichen Wege. 3 ( ) n k = n! k!(n k)!
9 5.2 Zufallsvariable 9 Abbildung 5.6: Galtonbrett (schematisch) Zufallsvariable Was versteht man unter einer Zufallsvariablen eines diskreten Wahrscheinlichkeitsraums, was unter ihrer (Wahrscheinlichkeits-) Verteilung? Behandeln Sie als Beispiel die Binomialverteilung. (i) Definition: Sei (Ω, P) diskreter Wahrscheinlichkeitsraum, X nicht-leere Menge (meist X Ê). Dann heißt jede Funktion X : Ω X eine (X -wertige) Zufallsvariable oder Zufallsgröße. (ii) Definiert man P X (x) := P(X ({x})) für x Bild X, wobei X ({x}) das volle Urbild von {x} unter X bezeichnet, so ist P X Wahrscheinlichkeitsfunktion auf Bild X. Da für die x X mit x Bild X die (analog definierte) Wahrscheinlichkeit P X (x) gleich 0 ist, kann man P X auch als Wahrscheinlichkeitsfunktion auf der (eventuell überabzählbaren) Menge X auffassen, indem man definiert: P X (A)=P(X (A)) für A X. P X heißt Wahrscheinlichkeitsverteilung von X. Üblicherweise schreibt man P(X A) statt P X (A) und P(X = x) für P X ({x}) (s. Abb. 5.7 ). Die Funktion F mit F(x) := P(X x)=p X ({y y x}) heißt Verteilungsfunktion von X. Anmerkung: Zwei Zufallsgrößen X und Y auf Ω heißen (stochastisch) unabhängig, wenn die Ereignisse X = x i und Y = y j für alle i, j unabhängig sind, also P(X = x i Y = x j )=P(X = x i ) P(Y = y j ) (für x i X(Ω) und y j Y(Ω) gilt. Eine dazu äquivalente Definition fordert die Unabhängigkeit der Ereignisse X x und Y y für alle x X(Ω) und y X(Ω). Letztere Definition ist nicht mehr an die Endlichkeit von Ω gebunden. (iii) Beispiel Binomialverteilung: Wie schon in 5. behandelt, heißt eine Zufallsvariable X : Ω {0,...,n} binomialverteilt, wenn gilt ( ) n P(X = k)= p k ( p) n k = B p,n (k). k Beispiele von Graphen spezieller Binomialverteilungen sind in Abb. 5.8 und ein Graph einer Verteilungsfunktion in Abb. 5.9 angegeben. Anmerkungen:.) Bezeichnet X i den Ausgang des i-ten Bernoulliexperiments einer Bernoullikette (s. 5.), so
10 0 5. Wahrscheinlichkeitstheorie/Stochastik Ω X X X (A) A P(X A) Ω P X χ Abbildung 5.7: Zufallsvariable X {x} X (x) P (X= x) ist S= n X i binomialverteilt (s.o.). i= 2.) Zur Approximation der Binomialverteilung durch Normal- bzw. Poissonverteilung siehe 5.4! () Definieren Sie Erwartungswert, Varianz und Standardabweichung einer reellwertigen Zufallsvariablen X eines endlichen (bzw. diskreten) Wahrscheinlichkeitsraums (2) Welche Rechenregeln gelten für Erwartungswerte von Zufallsvariablen? Ist der Erwartungswert linear, ist er multiplikativ? Wie lautet der Verschiebungssatz für die Varianz? (3) Bestimmen Sie Erwartungswert und Varianz einer binomialverteilten Zufallsvariablen! a) Sei X eine Zufallsvariable, die die reellen Werte x,...,x n (bzw. x i mit i ausn ) annehmen kann. Dann ist der Erwartungsswert von X definiert als E(X) := n x i P(X = x i ) (im endlichen Fall) i= E(X) := x i P(X = x i ), falls die Reihe absolut konvergiert (diskreter Fall). i= Anmerkungen: (i) Achtung, E(X) muss nicht in der Nähe von Werten mit hoher Wahrscheinlichkeit liegen. Im diskreten Fall braucht E(X) nicht zu existieren. (ii) Wegen der absoluten Konvergenz kann folgendermaßen umgeformt werden: E(X)= i x i P(X = x i )= x i ( P(ω)= X(ω)P(ω). i ω Ω ω Ω X(ω))=x i b) Ist X eine Zufallsvariable mit Erwartungswert E(X), so heißt im Falle der Existenz Var(X) := E([X E(X)] 2 ) (also die mittlere quadratische Abweichung vom Erwartungswert) die Varianz von X und
11 0,3355 0,0459 0,000 0,0000 0,0039 0, Zufallsvariable 0,4 0,3 0,2 0, 0,678 0,2936 0,468 0,0092 0,00 0,4 0,3 0,2 0, 0,033 0,094 0,288 0,2734 0,288 0,094 0, Abbildung 5.8: Binomialverteilungen a) B 8;0,2 b) B 8;0,5 (Zahlen nach Fillbrunn & Pahl) 0,0039 0,0352 0,446 0,3634 0,6368 0,8556 0,9650 0,9963,0000 Abbildung 5.9: Verteilungsfunktion der Binomialverteilung B 8;0, σ(x) := Var X die Standardabweichung. Beide Zahlen quantifizieren die Streuung um den Erwartungswert. Weitere Parameter der Verteilung sind die Momente bzw. zentralen Momente E(X n ), E([X E(X)] n ). 2a) Sind X und Y reelle Zufallsvariablen, deren Erwartungswerte existieren, so gilt mit a,b Ê: (i) E(aX+ by)=ae(x)+be(y) Linearität (ii) E(X + b) = E(X) + b Translationsinvarianz (iii) Sind X und Y unabhängig, so folgt E(X Y)=E(X) E(Y) (im Falle der Existenz der Erwartungswerte). Die Umkehrung gilt i. a. nicht. Beweisskizzen: (i) E(aX+Y)= [ax(ω i )+Y(ω i )]P(ω i )=a X(ω i )P(ω i )+ Y(ω i )P(ω i ). i (ii) folgt aus (i) mit Y als einer konstanten Zufallsvariablen: Y(ω i )=b
12 2 5. Wahrscheinlichkeitstheorie/Stochastik (iii) E(X Y)= k z k P(X Y = z k )= k x i y j P(X = x i Y = y j )= x i y j =z k x i y j P(x i ) P(y j )= x i P(x i ) y j P(y j )=E(X) E(Y) i, j wegen der stochastischen Unabhängigkeit und wegen der absoluten Konvergenz der Reihen. Für die Unrichtigkeit der Umkehrung entnehmen wir dem DIFF Studienbrief MS3 folgendes Beispiel: X nehme die Werte,0, jeweils mit Wahrscheinlichkeit 3 an; Y sei X 2. Dann gilt E(X)=0 = E(X 3 ) = E(X Y), also E(XY)=E(X) E(Y); aber X und Y sind nicht unabhängig; z.bsp. gilt P(X = ) P(Y = )= = P(X = Y = ). 2b) Existiert auch die Varianz Var( X) bzw. Var(Y), so gilt (iv) Var(aX+ b)= a 2 Var(X) und damit σ(ax)= a σ(x), ferner (v) der Verschiebungssatz Var(X)= E(X 2 ) (E(X)) 2 sowie (vi) Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y) mit der Kovarianz E(XY) E(X) E(Y)=E([X E(X)] [Y E(Y)]). Beweisskizzen: (iv) ergibt sich aus der Definition und den Formeln (i) und (ii) durch Nachrechnen; (v) folgt ebenfalls aus der Definition und der Linearität von E: E([X E(X)] 2 )=E(X 2 E(X) X+ E(X) 2 )=E(X 2 ) 2E(X) 2 + E(X) 2. (vi) Var(X+Y) (iv) = E((X+Y) 2 ) E(X+Y) 2 = E(X 2 )+2E(X Y)+E(Y 2 ) (E(X)+E(Y)) 2 =[E(X 2 ) E(X) 2 ]+[E(Y 2 ) E(Y) 2 ]+2[E(XY) E(X) E(Y)]. Anmerkungen: Mit (vi) folgt auch (im Fall der Existenz der Varianzen) E(X Y)=E(X) E(Y) Cov(X,Y)=0 Var(X+Y)=Var(X)+Var(Y). Unabhängige Zufallsvariablen, deren Varianzen existieren, sind unkorreliert. Für solche Variable gilt also Var(X+Y)=Var(X)+ Var(Y). ρ(x,y) := Cov(X,Y) Var X Var Y heißt Korrelationskoeffizient 4 (Korrelation) von X und Y. 3) Beispiel Binomialverteilung: Ist X eine B n,p verteilte Zufallsvariable, so gilt E(X)=n p und σ(x)= n pq. Beweis: E(X) = n i (n i=0 σ(x) 2 = n p n i=0 i n i i) p i q n i = p n i= ) p i q n i = n p. ( n i = Var(X)=E(X 2 ) E(X) 2 = n ( n ) i p i q n i i=0 i 2( n) i p i q n i (n p) 2 = n p n (i+) ( ) n s.o. i p i q n i n 2 p 2 = n p [E(B n,p )+] n 2 p 2 i=0 = n p((n )p+) n 2 p 2 = n p( p). 4 Zur Bedeutung des Korrelationskoeffizienten s.z.bsp. Henze [?]!
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
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:
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
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
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
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
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
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........................
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
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........................
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
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,
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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
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
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
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
MehrVorlesung 5a. Die Varianz
Vorlesung 5a Die Varianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert
Mehr8 Zufallsvariablen und Verteilungen. Themen: Zufallsvariablen Verteilungen Gesetz der großen Zahlen
8 Zufallsvariablen und Verteilungen Themen: Zufallsvariablen Verteilungen Gesetz der großen Zahlen 8.1 Zufallsvariablen (Ω, P) = Wahrscheinlichkeitsraum. X : Ω Ê heißt Zufallsvariable. 8.1 Zufallsvariablen
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.
MehrVertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 5.6.2013 8. Unabhängigkeit von Zufallsgrößen, Erwartungswert und Varianz 8.1
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
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
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
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
MehrK3 (Diskrete) Zufallsvariablen 3.1 Basis
K3 (Diskrete) Zufallsvariablen 3.1 Basis Ω = {ω}, X(ω) ist eine Größe die durch ω bestimmt ist. Bei der zufälligen Auswahl von ω bekommen wir den Wert, X(ω). Definition: Ist (Ω, F, P) ein Wahrscheinlichkeitsraum
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
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
MehrStochastik. Ingo Blechschmidt. 27. März 2007
Stochastik Ingo Blechschmidt 27. März 2007 Inhaltsverzeichnis 1 Stochastik 2 1.1 Einführung in die Wahrscheinlichkeitsrechung... 2 1.2 Grundmodelle zur Kombinatorik........... 4 1.3 Die erweiterte Vierfeldertafel..............
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)
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
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
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
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
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
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
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 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrVorlesung 3. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3 Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrKAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN
htw saar 1 KAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN htw saar 2 Gliederung 18.01. Was sind Zufallsvariablen? Charakteristika einer Zufallsvariablen: Verteilung, Erwartungswert und Varianz Ausgewählte
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
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:
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
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,
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.
MehrWahrscheinlichkeitstheorie. Alea iacta est!
Wahrscheinlichkeitstheorie Alea iacta est! "Wissenschaftliche Theorien, die auf Eigenschaften einer großen Zahl von Individuen rekurrieren, [...] werden anfällig gegen Fehlinterpretationen, wenn man die
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
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert als Var X := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
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
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,
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:
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
MehrKombinatorik kompakt. Stochastik WS 2016/17 1
Kombinatorik kompakt Stochastik WS 2016/17 1 Übersicht Auswahl/Kombinationen von N aus m Elementen Statistische unterscheidbare ununterscheidbare Physik Objekte (gleiche) Objekte ( ohne m N m+n 1 ) N mit
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Zufallsvariablen Beschreibung von Ereignissen
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
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 30. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 4 Version: 24.
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
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
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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.
MehrKapitel 6 Diskrete Wahrscheinlichkeitsräume
Kapitel 6 Wahrscheinlichkeitsräume Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Die Laplace- Die Poisson- Lehrstuhl für Angewandte Mathematik 1 FAU Die einer ZV en von ZVen Wahrscheinlichkeitsräume
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
MehrWahrscheinlichkeitsrechnung und Statistik
7. Vorlesung - 2018 Bemerkung: Sei X = X 1,..., X n Zufallsvektor. Der n dimensionale Vektor EX = EX 1,..., EX n ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N0, 1. X, Y sind die Koordinaten
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
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
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
MehrMustererkennung: Wahrscheinlichkeitstheorie. D. Schlesinger () ME: Wahrscheinlichkeitstheorie 1 / 10
Mustererkennung: Wahrscheinlichkeitstheorie D. Schlesinger () ME: Wahrscheinlichkeitstheorie 1 / 10 Definitionen (axiomatisch) Wahrscheinlichkeitsraum (Ω, σ, P), mit Ω Die Grundmenge, die Menge der elementaren
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr