Übungen zu Wahrscheinlichkeitstheorie und Statistik
|
|
- Helmuth Günther
- vor 7 Jahren
- Abrufe
Transkript
1 Übungen zu Wahrscheinlichkeitstheorie und Statistik SS 2012 (Vorlesung von Prof. Reinhard Bürger) 1) Man gebe für die folgenden Experimente Wahrscheinlichkeitsmodelle an: (a) Wurf mit einer homogenen Münze, (b) Wurf mit zwei unterscheidbaren homogenen Würfeln, (c) Wurf mit zwei nicht unterscheidbaren Würfeln, (d) Ziehen einer Kugel aus einer Urne mit r roten und s schwarzen Kugeln. 2) Sei (Ω, P ) ein diskretes Wahrscheinlichkeitsmodell, A, B P(Ω). Man zeige (i) P (A c ) = 1 P (A), (ii) A B P (A) P (B), (iii) P (A \ B) = P (A) P (A B), (iv) P (A B) = P (A) + P (B) P (A B), (v) P (A) = ω A P ({ω}). 3) Man zeige ( ) ( ) n n =, k n k ( ) n = k ( n 1 k ) + ( ) n 1, k 1 ( ) n = k n 1 m=k 1 ( ) m, 1 k n k 1 4) Beweisen Sie den binomischen Lehrsatz. 5) Aus dem binomischen Lehrsatz folgere man n k=0 ( ) n = 2 n, k n ( ) n ( 1) k = 0, k k=0 n ( ) n k = n2 n 1. k k=0 6) Ähnlich zeige man n ( ) n k 2 = n(n + 1)2 n 2. k k=0 a 7) Zwei Folgen (a n ), (b n ) heißen asymptotisch gleich, a n b n, falls lim n n bn = 1. Man zeige die Existenz einer Konstanten τ > 0 mit n! τe n n n+1/2. (Anleitung: verwende ln n! = ln k+1/2 k+1 ln n und ln x dx ln k ln x dx. Damit kann man zeigen, daß k 1/2 k τ = lim exp{ln n! (n + 1/2) ln n + n} n 1
2 existiert und eindeutig bestimmt ist.) Man kann weiters zeigen (allerdings schwieriger), daß τ = 2π gilt und erhält damit die Stirlingsche Formel. 8) Ein Prüfer hat 18 Standardfragen, von denen er in jeder Prüfung 6 zufällig auswählt. Ein Kandidat kennt die Antworten von 10 Fragen. Wie groß ist die Wahrscheinlichkeit, daß er mindestens 3 Fragen richtig beantwortet? 9) Unter 32 Karten befinden sich 4 Asse. Die Karten werden gemischt und nacheinander aufgedeckt. Wie groß ist die Wahrscheinlichkeit, daß die neunte aufgedeckte Karte das zweite aufgedeckte As ist? 10) Man zeige: Sei P (B) > 0, dann wird (i) durch P B (A) P (A B) eine W.-Verteilung auf Ω definiert. (ii) Ist A B c oder P (A) = 0, so folgt P (A B) = 0. 11) Seien die W. für die Kinderzahlen 0, 1,..., 5 einer Familie durch 0.3, 0.2, 0.2, 0.15, 0.1 und 0.05 gegeben. (Die W. für noch höhere Kinderzahlen werden vernachläßigt.) Wie groß ist, wenn man Jungen- und Mädchengeburten als gleichwahrscheinlich annimmt, die W., daß ein zufällig ausgewählter Junge mindestens eine Schwester hat? 12) Sei n 2, Ω = {0, 1} n, und für alle ω = (ω 1,..., ω n ) Ω sei P (ω) = 2 n. Man betrachte die Ereignisse A j = {ω Ω : ω j = 1} (j = 1,..., n) und B = {ω Ω : ω ω n = 1 mod 2}. Welche der folgenden Familien sind unabhängig: a) {A 1,..., A n, B}, b) {A 1,..., A n }, c) {A 2,..., A n, B}? 13) Man erkläre und diskutiere die Beilage über bedingte W. und Scheinkorrelation. 14) Ein die Blutgruppen des Menschen bestimmendes Gen kann 3 Zustände (Allele) annehmen: A, B, O. Damit gibt es sechs verschiedene Genotypen AA, BB, OO, AO, BO, AB, die in der Elterngeneration die W. p 1, p 2,..., p 6 haben mögen. Berechne die Verteilung der Genotypen unter den Nachkommen bei zufälliger Paarung und zeige, daß das Hardy-Weinberg Gesetz auch hier gilt. 15) Auf einer Prüfstation werden Produkte getestet. Man weiß, daß 3% aller erzeugten Produkte einen Fehler haben. Beim Prüfen wird bei 95% der defekten Teile der Fehler festgestellt, aber auch 2% der fehlerfreien Produkte werden aussortiert. Mit welcher W. ist ein nicht aussortiertes Produkt wirklich fehlerfrei? 16) In einer Urne seien N = 20 Kugeln, davon sind 5 gelb, 11 weiß und 4 blau. Wir ziehen mit Zurücklegen. Wie wahrscheinlich ist die Zugfolge (g, w, b, g, b, b, g, b)? Wie groß ist die W., 3 gelbe, 1 weiße und 4 blaue zu erhalten? Wie groß sind die entsprechenden W., wenn man ohne Zurücklegen zieht? Vergleichen Sie die W. auch numerisch. 17) Sei X = (X 1, X 2, X 3 ) eine vektorwertige ZV, die einen fairen Münzwurf mit drei Münzen beschreibt. Es seien die folgenden Ereignisse gegeben: A 1 = {X 1 = X 2 }, A 2 = {X 2 = X 3 }, 2
3 A 3 = {X 3 = X 1 }. Zeige, daß die Ereignisse A 1, A 2, A 3 paarweise unabhänigg sind, aber nicht unabhängig. 18) Sei Z := zufällige Anzahl der Asse in einem Blatt von 13 Karten aus 52. Sind die Ereignisse Im Blatt ist genau ein As und Im Blatt ist mindestens ein As unabhängig? Seien allgemeiner A 1, A 2 Ereignisse in einem diskreten W-Modell. Unter welchen Bedingungen an P (A 1 ) und P (A 2 ) gilt, aus A 2 A 1 folgt P (A 2 A 1 ) > P (A 2 )? 19) Welches Ereignis ist im obigen Kartenspiel wahrscheinlicher: daß man genau ein As hat, gegeben man hat das Herz As, oder daß man genau ein As hat, gegeben man hat mindestens ein As? (Bezeichne mit H das Ereignis Man hat das Herz As und zeige P ({Z = 1} H) = ( ) ( / 52 13), etc.). 20) Ihr Fahrlehrer meint vor der Prüfung, daß Ihre Chance, die Prüfung zu bestehen, 3 zu 1 betrage. Welche W. ist damit gemeint? Wenn diese Angabe korrekt ist, wie groß ist dann die W. a ) die Prüfung beim ersten Mal zu bestehen, b) die Prüfung genau beim dritten Mal zu bestehen, c ) die Prüfung spätestens beim dritten Mal zu bestehen, d) die Prüfung beim dritten Mal zu bestehen, wenn Sie schon zweimal durchgefallen sind? 21) Für einen Wurf mit einem roten und einem schwarzen Würfel sei ξ 1 die zufällige Veränderliche, die die Augenzahl des roten Würfels angibt, ξ 2 die entsprechende für den schwarzen. Berechne und skizziere die Verteilungen von a) ξ 1, ξ 2 ; b) ξ 1 + ξ 2, ξ 1 ξ 2 ; c) ξ 1 ξ 2, ξ 1 /ξ 2. 22) (Wartezeit beim Ziehen mit Zurücklegen). In einer Urne sind S schwarze und N S weiße Kugeln. T 1 sei die Nummer der Ziehung, bei der zum ersten Mal eine schwarze Kugel erscheint (T 1 ist die Wartezeit). Zeige, daß T 1 geometrisch verteilt ist, wenn mit Zurücklegen gezogen wird und berechne Erwartungswert, ET 1, und Varianz, Var(T 1 ). 23) (Wartezeit beim Ziehen ohne Zurücklegen). Es soll nun ohne Zurücklegen gezogen werden und ET 1 berechnet werden. (Anleitung: man kann natürlich P (T 1 = k) berechnen und daraus den Erwartungswert. Das ist aber etwas mühsam. Man kann auch so vorgehen: Bei n = N Ziehungen werden alle Kugeln gezogen, also S schwarze. Sei ω i = s, wenn die i-te gezogene Kugel schwarz ist und = w, sonst. Aus Symmetriegründen sind alle Elemente ω = (ω 1,..., ω N ) gleichwahrscheinlich. Nun definiere U i als den Zeitpunkt, an dem die i-te schwarze Kugel erscheint und setze T 1 = U 1, T i = U i U i 1, (i = 2,..., S) und T S+1 = (N + 1) U S. Dann zeige ET 1 = = ET S+1.) 24) Zeige, daß die hypergeometrische Verteilung die Binomialverteilung approximiert (vgl. Vorlesung). 3
4 25) Finde den größten Term in der Binomialverteilung B k (n, p), 0 < k < n. Zeige, daß die Terme bis zu einem Maximum zunehmen und dann wieder abnehmen. 26) Beweise: Sind X, Y unabhängige ZV und ist ϕ : R R eine beliebige Funktion, so sind ϕ(x) und ϕ(y ) unabhängig. 27) Bestimme Schiefe und Kurtosis der geometrischen Verteilung. 28) Berechne Erwartungswert und Varianz der hypergeometrischen Verteilung. 29) Berechne Schiefe und Kurtosis der Binomialverteilung. 30) Berechne Schiefe und Kurtosis der Poissonverteilung. 31) Die diskreten zufälligen Veränderlichen X, Y seien unabhängig. X sei b n,p -verteilt, Y sei b m,p - verteilt. Berechne die Verteilung von X + Y. 32) Erkläre und diskutiere das St. Petersburg Paradoxon (siehe Beilage). 33) Erkläre und diskutiere das Paradoxon vom Bernoullischen Gesetz der großen Zahlen (siehe Beilage). 34) Beweisen Sie folgenden Satz (Satz 1.18). Seien X, Y, (X i ) n i=1 Momente existieren, und a, b, c, d R. Dann gilt. a ) Cov(X, Y ) = E(XY ) EX EY b) Cov(aX + b, cy + d) = ac Cov(X, Y ) c ) Cov(X, Y ) = Cov(Y, X) d) Var ( i X i) = i Var(X i) + i j Cov(X i, X j ) diskrete ZV für die die zweiten 35) Beweise Sie den folgenden Satz (Satz 1.19). Seien X, Y diskrete ZV, deren zweite Momente existieren. Dann gilt a ) E(XY ) 2 E( X 2 )E( Y 2 ) b) (E XY ) 2 E( X 2 )E( Y 2 ) c ) Cov(X, Y ) σ X σ Y. 36) Sei ρ X,Y der Korrelationskoeffizient der ZV X, Y. Beweise (i) ρ X,Y 1 und (ii) ρ X,Y = 1 impliziert die Existenz von a, b R sodaß P (Y = ax + b) = 1 gilt. 37) In einem Casino werden am Roulettisch an einem Abend 400 Spiele gemacht. Ein Spieler behauptet, daß an diesem Abend die Zahl 1 nicht öfter als dreimal fällt. Mit welcher W. hat er recht? (Es gibt 37 Zahlen!) Errechnen Sie diese W. mit Hilfe der Binomial- und der Poissonverteilung. 4
5 38) Berechne für eine (n, p) binomialverteilte Zufallsvariable X die Wahrscheinlichkeit P (µ zσ X µ + zσ), µ = E(X), für z = 1, 2, 3 und (exakt und NV-Approximation). a) n = 10, p = 0.4 b) n = 20, p = ) Eine Münze wird 5, 10 bzw. 20 mal geworfen. X sei die Anzahl, wie oft,,zahl kommt. Bestimme das kleinste z R +, sodaß P (µ zσ X µ + zσ) 1 2 gilt (µ = E(X)). 40) Sei X eine diskrete ZV mit Wertebereich I N und Verteilungsfunktion F (k) = P (X = i). Zeige EX = 1 F (k) und finde eine ähnliche Formel für EX n. i I,i k k=0 41) Die Sterne im Weltall seien Poissonverteilt mit Parameter λ, dh. die W., daß k Sterne in A R 3 sind, ist e λ λ k /k!. Dabei ist λ proportional zum Volumen von A. Ein Punkt P R 3 wird zufällig ausgewählt. Sei X die Entfernung von P zum nächsten Stern. Berechne die Verteilung von X, dh. berechne P (s X t). 42) Man berechne Mittelwert und Varianz der Gesamtaugenzahl, wenn man einmal mit k Würfeln würfelt. 43) Ein Mathematiklehrer führt einen besonderen Beurteilungsmodus ein, der es ihm ermöglichen soll, bei seinen 34 SchülerInnen solche, die viel gelernt haben, von solchen, die wenig gelernt haben, zu unterscheiden. Die Klasse ist aber skeptisch und erhebt pro SchülerIn die Lernzeit und den Erfolg in der neuen Beurteilung, wobei sich folgendes Bild ergibt: 20 SchülerInnen haben viel gelernt und den Test bestanden, 26 haben insgesamt den Test bestanden, 4 haben den Test nicht bestanden, obwohl sie viel gelernt haben. a ) Berechen Sie die W. für das Nichtbestehen unter der Bedingung, daß man viel gelernt hat, und dafür, daß man gelernt hat, obwohl man den Test nicht bestanden hat. Konstruieren Sie daraus je ein Argument für bzw. gegen die Fairnis dieser Beurteilung. b) Beurteilen Sie die Güte der Beurteilung mittels einer Korrelation! 44) Diskutiere die Beilage über Aussterbezeiten bei Verzweigungsprozessen. 45) Wie groß ist die W., daß bei 180 Würfen mit einem Würfel die Anzahl der Sechser zwischen 25 und 36 liegt? (Verwenden Sie die Normalverteilungsapproximation). 46) Für die Wahrscheinlichkeiten b n,p (k) der Binomialverteilung beweise man 1 2 n b 2n,1/2(n) 5 1 2n + 1
6 (Induktion!) und b 2n,1/2 (n ± h) lim = e z2 n b 2n,1/2 (n) wenn lim n h n = z, 0 z < (lokaler Grenzwertsatz!). 47) Man beweise, daß für x > 0 die folgenden Ungleichungen gelten: x x 2 e x /2 x e z2 /2 dz 1 x e x2 /2. 48) Berechne(!) und skizziere die Verteilungsfunktionen für folgende Wahrscheinlichkeitsverteilungen: a ) Gleichverteilung am Intervall [0, 1]; b) Exponentialverteilung of [0, ); c ) P (a, b) = 1 2 (b a)/(d c) falls (a, b) (c, d), P (c) = P (d) = 1 4, und P (a, b) = 0 falls (a, b) R \ [c, d]. 49) Aufgabe von S. Banach. Ein Mathematiker hat zwei Schachteln Streichhölzer bei sich. Jedesmal wenn er sich ein Streichholz anzünden will, nimmt er auf gut Glück eine der Schachteln. Man bestimme die W. dafür, daß, wenn der Mathematiker das erste Mal eine leere Schachtel herausnimmt, in der anderen Schachtel noch r Streichhölzer sind (am Anfang waren in beiden Schachteln n Streichhölzer). 50) Die Gammaverteilung mit den Parametern a > 0 und λ > 0 hat die Dichte γ(t) = λa Γ(a) ta 1 e λt, t > 0, wobei Γ(a) = t a 1 e t dt. Skizziere diese möglichst systematisch für verschiedene 0 Kombinationen von a und λ (sodaß man den Einfluß von a und λ erkennt). Wie sieht die Verteilungsfunktion aus? 51) Die Betaverteilung mit den Parametern a, b > 0 ist durch die Dichte β(t) = B(a, b) 1 t a 1 (1 t) b 1, t (0, 1), definiert. Dabei ist B(a, b) = 0 t a 1 (1 t) b 1 dt. Skizziere diese möglichst systematisch für verschiedene Kombinationen von a und b. Man skizziere auch die Verteilungsfunktion für ein oder zwei Fälle. 52) X 1 und X 2 seien unabhängige, im Intervall (a, b) gleichverteilte ZV. Berechne die Dichte von X 1 + X 2 (Simpson-Verteilung). 53) Seien X und Y unabhängige ZV mit Dichten p 1 und p 2. Zeige, daß die Dichte von Z = X/Y gegeben ist durch p Z (x) = 0 0 zp 1 (zx)p 2 (z) dz zp 1 (zx)p 2 (z) dz. (Anleitung: Stelle das Gebiet x/y < z graphisch dar und leite daraus die Formel für die Verteilungsfunktion von Z ab). 6
7 54) Sei p(x 1, x 2 ) die Dichte des zufälligen Vektors (X 1, X 2 ) (X 1, X 2 nicht notwendig unabhängig!). Zeige, daß die Dichtefunktion von X 1 + X 2 gegeben ist durch q(x) = p(z, x z) dz. 55) Berechne die ersten vier zentralen Momente der Exponentialverteilung. 56) Berechne Erwartungswert und Varianz der Gammaverteilung. 57) Berechne Erwartungswert und Varianz der Betaverteilung. 58) Finde eine Formel für die geraden zentralen Momente der N(µ, σ 2 ) Verteilung. 59) Sei X eine N(0, 1)-verteilte ZV. Berechne die Dichte von X 2. 60) Unter der χ 2 -Verteilung mit n Freiheitsgraden versteht man die Verteilung von n i=1 X2 i, wobei die X i alle N(0, 1)-verteilt sind und unabhängig. Zeige, daß ihre Dichte gegeben ist durch g n (y) = { 2 n 2 Γ( n 2 ) 1 y n 2 1 e y 2, y > 0, 0, y 0. Den Beweis kann man mit vollständiger Induktion führen (unter Verwendung des obigen Beispiels und der Faltungsformel für Dichten). 61) Sei (X 1, X 2 ) normalverteilt mit Dichte { ( 1 p(x, y) = 2πσ 1 σ exp 1 x r 2 2(1 r 2 ) σ 2 1 2rxy )} + y2 σ 1 σ 2 σ2 2. Zeige, daß die Dichte von X 1 + X 2 gegeben ist durch 1 q(z) = { 2π(σ rσ 1 σ 2 + σ2 2) exp z 2 } 2(σ rσ 1σ 2 + σ2 2). 62) Sei (X 1, X 2 ) wie oben. Berechne Erwartungswert und Varianz von (X 1, X 2 ), sowie den Korrelationskoeffizienten von X 1 und X 2. 63) Die Verteilungsdichte des absoluten Betrages der Geschwindigkeit eines Gasmoluküls wird durch das Maxwellsche Gesetz p(x) = 4x2 2 α 3 π e x /α 2, x > 0, und p(x) = 0, für x < 0 gegeben. Gesucht ist die mittlere Geschwindigkeit eines Moleküls und ihre Varianz, die mittlere kinetische Energie eines Moleküls (m sei seine Masse), und die Varianz der kinetischen Energie. 7
8 64) Seien X 1 und X 2 normalverteilt mit Mittelwert 0 und Varianzen σ 2 1 und σ 2 2 (nicht notwendigerweise unabhänigig). Berechne die Dichte des Quotienten X 1 /X 2. 65) Beweise: Sind Y 1,..., Y n unabhängige N(µ, σ 2 )-verteilte ZV, so ist Ȳ := 1 n (Y Y n ) normalverteilt. Berechne Erwartungswert und Varianz. 66) Hat ein Zufallsvektor Y = (Y 1,..., Y k ) eine nicht-ausgeartete k-dim. Normalverteilung, so sind Y 1,..., Y k genau dann unabhängig, wenn sie paarweise unkorreliert sind. 67) (X n ) sei eine Folge von unabhängigen ZV mit der Dichte f(x) = 1/(π(1 + x 2 )), x R. Gibt es eine reelle Konstante a derart, daß (X X n )/n stochastisch gegen a konvergiert? 8
9
10
11
12
13
14
15
16
17
Zufallsvariablen. 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:
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
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
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
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
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
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
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
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
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
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
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
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
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
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
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
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........................
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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 ]
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
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
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.
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
MehrAusgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
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,
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
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
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
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
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.
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
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
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 Lageparameter: Erwartungswert d) Erwartungswert
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
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
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.
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
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
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
Mehr3. STOCHASTISCHE PROZESSE 73
3. STOCHASTISCHE PROZESSE 73 3. Stochastische Prozesse 3.1. Grundlegende Begriffe bei zufälligen Prozessen. In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
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
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
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
MehrProf. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker
Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.
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
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: X
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
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
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:
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
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,
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
MehrInhaltsverzeichnis: Lösungen zur Vorlesung Statistik Kapitel 4 Seite 1 von 19 Prof. Dr. Karin Melzer, Fakultät Grundlagen
Inhaltsverzeichnis: Aufgabenlösungen zu Kapitel 4 3 Lösung zu Aufgabe 3 Lösung zu Aufgabe 9 3 Lösung zu Aufgabe 30 3 Lösung zu Aufgabe 3 3 Lösung zu Aufgabe 3 3 Lösung zu Aufgabe 33 3 Lösung zu Aufgabe
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrWiederholungsklausur DWT
LÖSUNG Wiederholungsklausur DWT Sommersemester 2008 Hinweis: Alle Antworten sind zu begründen. Insbesondere sollte bei nicht-trivialen Umformungen kurz angegeben werden, weshalb diese Umformungen erlaubt
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........................
MehrHauptklausur zur Stochastik für Lehramt
Universität Duisburg-Essen Essen, den 20.02.203 Fakultät für Mathematik Dr. Daniel Herden Dipl.-Inf. Christian Thiel Matthias aus der Wiesche Hauptklausur zur Stochastik für Lehramt Bearbeitungszeit: mind.
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
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
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
Mehr