P (X = 2) = 1/36, P (X = 3) = 2/36,...
|
|
- Jakob Weiner
- vor 7 Jahren
- Abrufe
Transkript
1 2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel wenn ein Würfel fünf Augen zeigt, wird dem Ergebnis die reelle Zahl fünf zugewiesen. Mit Ereignissen wie blaue Augen, grüne Augen und graue Augen ist das etwas schwieriger - hier würde man jedem der drei Ereignisse eine Zahl, z.b. 1 für blaue Augen, 2 für grüne Augen und 3 für graue Augen, zuordnen. Insgesamt wird die Behandlung von Zufallsereignissen auf diese Weise einfacher zu handhaben und die Einführung von sogenannten Zufallsvariablen erleichtert die praktische Anwendung von stochastischen Modellen. Als Beispiel: Beim viermaligen Münzwurf besteht der Ereignisraum aus den 2 4 = 16 Kombinationen aus Kopf und Zahl. Wenn wir uns aber nur für die Anzahl Kopf interessieren, ist das Ergebnis des zugrundeliegenden Zufalleperiments nicht von Interesse und wir können uns auf den Zufallsraum {0, 1, 2, 3, 4} beschränken. Eine solche Vereinfachung bietet die Zufallsvariable. Definition (Zufallsvariable) Eine Zufallsvariable ist eine Funktion, die jedem Elementarereignis e eine reelle Zahl = X(e), zuweist, d.h. X : Ω R. Dabei kann man auch mehrere Elementarereignisse auf die gleiche Zahl abbilden. Die möglichen Werte, die eine Zufallsvariable X annimmt, heißen Realisationen der Zufallsvariablen. Beispiel Sei X eine Zufallsvariable, welche die Anzahl Kopf beim viermaligen Münzwurf zählt. Für e = (Z, Z, K, K) gilt z.b. X(e) = 2. Sei {X = 2} = Es tritt zweimal Kopf auf. Dies entspricht allen Elemtarereignissen e, sodass X(e) = 2 also {(Z, Z, K, K), (Z, K, Z, K), (Z, K, K, Z), (K, K, Z, Z), (K, Z, K, Z), (K, Z, Z, K)}. Beispiel. Wir werfen mit zwei Würfeln. Der Ereignisraum besteht also aus allen Zahlenpaaren mit Zahlen zwischen Eins und Sechs, Ω = {(1, 1), (1, 2),..., (6, 6) } Wenn wir uns nur für die Summe der Augenzahlen interessieren, betrachten wir die Zufallsvariable X, die durch X = Summe der Augenzahlen = für ( 1, 2 ) Ω gegeben ist. Wir finden z.b. P (X = 2) = 1/36, P (X = 3) = 2/36,... Oft tritt der Charakter der Zufallsvariable als Funktion in den Hintergrund und man betrachtet als Ergebnisraum oft direkt den Wertebereich der Zufallsvariablen. Das heißt im Beispiel mit den Augenfarben: Angenommen die Zufallsvariable Y gibt die Augenfarbe einer Person an, dann würden wir auch Y = blau schreiben, anstatt die zugrundeliegende Kodierung Y = 1 zu benutzen. Ebenso wie in Kapitel 1 werden die Begriffe zu Skaleniveaus einer Messung und die Unterscheidung in diskrete und stetige Merkmale auf Zufallsvariablen übertragen. Stetige Zufallsvariablen sind somit meistens metrisch skaliert, während diskrete Zufallsvariablen nominal- oder ordinalskaliert sind. Beispiele für diskrete Zufallsvariablen sind z.b. Würfelzahlen und Populationsgröße. Das Gewicht oder die Größe eines Individuums wird mit einer stetigen Zufallsvariable dargestellt. 55
2 2 Wahrscheinlichkeitstheorie Diskrete Zufallsvariablen Für Zufallsvariablen werden nun einige Begriffe eingeführt, die in ähnlicher Weise schon in Kapitel 1 diskutiert wurden. Auch Zufallsvariablen werden durch Lageparameter wie Mittelwert, Streuungsparameter wie Varianz sowie Darstellungen wie Histogramm und Verteilungsfunktion beschrieben. Angenommen die diskrete Zufallsvariable X kann die Werte 1, 2,... annehmen. Die Wahrscheinlichkeitsverteilung von X ist durch die Wahrscheinlichkeiten P (X = i ) gegeben. Die Wahrscheinlichkeit, dass X einen Wert aus einer Teilmenge A von 1, 2,... annimmt ist P (X A) = A P (X = ). Die Wahrscheinlichkeitsfunktion f() einer diskreten Zufallsvariable X ist für R definiert durch { P (X = i ) falls { f() = 1, 2,..., } 0 sonst. Ähnlich wie relative Häufigkeiten lassen sich Wahrscheinlichkeitsverteilungen durch Stabdiagramme darstellen (siehe z.b. Abb. 2.2), wobei für jede mögliche Realisation i die Stabhöhe gleich P (X = i ) ist. Werden mehrere Werte zusammengefasst und Stäbe anstatt dessen mit Rechtecken gezeichnet, erhält man das Analogon zum Histogramm. f(x=) blau grün grau X= Abbildung 2.2: Wahrscheinlichkeitsfunktion für die die Zufallsvariable X, die die Augenfarbe einer Person beschreibt. Es gilt P (X = blau) = 0.5, P (X = grün) = 0.2 und P (X = grau) = 0.3. Auch die Verteilungsfunktion lässt sich für eine diskrete Zufallsvariable definieren. Dabei setzen wir voraus, dass X mindestens ordinalskaliert ist, und dass die i schon der Größe nach geordnet sind: F () = P (X ) = i f( i ). 56
3 2.3 Zufallsvariablen Wie in Abschnitt ist die Verteilungsfunktion für eine diskrete Zufallsvariable eine Treppenfunktion. Die Sprungstellen liegen an den möglichen Realisationen von X, d.h. die Funktion ist rechtsseitig stetig. Siehe auch Abb Auch die Definition von Unabhängigkeit von Ereignissen lässt sich auf Zufallsvariablen übertragen. Definition (Unabhängige Zufallsvariablen) Zwei Zufallsvariablen X, Y heißen unabhängig, falls für jede mögliche Realisation von X und y von Y gilt, dass P (X =, Y = y) = P (X = ) P (Y = y) Erwartungswert und Varianz Definition (Erwartungswert) Sei X eine Zufallsvariable und i die Werte, die sie annehmen kann. Der Erwartungswert E(X) K! einer Zufallsvariable ist gegeben durch E(X) = i i f( i ). Bemerkung. Wenn wir eine Funktion g : R R gegeben haben, können wir auch die Zufallsvariable Y = g(x) betrachten. Diese Zufallsvariable nimmt die Werte g( i ) mit der Wahrscheinlichkeit P (X = i ) an, d.h. wir erhalten E(g(X)) = i g( i ) f( i ). Falls g() = a + b eine lineare Funktion ist, so finden wir E(a X + b) = i (a i + b) f( i ) = i a i f( i ) + i b f( i ) Für zwei Zufallsvariablen X und Y gilt, dass = a i f( i ) + b f( i ) = ae(x) + b. i i } {{ } =1 E(X + Y ) = E(X) + E(Y ). (2.1) Diese Formel gilt egal, ob X und Y abhängig oder unabhängig sind. Falls X und Y unabhängig sind, gilt auch E(X Y ) = E(X) E(Y ). Definition (Varianz) Die Varianz einer Zufallsvariablen X ist definiert durch Var(X) = i ( i E(X)) 2 f( i ). 57
4 2 Wahrscheinlichkeitstheorie Bemerkung. Sei g() = ( E(X)) 2. Dann können wir auch schreiben Var(X) = i ( i E(X)) 2 f( i ) = E((X E(X)) 2 ) = E(X 2 2 X E(X) + E(X) 2 ) = E(X 2 ) E(2 X E(X)) + E(E(X) 2 ) = E(X 2 ) 2 E(X) E(X) + E(E(X) 2 ) = E(X 2 ) E(X) 2 Dies wird auch der Varianzverschiebungssatz genannt und kann mit der Formel für die empirische K! Varianz aus (1.1) auf Seite 15 verglichen werden. Dieser Zusammenhang kommt daher, dass wir die Eigenschaften der relativen Häufigkeiten mit der Varianz nachgebaut haben. Für eine lineare Transformation Y = ax + b einer Zufallsvariablen X mit a, b R gilt Var(aX + b) = a 2 Var(X). (2.2) Sind zwei Zufallsvariablen unabhängig, gilt auch Var(X + Y ) = Var(X) + Var(Y ). (2.3) Bei Abhängigkeit gilt dieser Zusammenhang nicht mehr - denn hier muss noch die Kovarianz zwischen X und Y berücksichtigt werden. Die Kovarianz zwischen zwei Zufallsvariablen ist die theoretische Größe hinter der in Kapitel 1 benutzten empirischen Kovarianz. Eine sinnvolle Definition bedarf jedoch der Erklärung von mehrdimensionalen Zufallsvariablen, weswegen wir uns in dieser Vorlesung nur auf den Fall unabhängiger Zufallsvariablen beschränken. Weitere Lageparameter Die Definition weiterer Lageparameter erfolgt in Analogie zu den entsprechenden Definitionen für empirische Verteilungen aus Abschnitt Überall werden empirische Verteilungen und relative Häufigkeiten einfach durch Wahrscheinlichkeiten ersetzt. Zum Beispiel ist der Modalwert M X einer Zufallsvariablen X der Wert, für den die Wahrscheinlichkeitsfunktion f() von X maimal wird. Die Berechnung von Median bzw. Quantilen einer Zufallsvariablen setzt, wie schon in Abschnitt 1.4.1, eine mindestens ordinale Skala voraus. Für q (0, 1) definiert man das q-quantil einer Zufallsvariablen X als den Wert q, sodass { } q = min { 1, 2,...} : F () q. Das heißt q ist die kleinste mögliche Realisation von X für die gilt P (X q ) = F ( q ) q. Abbildung 2.3 illustriert die Bestimmung des q = 0.5-Quantils, d.h. des Medians, für eine Zufallsvariable X anhand der Verteilungsfunktion F (). Drei wichtige diskrete Wahrscheinlichkeitsverteilungen sind die Bernoulli-Verteilung, die Binomial- Verteilung und die Poisson-Verteilung. Für diese Verteilungen werden im Folgenden Wahrscheinlichkeitsfunktion, Verteilungsfunktion, Erwartungswert und Varianz betrachtet. 58
5 2.3 Zufallsvariablen F() Abbildung 2.3: Der Median 0.5 einer diskreten Zufallsvariablen mit 5 möglichen Realisationen Bernoulli-Zufallsvariable (0/1-Zufallsvariable) Wir betrachten den einmaligen Münzwurf und kodieren unsere Zufallsvariable X, sodass Kopf mit 0 und Zahl mit 1 gewertet wird. Somit erhalten wir eine Zufallsvariable X, deren möglichen Werte die Menge {0, 1} ist. Das Verhalten von X ist bestimmt durch die Angabe von denn daraus folgt automatisch P (X = 1) = p P (X = 0) = 1 P (X = 1) = 1 p. Man nennt X eine Bernoulli-Zufallsvariable und das zugehörige Zufallseperiment ein Bernoulli- Eperiment. Ist eine Zufallsvariable X Bernoulli verteilt mit Parameter p, so schreibt man X B(p), wobei das Symbol als ist verteilt als gelesen wird. Die Wahrscheinlichkeitsfunktion und Verteilungsfunktion einer Bernoulli-Zufallsvariablen sind: 1 p für = 0 f() = p für = 1 0 sonst 0 für < 0 F () = 1 p für [0, 1) 1 für 1 Abbildung 2.4 zeigt die beiden Funktionen. Sei X B(p). Der Erwartungswert von X ist K! E(X) = 1 f() = 0 P (X = 0) + 1 P (X = 1) = p. =0 59
6 2 Wahrscheinlichkeitstheorie (a) f() (b) F() 1 p 1 p 1 p 1 p Abbildung 2.4: Wahrscheinlichkeitsfunktion (a) und Verteilungsfunktion (b) einer Bernoulli- Zufallsvariablen. Die Varianz Var(X) lässt sich über den Varianzverschiebungssatz bestimmen. Dazu wird zunächst E(X 2 ) berechnet: E(X 2 ) = 1 2 f() = 0 2 P (X = 0) P (X = 1) = p, =0 Var(X) = E(X 2 ) E(X) 2 = p p 2 = p(1 p) Binomial-Verteilung Angenommen wir betrachten die n-malige Wiederholung eines Bernoulli-Eperiments mit gleichbleibender Wahrscheinlichkeit p für das interessierende Ereignis. Seien also X 1,..., X n unabhängige und identisch verteilte Bernoulli-Zufallsvariablen mit P (X i = 1) = p und sei Y die Summe der n Bernoulli-Zufallsvariablen, Y = n X i = X 1 + X X n. i=1 Somit zählt Y die Anzahl der Versuche, bei denen das interessierende Ereignis auftritt. Ein Beispiel ist das wiederholte Werfen einer Münze, wobei Y z.b. die Anzahl Kopf zählt. Man sagt: Y ist binomialverteilt mit Parametern n und p (Schreibweise: Y Bin(n, p)). Die K! möglichen Realisationen von Y sind 0, 1, 2,..., n und die Wahrscheinlichkeitsfunktion f(y) ist: ( ) n p y (1 p) n y für y {0, 1,..., n} f(y) = P (Y = y) = y (2.4) 0 sonst. Abbildung 2.5 zeigt die Wahrscheinlichkeitsfunktion für Y Bin(10, p) für drei verschiedene p. Wir motivieren (2.4) anhand des 10-maligen Münzwurfs mit Wahrscheinlichkeit p für Kopf: Betrachtet wird die Zufallsvariable Y, die die Anzahl Kopf zählt. Das Ereignis {Y = 4} ist die Menge aller Elementarereignisse e Ω, bei denen Y (e) = 4. Beispielsweise ist Y (e) = 4 für e = (K, K, K, K, Z, Z, Z, Z, Z, Z). Wegen der Unabhängigkeit der Eperimente ist für dieses e P (e) = p p p p (1 p) (1 p) (1 p) (1 p) (1 p) (1 p) = p 4 (1 p) 6 60
7 2.3 Zufallsvariablen Binomial Verteilung, n=10, p=0.9 f() Binomial Verteilung, n=10, p=0.5 f() Binomial Verteilung, n=10, p=0.1 f() Abbildung 2.5: Wahrscheinlichkeitsfunktion einer binomialverteilten Zufallsvariablen Bin(10, p); p wird variiert: p = 0.1, p = 0.5 und p = 0.9. Man erkennt, dass eine kleine Wahrscheinlichkeit p die Verteilung an den linken Rand drückt, eine große Wahrscheinlichkeit p die Wahrscheinlichkeitsfunktion an den rechten Rand drückt, und p = 0.5 ergibt ein symmetrisches Bild. 61
8 2 Wahrscheinlichkeitstheorie Jedoch tritt auch {Y = 4} auf, wenn 4 Mal Zahl und 6 Mal Kopf in irgendeiner Reihenfolge auftritt. Die Wahrscheinlichkeit ist dabei jedes Mal p 4 (1 p) 6 und wie wir in der Übung gelernt haben, gibt es genau ( 10 4 ) = 210 verschiedene derartige Reihenfolgen. Da eine Bin(n, p)-verteilte Zufallsvariable die Summe von n Bernoulli-Zufallsvariablen X i, i = 1,..., n (mit P (X i = 1) = p), ist, lässt sich der Erwartungswert durch (2.1) auf Seite 57 bestimmen: ( n ) E(Y ) = E X i i=1 (2.1) = E(X 1 ) E(X n ) = p p = n p. Die Varianz lässt sich wegen Unabhängigkeit der Eperimente durch (2.3) bestimmen: Var(Y ) = n Var(X i ) = i=1 n p(1 p) = n p (1 p). i=1 Abbildung 2.5 zeigt auch, dass der Modalwert einer Y Bin(n, 1 2 ) Zufallsvariablen gleich 1 2 n ist, falls n gerade ist. Ist n ungerade gilt ( ) ( ) 1 1 f 2 n 1 = f 2 n, d.h. der Modalwert ist in diesem Fall nicht eindeutig definiert. In R lässt sich die Wahrscheinlichkeitsfunktion f(y) einer Y Bin(n, p) Zufallsvariablen mit der Funktion dbinom(y, n, p) bestimmen. Desweiteren liefert qbinom(y,n,p) die Verteilungsfunktion F(y) und qbinom(q,n,p) das 0 q 1 Quantil von Y. Als Beispiel wird hier n = 10 und p = 1 2 benutzt: > dbinom(0:10, 10, 0.5) R Output [1] [9] > pbinom(0:10, 10, 0.5) R Output [1] [9] > qbinom(c(0.1, 0.5, 0.9), 10, 0.5) [1] R Output Poisson-Verteilung Die Poisson-Verteilung ist wie die Binomial-Verteilung eine diskrete Verteilung, um die Anzahl der Beobachtungen eines bestimmten Ereignisses in einem bestimmten Zeitraum oder in einem 62
P (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
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
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
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
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,
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Hypothesentests. 5 Regression
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests 5 Regression Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen
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:
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
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
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehr5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
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,
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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,
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............................
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
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
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
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)
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
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
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 Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrEs wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! =
Übungsblatt Höhere Mathematik - Weihenstephan SoSe 00 Michael Höhle, Hannes Petermeier, Cornelia Eder Übung: 5.6.00 Die Aufgaben -3 werden in der Übung am Donnerstag (5.6. besprochen. Die Aufgaben -6 sollen
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........................
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
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
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
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 ]
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrBeispiel: Zufallsvariable
Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
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........................
MehrMultivariate Zufallsvariablen
Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse.
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
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.
MehrDiskrete Verteilungen
Diskrete Verteilungen Bernoulli-Verteilung: X Bernoulli(p) Symbol für «verteilt wie» «Eperiment» mit zwei Ausgängen: «Erfolg» ( 1) oder «Misserfolg» ( ). Die Erfolgswahrscheinlichkeit sei p. Wertebereich
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
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
Mehr4 Diskrete Zufallsvariablen
25 4 Diskrete Zufallsvariablen 4.1 Einleitung Die Ergebnisse von Zufallsvorgängen sind nicht notwendigerweise Zahlen. Oft ist es aber hilfreich diese durch Zahlen zu repräsentieren. Beispiel 4.1 (4-maliger
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,
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
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 112 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
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
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,
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:
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
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
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
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
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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,
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
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
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrKonzept diskreter Zufallsvariablen
Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
MehrAufgabenstellung und Ergebnisse zur. Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2018/19
Aufgabenstellung und Ergebnisse zur Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 08/9 PD Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Die Klausur besteht
Mehr