Statistik im Versicherungs- und Finanzwesen
|
|
- Jonas Müller
- vor 6 Jahren
- Abrufe
Transkript
1 Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statisti im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 204. Auflage Lösungssizzen der Übungsaufgaben zu Kapitel 6 [Text eingeben]
2 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 Aufgaben zu Abschnitt 6.3: Aufgabe 6.3.: a) Da es nur um die Auswahl verschiedener Zahlen geht, spielt die Reihenfolge der gezogenen Zahlen eine Rolle, so dass man genau 49 über 6 Möglicheiten hat, aus der Lottotrommel 6 verschiedene Zahlen auszuwählen, also ! 43! 6! b) Analog ergeben sich hier ! 3! 7! Möglicheiten. Möglicheiten. c) Jede Zahlensequenz eines Zahlenlottos ist gleich wahrscheinlich. Hinsichtlich der verschiedenen Ziehungsmöglicheiten liegt also ein Laplace-Modell vor. Beim Zahlenlotto liegt ein Volltreffer vor, wenn eine auf dem Tippschein angereuzte Sequenz mit der folgenden Ziehung übereinstimmt. Die Wahrscheinlicheit hierfür entspricht dem Kehrwert der Gesamtzahl der Sequenzen, die gezogen werden önnen. Also bietet das Zahlenlotto 7 aus 38 die höhere Chance auf einen Volltreffer. Aufgabe 6.3.2: a) Durch Probieren ann man Lösungen bestimmen, weiß allerdings nicht, ob man dadurch alle möglichen Lösungen gefunden hat. Die eindeutige Lösung ann aber berechnet werden:! ( ) 2 2 ( ) 28 2 ( 2)! 2! 2 2 Die Lösungen dieser quadratischen Gleichung sind / , 7,. Die positive Lösung = 8 ist die gesuchte eindeutige Lösung. b) 26 4 (! 4)! 4! ( ) ( 2) ( ) 6 ( ) ( 2 3 also 26 = 2 ( 3), d. h. = 9. Auch diese Lösung ist eindeutig. 0 2) , 4 Aufgabe 6.3.3: Wir bestimmen für = 0,, 2,..., 9, 0 die Wahrscheinlicheitsfuntion 0 0 X ~ fb( n; p) fb( 0; 0,4) 0,4 0, 6 und die Verteilungsfuntion P (X x) 0 0 FB (x n; p) FB (x 0; 0,4) 0,4 0, 6 x gemäß nachstehender Tabelle:
3 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 X = = ) ) 0 0,0060 0,0060 0,0403 0, ,209 0, ,20 0, ,208 0,633 0,2007 0, , 0, ,042 0, ,006 0, ,006 0, ,000,0000 E (X) n p 0 0,4 4; Var (X) n p q 0 0,4 0,6 2,4; σ (X) Var(X) 2,4, 49 Aufgabe 6.3.4: a) Die gesuchte Wahrscheinlicheit ann nicht mit Hilfe der Binomialverteilung berechnet werden, da es mehr als zwei disjunte Ergebnisse des Zufallsexperiments gibt. Es gibt jedoch eine Verallgemeinerung der Binomialverteilung auf Zufallsexperimente mit mehr als zwei möglichen Ergebnissen, die sogenannte Multinomialverteilung. b) In diesem Fall ist die Binomialverteilung anwendbar, da man die beiden Ergebnisse durchschnittlich und unterdurchschnittlich zum Ereignis nicht überdurchschnittlich mit Wahrscheinlicheit 0,3 + 0,2 = 0,6 zusammengefasst hat. Die gesuchte Wahrscheinlicheit entspricht der in der vorigen Aufgabe für den Fall = 4 berechneten. Generell ann man ein Zufallsexperiment, das beliebige unabhängige Wiederholungen zulässt und eine disjunte Ergebnismenge A, A 2,..., A N besitzt, deren Ergebnisse mit Wahrscheinlicheiten p, p 2,..., p N eintreten (p + p p N = ), indem man einzelne Ereignisse zu einem Ereignis ( Erfolg ), die verbleibenden Ergebnisse zum Komplementärereignis ( Misserfolg ) zusammenfasst, denen jeweils die Summenwahrscheinlicheit zugeordnet ist. So ann man beispielsweise beim fairen Würfel das Erfolgsereignis 6 mit Erfolgswahrscheinlicheit p = /6 und das Misserfolgsereignis eine 6 zur Komplementärwahrscheinlicheit q = /6 definieren, das sich aus den übrigen möglichen Wurfergebnissen, 2, 3, 4 und zusammensetzt.
4 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 Aufgabe 6.3.: Wir definieren eine disrete Zufallsvariable X, die die Anzahl der Erfolge beim genannten Bernoulli-Experiment angibt. Für beide Teilaufgaben ist die Binomialverteilung anwendbar, mit Parametern n = 20 und p = 0,9. a) Gesucht ist 3), die aus den Einzelwahrscheinlicheiten = 0) + = ) + = 2) + = 3) berechnet werden muss. Man berechnet also fb ( n;p) 0,9 0, 8, Die Wahrscheinlicheiten sind also vernachlässigbar, so dass ein tatsächlich beobachtetes Ergebnis von höchstens 3 Erfolgen sehr überraschend wäre. b) Gesucht ist 8), die aus den Einzelwahrscheinlicheiten =8) + = 9) + = 20) berechnet werden muss. Man berechnet also 20 fb( 8 n; p) ,9 20 0, 0,282 0,2702 0,26 0,6769. Eine Mindestzahl von 8 Erfolgen ist also ein erwartbares Resultat und önnte nicht überraschen. Aufgabe 6.3.6: Man ann die sinnvolle Annahme treffen, dass die Wahrscheinlicheit für die Inanspruchnahme eines Sontos für alle Rechnungen dieselbe ist und bei einer Rechnung nicht von anderen Rechnungsvorgängen abhängt (warum?). Die Zufallsvariable X, die unter sämtlichen neun Rechnungen diejenigen mit Sonto abzählt, beschreibt also einen Bernoulli- Vorgang mit Parametern n = 9 und p = 0,2. Somit wird 9 9 P (X ) 0,2 0, a) 0) 0,2 0,7 0,7 0, 07 0 b) P (X 9) ,2 0 0,7 9 0,2 3,8 0 c) 3) = = 0) + = ) + = 2) + = 3) = 0,07 + 0, , ,2336 = 0,8343 d) Hier verwendet man sinnvoll die Komplementärwahrscheinlicheit: 2) = < 2) = [ = 0) + = )] = [0,07 + 0,223] = 0, Aufgabe 6.3.7: a) ) fb( n;p) n p n q n (n ) ( (n ) 2 ) p n q n n (n ) (n 2) n q n n ( ) (p p) p q ( ) 2 q n p q ( f B n;p) n p q
5 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 b) Die mit den Parametern n = und p = 0,3 binomialverteilte Zufallsvariable X zähle die Anzahl der Fahrzeuge, die einen Blechschaden erleiden. Unter Anwendung der Reursion aus Teil a) füllt sich die Tabelle der Gesamtwahrscheinlicheiten wie folgt: = ) in % 0 = q = 0,7 = 0, ,47 = = 0) 0,3 = 0, ,7 3,0 2 = = ) 4 2 0,3 0,7 0,3 = 0,0960 9,6 3 3 = = 2) = 0, ,00 3 0,7 4 = = 3) 2 0,3 = 0, ,86 4 0,7 = = 4) 6 = = 7) 7 = = 6) 8 = = 7) 9 = = 8) 0 = = 9) = = 0) 2 = = ) 3 = = 2) 4 = = 3) = = 4) 0,3 = 0, ,6 0,7 0 0,3 = 0, ,72 6 0,7 9 0,3 = 0, , 7 0,7 8 0,3 = 0, ,48 8 0,7 7 0,3 = 0,09000,6 9 0,7 6 0,3 = 0, ,30 0 0,7 0,3 = 0, ,0 0,7 4 0,3 = 0, ,7 3 0,3 = 0, ,7 2 0,3 = 0, ,7 0,3 = 0, ,7
6 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 Aufgabe 6.3.8: a) Die Zufallsvariable X gebe die Anzahl der Bürger mit einem Atiendepot in der Stichprobe an. Die Binomialverteilung zu den Parametern n = 0 und p = 0,7 beschreibt den Vorgang: P (X 7) 7) ,7 7) 2 0,3 0, ,7 0, ,7 0,233 0,2 0,028 0,382 ; b) Die Zufallsvariable X zählt die Todesfälle unter den 0-Jährigen des Versicherungsbestandes. X ist binomialverteilt mit den Parametern n = 8.73 und p = 0,002: 8.73 n P (X ) fb( 8.73; 0,002) 0,002 0, 998 = ) = f B ( 8.73; 0,002) = 0,083 = 6) = f B (6 8.73; 0,002) = 0,0932 = 7) = f B (7 8.73; 0,002) = 0,098 = 8) = f B (8 8.73; 0,002) = 0,0930 = 9) = f B (9 8.73; 0,002) = 0,08 = 20) = f B ( ; 0,002) = 0,0746 Offensichtlich verändern sich die Wahrscheinlicheiten in der Nähe des Erwartungswerts E(X) = n p = 7,47 nur moderat, der Gipfel der Verteilung verläuft also recht flach. Ein Maß dafür ist die Standardabweichung σ (X) npq 4, 8. Diese nimmt bei onstanter Erfolgswahrscheinlicheit p mit n zu. Aufgabe 6.3.9: n n n (n ) (n 2)... (n ) n (n ) (n 2)... (n [ ] ) ( ) ( 2) ( ) ( ) ( 2) n (n ) (n 2)... (n ) n (n ) (n 2)... (n ) ( ) ( 2) ( ) ( ) ( 2) n (n ) (n 2)... (n ) ( ) n (n ) (n 2)... (n ) ( ) ( ) ( 2) ( ) ( ) ( 2) [n (n )... (n ) ( )] [n (n )... (n ) (n )] ( ) ( ) ( 2) Bruch vereinfacht Hauptnenner gebildet zusammengefasst n (n )... (n ) [( ) (n )] Distributivgesetz ( ) ( ) ( 2) n (n )... (n ) [n ] zusammengefasst ( ) ( ) ( 2) (n ) n (n )... ([n ] [ ] ) (n + ) anders geschrieben ( ) ( ) ( 2) n Aha!
7 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 Aufgaben zu Abschnitt 6.4: Aufgabe 6.4.: Jede Person ann höchstens einmal befragt werden, so dass für die zufallsabhängige Anzahl X der mit Samstagsarbeit einverstandenen Mitarbeiter in der befragten Stichprobe die hypergeometrische Verteilung anwendbar ist mit N = 30 (alle Mitarbeiter), M = (mit Samstagsarbeit einverstandene Mitarbeiter), n = (befragte Mitarbeiter). 2 a) P (X 0) , b) P (X 3) 0,02 0,0009 0, , Aufgabe 6.4.2: a) Die disrete Zufallsvariable X der Anzahl roter Kugeln in der Auswahl von 8 der 20 Kugeln ann nur die Werte 0,, 2 oder 3 annehmen: P (X ) Die onreten Werte belaufen sich auf: = ) 0,930 0,4632 0,2947 0,049 b) X ann jetzt die ganzen Zahlen zwischen 0 und 2 annehmen: P (X ) Die onreten Werte belaufen sich auf: = ) = ) = ) 0 0, , ,030 0, , , , ,733 0, , , , ,490
8 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 Abbildungen: Aufgabe 6.4.3: Die Zufallsvariable X zählt die gezogenen roten Kugeln, so dass 0 X min(n, M). Die Obergrenze ist hier nicht einfach n, da die Anzahl natürlich nicht größer werden ann, als überhaupt rote Kugeln zur Auswahl stehen. Die Lösungsdiagramme zeigen den Verlauf des Fehlerbetrags als Stabdiagramm (line Sala) und die exaten Auswahlwahrscheinlicheiten lt. hypergeometrischer Verteilung als dünne Linie (rechte Sala). Interessant ist jeweils der Bereich zwischen etwa 2, Standardabweichungen unterhalb und oberhalb des Erwartungswerts, der immer am höchsten Punt der Wahrscheinlicheitsurve liegt. Denn dieser Bereich umfasst über 99% der Wahrscheinlicheitsmasse; so dass es sehr unwahrscheinlich ist dass X Werte außerhalb dieses Bereichs annimmt. E(X) = 20; 2,σ(X) = 9, E(X) = 0; 2,σ(X) = 6,9 E(X) = 4; 2,σ(X) = 4,4 E(X) = 0; 2,σ(X) = 7, E(X) = ; 2,σ(X) =,2 E(X) = 4; 2,σ(X) = 4,4
9 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 E(X) = ; 2,σ(X) =,2 E(X) = 2,; 2,σ(X) = 3,8 E(X) = ; 2,σ(X) = 2,4 Die Fehlergröße nimmt generell in den Randbereichen der Verteilung zu, weil dort die Absolutwerte der Wahrscheinlicheiten sehr lein werden, ein gleich hoher absoluter Approximationsfehler wie im Zentralbereich also zu einem größeren relativen Fehler führt. Es ist schön zu sehen, dass die Fehlergrößen im zentralen Bereich mit dem Auswahlsatz abnehmen. Zudem fällt auf, dass sich die Fehlergröße bei leiner werdendem Anteil M/N roter Kugeln nur moderat vergrößert. Der Auswahlsatz ist also die deutlich gewichtigere Bedingung, so dass in der Praxis oft auch nur er als Approximationsbedingung Anwendung findet: n < 0,0 N. Aufgabe 6.4.4: Variante a) steht für das hypergeometrische, Variante b) für das Binomialverteilungsmodell. Bei leiner Stichprobe ( lein im Verhältnis zur Grundgesamtheit, n < 0,0 N) ann Variante a) näherungsweise wie Variante b) behandelt werden: Nehmen wir für die Grundgesamtheit N = Personen an, von denen der Aussage zustimmen. Dies bedeutet einen Anteil p = M/N = 0,3. Bei Auswahl einer Person sind folgende Fälle möglich: Wenn die Person der Aussage zustimmt, ändert sich der Anteil der Zustimmer auf 2.999/9.999 = 0,29993, der Anteil der Nichtzustimmer auf 7.000/9.999 = 0, Wenn die Person der Aussage nicht zustimmt, ändert sich der Anteil der Zustimmer auf 3.000/9.999 = 0,30003, der Anteil der Nichtzustimmer auf 6.999/9.999 = 0, In beiden Fällen bleiben also die Wahrscheinlicheiten nahezu unverändert. Erst bei größeren Auswahlsätzen ann sich eine spürbare Verschiebung der Mengenverhältnisse ergeben. Variante b) wird deshalb auch als unendliche Grundgesamtheit bezeichnet, weil die Wahrscheinlicheiten sich unabhängig vom Auswahlsatz nicht ändern önnen. Da man Stichprobenverfahren normalerweise zum Zwec der Aufwandsredution bzw. zur Vermeidung von Vollerhebungen durchgeführt werden, ist in der Praxis die leine Stichprobe die Regel, so dass man die Wahrscheinlicheit, bei zufälliger Auswahl mit Wahrscheinlicheit p = M/N eine Person zu erwischen, die der Aussage zustimmt, als onstant annehmen ann.
10 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 Aufgaben zu Abschnitt 6.: Aufgabe 6..: Die Zufallsvariable X zählt die mediationswilligen Kunden eines Tages. Der Erwartungswert = 2 ist vorgegeben. Damit wird 0 2 und a) 0) e e 0, 3 0! b) ) e 2 e 0,27 2) 2) 2) 0, 323!. Aufgabe 6..2: X misst die Zahl schwerer Erdbeben in einem Jahrhundert. Pro Jahrhundert ist mit 0,7 Erdbeben zu rechnen und folglich 0 0,7 0,7. 0) 0! e 0,472; ) 0,34; 2) 0,33 Aufgabe 6..3: Für einzelne Werte der binomialverteilten Zufallsvariable X werden die exat berechnete Wahrscheinlicheit und der Prozentbetrag des relativen Fehlers zur Poisson-Approximation angegeben. Neben dem Erwartungswert werden und 2 betrachtet, so dass P( X 2 ) 0,9. In der Nähe des Erwartungswerts unterschreitet der relative Fehler ab ca. p < 0, die Größenordnung von %, in den Randbereichen für p < 0,0. Der Einfluss der Wiederholungszahl n erscheint dagegen geringer. n = 0 p = 0,2 = 2 n = 0 p = 0, = n = 0 p = 0,0 = 0, = ) e [%] = ) e [%] = ) e [%] 0 0,07 26,0 0 0,349, 0 0,99,3 2 0,302-0,4 0,387 -,0 0,3-3,8 4 0,088 2,4 3 0,07 6,8 2 0,07,6 n = 30 p = 0,2 = 6 n = 30 p = 0, = 3 n = 30 p = 0,0 =, K = ) e [%] = ) e [%] = ) e [%] 2 0,034 60,2 0,4,7 0 0,2 4,0 6 0,79-0, 3 0,236 -, 0,339 -,2 0 0,03 6,4 6 0,047 6,4 2 0,29-2,9 4 0,04 4,3 n = 00 p = 0,2 = 20 n = 00 p = 0, = 0 n = 00 p = 0,0 = = ) e [%] = ) e [%] = ) e [%] 3 0,022 2,6 0,034,7 2 0,08 3,7 20 0,099-0, 0 0,32 -, 0,80-2, 27 0,022 7,2 0,033 6,2 9 0,03 3,9 n = 00 p = 0,2 = 00 n = 00 p = 0, = 0 n = 00 p = 0,0 = 2 = ) e [%] = ) e [%] = ) e [%] 83 0,007 30,4 38 0,02 2,6 6 0,04 7, 00 0,04-0,6 0 0,09 -, 2 0,082-2, 7 0,007 26,3 62 0,02 0,0 34 0,0,2
11 Grimmer Statisti im Versicherungs- und Finanzwesen,. Auflage 204 Aufgabe 6..4: Der von abhängige Teil der Poisson-Formel lautet /!. Während für steigende der Zähler stets um denselben Fator zunimmt, wächst der Nenner immer stärer mit steigendem. Für < wächst demnach der Zähler schneller, für > hingegen der Nenner, so dass die Wahrscheinlicheiten zunächst mit anwachsen, bei den größten Wert annehmen und für > wieder sinen. Offenbar gilt nur für ganzzahlige und = : )! e ( e )! ( e )! ) Aufgabe 6..: a) ) e e )! ( )! b) Es handelt sich um ein Bernoulli-Experiment, das in der 8.73-maligen Entscheidung für einen Todesfall (p = 0,002) oder Erlebensfall (q = p = 0,998) besteht. Die Zufallsvariable X zähle die Todesfälle eines Jahres. Mit Hilfe der Binomialverteilung önnen die Wahrscheinlicheiten modell-exat berechnet werden. Wegen der großen Zahl (n = 8.73) von Versuchen und der niedrigen Erfolgswahrscheinlicheit ann die Poissonverteilung zum Parameter = n p = 7,47 als Näherungsverfahren eingesetzt werden. Diese Berechnung ist weniger aufwendig, da nur ein Berechnungsparameter zu berücsichtigen ist. Es ergeben sich die Approximativwahrscheinlicheiten 7,47 7,47 7,47 ) e 0,0826; P (X 6) ) 0,0930;! 6! 7,47 7) 6) 0,0967; = 8) 0,09286; = 9) 0,0838 und = 20) = 0, ! Der relative Approximationsfehler liegt im Bereich von einem Promille, die Näherungsrechnung ist also ziemlich genau.
12
Statistik im Versicherungs- und Finanzwesen
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel
MehrAufgabe 8: Stochastik (WTR)
Abitur Mathematik: Nordrhein-Westfalen 2013 Aufgabe 8 a) (1) WAHRSCHEINLICHKEIT FÜR KEINE ANGABE ERMITTELN Nach der Laplace Formel ist Anzahl der Personen, die keine Angabe machten keine Angabe Gesamtzahl
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrWAHRSCHEINLICHKEITSTHEORIE. 1. Elementare Kombinatorik Wir betrachten die Frage wieviele Möglichkeiten es gibt, aus n unterschiedlichen
WAHRSCHEINLICHKEITSTHEORIE 1. Elementare Kombinatori Wir betrachten die Frage wieviele Möglicheiten es gibt, aus n unterschiedlichen Objeten auszuwählen. Dabei müssen wir sowohl unterscheiden ob ein Objet
MehrKAPITEL 2. Kombinatorik
KAPITEL 2 Kombinatori In der Kombinatori geht es um das Abzählen von Kombinationen 21 Geburtstagsproblem Beispiel 211 (Geburtstagsproblem In einem Raum befinden sich 200 Studenten Wie groß ist die Wahrscheinlicheit,
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
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:
Mehrfalls rote Kugel im 1. Zug gezogen Die Ziehungen sind daher nicht unabhängig voneinander. Damit liegt kein Bernoulli-Prozess
6.4 Hypergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln sind nicht rot. Wir entnehmen n Kugeln, d.h. Stichproben vom Umfang n.
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
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
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
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
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)
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
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
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 14.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathemati II (LVA 401-0622-00 U) Lösung 10 Zur Übungsstunde vom 14.05.2010 Aufgabe 28 (Die Gleichverteilung)
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
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
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)
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
MehrStatistik für Ingenieure Vorlesung 4
Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete
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
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 07. Januar 2015 Klausuranmeldung Prüflinge müssen sich bis spätestens 14 Tage vor
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
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
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
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
Mehr1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen
6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei
MehrDiskrete Wahrscheinlichkeitsverteilung
Disrete Wahrscheinlicheitsverteilung Disrete Wahrscheinlicheitsverteilung Binominalverteilung [] S. [] S. ORIGIN Wahrscheinlicheitsverteilung Die umultative Binominalverteilung geht auf den Binomischen
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
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:
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
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
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.
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
MehrLösungsskizzen zur Präsenzübung 09
Lösungsskizzen zur Präsenzübung 09 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 2016 von:
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
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
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
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrDiskrete Zufallsvariable*
Diskrete Zufallsvariable* Aufgabennummer: 1_37 Aufgabentyp: Aufgabenformat: Multiple Choice (1 aus 6) Grundkompetenz: WS 3.1 Typ 1 T Typ Die unten stehende Abbildung zeigt die Wahrscheinlichkeitsverteilung
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
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
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,
MehrKombinatorik kompakt. Stochastik WS 2016/17 1
Kombinatorik kompakt Stochastik WS 2016/17 1 Übersicht Auswahl/Kombinationen von N aus m Elementen Statistische unterscheidbare ununterscheidbare Physik Objekte (gleiche) Objekte ( ohne m N m+n 1 ) N mit
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
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
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. Approximation der Binomialverteilung durch die Normalverteilung
7. Approximation der Binomialverteilung durch die Normalverteilung Die Berechnung der Binomialverteilung ist wegen der Binomialkoeffizienten nicht unproblematisch. Man kann sie deshalb in gewissen Fällen
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
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
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
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
MehrAufgabe 10 Die Zufallsvariable ist binomialverteilt mit
Level Grundlagen Blatt 2 Dokument mit 8 Aufgaben Aufgabe Die Zufallsvariable ist binomialverteilt mit und,3. Welches der beiden Histogramme zeigt die Wahrscheinlichkeitsverteilung von? Begründen Sie Ihre
MehrM13 Übungsaufgaben / pl
Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
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
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrSS 2017 Torsten Schreiber
173 Diese Lücken sollten nicht auch bei Ihnen vorhanden sein: Wird die Anordnung von unterschiedlichen Objekten eines Experiments untersucht, so handelt es sich um eine. Möchte man die Anzahl der möglichen
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
MehrBinomialverteilung Vertrauensbereich für den Anteil
Übungen mit dem Applet Binomialverteilung Vertrauensbereich für den Anteil Binomialverteilung Vertrauensbereich für den Anteil 1. Statistischer Hintergrund und Darstellung.... Wie entsteht der Vertrauensbereich?...
Mehr: p= 1 6 ; allgemein schreibt man hierfür H : p = p. wird Gegenhypothese genannt und mit H 1 bezeichnet.
Einseitiger Signifikanztest Allgemein heißt die Hypothese, dass eine vorgelegte unbekannte Wahrscheinlichkeitsverteilung mit einer angenommenen Verteilung übereinstimmt, Nullhypothese und wird mit H 0
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
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
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
Mehr1 Relevante Beispiele für Verteilungen auf R
Prof. Dr. H. Zähle Vorlesung Sachversicherungsmathemati, Anlage 1 Universität des Saarlandes, SS 2010 1 Relevante Beispiele Verteilungen auf R Wir bezeichnen die Menge aller W-Maße auf (R, B(R)) mit M
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
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
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
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrMusterlösung. Abitur Mathematik Bayern G Bayern Aufgabe 1. Abitur Mathematik: Musterlösung. Stochastik II
Abitur Mathematik: Bayern 2012 Aufgabe 1 a) VIERFELDERTAFEL P(R ) = 88 % und P(V) = 18 % stehen in der Aufgabenstellung. 60 % in der Angabe stehen für die bedingte Wahrscheinlichkeit P R (V). P(R V) =
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
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
MehrStatistik Übungen WS 2017/18
Statistik Übungen WS 2017/18 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
MehrZiel der Wahrscheinlichkeitsrechnung. Teil V. Wahrscheinlichkeitsrechnung. Experiment: Wurf eines Würfels
Ziel der Wahrscheinlicheitsrechnung Teil V Wahrscheinlicheitsrechnung Aussagen über Experimente und Prozesse mit unsicherem Ausgang. Beispiele Würfeln Literatur: Ziehen von Losen aus einer Urne Glücsspiele
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
MehrPrüfungsteil 2, Aufgabe 8 Stochastik
Prüfung Mathematik Nordrhein-Westfalen 2013 (LK) Aufgabe 7: (WTR) Abitur Mathematik: Prüfungsteil 2, Aufgabe 8 Nordrhein-Westfalen 2012 GK Aufgabe a (1) und (2) 1. SCHRITT: VERTEILUNG ANGEBEN Da die Anzahl
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜBUNG 7.2 - LÖSUNGEN POISSONVERTEILUNG. Fahrzeuge, die eine Brücke passieren Zufallsexperiment: Zeitpunkt des
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr
Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne
MehrStatistik Übungen SS 2018
Statistik Übungen SS 2018 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrPrüfungsteil 2, Aufgabe 8 Stochastik
Prüfung Mathematik Nordrhein-Westfalen 2013 (LK) Aufgabe 8: (WTR) Abitur Mathematik: Prüfungsteil 2, Aufgabe 8 Nordrhein-Westfalen 2012 LK Aufgabe a (1) und (2) 1. SCHRITT: VERTEILUNG ANGEBEN Da die Anzahl
MehrPrüfungsteil 2, Aufgabe 6. Stochastik. Nordrhein-Westfalen 2014LK. Aufgabe 6. Abitur Mathematik: Musterlösung
Abitur Mathematik: Prüfungsteil 2, Aufgabe 6 Nordrhein-Westfalen 2014LK Aufgabe 6 a) (1) 1. SCHRITT: MODELLIERUNG MIT EINER BERNOULLIKETTE Wir modellieren die Situation mit einer Bernoullikette der Länge
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
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 ]
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
Mehr