Statistik und Wahrscheinlichkeitsrechnung

Größe: px
Ab Seite anzeigen:

Download "Statistik und Wahrscheinlichkeitsrechnung"

Transkript

1 Statistik und Wahrscheinlichkeitsrechnung Übung 7 1

2 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess D.11: Wiederkehrperiode D.12: Extremwertverteilung Vorstellen der Hausübung D.13 2

3 Zufallsprozesse Für viele Ingenieurfragen müssen wir die zufälligen Schwankungen über die Zeit spezifischer erfassen können: Hochwasserereignis (diskret) Diskreter Zufallsprozess: Das zufällige Eintreten von Ereignissen zu diskreten Zeitpunkten (Unfälle, Steinschlag, Erdbeben, Stau, Versagen, usw.) Poissonprozess, Exponentialverteilung, Gammaverteilung Kontinuierlicher Zufallsprozess: Die zufälligen Ausprägungen von Ereignissen, welche kontinuierlich über die Zeit eintreten (Winddruck, Wellendruck, Temperaturen, usw.) (Normalprozess) Belastungsschwankungen aufgrund Wellen (kontinuierlich) 3

4 Stationarität Statistik und Wahrscheinlichkeitsrechnung 4

5 Ergodizität Beispiel für einen ergodischen Prozess a) 1000 Würfe mit einem Würfel b) Ein Wurf mit 1000 Würfeln Die Verteilung der Zahlen 1 bis 6 ist in beiden Fällen gleich! Aus einer ausreichend langen Zeitreihe lassen sich die Eigenschaften des Zufallsprozesses herleiten Die gleichen Eigenschaften können auch aus den Realisationen vieler Prozesse zum gleichen Zeitpunkt bestimmt werden 5

6 Poissonprozess Der Poissonprozess beschreibt eine zufällige Abfolge von diskreten Ereignissen. Er unterliegt folgenden Annahmen: Hochwasserereignis (diskret) 1. Die Wahrscheinlichkeit von zwei oder mehr Ereignissen in einem kleinen Zeitintervall sind vernachlässigbar klein. 2. Die auftretenden Ereignisse sind voneinander unabhängig. Anzahl Ereignisse in einem bestimmen Zeitintervall: Poissonverteilung Wartezeit zwischen zwei oder mehr Ereignissen: Exponentialverteilung, Gammaverteilung 6

7 Poissonprozess Statistik und Wahrscheinlichkeitsrechnung Poissonverteilung Pn t () t = Intensität (mittlere Anzahl Ereignisse pro Zeiteinheit t) n = Anzahl Ereignisse t = Zeitintervall [0;t[ u = Mittlere Anzahl Ereignisse in einem Zeitintervall t Homogener Poissonprozess () t konstant Nt () () t n u Pn t e n! u () t t u E Nt () u () tt Var N() t u () t t Inhomogener Poissonprozess () t nicht konstant Nt () P t n t u ( ) d 0 n u e n! u E Nt () u ( ) d Var N() t u ( ) d t 0 t 0 7

8 Poissonprozess Statistik und Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeit von keinem Ereignis in einem gegebenen 0 Zeitintervall t : u P0 t expuexpu 0! Homogener Poissonprozess P0 t exp tt t Inhomogener Poissonprozess P0 t exp ( ) d 0 Die kumulative Wahrscheinlichkeitsverteilungsfunktion der (Warte )Zeit bis zum ersten Ereignis T 1 Homogener Poissonprozess Inhomogener Poissonprozess F ( t ) 1 P( t ) 1exp( u) T T1 1 1 t F ( t ) 1exp( ( ) d ) T F ( t ) 1exp( t t ) Exponentialverteilung! 0 8

9 Aufgabe D.10 Statistik und Wahrscheinlichkeitsrechnung a) Das Auftreten von Regenereignissen in einem Gebiet innerhalb eines Jahres wird durch einen homogenen Poissonprozess mit der Intensität () t (mittlere Anzahl von Regenereignissen pro Zeiteinheit t) angegeben, wobei t in Monaten gemessen wird und im Intervall [0,12] definiert ist. () t 2 P () t n n u e n! u Bestimme die Wahrscheinlichkeit, dass im Zeitintervall vom 3. bis und mit 5. Monat kein Regenereignis genau ein Regenereignis stattfindet. Es wird angenommen, dass die Regenereignisse einem homogenen Poissonprozess mit der Intensität () t 2folgen. 9

10 Aufgabe D.10 a) Bestimme die Wahrscheinlichkeit, dass im Zeitintervall vom 3. bis und mit 5. Monat ( also in einem Zeitraum t = 3 Monate) kein Regenereignis genau ein Regenereignis stattfindet. Es wird angenommen, dass die Regenereignisse einem homogenen Poissonprozess mit der Intensität () t 2folgen. () t 2 P () t kein Regenereignis P t u 6 P e 0 e u u () t t 23 6 n u e n! 0 3 e n u genau ein Regenereignis 1 () u Pt 1 1! u e 6 P e e 1! (3)

11 Aufgabe D.10 b) Das Auftreten von Regenereignissen in einem Gebiet innerhalb eines Jahres wird nun durch einen inhomogenen Poissonprozess mit der Intensität ( ) angegeben, wobei in Monaten gemessen wird und im Intervall [0,12] definiert ist. Berechne die Wahrscheinlichkeit, dass in den ersten fünf Monaten des Jahres drei oder mehr Regenereignisse eintreten. 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 Unterschied zum homogenen Poissonprozess: Beim inhomogenen Poissonprozess variiert die Intensität mit der Zeit. 11

12 Aufgabe D.10 Intensität () (Mittlere Anzahl Ereignisse pro Zeiteinheit) 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 Der Poisson Parameter u für ein Zeitintervall [a, b] berechnet sich wie folgt: u b a ( ) d Mittlere Anzahl Ereignisse in [a, b] Daraus ergibt sich die Verteilung für die Anzahl Ereignisse n im betrachteten Zeitintervall [a, b]: n u Pn ([ a, b]) e n! u 12

13 Aufgabe D.10 b) Berechne die Wahrscheinlichkeit, dass in den ersten fünf Monaten des Jahres drei oder mehr Regenereignisse eintreten. 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 Vorgehen: Zufallsvariable N = Anzahl Regenereignisse in den ersten fünf Monaten Ermittle den Parameter u des Poissonprozesses Berechne die Wahrscheinlichkeit: n3 n P (5) 1 P(5) P(5) P(5) P () t n n u n! e u 13

14 Aufgabe D.10 b) Berechne die Wahrscheinlichkeit, dass in den ersten fünf Monaten des Jahres drei oder mehr Regenereignisse eintreten. 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 Bestimmung des Poisson Parameters 3 5 u ( ) d ( ) d d 2d u 3 u b a ( ) d 14

15 Aufgabe D.10 b) Berechne die Wahrscheinlichkeit, dass in den ersten fünf Monaten des Jahres drei oder mehr Regenereignisse eintreten. 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 n3 Berechne die Wahrscheinlichkeit: n P (5) 1 P(5) P(5) P(5) n 0 u u P0 (5) e e e n! 0! n 1 u u P1 (5) e e 7e n! 1! n 2 u u P2 (5) e e e n! 2! 2 P () t n n u u e u 7 n! 15

16 Aufgabe D.10 c) Wie gross ist die Wahrscheinlichkeit für das Eintreten von nicht mehr als einem Regenereignis jeweils während der zwei 3 monatigen Zeitintervallen vom 7. bis 9. Monat und vom 10. bis 12. Monat? Ereignis A repräsentiert das Eintreten von nicht mehr als einem Regenereignis in den Monaten 7,8 und 9. Ereignis B repräsentiert das Eintreten von nicht mehr als einem Regenereignis in den Monaten 10, 11 und 12. P[ A B] P( A) P( B) A und B unabhängig! 16

17 Aufgabe D.10 Als Mittelwert des Poissonprozesses ergeben sich für die beiden Intervalle in denen die Ereignisse unabhängig sind: 2 für ( ) 2 für 3 < 6 12 für 6 < 12 3 u u d d

18 Aufgabe D.10 c) Wie gross ist die Wahrscheinlichkeit für das Eintreten von nicht mehr als einem Regenereignis jeweils während der zwei 3 monatigen Zeitintervalle vom 7. bis 9. Monat und vom 10 bis 12 Monat PA ( ) e e ! 1! PB ( ) e e ! 1! PA ( B)

19 Quelle: 19

20 Aufgabe D.11 Eine Erdbebengefahrenkarte repräsentiert die Bodenbeschleunigung (m/s 2 ) für eine mittlere Wiederkehrperiode von 475 Jahren. 1 Erdbebengefährdung der Schweiz: Horizontale Bodenbeschleunigung (m/s 2 ), 10% Überschreitungswahrscheinlichkeit in 50 Jahren 20

21 Aufgabe D.11 Eine Erdbebengefahrenkarte repräsentiert die Bodenbeschleunigung (m/s 2 ) für eine mittlere Wiederkehrperiode von 475 Jahren. a) Zeigen Sie, dass die Wiederkehrperiode von 475 Jahren einer Überschreitungswahrscheinlichkeit von 0.1 in 50 Jahren entspricht. b) Wie gross ist die Wahrscheinlichkeit, dass ein Beben mit einer Wiederkehrperiode von 475 Jahren tatsächlich innerhalb der 475 Jahre auftritt? Es wird angenommen, dass das Auftreten der Erdbeben einem homogenen Poissonprozess folgt. Erdbebengefährdung der Schweiz: Horizontale Bodenbeschleunigung (m/s 2 ), 10% Überschreitungswahrscheinlichkeit in 50 Jahren 21

22 Aufgabe D.11 a) Bestätige diese Beziehung: Ereignis mit einer Wiederkehrperiode von 475 Jahren = Ereignis mit einer Überschreitungswahrscheinlichkeit von 0.1 in 50 Jahren Wiederkehrperiode T R = 475 Jahre Jährliche Überschreitungswahrscheinlichkeit: p 1 1 T 475 R Durchschnittliche Wartezeit bis zu einem Ereignis: 1 1 ET [ ] 475 p Die Zeit zwischen Ereignissen des homogenen Poissonprozessen ist exponentialverteilt. 22

23 Aufgabe D.11 a) Bestätige diese Beziehung: Ereignis mit einer Wiederkehrperiode von 475 Jahren = Ereignis mit einer Überschreitungswahrscheinlichkeit von 0.1 in 50 Jahren. Der Erwartungswert einer exponentialverteilten Zufallsvariable T ist gegeben als: ET [ ] = 1 () t = 475 () t = 1 ET [ ] = 1 T = 1 R 475 Die Wahrscheinlichkeit P (T 50), dass ein Ereignis in 50 Jahren überschritten wird, kann folgendermassen berechnet werden: (Skript Gleichung D.65) t t P T 50 Jahre 1e 1e

24 Aufgabe D.11 b) Wie hoch ist die Wahrscheinlichkeit, dass ein Erdbeben mit einer Wiederkehrperiode von 475 Jahren in den nächsten 475 Jahren auftritt? Die Wahrscheinlichkeit P (T 475), dass ein Ereignis innerhalb eines Zeitraums von 475 Jahren auftritt (überschritten wird), kann folgendermassen berechnet werden: t PT475 Jahre 1e 1e 1e

25 Aufgabe D.12 Es wird angenommen, dass der jährliche maximale Abfluss X eines bestimmten Flusses einer Gumbel max Verteilung mit dem Mittelwert = m 3 X /s und der Standardabweichung =3 000 m 3 /s folgt. X 25

26 Aufgabe D.12 Es wird angenommen, dass der jährliche maximale Abfluss X eines bestimmten Flusses einer Gumbel max Verteilung mit dem Mittelwert = m 3 X /s und der Standardabweichung =3 000 m 3 /s folgt. X a) Berechne die Wahrscheinlichkeit, dass der jährliche maximale Abfluss m 3 /s übersteigt. b) Wie gross ist der jährliche maximale Abfluss, welcher einer Wiederkehrperiode von 100 Jahren entspricht? c) Finde die kumulative Verteilungsfunktion, welche den jährlichen maximalen Abfluss des Flusses über einen Zeitraum von 20 Jahren beschreibt. Es wird angenommen, dass die jährlichen Maxima unabhängige Zufallsvariablen sind. d) Wie hoch ist die Wahrscheinlichkeit, dass der 20 jährige maximale Abfluss m 3 /s überschreitet? 26

27 Aufgabe D.12 Es wird angenommen, dass der jährliche maximale Abfluss X eines bestimmten Flusses einer Gumbel max Verteilung mit dem Mittelwert = m 3 X /s und der Standardabweichung =3 000 m 3 /s folgt. X Hinweis: Die Gumbel max Verteilungsfunktion hat folgende Form: x F ( x) exp exp ( xu) X X X u 6 u X X Mittelwert Standardabweichung Parameter der Verteilung Parameter der Verteilung (Skript Tabelle D.2) 27

28 Aufgabe D.12 a) Berechne die Wahrscheinlichkeit, dass der jährliche maximale Abfluss m 3 /s übersteigt. F ( x) exp exp ( xu) X P[ jährliches Max 15'000] 1F 15'000 1e X e 15'000u X X Parameter u und α ermitteln: u '000 6 x u x 10'000 8'

29 Aufgabe D.12 Statistik und Wahrscheinlichkeitsrechnung u 8' a) Berechne die Wahrscheinlichkeit, dass der jährliche maximale Abfluss m 3 /s übersteigt. 4 1F 15'000 1e X e 15'000u '0008' e 1e 1e e Die Wahrscheinlichkeit, dass die jährliche maximale Überschwemmung m 3 /s überschreitet, beträgt

30 Aufgabe D.12 b) Wie gross ist der jährliche maximale Abfluss, welcher einer Wiederkehrperiode von 100 Jahren entspricht? Wiederkehrperiode = 100 Jahre jährliche Überschreitungswahrscheinlichkeit: p 1 1 T P[ jährliches Max x] 1 P( X x) FX x 1 1 FX x

31 . Aufgabe D.12 Statistik und Wahrscheinlichkeitsrechnung b) Wie gross ist der jährliche maximale Abfluss, welcher einer Wiederkehrperiode von 100 Jahren entspricht? u 8' xu e 1 FX xe ln ln 0.99 ln ln 0.99 xu u x ln ln x 10' ' x x 19' Die Überschwemmung, welche einer Wiederkehrperiode von 100 Jahren entspricht, ist m 3 /s. 4 31

32 Aufgabe D.12 c) Finde die kumulative Verteilungsfunktion, welche den jährlichen maximalen Abfluss des Flusses über einen Zeitraum von 20 Jahren beschreibt. Es wird angenommen, dass die jährlichen Maxima unabhängige Zufallsvariablen sind. 32

33 Extremwertverteilungen Statistik und Wahrscheinlichkeitsrechnung Wenn die Extremwerte innerhalb einer Periode T eines ergodischen Zufallsprozesses X(t) unabhängig sind und der Verteilung max F X T, ( x) folgen, dann werden die Extremwerte des gleichen Prozesses innerhalb der Periode nt folgender Verteilung folgen: max max F, (), () n XnT x FXT x Skript, Gleichung D.78 33

34 Aufgabe D.12 c) Finde die kumulative Verteilungsfunktion, welche den jährlichen maximalen Abfluss des Flusses über einen Zeitraum von 20 Jahren beschreibt. Es wird angenommen, dass die jährlichen Maxima unabhängige Zufallsvariablen sind. Für unabhängige Zufallsvariablen ist die kumulative Verteilungsfunktion der grössten Extremwerte innerhalb eines Zeitintervalls nt gegeben als: max max F, ( ), ( ) n XnT x FXT x Skript, Gleichung D.78 Für das 20jährige Abfluss Maximum (y) mit n=20 bedeutet dies: 20 x u 20 e 20e F Y y P Y y FX x e e x u 34

35 Aufgabe D u 8' d) Wie hoch ist die Wahrscheinlichkeit, dass der 20 jährige maximale Abfluss m 3 /s überschreitet? '0008' e FY e e ' x u 20 e 20e F X x e e x u Die Wahrscheinlichkeit, dass die 20 jährige maximale Überschwemmung m 3 /s überschreitet, beträgt

36 Hausübung D.13 Der Verkehr auf einer Hauptstrasse kann als homogener Poissonprozess modelliert werden. Die Intensität 5 gibt dabei an, wie viele Fahrzeuge pro Minute an einem bestimmten Punkt vorbeikommen. a) Wie hoch ist die Wahrscheinlichkeit, dass der zeitliche Abstand zwischen zwei beliebigen Fahrzeugen ( x i in der Grafik) kleiner/gleich 10 Sekunden ist. Tipp: X i ist die Wartezeit bis zum nächsten Ereignis Exponentialverteilung 36

37 Hausübung D.13 b) Ein Autofahrer möchte von einer Nebenstrasse in die Hauptstrasse einbiegen (siehe Grafik). Damit dies möglich ist, benötigt er eine Lücke von mehr als 10 Sekunden zwischen zwei Fahrzeugen. Wie hoch ist die Wahrscheinlichkeit, dass 5 Fahrzeuge auf der Hauptstrasse vorbeifahren, ohne dass eine Möglichkeit zur Auffahrt besteht? Tipp: Die einzelnen Abstände sind voneinander unabhängig! P X 10 X X 10? c) Bestimme die Verteilung des maximalen Abstandes zum vorherigen Fahrzeug x i in einer Kolonne von 5 oder 10 Fahrzeugen. Stelle die zwei Dichtefunktionen in einer gemeinsamen Grafik dar Tipp: Bestimme zunächst die kumulativen Verteilungsfunktionen! 37

Exponentialverteilung

Exponentialverteilung Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:

Mehr

Statistik für Ingenieure Vorlesung 3

Statistik 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

Mehr

Wahrscheinlichkeitsrechnung

Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Übung 4 12.03.2008 1 Aufgabe 4.1 Die monatliche Aufwendung X [CHF] für den Wasserverbrauch einschliesslich h der Abwassergebühren eines 2 Personenhaushalts seien

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 08.04.2008 Der zentrale Grenzwertsatz Normalverteilung Die Wahrscheinlichkeitsdichteverteilung der Summe von Zufalls variablen konvergiert zu

Mehr

Statistik Übungen SS 2018

Statistik 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

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation

Mehr

Stochastik und Statistik für Ingenieure Vorlesung 4

Stochastik 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

Mehr

Stetige Verteilungen Rechteckverteilung

Stetige Verteilungen Rechteckverteilung Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a

Mehr

Zufallsvariable: Verteilungen & Kennzahlen

Zufallsvariable: Verteilungen & Kennzahlen Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert

Mehr

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung

Programm. 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

Mehr

Statistik Übungen WS 2017/18

Statistik 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

Mehr

Eine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann

Eine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann 4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)

Mehr

Lösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI

Lösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe

Mehr

2. Übung zur Vorlesung Statistik 2

2. Übung zur Vorlesung Statistik 2 2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen

Mehr

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch 6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6

Mehr

Basisprüfung B. Sc. FS 2009

Basisprüfung B. Sc. FS 2009 Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung FS 2009 Prof. Dr. M. H. Faber ETH Zürich Montag, 17. August 2009 14:00 16:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... Basisprüfung

Mehr

Übung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit

Übung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung

Mehr

Statistik III. Walter Zucchini Fred Böker Andreas Stadie

Statistik III. Walter Zucchini Fred Böker Andreas Stadie Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................

Mehr

Fit for Abi & Study Stochastik

Fit 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

Mehr

Statistik für Ingenieure Vorlesung 4

Statistik 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

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und

Mehr

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet

Mehr

Wirtschaftsmathematik

Wirtschaftsmathematik 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

Mehr

Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2

Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2 Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik Lösungsblatt zu Nr. 2 1. Für die

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

Wahrscheinlichkeitstheorie und Statistik

Wahrscheinlichkeitstheorie und Statistik Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter

Mehr

6.6 Poisson-Verteilung

6.6 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

Mehr

2. Übung zur Vorlesung Statistik 2

2. Übung zur Vorlesung Statistik 2 2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen

Mehr

Übungsscheinklausur,

Übungsscheinklausur, Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung 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

Mehr

2. Teilprüfung FS 2009

2. Teilprüfung FS 2009 2. Teilprüfung Statistik und Wahrscheinlichkeitsrechnung FS 2009 Prof. Dr. Michael Havbro Faber ETH Zürich Dienstag 19. Mai 2009 08:00 09:30 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... 2. Teilprüfung:

Mehr

Eindimensionale Zufallsvariablen

Eindimensionale Zufallsvariablen Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert

Mehr

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6

Lösungen 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

Mehr

1. Grundbegri e der Stochastik

1. Grundbegri e der Stochastik Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt

Mehr

Vorlesung: Statistik II für Wirtschaftswissenschaft

Vorlesung: 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

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsraume

Kapitel II Kontinuierliche Wahrscheinlichkeitsraume Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten

Mehr

Statistische Methoden in den Umweltwissenschaften

Statistische Methoden in den Umweltwissenschaften Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 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

Mehr

Referenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn

Referenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn 8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt

Mehr

Aufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen

Aufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),

Mehr

5. Spezielle stetige Verteilungen

5. 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Heute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung

Heute. 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

Mehr

Einführung: Extremwertstatistik in der Hydrologie

Einführung: Extremwertstatistik in der Hydrologie 1 Einführung: Extremwertstatistik in der Hydrologie Aufgaben der Extremwertstatistik in der Hydrologie Grundbegriffe Ermittlung der Verteilungsfunktion für hydrologische Extremwerte Anwendung der bekannten

Mehr

Der Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),

Der 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

Mehr

Biostatistik, Winter 2011/12

Biostatistik, 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

Mehr

Biostatistik, Winter 2011/12

Biostatistik, 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

Mehr

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen 6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,

Mehr

Biostatistik, Sommer 2017

Biostatistik, 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

Zuverlässigkeitstheorie

Zuverlässigkeitstheorie 3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli

Mehr

Basisprüfung B. Sc. WS 2009/10

Basisprüfung B. Sc. WS 2009/10 Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung WS 2009/10 Prof. Dr. M. H. Faber ETH Zürich Montag, 08. Februar 2010 14:00 16:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... 1/15

Mehr

Übungsaufgaben, Statistik 1

Übungsaufgaben, Statistik 1 Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama

Mehr

70 Wichtige kontinuierliche Verteilungen

70 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

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:

Mehr

Kapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung

Kapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.

Mehr

(8 + 2 Punkte) = = 0.75

(8 + 2 Punkte) = = 0.75 Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,

Mehr

Chi-Quadrat-Verteilung

Chi-Quadrat-Verteilung Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist

Mehr

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests

Mehr

Übungsaufgaben zu Kapitel 12 bis 14

Übungsaufgaben zu Kapitel 12 bis 14 Hochschule für Technik und Wirtschaft Dresden Wintersemester 0/6 Fakultät Informatik/Mathematik Prof. Dr. B. Jung Übungsaufgaben zu Kapitel bis Hinweis: Die Berechnung evtl. auftretender Integrale kann

Mehr

Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker

Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition 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)

Mehr

Werkzeuge der empirischen Forschung

Werkzeuge der empirischen Forschung Wolfgang Kössler Institut für Informatik, Humboldt-Universität zu Berlin SS2008 18. April 2008 Übersicht 1 2 Dateneingabe und Transformation Allgemeine Eingabe über die Eingabe durch externes File Wichtige

Mehr

Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen

Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen

Mehr

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit 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

Mehr

4 MEHRDIMENSIONALE VERTEILUNGEN

4 MEHRDIMENSIONALE VERTEILUNGEN 4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1

Mehr

Statistik Übungen SS 2017

Statistik Übungen SS 2017 Statistik Übungen SS 2017 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression

Übungsklausur 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

Mehr

Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen

Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. 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:

Mehr

Statistische Inferenz

Statistische Inferenz Statistische Inferenz Prinzip der statistischen Inferenz Datensätze = Stichproben aus einer Gesamtpopulation (meistens) Beispiel : Messung der Körpertemperatur von 106 gesunden Individuen man vermutet,

Mehr

Kapitel VI - Lage- und Streuungsparameter

Kapitel VI - Lage- und Streuungsparameter Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne

Mehr

Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.

Anliegen: 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

Mehr

Marcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 11. Winterthur, 10. Mai Institut für Datenanalyse und Prozessdesign

Marcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 11. Winterthur, 10. Mai Institut für Datenanalyse und Prozessdesign Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 10. Mai 017 1 Zufallsvariablen:

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel 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

Mehr

TU DORTMUND Sommersemester 2018

TU 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

Mehr

Diskrete Verteilungen

Diskrete 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

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig) ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels

Mehr

Elementarereignis: Stellt ein Einzelergebnis eines Zufallsexperimentes dar, wird oftmals mit E bezeichnet.

Elementarereignis: Stellt ein Einzelergebnis eines Zufallsexperimentes dar, wird oftmals mit E bezeichnet. Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Einführung in grundlegende

Mehr

Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)

Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel

Mehr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr

DWT 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

Mehr

SozialwissenschaftlerInnen II

SozialwissenschaftlerInnen II Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen

Mehr

Prof. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker

Prof. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie 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

Mehr

Einführung in die Stochastik 6. Übungsblatt

Einführung in die Stochastik 6. Übungsblatt Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.

Mehr

5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

5. 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

Mehr

Lösungen zu Übungsaufgaben Blatt 9

Lösungen zu Übungsaufgaben Blatt 9 Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht

Mehr

Übungen zur Vorlesung Statistische Methoden Kapitel 1-2

Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable

Mehr

1. Einführung in die induktive Statistik

1. 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

Mehr

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...

Mehr

falls rote Kugel im 1. Zug gezogen Die Ziehungen sind daher nicht unabhängig voneinander. Damit liegt kein Bernoulli-Prozess

falls 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.

Mehr

Schätzung der rohen Sterbenswahrscheinlichkeit

Schätzung der rohen Sterbenswahrscheinlichkeit Schätzung der rohen Sterbenswahrscheinlichkeit Sarah Kosjak 4.1.009 Inhaltsverzeichnis 1 Einleitung 1.1 Definitionen........................................ 1. Problemdarstellung....................................

Mehr

Vorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...

Vorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz... Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen

Mehr

Statistik Übungen WS 2016

Statistik Übungen WS 2016 Statistik Übungen WS 2016 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem

Mehr

Kapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen

Kapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen

Mehr

1. 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.

1. 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,

Mehr

Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen

Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl

Mehr