7.5 Erwartungswert, Varianz
|
|
- Nora Geisler
- vor 7 Jahren
- Abrufe
Transkript
1 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 <. Dann heißt: der Erwartungswert von X E(X) := n x k p k bzw. E(X) := x k p k b) Es sei X eine stetige ZV mit der Verteilungsdichte f(x), die die folgenden Zusatzbedingungen erfüllt: x f(x) dx <. Bem.: Dann heißt E(X) := x f(x) dx der Erwartungswert von X a) Im Folgenden seien die Zusatzbedingungen für alle behandelten ZV erfüllt. b) Es kann vorkommen, dass E(X) von der ZV X gar nicht angenommen wird. E(X) ist i.a. nicht der wahrscheinlichste Wert von X. c) E(X) ist als Durchschnittswert von X zu interpretieren Satz 7.5.: Für die Bildung des Erwartungswerts einer Funktion einer ZV gilt: E(g(X)) = Def : n g(x k ) p k bzw. = g(x k ) p k a) V (X) := E[(X E(X)) 2 ] heißt Varianz von X. b) (X) := + V (X) heißt Standardabweichung von X. Satz 7.5.2: a) E(a + bx) = a + b E(X) b) V (a + bx) = b 2 V (X) c) V (X) = E(X 2 ) (E(X)) 2 d) V (X) = 0 X = E(X) (fast sicher) e) Für jedes beliebige a IR gilt: V (X) E[(X a) 2 ] Bem.: Aus c) und d) folgt: E(X 2 ) (E(X)) 2 i. a. Beweis von Satz (teilweise): bzw. = g(x) f(x) dx a) X sei eine ZV, die nur die Werte 0,,2,..., n annehmen kann (für andere ZV verläuft der Beweis analog): E(a + b X) = n n n (a + b k)p k = a p k + b k p k = a + b E(X) (p k := P (X = k)) }{{} = 50 }{{} E(X)
2 b) V (a + b X) = E[(a + b X E(a + b X)) 2 ] = a) E[(a + b X a b E(X)) 2 ] = E[b 2 (X E(X)) 2 ] = a) b 2 E[(X E(X)) 2 ] = b 2 V (X) c) V (X) := E[(X E(X)) 2 ] = E[X 2 2X E(X) + (E(X)) 2 ] a) = E(X 2 ) 2 E(X) E(X) + (E(X)) 2 = E(X 2 ) (E(X)) 2 [ e) E (X a) 2] = E [(X E(X) + E(X) a) 2] = E [(X E(X)) 2 2(X E(X)) (E(X) a) + (E(X) a) 2] a) = V (X) 2(E(X) a) E(X E(X)) + (E(X) a) 2 V (X) }{{}}{{} = Spezielle Verteilungen 7.6. Binomialverteilung Def. 7.6.: Ein Zufallsexperiment habe nur zwei mögliche Ergebnisse, die wir mit Erfolg oder Fehlschlag bezeichnen. Die Wahrsch. für einen Erfolg sei p und für einen Fehlschlag sei q = p. Wird dieses Zufallsexperiment unter den gleichen Bedingungen n-mal wiederholt, so nennt man das ganze Bernoulli- Experiment. Satz 7.6.: X sei die ZV, die die Anzahl von Erfolg bei einem Bernoulli-Experiment beschreibt. Dann besitzt X eine Binomialverteilung mit den Parametern p und n, d.h. (7.6.) P (X = k) = ( n k) p k q n k (k = 0,,...) ( P (X = k) = 0 für k n + ) Satz 7.6.2: Für eine binomialverteilte ZV X mit den Parametern n und p gilt: a) E(X) = n p b) V (X) = n p q ( (X) = n p q) Anwendungsbeispiel: Lieferung von N Stück, M davon defekt (N, M keine ZV), n Ziehungen eines Stücks mit Zurücklegen. Bernoulli-Experiment: Jede Ziehung ist ein Zufallsexperiment mit der Wahrscheinlichkeit p = M/N für einen Erfolg (= Ziehung eines defekten Stückes) und q := p für einen Fehlschlag (= Ziehung eines nicht defekten Stückes). Durch m. Z. werden nach jeder Ziehung die alten Bedingungen wiederhergestellt. Die ZV Anzahl der Ziehungen von defekten Stücken ist also binomialverteilt mit p = M/N und n = Anzahl der Ziehungen insgesamt Poisson-Verteilung Def : Eine diskrete ZV X heißt Poisson-verteilt mit dem Parameter λ > 0, wenn gilt: P (X = k) = e λ λk k!, k = 0,, 2,... Satz 7.6.3: Für eine Poisson-verteilte ZV mit dem Parameter λ gilt: a) E(X) = λ b) V (X) = λ ( (X) = λ) 5
3 Satz 7.6.4: Es sei X eine binomialverteilte ZV mit den Parametern p, n. Dann gilt: P (X = k) e λ λk k! λ = n p Dabei sollten folgende Bedingungen erfüllt sein: n 50 und λ = n p 5 Bem.: Bei der Binomialverteilung sollte der Versuchsausgang mit Erfolg bezeichnet werden, der die deutlich kleinere Wahrscheinlichkeit hat, insbesondere dann, wenn die Poisson Näherung angewendet werden soll. Sind die Wahrscheinlichkeiten für beide Versuchsausgänge nahe bei /2, können die Bezeichnungen Erfolg oder Fehlschlag beliebig vergeben werden Normalverteilung oder Gauß-Verteilung Def : a) Eine ZV heißt normalverteilt mit dem Mittelwert µ und der Varianz 2 (Abk. N(µ, )- verteilt), wenn sie folgende Verteilungsdichte besitzt (exp x := e x ): f(x) := 2 π exp ( 2 ( x µ )2 ), x IR b) Eine ZV X mit der Verteilungsdichte ϕ(x) := 2 π standard-normalverteilt oder N(0, )-verteilt. exp ( 2 x2 ) bezeichnet man als Φ(x) := x ϕ(u) du ist die zugehörige Verteilungsfunktion. Bem.: Φ(x) ist eine höhere transzendente Fkt.. Daher sind Tabellen nötig. Skizzen: ϕ(x) Φ(x) x x Vert.dichte zur N(.5,2)-Vert.: Vert.dichte zur N(3,0.5)-Vert.: f(x) f(x) x.5 Satz 7.6.5: Für eine N(µ, ) - verteilte ZV X gilt: 3 x a) E(X) = µ b) V (X) = 2 ( (X) = ) 52
4 Satz 7.6.6: a) Für jede N(0, ) - vert. ZV Z gilt: ( Z) ist auch N(0, ) - vert. b) Φ( x) = Φ(x) (Anwendung: Berechnung von Φ(x) für x < 0) c) Für eine N(µ, ) - vert. ZV X gilt (F (x): Verteilungsfkt, f(x): Vert.dichte): i) X µ ist N(0, ) - verteilt ii) F (x) = Φ( x µ ), f(x) = x µ ϕ( ) iii) P (a X b) = Φ( b µ a µ ) Φ( ) iv) P (X < a) = P (X a) = Φ( a µ v) P ( X µ t ) = Φ(t) Φ( t) = 2 Φ(t) (t 0) ), P (X > a) = P (X a) = Φ( a µ ) insbesondere = für t =, = für t = 2, = für t = 3 Beweis: Es wird ohne Beweis verwendet, dass mit X auch die ZV α X + β, normalverteilt ist. a) P ( Z x) = P (Z x) = u z x ϕ(u)du = x P (Z x) ϕ( z) }{{} = ϕ(z)(geradef kt.) α 0, β IR, d z = x ϕ(z)d z = b) Φ( x) = P (Z x) = P ( Z x) = a) P (Z x) = P (Z < x) Z stet.zv = P (Z x) = Φ(x) c) i) E( X µ Satz a) b) ) Bem.: = (E(X) µ) = 0 (nach Satz 7.6.5) V ( X µ Satz a) b) ) = V (X) = (nach Satz 7.6.5) 2 Damit ist aufgrund der o. g. allgemeinen Eigenschaft X µ ii) F (x) = P (X x) = P ( f(x) = F (x) = Φ ( x µ X µ }{{ } N(0,) vert. nach i) ) = x µ ϕ( ) x µ ) = Φ( x µ ) N(0, )-vert. iii) P (a X b) X stet.zv = P (a < X b) ii) = F (b) F (a) ii) = Φ( b µ a µ ) Φ( iv) P (X a) = F (a) ii) = Φ( a µ X stet. ZV ), P (X a) = P (X < a) = P (X a) = Φ( a µ ) v) P ( X µ t ) = P (µ t X µ + t ) iii) = Φ(t) Φ( t) b) = 2 Φ(t) a) Es gilt auch allgemein: E(X) = µ V (X) = 2 = E( X µ X µ ) = 0, V ( ) = ; X µ ist eine standardisierte ZV b) Die Aussage in Satz c) v) gilt für allgemeine ZV höchstens näherungsweise. Eine exakte, aber z. T. wesentlich schlechtere Abschätzung liefert Satz 6.9. ) 53
5 Satz 7.6.7: X sei eine binomialvert. ZV mit den Parametern p und n. Dann gilt für 0 k k 2 n: (7.6.2) P (k X k 2 ) Φ( k 2 n p n p q ) Φ( k n p n p q ) (vgl. Satz 7.0.) oder mit höherer Genauigkeit, wenn k und k 2 ganze Zahlen sind: (7.6.3) P (k X k 2 ) Φ( k n p n p q ) Φ( k 0.5 n p n p q ) Dabei sollten folgende Bedingungen erfüllt sein: n 50 n p 5 n q 5. Bem.: a) Unter den Voraussetzungen von Satz sind auch die folgenden Wahrscheinlichkeiten mit Hilfe von (7.6.2) oder (7.6.3) zu bestimmen: P (X k 0 ) = P (k 0 X n), P (X k 0 ) = P (0 X k 0 ) (k 0 = 0,, 2..., n) b) Wird der Bereich der Argumentwerte von Φ in einer Tabelle wie etwa der ausgegebenen überschritten, so kann man z.b. folgende Eigenschaften benutzen: Für x 3.90 gilt 0 < Φ(x) < und damit Φ(x) =.0000 auf 4 Stellen nach dem Dezimalpunkt genau, für x 3.90 gilt 0 < Φ(x) < und damit Φ(x) = auf 4 Stellen nach dem Dezimalpunkt genau Hypergeometrische Verteilung Ausgangsproblem: Lieferung von N Stück, M davon defekt (N, M keine ZV); zufällige Auswahl einer Stichprobe von n Stücken und deren Untersuchung (o. Z. o. B. d. A.); Wahrscheinlichkeit, das m Stücke in der Stichprobe defekt sind, =?. Bem.: Dieses Verfahren ist günstiger als das Verfahren in Für die ZV X := Anzahl der defekten Stücke in der Stichprobe gilt: (7.6.4) P (X = m) = (M m)( N M n m ) ( N n) = ( m)( n M m) N n ( M) N Def : Die in (7.6.4) beschriebene Verteilung heißt hypergeometrische Verteilung mit den Parametern N, M, n. Bedingungen: N, M, n, m Z, 0 n N, 0 m M N, 0 n m N M ( m n) Herleitung von Formel (7.6.4): Nach Satz a) haben alle Kombinationen o. Z. o. B. d. A. von n aus N Stücken die Wahrscheinlichkeit / ( N n). Das Ereignis X = m erfasst dann alle Kombinationen, bei denen genau m defekte und damit (n m) nicht defekte Stücke ausgewählt werden. Die Anzahl der Möglichkeiten, m defekte Stücke für die Stichprobe aus M defekten Stücken der Lieferungen auszuwählen, beträgt ( M m), da dabei wie oben nach der Vorschrift o. Z. o. B. d. A. vorgegangen wird. Bei jeder solchen Auswahl muss dann die Stichprobe mit (n m) aus den (N M) nicht defekten Stücken der Lieferung aufgefüllt werden. Dafür gibt es ( N M) n m 54
6 Möglichkeiten, und zwar bei jeder Auswahl vom m defekten Stücken. Damit gibt es insgesamt ( M N M ) m)( n m Möglichkeiten für die Auswahl (o. Z. o. B. d. A.) von m defekten und (n m) nicht defekten Stücken. Dies ist also die Anzahl der Kombinationen o. Z. o. B. d. A., die von dem Ergebnis X = m erfasst werden, die dann nur mit der Wahrscheinlichkeit / ( N n) für jede dieser Kombinationen multipliziert zu werden braucht. Bem.: Eine ähnlich Herleitung für der Bin.-Vert. ist nicht möglich (vgl. Satz b)) Satz 7.6.8: Es sei X eine hypergeometrisch vert. ZV mit den Parametern N, M, n und Y eine binomialverteilte ZV mit den Parametern p = M N und n. Dann gilt: P (X = m) P (Y = m) = ( n) m p m ( p) n m Dabei sollten folgende Bedingungen erfüllt sein: N 000 n N 0.. Zur Näherung der Binominalverteilung vgl. die Sätze 7.6.4/7 Satz Für die ZV X aus Satz gilt: E(X) = n M N, V (X) = n M N N M N N n N 7.7 Gemeinsame Verteilung mehrerer Zufallvariabler Def. 7.7.: Es seien X, X 2,..., X n beliebige ZV. Dann heißt: F (x, x 2,..., x n ) := P (X x X 2 x 2... X n x n ) die gemeinsame Verteilungsfunktion der ZV X, X 2,..., X n. Sie ist eine mögliche Beschreibung der gemeinsamen Verteilung der ZV. Def : X sei eine diskrete ZV, die die Werte x 0 < x <..., < x n annehmen kann und Y eine diskrete ZV, die die Werte y 0 < y <... < y m annehmen kann. Dann beschreiben die Wahrscheinlichkeiten p i,j := P (X = x i Y = y i ) ebenfalls die gemeinsame Verteilung von X und Y. Satz 7.7.: Für die Werte p i,j aus Def gilt: a) 0 p i,j für i = 0,,..., n; j = 0,,..., m b) P (X = x i ) = m p i,j =: p i,, P (y = y j ) = n p i,j =: p,j j=0 i=0 Diese Größen beschreiben die Randverteilungen. Für diese Randverteilungen gilt: n n p i, = p,j = i=0 Schema: j=0 X Y y 0 y y 2... y m x 0 p 0,0 p 0, p 0,2... p 0,m p 0, x p,0 p, p,2... p,m p, x n p n,0 p n, p n,2... p n,m p n, p,0 p, p,2... p,m Def : F (x, x 2,..., x n ) sei die gemeinsame Verteilungsfunktion der ZV X, X 2,..., X n und F i (x i ) seien die Verteilungsfunktionen der einzelnen ZV X i. Dann heißen X, X 2,..., X n 55
7 (stochastisch) unabhängig, wenn für alle x, x 2,..., x n IR gilt: (7.7.) F (x, x 2,..., x n ) = F (x ) F (x 2 ) F (x n ) Bem.: Diese Def. ist konsistent mit der Def b) (Unabhängigkeit von n Ereignissen) Satz 7.7.2: Zwei diskrete ZV X, Y (aus Def ) sind genau dann unabhängig, wenn für alle i = 0,,..., n und j = 0,,..., m gilt: P (X = x i Y = y j ) = P (X = x i ) P (Y = y j ) d.h. p i,j = p i, p,j (Def. vgl. Satz 7.7.) 7.8 Kovarianz und Korrelation (7.8.) E(X + Y ) = E(X) + E(Y ) Satz 7.8.: V (X + Y ) = V (X) + V (Y ) + 2 Cov(X, Y ) Cov(X, Y ) := E(X Y ) E(X) E(Y ) heißt die Kovarianz von X und Y. Satz 7.8.2: Für X, Y aus Def gilt: Satz 7.8.3: X, Y unabhängig E(X Y ) = n ( m x i y i p i,j ) i=0 j=0 Cov(X, Y ) = 0 ZV X, Y mit Cov(X, Y )=0 heißen unkorreliert Satz 7.8.4: Die ZV X, X 2,..., X n sollen alle den gleichen Erwartungswert µ und die gleiche Varianz 2 besitzen. Dann gilt: a) E(X + X X n ) = n µ b) Im Fall der Unabhängigkeit der ZV: V (X + X X n ) = n 2 Def. 7.8.: Es seien X und Y zwei beliebige ZV mit V (X), V (Y ) > 0. Dann heißt ϱ(x, Y ) := Cov(X,Y ) der Korrelationskoeffizient von X und Y. V (X) V (Y ) Satz 7.8.5: X, Y seien ZV aus Def Dann gilt: a) ϱ(x, Y ), dabei nennt man X und Y unkorreliert, positiv korreliert, negativ korreliert, falls ϱ(x, Y ) = 0 ist, (vgl. o.) falls ϱ(x, Y ) > 0 ist, falls ϱ(x, Y ) < 0 ist b) ϱ(x, Y ) = + (bzw. -) Y = a + bx (fast sicher) für geeignete Konstante a IR und b > 0 (bzw. b < 0) Fasst man die Messwertpaare (x, y ), (x 2, y 2 ),..., (x n, y n ) als Realisation von einem Paar (X, Y ) von ZV auf, so ist (vergl. (6..6)) (xy x y) 2 b b 2 = (x 2 x 2 )(y 2 y 2 ), 56
8 wobei b (b 2 ) die Steigung der ersten (zweiten) Regressionsgerade ist, ein Schätzwert für (ϱ(x, Y )) 2. Damit wäre folgender Ausdruck ein Schätzwert für ϱ(x, Y ): (7.8.2) ˆϱ = xy x y x 2 x 2 y 2 y 2 Es gilt also: Beide Regressionsgeraden sind gleich b 2 = /b ˆϱ =. Außerdem gilt analog zu Satz 7.8.5b) nach (6..6): (7.8.3) ˆϱ = b b 2 = Alle Punkte (x i, y i ) liegen (exakt) auf einer Geraden. Allgemein gilt: (7.8.4) ˆϱ. Zur Bedeutung von ϱ: ˆϱ = xy x y x 2 x 2 y 2 y 2 = xy x y x 2 x 2 x 2 x 2 V ar(xi ) = b y 2 y 2 V ar(y i ) Ist also ( ϱ(x, Y ) := Cov(X, Y ) ) > 0 (< 0), (X) (Y ) so sind bei größeren Meßergebnissen x i bei der Meßgröße X entsprechend größere (kleinere) Meßergebnisse y i bei der Meßgröße Y zu erwarten, und zwar umso stärker, je größer ϱ ist. 7.9 Gesetz der großen Zahl Def. 7.9.: Eine unendliche Folge von ZV X, X 2,..., heißen eine Folge unabhängiger ZV, wenn je endlich viele der ZV unabhängig sind. Satz 7.9. (Tschebyscheff-Ungleichung): P ( X E(X) t (X)) t 2 Satz (Folgerung): Unter den Voraussetzungen von Satz b) gilt: P ( X +X X n n Satz (Starkes Gesetz der großen Zahl): µ α) 2 α 2 n (n IN, α > 0) a) Es sei X, X 2,... eine Folge unabhängiger ZV, die alle die gleiche Verteilung, den gleichen Erwartungswert µ und die gleiche Varianz 2 besitzen. Dann gilt: X +X X n n µ für n (fast sicher) b) A Ω sei ein Ereignis bei einem Zufallsexperiment, das beliebig oft wiederholt wird, und P (A) sei eine Wahrscheinlichkeit. Dann gilt für die rel. Häufigkeiten (vgl. Def ) h n (A) P (A) für n (fast sicher) 7.0 Zentraler Grenzwertsatz Satz 7.0.: Unter den Voraussetzungen von Satz a) gilt: P (a X + X X n n µ n b) Φ(b) Φ(a) für n, d.h. 57
9 Φ(b) Φ(a) für große n Bem. : Häufige Anwendung von Satz 7.0.: Annahme, dass eine unbekannte Verteilung durch eine Normalverteilung angenähert werden kann. Diese Anmahme ist nicht immer gerechtfertigt. 58
7.5 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
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
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
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........................
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
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
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 ]
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
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
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
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
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)
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
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
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.
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,
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
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
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
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,
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
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:
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
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
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
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
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,
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,...)
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
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
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
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
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
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
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
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
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
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.
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
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
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
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
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
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
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
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
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
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
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
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
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrFormelsammlung "Biometrie und Methodik"
Formelsammlung "Biometrie und Methodik" 1 Beschreibende Statistik Univariate Datenanalyse ( Beobachtungswerte x 1 ; :::; x n ) Absolute Häu gkeit Relative H keit/ Empirische Verteilung h k = n k =n Empirische
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
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)
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
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,
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
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
MehrKlausur Stochastik und Statistik 18. September 2012
Klausur Stochastik und Statistik 18. September 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht
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
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........................
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
MehrWahrscheinlichkeiten. Verteilungen
Wahrscheinlichkeiten. Verteilungen 2 2.1 Wahrscheinlichkeitsrechnung Das Ergebnis eines mit Zufälligkeit behafteten Versuchs nennen wir ein Ereignis. Beim Wurf einer Münze sind zwei Ereignisse möglich.
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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:
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
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
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
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
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:
Mehr1.5.4 Quantile und Modi
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.70. [Quantil, Modus] Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
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
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
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
Mehr