Motivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
|
|
- Kerstin Hafner
- vor 7 Jahren
- Abrufe
Transkript
1 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen 500- und 600-mal eine Sechs fällt. Natürlich können wir hier schnell ein Bernoulli-Experiment mit der Einzel)erfolgswahrscheinlichkeit erkennen und es gilt 6 P = 600 k=500 ) ) k ) 000 k k 6 6 Und selbst mit dem Taschenrechner ist das Ergebnis weder leicht noch schnell zu bestimmen. Da aber die Binomialverteilung in der Praxis sehr häufig vorkommt, müssen wir versuchen, die Rechnung zu vereinfachen. Dabei helfen uns sogenannte Grenzwertsätze, die z.b. die obige Wahrscheinlichkeit approximativ) als Flächeninhalte unter speziellen Funktionsgraphen ausdrücken. Benötigtes Schulwissen Für das Verständnis dises Kapitels wird der gesamte Maturastoff vorausgesetzt. Insbesondere sollte man sich mit Differentialrechnung, Kurvendiskussionen und Integralrechnung auskennen. Falls Sie also den Inhalt dieses Kapitels Schritt für Schritt nachvollziehen können, werden Sie auch die höheren Mathematikkurse vor keine unlösbaren) Probleme stellen. Erkennen Sie viele Lücken, sollten Sie in den Semesterferien dringend den Maturastoff in Mathematik wiederholen und am mathematischen Vorbereitungskurs teilnehmen. Erfahrungsgemäss bereitet die Vorlesung Mathematik den Studierenden die grössten Probleme Durchfallquote im FS 0: 56%), obwohl knapp die Hälfte der Vorlesung aus Maturastoff besteht! Übungsaufgaben Dieses Skript enthält keine Übungsaufgaben. Lösen Sie die Aufgaben im Skript und versuchen Sie insbesondere die Aussage des zentralen Grenzwertsatzes sowie die Konstruktion der Zufallsvariablen im Kapitel Fundamentalbeispiel zu verstehen. Auch dieses Skript ist prüfungsrelevant!
2 Die Gaußschen) Glockenkurven) Seien zunächst µ und zwei reelle Zahlen mit > 0. Die Funktion φx; µ, ) := π e x µ ) ist auf der ganzen reellen x-achse definierte und ihr Graph heisst Glockenkurve oder Gaußsche Glockenkurve. Ein wichtige Spezialfall ist die so genannte Standardglockenkurve µ = 0 und = : φx) := φx; 0, ) = π e x In der folgenden Skizze sehen Sie die Graphen von φx) = φx; 0, ) rot) und φx;, 0.5) blau).
3 3. Eigenschaften von φx) = π e x. φx) > 0 für alle x R, denn Exp.-funktionen nehmen nur positive Werte an.. Der Graph von φ ist symmetrisch zur y-achse, denn φ x) = φx) für alle x R. 3. φx) hat ein lokales Maximum an der Stelle x = 0, denn mit der Kettenregel) 0 = φ x) = e x ) π x = x e x π falls x = 0 und mit Produkt- und Kettenregel) φ x) = π [ e x x e x] = π e x [ x ] φ 0) = π < Die beiden einzigen Wendestellen von φ sind und, denn 0 = φ x) = e x [ x ] π gilt falls x = 0 also für x = oder x =. 5. lim x ± 6. π e x = lim x ± φt) dt = = π e x = 0. φx) dx =. Diese Eigenschaft wollen und können) wir hier nicht beweisen. Sie bedeutet, dass die Fläche die man zwischen dem gesamten) Graphen der Glockenkurve und der gesamten) x-achse erahnen kann, den Flächeninhalt von genau besitzt. 7. Die Funktion φ ist nicht elementar integrierbar, d.h. dass sie zwar eine Stammfunktion besitzt, dass man diese aber nicht aus den elementaren Funktionen Polynome, rationale Funktionen, e x, logx), sinx), cosx),...) zusammensetzen kann. Deshalb schreiben wir einfach für eine Stammfunktion von φx): Φx) = x φt) dt = π Aufgabe. Skizzieren Sie den Graphen von φ. Wo könnte man die Werte von Φ ablesen? Zeichnen Sie in der Skizze des Graphen von φ die Funktionswerte Φ/) und Φ ) ein. x e t dt
4 4 8. Für jedes x R gilt: Φx) = Flächeninhalt links von x zwischen x-achse und Graph von φ Da die Funktion φ symmetrisch zur y-achse ist für jedes x R gilt die Relation φx) = φ x)), gilt auch: Φ0) = / Φ x) = Φx) Wegen der grossen praktischen Bedeutung der Funktion Φx) wurden die Funktionswerte früher und zum Teil auch heute noch) in Tafelwerken zusammengestellt. x
5 5 Aufgabe. a) Berechnen Sie Φ.83) und Φ.5). b) Bestimmen Sie x, so dass Φx) = Natürlich gilt: b a φt) dt = b φt) dt a φt) dt = Φb) Φa). Aufgabe.3 Berechnen Sie φt) dt, φt) dt, 0.5 φt) dt und.9 φt) dt.
6 6. Eigenschaften von φx; µ, ). φx; µ, ) > 0 für alle x R.. φx; µ, ) ist symmetrisch bezüglich der Geraden x = µ, d.h. es gilt für alle reellen Zahlen t. φµ + t) = φµ t) 3. φx; µ, ) hat ein lokales Maximum an der Stelle x = µ und sonst keine weiteren lokalen Extremalstellen und keine Sattelpunkte. 4. Die einzigen beiden Wendestellen von φx; µ, ) sind µ + und µ. 5. lim x ± φx; µ, ) = 0 6. Keine der Funktionen φx; µ, ) ist elementar integrierbar. Deshalb schreiben wir einfach für eine Stammfunktion von φx; µ, ): Φx; µ, ) = x φt; µ, ) dt = π x e t µ) Beachten Sie, dass Φx; µ, ) der Flächeninhalt zwischen dem Graphen von φx; µ, ) und der x-achse links vom Punkt x ist. 7. Durch Substitution kann man zeigen, dass sich die Fläche unter irgendeiner Glockenkurve als Fläche unter der Standardglockenkurve darstellen lässt. dt b a φx; µ, ) dx = b µ a µ ) ) b µ a µ φx) dx = Φ Φ Beweis: Wir wählen die Substitution u = ux) = x µ du = dx und erhalten damit schrittweise: und damit b a φx; µ, ) dx = π b a e x µ ) dx = π b µ e u du a µ = π b µ e x dx π a µ e x dx, } {{ ) } b µ = Φ } {{ ) } a µ = Φ
7 7 Beispiel. 6 φx; 8, ) dx = = φx; 0, ) dx φx) dx = Φ) Φ ) 8. Die folgenden Integrale sind unabhängig von der konkreten Wahl der Parameter µ und : µ+ µ µ+ µ µ+3 µ 3 φx; µ, ) dx = φx; µ, ) dx = φx; µ, ) dx = φx; µ, ) dx = oder anders ausgedrückt: 68.3% bzw. 95.5% oder 99.7%) der Gesamtfläche unter φx; µ, ) liegen zwischen den Grenzen µ und µ + µ und µ + oder µ 3 und µ + 3)
8 8 Der zentrale Grenzwertsatz. Standardisierung Der folgenden Satz, der sogar noch weiter verallgemeinert werden kann, gibt Ihnen den wesentlichen Grund für die herausragende Wichtigkeit der Funktionen φ und Φ. Zunächst benötigen wir noch einen neuen Begriff. Definition. Eine Zufallsvariable heisst standardisiert, wenn sie den Erwartungswert 0 und die Varianz hat. Sei X eine Zufallsvariable. Dann heisst die Zufallsvariable Standardisierung von X. Z = X EX) V arx) Beispiel. Sei X B, /3), d.h. die Verteilung von X ist gegeben durch: = = = 9 Es gilt: EX) = n p =, V arx) = n p p) = Standardisierung von X ist somit und hat die Verteilung: Z = X /3 /3 und V arx) = 3. Die 0 /3 /3 = /3 /3 = /3 /3 = Links sehen Sie die Verteilung von X und rechts die Verteilung der Standardisierung von X. Die drei Wahrscheinlichkeiten sind unverändert. Aber die Positionen der Wahrscheinlichkeiten habe sich so verändert, dass einerseits der Erwartungswert Schwerpunkt) die 0 ist und andererseits die Varianz Streuung) gleich. Man könnte sagen, dass sich die Verteilung qualitativ nicht verändert hat. 9
9 9 Aufgabe. Zeigen Sie, dass die Standardisierung einer Zufallsvariablen eine standardisierte Zufallsvariable ist. Lösung:
10 0. Der zentrale Grenzwertsatz Sei X, X,... eine unendliche) Folge von identisch verteilten und unabhängigen Zufallsvariablen, die alle den selben Erwartungswert e = EX i ) und die selbe Varianz v = V arx i ) haben. Wir betrachten die neuen Zufallsvariablen S n = n i= X i = X + X X n Für den Erwartungswert, die Varianz und die Standardabweichung von S n ergibt sich nach direkter Rechnung: n ) n ES n ) = E X i = EX i ) = n e V ars n ) = V ar i= S n ) = n v n i= X i ) Diese Zufallsvariablen werden nun standardisiert: Y n = S n ES n ) V arsn ) = i= n i= V arx i ) = n v = S n n e n v. Satz Zentraler Grenzwertsatz) lim P Y n x) = Φx) n Etwas grob formuliert bedeutet das: Lässt sich eine zufällige Erscheinung additiv aus vielen kleinen) unabhängigen zufälligen Ereignissen zusammensetzen, so können Wahrscheinlichkeiten der zufälligen Erscheinung näherungsweise mit der Funktion Φ bestimmt werden. Wir sagen dann auch, dass Z n angenähert) standardnormalverteilt ist..3 Fundamentalbeispiel Experiment: n-maliger Münzwurf Dann gilt Ω = {ω, ω,..., ω n ) : ω i {K, Z}} mit der Gleichverteilung. Sei X i = { 0 beim i-ten Wurf Kopf beim i-ten Wurf Zahl Alle diese Zufallsvariablen sind unabhängig und gleichverteilt; es gilt EX i ) = V arx i ) =. Genauer gesagt, ist jedes X 4 i zweipunktverteilt { 0, ),, )}. Nun addieren wir die Zufallsvariablen: und
11 S = X Verteilung: { )} 0, ),, S = X + X, Verteilung: { ) )} 0, 4),, 4,, 4 S 3 = X + X + X 3, Verteilung: { 0, 8),, 3 8 ),, 3 8 ) )}, 3, 8
12 S 0 = X X 0, Verteilung: { 0, 0 ),, 0 0 ),..., 0, 0 )} S 50 = X X 50, Verteilung: Lemma Die Verteilung für S n = Beweis: n X i ist gegeben durch i= { 0, ),, n ),..., k, n n ) n k) n,..., n, ) } n
13 3 Nun betrachten wir die zugehörigen normalisierten Zufallsvariablen: Y n = S n n n 4 Y, Verteilung: { )}, ),, = n i= X i n n Y, Verteilung: { ) )}, 4), 0, 4,, 4 usw. Lemma Die Verteilung der Zufallsvariablen Y n = { 0 n n und für n gilt Y n N0, ), ) k n,..., n n, ) n k) n n i= X i n n n n,..., n ist gegeben durch, n ) }
14 4 3 Grenzwertsatz und Binomialverteilung Sei X binomialverteilt, d.h. X Bn; p) oder P X = x) = f Bi x; n, p) = ) n p x p) n x x Die Zufallsvariable X gibt also an, wie oft in der n-fachen unabhängigen Wiederholung eines Einzelexperimentes ein Ereignis E welches jeweils mit der konstanten Einzelwahrscheinlichkeit p eintrifft) eingetreten ist. Daher kann X als Summe X = unabhängiger identisch verteilter Zufallsvariablen X i darstellt werden mit: { beim i-ten Versuch E X i = 0 beim i-ten Versuch E c Auf X kann der zentrale Grenzwertsatz angewendet werden. Wir wissen, dass µ = np Erwartungswert einer binomialverteilten Zufallsvariablen) und = np p) Standardabweichung einer binomialverteilten Zufallsvariablen) n i= X i und es folgt zunächst: lim n P X x) = lim n P X µ x µ ) ) x µ = Φ Diese Aussage, zusammen mit einer kleinen Korrektur um 0.5 an den Rändern, gibt uns eine Möglichkeit, Wahrscheinlichkeiten von binomialverteilten Zufallsvariablen angenähert zu bestimmen. Satz Lokaler Grenzwertsatz von de Moivre und Laplace) Sei X Bn; p) eine binomialverteilte Zufallsvariable, µ = np und = np p). Dann gilt f Bi x; n, p) = ) n p x p) n x x φ x; np, ) np p) P a X b) = b x=a ) n p x p) n x x ) ) b µ a µ 0.5 Φ Φ mit hinreichender Genauigkeit, falls n p p) > 9 gilt. Definition 3. Eine Zufallsvariable X heisst angenähert normalverteilt mit den Parametern µ und, wenn sich ihre Verteilung angenähert durch die Funktion φx; µ, ) darstellen lässt.
15 5 Beispiel 3. Wir wollen für n = 0 und p = 0.5 bzw. p = 0.5 jeweils f Bi vergleichen. mit φ. n = 0 und p = 0.5 µ = n p = 5 und = n p p).58 In der Skizze sehen Sie die Binomialverteilung f Bi x; 0, 0.5) als rotes Stabdiagramm) und die blaue) Glockenkurve φx; 5,.58):. n = 0 und p = 0.5 µ = n p =.5 und = n p p).37 In der Skizze sehen Sie die Binomialverteilung f Bi x; 0, 0.5) als rotes Stabdiagramm) und die blaue) Glockenkurve φx;.5,.37): Es ist klar, dass die Approximation hier nicht so gut ausfallen kann wie im obigen Beispiel. Jede Glockenkurve ist symmetrisch zur Geraden x = µ, aber eine Binomialverteilung ist nur dann symmetrisch zur Geraden x = µ = np, wenn p = 0.5 ist!
16 6 Es ist auf den ersten Blick etwas seltsam, denn in der zweiten Formel des lokalen Grenzwertsatzes werden Summen von Streckenlängen linke Seite) mit dem Flächeninhalt unter einer Kurve verglichen. Hier scheinen die Dimensionen nicht zu passen. Um uns das besser vorstellen zu können stellen wir die Binomialverteilung f Bi x; n, p) in einem Koordinatensystem als Treppenfunktion in folgender Weise dar: Für jedes x mit 0 x n zeichnen wir anstelle eines Stabes der Länge f Bi x; n, p) über x) ein Rechteck mit den Eckpunkten x ), 0, x + ), 0, x ), f Bix; n, p), x + ), f Bix; n, p) in das Koordinatensystem. Da das Rechteck die Grundseitenänge und die Höhe f Bi x; n, p) hat ist der Flächeninhalt genau f Bi x; n, p), d.h. der Flächeninhalt des Rechtecks über x kann als die zu x gehörende Wahrscheinlichkeit f Bi x; n, p) angesehen werden. Jetzt kann man Flächen mit Flächen vergleichen! Eventuell kann man sogar erkennen, warum man die Integrationsgrenzen im Grenzwertsatz um / modifiziert?
17 7 Aufgabe 3. Bestimmen Sie approximativ die Zahl P = 60 k=00 ) ) k ) 000 k k 6 6 Lösung: Das exakte Ergebnis ist P Mit dem Grenzwertsatz sollte man P erhalten.)
Stetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
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
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte, 2, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 2 3 4 5
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte,, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 3 4 5 6 P
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
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
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
Mehr1 Die stetige Gleichverteilung 2. 2 Die Exponentialverteilung 3. 3 Die Normalverteilung 5. 4 Die Testverteilungen Gauss-Vektoren 17
Wirtschaftswissenschaftliches Zentrum 9 Universität Basel Mathematik 2 Dr. Thomas Zehrt Stetige Standardverteilungen Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt,
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten 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
MehrP n (k) f(k) = 1 σ 2π e ) 2. σ 2π
53 Allgemein gilt der folgende Satz. Satz 6.1 (Lokaler Grenzwertsatz von de Moivre und Laplace) Die Wahrscheinlichkeit P n (k) einer Binomialverteilung (mit der Erfolgswahrscheinlichkeit p im Einzelexperiment)
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
MehrVorlesung 6b. Von der Binomial-zur Normalverteilung
Vorlesung 6b 1 Vorlesung 6b Von der Binomial-zur Normalverteilung Binomialverteilungen mit großem n und großer Varianz npq sehen glockenförmig aus, wenn man sie geeignet ins Bild holt. 2 Binomialverteilungen
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
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
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrStochastik Approximationen der Binomialverteilung
Stochastik Approximationen der Binomialverteilung Stefan Englert stefan.englert@gmx.net 21. April 2007 Inhaltsverzeichnis 1 Approximation von n! und b n,p (k) 2 2 Der Satz von de Moivre-Laplace 6 3 Die
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: 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
Mehr6.2 Approximation der Binomialverteilung
56 6.2 Approximation der Binomialverteilung Im Beispiel auf den Seiten 52 53 haben wir gesehen, dass die Wahrscheinlichkeiten P 50 (k) der dort betrachteten Binomialverteilung durch die Werte der Funktion
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
MehrMathematik für Sicherheitsingenieure I B (BScS 2011)
Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 5.9.7 Mathematik für Sicherheitsingenieure I B (BScS Aufgabe. (5+8+7 Punkte a eben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist. Eine Begründung
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)
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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrVorlesung 5b. Zufallsvariable mit Dichten
Vorlesung 5b 1 Vorlesung 5b Zufallsvariable mit Dichten Vorlesung 5b Zufallsvariable mit Dichten Wiederholung aus Vorlesung 2b+: Kontinuierlich uniform verteilte Zufallsvariable: Sei S eine Teilmenge des
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
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.
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
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
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrKOMPETENZHEFT ZUR STOCHASTIK III
KOMPETENZHEFT ZUR STOCHASTIK III Inhaltsverzeichnis 1. Aufgabenstellungen 1 2. Von der Binomialverteilung zur Normalverteilung 10 3. Normalverteilung 13 4. Approximation: Binomialverteilung Normalverteilung
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 17. November 2010 1 Gesetze Das Gesetz der seltenen Ereignisse Das schwache Gesetz der großen Zahl 2 Verteilungsfunktionen
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
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.
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
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
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
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
MehrMathematik für Sicherheitsingenieure I B
Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 3.3.8 Dr. T. Pawlaschyk Mathematik für Sicherheitsingenieure I B Aufgabe. (5+8+7 Punkte a Geben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist.
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
MehrStatistik 1 Beispiele zum Üben
Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen
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
MehrWeierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt?
Weierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt? Wolfgang König Technische Universität Berlin und Weierstraß-Institut Berlin Mohrenstraße
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
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
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
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 16. Januar 2015 1 Verteilungsfunktionen Definition Binomialverteilung 2 Stetige Zufallsvariable,
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
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
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
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,...)
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.
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
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
MehrÜ b u n g s b l a t t 7
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrGrundwissen Stochastik Leistungskurs 10. Februar 2008
GYMNSIUM MIT SCHÜLERHEIM PEGNITZ math.-technolog. u. sprachl. Gymnasium WILHELM-VON-HUMBOLDT-STRSSE 7 91257 PEGNITZ FERNRUF 09241/48333 FX 09241/2564 Grundwissen Stochastik Leistungskurs 10. Februar 2008
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)
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
MehrMathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^2],{x,0,10}] 76
4. Normalverteilung Gauß'sche Glockenkurve: P(a X b) = b 1 x 1 a e dx 1 0.8 0.6 0.4 0. 4 6 8 10 Mathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^],{x,0,10}] 76 Zentraler Grenzwertsatz: Es sei X 1, X,... eine
MehrKonversatorium -Vorbereitung für die erste Diplomprüfung - Stochas0k. -Wahrscheinlichkeitstheorie-
Konversatorium -Vorbereitung für die erste Diplomprüfung - Stochas0k -Wahrscheinlichkeitstheorie- Begriffsdefini=on Stochas=k altgriechisch stochas=kē technē, lateinisch ars conjectandi, Die Kunst des
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 0.20 0.8 0.6 0.4 0.2 0.0 0.08 0.06 0.04 0.02 0.00 0 5 0 5 20 k 0.20 0.8 0.6 0.4 0.2 0.0 0.08 0.06 0.04 0.02 0.00 Binomialverteilung Normalverteilung Modul
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........................
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
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
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
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
MehrMathematik 1 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 1 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
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
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrSprechstunde zur Klausurvorbereitung
htw saar 1 Sprechstunde zur Klausurvorbereitung Mittwoch, 15.02., 10 12 + 13.30 16.30 Uhr, Raum 2413 Bei Interesse in Liste eintragen: Max. 20 Minuten Einzeln oder Kleingruppen (z. B. bei gemeinsamer Klausurvorbereitung)
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,
MehrVon der Binomialverteilung zur Normalverteilung
Von der Binomialverteilung zur Normalverteilung Wir interessieren uns für Binomialverteilungen mit grossen Werten für n. Als Beispiele können wir uns das Experiment vorstellen, dass ein idealer Würfel
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
MehrDie Probabilistische Methode
Die Probabilistische Methode Wladimir Fridman 233827 Hauptseminar im Sommersemester 2004 Extremal Combinatorics Zusammenfassung Die Probabilistische Methode ist ein mächtiges Werkzeug zum Führen von Existenzbeweisen.
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
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
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
MehrKlausurenkurs zum Staatsexamen (WS 2016/17): Differential und Integralrechnung 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 206/7): Differential und Integralrechnung 3 3. (Herbst 20, Thema 3, Aufgabe 2) Gegeben ist für m R die Funktion f m : ], 2π[ R; f m (x) = Folgende
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
Mehr