Ausgewählte spezielle Verteilungen
|
|
- Katarina Neumann
- vor 6 Jahren
- Abrufe
Transkript
1 Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen: Binomialverteilung hypergeometrische Verteilung PoissonVerteilung geometrische Verteilung stetige Verteilungen: Normalverteilung Exponentialverteilung χ 2, t und F Verteilung verteilungen.pdf, Seite 1
2 Bemerkung Die in der Praxis betrachteten Wahrscheinlichkeitsverteilungen enthalten in der Regel einen oder mehrere Parameter, deren Wert an die jeweilige Anwendung angepasst werden kann. Diese Parameter werden beispielsweise so gewählt, dass Erwartungswert und/oder Varianz mit beobachteten Daten übereinstimmen. verteilungen.pdf, Seite 2
3 Ein BernoulliExperiment ist ein Zufallsexperiment mit zwei möglichen Ausgängen Erfolg = 1 und Misserfolg = 0. Ist p (0; 1) die Erfolgswahrscheinlichkeit einer Bernoulliverteilten Zufallsvariable X (d. h. p = P(X = 1)), so gilt P(X = 0) = 1 p Für den Erwartungswert erhält man EX = P(X = 1) + P(X = 0) 0 = p. Aus X = X 2 (da X nur die Werte 0 und 1 annimmt) folgt E(X 2 ) = EX = p. Damit ist die Varianz V (X ) = E(X 2 ) (EX ) 2 = p p 2 = p (1 p). verteilungen.pdf, Seite 3
4 Die Binomialverteilung mit Parametern n N und p (0, 1) erhält man, wenn man n unabhängige BernoulliExperimente mit Erfolgswahrscheinlichkeit p ausführt. X ist dann die Zahl der Erfolge, also X = X 1 + X X n = n X i, i=1 wobei X 1,..., X n unabhängige Zufallsvariablen sind mit P(X i = 1) = p und P(X i = 0) = 1 p. Man schreibt X Bi(n, p), X b(n, p) oder X b n;p (X ist binomialverteilt mit Parametern n und p). verteilungen.pdf, Seite 4
5 Anwendung/Interpretation X beschreibt die Zahl der Erfolge in n Versuchen, wenn in jedem einzelnen Versuch die Erfolgswahrscheinlichkeit gleich p ist. Beispiele nfacher Münzwurf, p = 0, 5 Zahl der Sechsen bei nmaligem Würfeln, p = 1 6 Meinungsumfragen: Zahl der Befragten, die angeben, eine bestimmte Partei zu wählen Zahl der Patienten, bei denen ein Medikament wirksam ist Zahl der gebuchten Flugpassagiere, die tatsächlich am Flughafen erscheinen Qualitätskontrolle: Zahl der entdeckten fehlerhaften Artikel bei einer Stichprobe von n Artikeln verteilungen.pdf, Seite 5
6 Eigenschaften der Binomialverteilung Aus EX i = p und V (X i ) = p (1 p) folgt und EX = EX EX n = n p V (X ) = V (X 1 ) V (X n ) = n p (1 p) und damit σ X = V (X ) = np(1 p). Für k = 0,..., n gilt P(X = k) = b n;p (k) = ( ) n p k (1 p) n k k (Wahrscheinlichkeit für genau k Erfolge bei n Versuchen) Begründung: Es gibt ( n k) Möglichkeiten, die k Erfolge und n k Misserfolge auf n Versuche zu verteilen. Jede einzelne dieser Möglichkeiten hat die Wahrscheinlichkeit p k (1 p) n k. verteilungen.pdf, Seite 6
7 Beispiel Wahrscheinlichkeit von zwei Sechsen bei fünfmal Würfeln Es gibt folgende Möglichkeiten: 66XXX 6X 6XX 6XX 6X 6XXX 6 X 66XX X 6X 6X X 6XX 6 XX 66X XX 6X 6 XXX 66 Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit Dabei steht X für eine Augenzahl zwischen 1 und 5. Zusammen gibt es also 10 = ( 5 2) (5 über 2) Möglichkeiten, von denen jede die Wahrscheinlichkeit ( 1 2 ( 6) 5 3 6) hat. Die Wahrscheinlichkeit, dass eine dieser Möglichkeiten eintritt, liegt insgesamt bei ( ( 5 2) 1 2 ( 6) 5 ) 3 6 = %. verteilungen.pdf, Seite 7
8 Beispiel: Wahrscheinlichkeit für... 6 mal Wappen bei 10 Münzwürfen: b 10;0,5 (6) = ( 10 6 ) ( 1 2) 6 ( 1 2) 4 = 210 ( 1 2) 10 21%, 3 Sechsen bei 10 mal Würfeln: b 10;1/6 (3) = ( 10 3 ) ( 1 6) 3 ( 5 6) 7 16%, 30 Sechsen bei 100 mal Würfeln: b 100;1/6 (30) 0, 038%, zwischen 25 und 34 Sechsen bei 100 Würfen: P(X = 25) + P(X = 26) P(X = 34) = 34 k=25 b 100;1/6(k) 2, 2%, zwischen 11 und 20 Sechsen bei 100 Würfen: 80, 5%. verteilungen.pdf, Seite 8
9 Beispiel Binomialverteilung mit n = 20, p = 0, 7, die die typische Form einer Glockenkurve hat. verteilungen.pdf, Seite 9
10 Beispiel Binomialverteilung mit n = 200, p = 0, 7 verteilungen.pdf, Seite 10
11 Weitere Eigenschaften der Binomialverteilung Ist X b(n, p) und Y b(m, p) und sind X und Y unabhängig, so ist X + Y b(n + m, p). Dies folgt unmittelbar aus der Denition. Dabei ist wichtig, dass X und Y die gleiche Erfolgswahrscheinlichkeit p haben. Ist X b(n, p), so ist n X b(n, 1 p) (Zahl der Misserfolge). Bemerkung Es handelt sich tatsächlich um eine Wahrscheinlichkeitsverteilung, denn nach der binomischen Formel gilt 1 = 1 n = ( p + (1 p) ) n = n k=0 ( ) n p k (1 p) n k k verteilungen.pdf, Seite 11
12 Hypergeometrische Verteilung Beispiel: Von N = 50 Artikeln sind K = 5 fehlerhaft. Wie groÿ ist dann die Wahrscheinlichkeit, bei einer Stichprobe von n = 10 Artikeln k = 2 fehlerhafte zu entdecken? Die Binomialverteilung gibt hier die Wahrscheinlichkeiten nicht korrekt wieder, da z. B. die Wahrscheinlichkeit p 2, dass der zweite geprüfte Artikel defekt ist, davon abhängt, ob der erste defekt war oder nicht (p 2 ist entweder 4/49 oder 5/49). Ähnliche Fragestellung Wie groÿ ist die Wahrscheinlichkeit, dass ein Skatspieler genau zwei Buben bekommt? (hier ist N = 32, n = 10, K = 4 und k = 2). verteilungen.pdf, Seite 12
13 Antwort zum Skatbeispiel Es gibt insgesamt ( 32 10) = verschiedene Skatblätter (10 Karten von 32), die alle (Annahme einer LaplaceVerteilung!) gleich wahrscheinlich sind. Für die zwei Buben gibt es ( 4 2) = 6 Möglichkeiten (zwei von vier), ( für die übrigen 8 Karten (NichtBuben) gibt es 28 ) 8 = Möglichkeiten. Folglich gibt es insgesamt ( ) ( ) 8 = verschiedene Skatblätter mit genau zwei Buben. Die Wahrscheinlichkeit, eines davon zu bekommen, liegt bei ( K ) ( k N K ) ( 4 ( n k ( N = 2) 28 ) 8 ) = n) , 9% ( verteilungen.pdf, Seite 13
14 Denition Eine Zufallsvariable X mit P(X = k) = H(k n; K; N) = ( K ) ( k N K ) n k ( N n) für alle k Z mit k 0, k n und k K heiÿt hypergeometrisch verteilt mit den Parametern n, K, N N, Notation X H(n; K; N). Dabei muss gelten n N und K N. Anwendung/Interpretation Von N Objekten, von denen K eine besondere Eigenschaft haben, werden n zufällig ausgewählt. Die hypergeometrische Verteilung gibt für 0 k n die Wahrscheinlichkeit an, dass unter den n ausgewählten Objekten k die besondere Eigenschaft haben. verteilungen.pdf, Seite 14
15 Zum Skatbeispiel Hier ist N = 32 die Gesamtzahl der Karten. Davon haben K = 4 die Eigenschaft Bube. Zufällig ausgewählt werden n = 10 Karten (die ein Spieler ausgeteilt bekommt). Die Zahl X der darin enthaltenen Buben wird dann durch die hypergeometrische Verteilung X H(10; 4; 32) beschrieben. Es ist P(X = 0) 0, 203 = 20, 3%, P(X = 1) 0, 428 = 42, 8%, P(X = 2) 0, 289 = 28, 9%, P(X = 3) 0, 073 = 7, 3% und P(X = 4) 0, 006 = 0, 6%. verteilungen.pdf, Seite 15
16 Verteilung H(6; 6; 49) Zahl der Richtigen beim Lotto: Von N = 49 Kugeln werden n = 6 gezogen. Auf dem eigenen Tippschein sind K = 6 Gewinnzahlen angekreuzt. Bemerkung: P(X = 4) 0, 1%, P(X = 5) 0, 002% und P(X = 6) 0, % verteilungen.pdf, Seite 16
17 Erwartungswert und Varianz Ist X H(n; K; N), so ist EX = n K = n p N und V (X ) = n K (1 ) K N N N n N n = n p (1 p) N 1 N 1 mit p = K N. Bemerkung Ist N im Vergleich zu n sehr groÿ (in der Praxis etwa N 20n), so kann die hypergeometrische Verteilung durch die Binomialverteilung approximiert werden, d. h. H(k n; K; N) b n;p (k) mit p = K N. verteilungen.pdf, Seite 17
18 PoissonVerteilung Eine Zufallsvariable X heiÿt Poissonverteilt mit Parameter λ R, λ > 0, wenn P(X = k) = λk k! e λ für k = 0, 1, 2,... Berechnungen der PoissonVerteilung führen auf die Exponentialreihe (Taylorreihe der efunktion): Um zu zeigen, dass es sich tatsächlich um eine Wahrscheinlichkeitsverteilung handelt, betrachtet man k=0 P(X = k) = λ k k=0 k! e λ = e λ λ k k=0 k! = e λ (1 + λ λ λ ) = e λ e λ = 1 verteilungen.pdf, Seite 18
19 Approximation der Binomialverteilung Die PoissonVerteilung kann benutzt werden, um die Binomialverteilung für sehr kleine p und groÿe n zu approximieren (in der Praxis etwa für p 0, 01 und n 50). Dann ist b n;p (k) λk k! e λ mit λ = np. Anwendungen Zahl der Schadensfälle einer Versicherung Zahl der Anrufer einer Hotline oder Kunden in einem Geschäft Zahl der Aufrufe einer Internetseite Zahl von Meteoriten- oder Blitzeinschlägen Zahl der fehlerhaften Artikel in einer Produktion jeweils innerhalb eines festgelegten Zeitraums verteilungen.pdf, Seite 19
20 Beispiel 1 Die Zahl X der Schadensfälle einer Versicherung an einem Tag sei Poissonverteilt mit Paramater λ = 5. Dann ist P(X = 0) = 50 0! e 5 = e 5 0, 67% P(X = 1) = 51 1! e 5 = 5e 5 3, 37% P(X = 2) = 52 2! e 5 = 12, 5 e 5 8, 42% P(X = 5) = 55 5! e 5 = e 5 17, 55% P(X = 10) = ! e 5 1, 81% P(X 2) = P(X = 0)+P(X = 1)+P(X = 2) 12, 47% P(4 X 6) = P(X = 4)+P(X = 5)+P(X = 6) 49, 72% verteilungen.pdf, Seite 20
21 PoissonVerteilung mit λ = 5 verteilungen.pdf, Seite 21
22 Beispiel 2 Ein Unternehmen unterbreitet potentiellen Kunden ein Angebot und geht davon aus, dass dieses in 0, 2 % der Fälle angenommen wird. Die Zahl X der Kunden, die das Angebot annehmen, kann dann als binomialverteilt mit den Parametern n = und p = 0, 002 angenommen werden. Diese Binomialverteilung kann durch eine PoissonVerteilung mit Parameter λ = n p = 200 approximiert werden. Somit gilt z. B. für dei Wahrscheinlichkeit, dass genau 190 Kunden das Angebot annehmen P(X = 190) ! e 200 2, 243 %. Zum Vergleich: Der mit der Binomialverteilung berechnete exakte Wert liegt bei 2, 244 %. verteilungen.pdf, Seite 22
23 Erwartungswert und Varianz werden mit Hilfe der Exponentialreihe berechnet: Für den Erwartungswert einer Poissonverteilten Zufallsvariable X mit Parameter λ gilt EX = k=0 λ λk k e k! = λ e λ k=1 λ k 1 (k 1)! = λ e λ (1 + λ λ λ ) = λ e λ e λ = λ. Analog berechnet man die Varianz V (X ) = λ Summationseigenschaft Sind X und Y unabhängig und Poissonverteilt mit Parametern λ bzw. µ, so ist X + Y Poissonverteilt mit Parameter λ + µ. verteilungen.pdf, Seite 23
24 Erweiterung: PoissonProzess Ein PoissonProzess modelliert die Anzahl zufällig eintretender Ereignisse (wie Anrufe bei einer Telefonzentrale, Kunden in einem Geschäft, Meteoriteneinschläge etc.) als Funktion der Zeit. Er besteht aus einer Familie von Zufallsvariablen (X t ) t>0, d. h. für jeden Zeitpunkt t > 0 ist eine Zufallsvariable deniert, welche die Zahl der zwischen den Zeitpunkten 0 und t eingetretenen Ereingnisse beschreibt. Ein PoissonProzess mit Parameter λ > 0 ist dabei durch folgende Eigenschaften charakterisiert: für festes t > 0 ist X t Poissonverteilt mit Parameter tλ für 0 < t < s ist die Zufallsvariable X s X t unabhängig von X t und Poissonverteilt mit Parameter (s t)λ verteilungen.pdf, Seite 24
25 Die geometrische Verteilung gibt bei einem Versuch mit Erfolgswahrscheinlichkeit p die Zahl der Versuche bis zum ersten Erfolg wieder. Für n 1 ist P(X = n) = p (1 p) n 1 (n 1 Fehlversuche gefolgt von einem erfolgreichen Versuch). Mit q = 1 p erhält man mit Hilfe der geometrischen Reihe k=1 P(X = k) = p k=1 qk 1 = p (1 + q + q ) = p 1 1 q = p p = 1, also liegt tatsächlich eine Wahrscheinlichkeitsverteilung vor. verteilungen.pdf, Seite 25
26 Geometrische Verteilung mit Parameter p = 1 6 verteilungen.pdf, Seite 26
27 Eigenschaften Ist X geometrisch verteilt mit Parameter p, so gilt für Erwartungswert und Varianz EX = 1 1 p und V (X ) = σ p p X = 1 1 p. 2 p Die geometrische Verteilung ist gedächtnislos, denn für n, m N gilt P(X > n + m X > n) = P(X > m) (der linke Term bezeichnet die bedingte Wahrscheinlichkeit, dass nach n Misserfolgen weitere n Misserfolge folgen), d. h. die Wahrscheinlichkeit, dass die nächsten m Versuche Misserfolge sind, hängt nicht davon ab, wie viele Versuche man schon vorher gemacht hat. Die Berechnung von Erwartungswert und Varianz sowie der Nachweis der Gedächtnislosigkeit erfolgt mit Hilfe von Potenzreihen. verteilungen.pdf, Seite 27
28 Beispiel Die Zahl der Würfe, die man benötigt, um eine Sechs zu bekommen, ist geometrisch verteilt mit Parameter p = 1 6. Ihr Erwartungswert ist 1 = 6, d. h. im Durchschnitt werden 6 p Würfe benötigt. Die Varianz beträgt σ 2 = 1 p p 2 = 5/6 (1/6) 2 = = 30, die Standardabweichung σ = 30 5, 5. Es gilt P(X 5) = 1 (1 p) 5 0, 598, d. h. benötigt man in knapp 60% der Fälle maximal 5 Würfe, also weniger als im Durchschnitt. Anderseits werden nur in etwa 1 der Fälle mehr als 6 Würfe 3 benötigt, da P(X > 6) = ( 5 6 6) 0, 335. verteilungen.pdf, Seite 28
Spezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
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
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)
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
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
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
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
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
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
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrKursthemen 11. Sitzung. Spezielle diskrete Verteilungen: Auswahlexperimente. Spezielle diskrete Verteilungen: Auswahlexperimente
Kursthemen 11. Sitzung Folie I - 11-1 Spezielle diskrete Verteilungen: Auswahlexperimente Spezielle diskrete Verteilungen: Auswahlexperimente A) Kombinatorik (Folien bis 5) A) Kombinatorik (Folien bis
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
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
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.
MehrStetige 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
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)
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
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
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.
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
Mehr1 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
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.
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
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
Mehr6. 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,
MehrÜbungen zu Wahrscheinlichkeitstheorie und Statistik
Übungen zu Wahrscheinlichkeitstheorie und Statistik SS 2012 (Vorlesung von Prof. Reinhard Bürger) 1) Man gebe für die folgenden Experimente Wahrscheinlichkeitsmodelle an: (a) Wurf mit einer homogenen Münze,
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
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
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrBasistext - Wahrscheinlichkeitsrechnung
Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,
MehrVorlesung 9b. Bedingte Verteilungen und bedingte Wahrscheinlichkeiten
Vorlesung 9b Bedingte Verteilungen und bedingte Wahrscheinlichkeiten 1 Voriges Mal: Aufbau der gemeinsamen Verteilung von X 1 und X 2 aus der Verteilung ρ von X 1 und Übergangswahrscheinlichkeiten P(a
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrÜbungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten
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
MehrKombinatorik. 1. Beispiel: Wie viele fünfstellige Zahlen lassen sich aus den fünf Ziffern in M = {1;2;3;4;5} erstellen?
1 Kombinatorik Aus einer Grundgesamtheit mit n Elementen wird eine Stichprobe k Elementen entnommen. Dabei kann die Stichprobe geordnet oder ungeordnet sein. "Geordnet" bedeutet, dass die Reihenfolge der
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
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,
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 6
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 6 26. November 2012 Aufgabe 17 (4 Punkte): Sei X B(n, p) eine binomial verteilte Zufallsvariable, die ein Zufallseperiment mit n unabhängigen Wiederholungen
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrKombinatorik: Abzählverfahren (Teschl/Teschl 7) Summenregel. Allgemeiner
Kombinatorik: Abzählverfahren Teschl/Teschl 7 Fragestellung: Wie viele verschiedene Möglichkeiten gibt es, Elemente auszuwählen, z. B. Anzahl verschiedener möglicher Passwörter, IPAdressen, Zahlenkombinationen
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
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
MehrDie Voraussetzungen aus Klasse 8-10
Die Voraussetzungen aus Klasse 8-10 I. Grundlagen der Wahrscheinlichkeitsrechnung Zusammenstellung der Voraussetzungen: Pfadregel Ereignisse Additionssatz Ge gener eignis A B A B P(A B) = P(A) + P(B) P(A
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 ]
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren. 1. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen)
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜUNG. - LÖSUNGEN. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen Die Urne enthält 4 weiße und 8 rote Kugeln.
MehrWie sch atzt man effizient?
Vorlesung 8a Wie schätzt man Wie schätzt man effizient? Die Maximum-Likelihood Methode Die Maximum-Likelihood Methode BEISPIEL 1 BEISPIEL 1 Panther A BEISPIEL 1 Panther A Schätzung der deutschen Panzerproduktion
MehrGrundwissen zur Stochastik
Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrKapitel VII. Punkt- und Intervallschätzung bei Bernoulli-Versuchen
Kapitel VII Punkt- und Intervallschätzung bei Bernoulli-Versuchen Einführungsbeispiel: Jemand wirft einen korrekten Würfel 60 mal. Wie oft etwa wird er die 6 würfeln? Klar: etwa 10 mal, es kann aber auch
Mehr6 Kombinatorik: Einschluß-Ausschluß Formel. 6.1 Indikatorfunktionen. I A ist eine Zufallsvariable E[I A ] = P (A) IĀ = 1 I A I A B = I A I B
6 Kombinatorik: Einschluß-Ausschluß Formel 6.1 Indikatorfunktionen I A (ω) = { 1 falls ω A 0 falls ω A I A ist eine Zufallsvariable E[I A ] = P (A) IĀ = 1 I A I A B = I A I B I 2 A = I A V ar[i A ] = P
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
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
Mehr2. 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
MehrVorwort 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
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
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrWahrscheinlichkeitsrechnung
Abiturvorbereitung Wahrscheinlichkeitsrechnung S. 1 von 9 Wahrscheinlichkeitsrechnung Kombinatorik Formeln für Wahrscheinlichkeiten Bedingte Wahrscheinlichkeiten Zusammenfassung wichtiger Begriffe Übungsaufgaben
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrEs wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! =
Übungsblatt Höhere Mathematik - Weihenstephan SoSe 00 Michael Höhle, Hannes Petermeier, Cornelia Eder Übung: 5.6.00 Die Aufgaben -3 werden in der Übung am Donnerstag (5.6. besprochen. Die Aufgaben -6 sollen
MehrÜ b u n g s b l a t t 11
Einführung in die Stochastik Sommersemester 07 Dr Walter Oevel 8 007 Ü b u n g s b l a t t Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden Lösungen von -Aufgaben sind
MehrSchleswig-Holstein Kernfach Mathematik
Aufgabe 5: Stochastik Der Schokoladenhersteller Nikolaus Hase produziert für namhafte Discounter Ostereier. Auf Grund langjähriger Erfahrungen ist davon auszugehen, dass 95 % der Produktion der Norm entsprechen
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
MehrKlausur 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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrPflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg
Pflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com September 016
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrAufgabe 50. Ein Schießbudenbesitzer hat festgestellt, dass die Trefferwahrscheinlichkeit in den späten Abendstunden 0;1 pro Schuss beträgt.
Aufgabe 0 Ein Schießbudenbesitzer hat festgestellt, dass die Trefferwahrscheinlichkeit in den späten Abendstunden 0;1 pro Schuss beträgt. a) Wie hoch ist die Wahrscheinlichkeit, bei Schüssen mindestens
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen
Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Stetige Gleichverteilung Exponentialverteilung Normalverteilung Bibliografie: Prof. Dr. Kück Universität Rostock
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Was du wissen musst: Die Begriffe Zufallsexperiment, Ereignisse, Gegenereignis, Zufallsvariable und Wahrscheinlichkeit sind dir geläufig. Du kannst mehrstufige Zufallsversuche
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
Mehr