Teil IV. Diskrete Verteilungen. Woche 3: Verteilungen. Diskrete Zufallsvariablen Wiederholung. Lernziele
|
|
- Katja Möller
- vor 6 Jahren
- Abrufe
Transkript
1 Woche 3: Verteilungen Teil IV Patric Müller Diskrete Verteilungen ETHZ WBL 17/19, Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit und Statistik 2 / 44 WBL 2017 Lernziele Diskrete Zufallsvariablen Wiederholung Sie können die Verteilung einer diskreten Zufallsvariablen angeben... Erwartungswert und Varianz diskreter Zufallsvariablen berechnen... mit binomial- und Poisson-verteilten Zufallsvariablen rechnen... eine Zählgrösse mit einer passenden Verteilung modellieren Vorlesung basiert auf Kapitel 2.6 und 2.8 des Skripts. Definition Eine Zufallsvariable X ist eine Funktion, die einen Grundraum Ω nach R abbildet: X : Ω R. Bis jetzt haben wir nur diskrete Zufallsvariablen betrachtet, d.h. die Variable konnte nur Werte aus einer (möglicherweise unendlich langen) Liste annehmen: X : Ω { 1, 2,...}. Definition Die Verteilung einer diskreten Zufallsvariablen ist spezifiziert durch die Wahrscheinlichkeitsverteilung P(X = 1 ), P(X = 2 ), P(X = 3 ),..., die jedem möglichen Wert von X die Wahrscheinlichkeit zuordnet, dass er angenommen wird. Wahrscheinlichkeit und Statistik 3 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 4 / 44 WBL 2017
2 Diskrete Zufallsvariablen Wiederholung Definition Die kumulative Verteilungsfunktion einer Zufallsvariablen X ist die Funktion F X () = P(X ). Ist die Wahrscheinlichkeitsverteilung einer Zufallsvariable bekannt, dann kann man auch die kumulative Verteilungsfunktion bestimmen und umgekehrt. Wahrscheinlichkeit und Statistik 5 / 44 WBL 2017 Diskrete Zufallsvariablen Wiederholung Zwei sehr wichtige Merkmale einer (diskreten) Zufallsvariable sind: Definition (Erwartungswert und Varianz) Der Erwartungswert von X ist definiert als E(X ) = k P(X = k ). k Die Varianz von X ist definiert als Var(X ) = ( k E(X )) 2 P(X = k ). k Zur Erinnerung: Eigenschaften diskreter Zufallvariablen Normalisierung: P(X = k ) = 1 k Wahrscheinlichkeit, dass X in einer Menge A liegt: P(X A) = P(X = k ) k: k A Wahrscheinlichkeit und Statistik 6 / 44 WBL 2017 Wiederholungsbeispiel: zufällig gezogene Jasskarte Beispiel: fairer Würfel Zufallseperiment: Sie ziehen aus den 36 Jasskarten zufällig eine heraus; X : Wert der gezogenen Karte. Wahrscheinlichkeitsverteilung und kumulative Verteilungsfunktion von X sind dann: Ein Würfel kann die Werte {1, 2,..., 6} annehmen; wenn er fair ist, wird jede Zahl mit derselben Wahrscheinlichkeit angenommen. Wahrscheinlichkeitsverteilung und kumulative Verteilungsfunktion der gewürfelten Augenzahl X : P(X = ) F X () P(X = ) F X () Wahrscheinlichkeit und Statistik 7 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 8 / 44 WBL 2017
3 Vergleich der Beispiele Diskrete Gleichverteilung In der Natur gibt es Verteilungen, die öfter vorkommen. Diese haben sogar einen eigenen Name bekommen. Wir werden ein paar wichtige Verteilungen betrachten: Gleichverteilung Brenoulliverteilung Binomialverteilung Poisson-Verteilung In den nächsten Slides werden die wichtigsten Verteilungen betrachtet und deren Anwendungen beschrieben. Welche der zwei Verteilungen ( Jasskarten vs fairer Würfel ) ist wichtiger? Wir betrachten eine diskrete Zufallsvariable X, die die Werte 1, 2, 3,..., n annehmen kann. X heisst gleichverteilt, wenn alle Werte mit Wahrscheinlichkeit 1 n angenommen werden. Verwendung: Modell für beliebiges Laplace-Eperiment, bei dem die verschiedenen Ausgänge durchnummeriert werden. Beispiele: fairer Würfel (n = 6) Euromilionzahl (n = 50) Wahrscheinlichkeit und Statistik 9 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 10 / 44 WBL 2017 Bernoulli-Verteilung Anzahl Erfolge in n Versuchen Einfachste (nicht-triviale) Zufallsvariable: binäre Zufallsvariable X {0, 1} Verwendung: Messung von Erfolg/Misserfolg. Verteilungsfunktion: P(X = 1) und P(X = 0) definieren die Verteilungsfunktion. Formal: P(X = 1) = π [0, 1] P(X = 0) = 1 π Notation: X Bernoulli(π) Beispiele: Ausgang eines medizinischen Tests (X = 1 Test positiv, X = 0 Test negativ) Erfassung eines Merkmals in einer Population (X = 1 hat Ausbildung in Statistik, X = 0 hat keine Ausbildung in Statistik) Bernoulli-Verteilung zeigt Erfolg oder Misserfolg in einem einzelnen Zufallseperiment an. Spannendere Grösse bzw. Zufallsvariable: Anzahl Erfolge in n unabhängigen Wiederholungen eines Zufallseperiments Beispiel: Ein Samen einer bestimmten Pflanze keimt mit einer Wahrscheinlichkeit von π = 0.75 auf. Für einen Samen haben wir die Verteilung: Bernoulli(0.75). Es werden n = 30 Samen gepflantzt. Wie gross ist die Wahrscheinlichkeit, dass genau 0, 1, 2,..., 30 Samen aufkeimen? Dank Baumdiagrammen und Überlegungen stellt man schnell fest, dass ( ) 30 P(X = ) = 0.75 (0.25) 30. Wahrscheinlichkeit und Statistik 11 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 12 / 44 WBL 2017
4 Binomialverteilung I Eine Zufallsvariable, die die Anzahl Erfolge in n unabhängigen Bernoulli-Versuchen zählt, heisst binomialverteilt. Mathematisch: Seien X 1,..., X n Bernoulli(π), unabhängig, dann ist Y := X X n binomialverteilt. Definition (Binomialverteilung) Eine diskrete Zufallsvariable X {0, 1,..., n} hat Binomialverteilung mit Parametern n und π, falls ( ) n P(X = ) = π (1 π) n. Wir schreiben dafür kurz X Bin(n, π) mit n N, π (0, 1). Wobei π bezeichnet gerade die Wahrscheinlichkeit für einen Erfolg in einem einzelnen Versuch. Spezialfall: Bin(1, π) = Bernoulli(π). Wahrscheinlichkeit und Statistik 13 / 44 WBL 2017 Binomialverteilung II Wahrscheinlichkeitsverteilung der Binomialverteilung Bin(30, π) für verschiedene Werte des Parameters π: π = 0.2 π = 0.5 π = 0.75 p() p() p() Wahrscheinlichkeit und Statistik 14 / 44 WBL 2017 Rechnen mit der Binomialverteilung X sei eine binomialverteilte Zufallsvariable mit Parametern n und π: X Bin(n, π). X hat Erwartungswert E(X ) = nπ X hat Varianz Var(X ) = nπ(1 π) R-Funktionen zum Arbeiten mit Binomialverteilungen: dbinom liefert die Wahrscheinlichkeitsverteilung, pbinom die kumulative Verteilungsfunktion. Namensgebung folgt allgemeinem Schema: viele Verteilungen in R implementiert! Wahrscheinlichkeitsverteilung erhält man immer mit d, kumulative Verteilungsfunktion mit p, wobei die Verteilung spezifiziert. Wahrscheinlichkeit und Statistik 15 / 44 WBL 2017 Biespiel Samen Fortsetzung Beispiel: Ein Samen einer bestimmten Pflanze keimt mit einer Wahrscheinlichkeit von π = 0.75 auf. Es werden n = 30 Samen gepflantzt. Wie gross ist die Wahrscheinlichkeit, dass mindestens 2 Samen aufkeimen? P(X 2) = 1 P(X < 2) = 1 P(X = 0) P(X = 1) Bemerkungen: Die Regel des Komplementärereignisses P(X ) = 1 P(X > ) kann unnötig lange Berechnungen ersparen. Leider gibt es keine einfache Formel um die kumulative Verteilungsfunktion zu berechnen. Die Zufallsvariable X kann nur endlich viele Werte annehmen (von 1 bis n). Wahrscheinlichkeit und Statistik 16 / 44 WBL 2017
5 Erfolge in unbeschränkter Anzahl Versuche Poisson-Verteilung I Binomialverteilung: zählt Erfolge in beschränkter Anzahl Versuche Wertebereich beschränkt Was, wenn wir Anzahl Erfolge in einer (potentiell) unbeschränkten Anzahl Versuche zählen wollen? Beispiele: Anzahl Anrufe an einem Tag in Telefonzentrale. Anzahl Mutationen in der DNA einer Zelle. Anzahl Verkehrsunfälle in der Schweiz in einem Jahr. etc. Für diese Fälle geeignet: Poisson-Verteilung Definition (Poisson-Verteilung) Eine diskrete Zufallsvariable X N hat Poisson-Verteilung mit Parameter λ, falls λ λ P(X = ) = e!. Wir schreiben X Pois(λ), λ > 0. Verwendung: Die Poisson-Verteilung modelliert die Anzahl seltener Ereignisse in einem festen Raum- oder Zeitbereich. Erwartungswert: E(X ) = λ, Varianz: Var(X ) = λ. R-Funktionen: dpois (Wahrscheinlichkeitsverteilung), ppois (kumulative Verteilungsfunktion). Wahrscheinlichkeit und Statistik 17 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 18 / 44 WBL 2017 Poisson-Verteilung II Poisson-Verteilung: Grenzfall der Binomialverteilung Poisson-Verteilung für verschiedene Werte des Parameters λ: p() λ = p() λ = p() λ = Eine Poisson-Verteilung modelliert sehr seltene Ereignisse π 0. Theoretisch gibt es aber keine Grenze zu den Anzahl der möglichen Ereignisse, d.h. n. Formaler: lässt man bei einer Binomialverteilung n ins Unendliche wachsen und π gleichzeitig schrumpfen, so dass das Produkt nπ =: λ stets konstant bleibt, strebt die Binomialverteilung gegen eine Poisson-Verteilung. Noch formaler: wir betrachten eine Sequenz X n Bin(n, π) mit nπ = λ (konstant!). Dann gilt im Grenzwert n P(X n = ) n λ λ e! Bestimme Erwartungswert und Varianz einer solchen Binomialverteilung Wahrscheinlichkeit und Statistik 19 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 20 / 44 WBL 2017
6 Poisson-Approimation der Binomialverteilung Summe Poisson-verteilter Zufallsvariablen Praktische Konsequenz dieses Grenzwerts: man kann eine Binomialverteilung für grosses n und kleines π ungefähr durch eine Poisson-Verteilung annähern. Vage Faustregel: Poisson-Approimation ist gut für n 50 und π 0.05 Beispiel: Anzahl Druckfehler auf einer Buchseite. Es hat höchstens so viele Druckfehler wie Zeichen Druckfehler sind aber selten, und eine Buchseite enthält viele Zeichen Daher ist die Poisson-Verteilung ein gutes Modell: man muss bloss die Fehlerrate pro Seite (λ) schätzen, nicht die Fehlerrate pro Zeichen (π) sowie die Anzahl Zeichen pro Seite (n). Satz Falls X Poisson-verteilt mit Parameter λ 1 und Y Poisson-verteilt mit Parameter λ 2 ist, X und Y unabhängig sind, dann ist auch X + Y Poisson-verteilt mit Parameter λ 1 + λ 2. Spezielle Eigenschaft der Poisson-Verteilung! Die Summe zweier gleichverteilten Variablen ist z.b. nicht gleichverteilt (Augensumme bei 2 Würfeln). Falls X Pois(λ 1 ) und Y Pois(λ 2 ): ist dann auch 1 2 (X + Y ) Pois( 1 2 (λ 1 + λ 2 ))? Wahrscheinlichkeit und Statistik 21 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 22 / 44 WBL 2017 Lernziele Teil V Stetige Zufallsvariablen Sie können das Konzept der Wahrscheinlichkeitsdichte erklären... zu einer Wahrscheinlichkeitsdichte die zugehörige kumulative Verteilungsfunktion berechnen und umgekehrt... Erwartungswert und Varianz stetiger Zufallsvariablen berechnen... Erwartungswert, Varianz und Quantile linear transformierter Zufallsvariablen berechnen... mit den wichtigsten stetigen Verteilungen rechnen: Uniforme, Normal- und Eponentialverteilung... eine Messgrösse mit einer passenden Verteilung modellieren Vorlesung basiert auf Kapitel 4.4 und 4.5 des Skripts. Wahrscheinlichkeit und Statistik 23 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 24 / 44 WBL 2017
7 Stetige Zufallsvariablen Einführungsbeispiel Auf einer Tramlinie fährt alle 7 Minuten ein Tram. Sei X die Wartezeit (in Minuten) aufs nächste Tram. (Man nehme an, man gehe zu einer zufälligen Zeit zur Haltestelle). Genau so wie beim Beispiel fairer Würfel haben hier alle Werte die gleiche Wahrscheinlichkeit. Aber beim Würfel kann die ZV nur 6 Werte annehmen, während in diesem Beispiel der Wertebereich für X das ganze Intervall [0, 7] ist! Die Zufallsvariable heisst stetig. Wie gross sind P(X = 4) und P(X 5)? Wie kann man die (kumulative) Verteilung von X beschreiben? Wahrscheinlichkeit und Statistik 25 / 44 WBL 2017 Wahrscheinlichkeitsdichte Einführungsbeispiel f() Auf einer Tramlinie fährt alle 7 Minuten ein Tram. Wenn Sie zu einer zufälligen Zeit zu einer Haltestelle kommen, ist Ihre Wartezeit X (in Minuten) aufs nächste Tram uniform verteilt auf dem Intervall [0, 7]: Dichte F() Kumulative Vert.funktion Diese Verteilung heisst Uniforme Verteilung. Wahrscheinlichkeit und Statistik 26 / 44 WBL 2017 Stetige Zufallsvariablen Uniforme Verteilung Stetige Zufallsvariable: Zufallsvariable, die alle Werte in R (oder einem Intervall [a, b] R) annehmen kann. Charakterisiert durch ihre Wahrscheinlichkeitsdichte (kurz Dichte ) f X (): eine nicht-negative Funktion auf R mit f X () d = 1 Verwendung der Dichtefunktion f X : Wahrscheinlichkeiten können als Fläche unter ihrer Kurve dargestellt werden. D.h.: für jedes Intervall [a, b] gilt P(a X b) = b a f X () d Stetiges Analogon der Gleichverteilung: Definition (Uniforme Verteilung) Eine stetige Zufallsvariable X hat uniforme Verteilung auf [a, b], falls f X () = Wir schreiben X Uniform([a, b]). { 1 b a, [a, b], 0, sonst. Erwartungswert: E(X ) = b+a (b a)2 2, Varianz: Var(X ) = 12 R-Funktionen: dunif (Wahrscheinlichkeitsdichte), punif (kumulative Verteilungsfunktion) Wahrscheinlichkeit und Statistik 27 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 28 / 44 WBL 2017
8 Rechnen mit stetigen Zufallsvariablen X ist eine stetige Zufallsvariable mit Wahrscheinlichkeitsdichte f X (). Kumulative Verteilungsfunktion: F X () = P(X ) = f X (u) du ( kumulative Verteilungsfunktion ist Stammfunktion der Dichte ) Umgekehrte Umrechnung: f X () = F X () ( Dichte ist Ableitung der kumulativen Verteilungsfunktion ) Für jeden Wert R gilt P(X = ) = 0 Erwartungswert: E(X ) = f X () d Varianz: Var(X ) = ( E(X ))2 f X () d Andere Berechnung der Varianz: Var(X ) = E(X 2 ) E(X ) 2 Wahrscheinlichkeit und Statistik 29 / 44 WBL 2017 Median Definition (Median) Der Median einer (stetigen) Zufallsvariablen X ist diejenige reelle Zahl m, für die gilt: P(X m) = 1 2, P(X m) = 1 2 Zusammenhang mit der kumulativen Verteilungsfunktion: der Median ist die Zahl m, für die F X (m) = 1 2 gilt. Was ist der Erwartungswert und der Median in dieser Verteilung? f() Dichte F() Kumulative Vert.funktion Wahrscheinlichkeit und Statistik 30 / 44 WBL 2017 Quantile Lineare Transformationen stetiger Zufallsvariablen Quantile verallgemeinern die Idee des Medians. X ist eine (stetige) Zufallsvariable. Für eine Zahl 0 < α < 1 ist das α-quantil von X die Zahl q α mit der Eigenschaft P(X q α ) = α. Zusammenhang zur kumulativen Verteilungsfunktion: F (q α ) = α oder q α = F 1 (α). Der Median entspricht gerade dem 0.5-Quantil. X sei eine stetige Zufallsvariable, a > 0 und b R Konstanten Wir definieren Y = a X + b: lineare Transformation von X Wie ist Y verteilt? Satz (Lineare Transformation einer Zufallsvariablen) Mit X und Y wie oben gilt: ( ) y b 1 F Y (y) = F X, f Y (y) = 1 ( ) y b a a f X a 2 E(Y ) = a E(X ) + b 3 Var(Y ) = a 2 Var(X ) 4 Quantile von Y : q Y,α = a q X,α + b (q X,α : α-quantil von X ) Bemerkung: 2. und 3. gelten auch für diskrete Zufallsvariablen. Wahrscheinlichkeit und Statistik 31 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 32 / 44 WBL 2017
9 Standardisieren einer Zufallsvariablen Beispiel: Regenprognose X sei eine Zufallsvariable mit Erwartungswert E(X ) und Standardabweichung σ(x ). Wir definieren Z = X E(X ) σ(x ) Dann hat Z Erwartungswert E(Z) = 0 und Standardabweichung σ(z) = 1. Transformation nennt sich Standardisierung von X. Eine Standardisierung der Zufallsvariablen kann nützlich sein um Berechnungen zu vereinfachen um Zufallsvariablen mit unterschiedlichen Skalen/Einheiten fairer zu vergleichen.. Wie viel Regen wird morgen in Zürich fallen? Auf Grund eines Prognosemodells ist die Dichtefunktion für X = morgiger Niederschlag (mm) : f() Schätze Median, und 0.75-Quantile sowie E(X ) Wahrscheinlichkeit und Statistik 33 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 34 / 44 WBL 2017 Normalverteilung und Gauss-Verteilung Normalverteilung I Normalverteilung: wichtigste stetige Verteilung, häufigste Verteilung für Messwerte. Dichte durch bekannte Gausssche Glockenkurve beschrieben. Anwendungen (Beispiele): Modellierung zufälliger Messfehler, individueller physiologischer Messgrössen, etc. Verteilung ist wegen des zentralen Grenzwertsatzes (s. später) so wichtig: viele kleine, unabhängige Effekte summieren sich zu einem normalverteilten Gesamteffekt auf. Definition (Normalverteilung) Eine stetige Zufallsvariable X ist normalverteilt mit Erwartungswert µ und Varianz σ 2, falls { f X () = 1 ep 1 ( ) } µ 2, R. 2πσ 2 σ Wir schreiben X N (µ, σ 2 ), µ R, σ 2 > 0. Es gilt E(X ) = µ, Var(X ) = σ 2. R-Funktionen: dnorm (Dichte), pnorm (kumulative Verteilungsfunktion) Achtung: R-Funktionen nehmen als Parameter µ und σ, nicht µ und σ 2! Wahrscheinlichkeit und Statistik 35 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 36 / 44 WBL 2017
10 Normalverteilung II Normalverteilung mit Erwartungswert µ = 1 und Varianz σ 2 = 4: f() Dichte F() Kumulative Vert. fkt. Standard-Normalverteilung Normalverteilung mit µ = 0 und σ 2 = 1 heisst Standard-Normalverteilung Standard-Normalverteilung wird oft verwendet, z.b. in Tests; daher haben ihre Dichte und kumulative Verteilungsfunktion eigene Symbole: ϕ(z) = 1 z e z2 /2, Φ(z) = ϕ(t) dt. 2π Φ() kann nicht als Verknüpfung elementarer Funktionen geschrieben werden Eine beliebige normalverteilte Zufallsvariable X N (µ, σ 2 ) kann linear in eine standard-normalverteilte Zufallsvariable umgerechnet werden: Z = X µ N (0, 1) σ Wahrscheinlichkeit und Statistik 37 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 38 / 44 WBL 2017 Fläche unter der Glockenkurve Beispiel: Fertigungstoleranzen bei Widerständen Wie gross ist die Wahrscheinlichkeit, höchstens 1, 2 oder 3 Standardabweichungen vom Erwartungswert entfernt zu sein? Wegen nicht vollständig kontrollierbarer Prozesse bei der Herstellung haben elektrische Widerstände immer Fertigungstoleranzen. Z.B. kann der tatsächliche elektrische Widerstand eines Bauteils mit Nennwert 220 Ω als normalverteilte Zufallsvariable mit µ = 220 Ω und σ = 11 Ω aufgefasst werden. Wie gross ist die Wahrscheinlichkeit, dass ein produziertes Bauteil Widerstand von weniger als 200 Ω hat? Wie gross ist die Wahrscheinlichkeit, dass der Widerstand grösser als 250 Ω ist? Quelle: Samuels et al. (2012) Wahrscheinlichkeit und Statistik 39 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 40 / 44 WBL 2017
11 Eponentialverteilung I Eponentialverteilung II Definition (Eponentialverteilung) Eine stetige Zufallsvariable X 0 ist eponentialverteilt mit Parameter λ, falls { λe λ, 0, f X () = 0, sonst. Wir schreiben X Ep(λ), λ > 0. Erwartungswert: E(X ) = 1 λ, Varianz: Var(X ) = 1 λ 2 R-Funktionen: dep (Dichte), pep (kumulative Verteilungsfunktion) f() Eponentialverteilung für λ = 2: Dichte F() Kumulative Vert. fkt Wahrscheinlichkeit und Statistik 41 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 42 / 44 WBL 2017 Eponentialverteilung: Verteilung ohne Gedächtnis Literatur Verwendung: Modellierung bestimmter Wartezeiten : radioaktiver Zerfall eines Atoms Wartezeit auf nächsten Anruf in Telefonzentrale Ausfallzeit von Maschinen, falls Alterung keine Rolle spielt T sei eponentialverteilt mit Parameter λ P(T > t) = e λt P(T > t + s T > s) = e λt = P(T > t): erwartete Wartezeit verkürzt sich nicht, wenn man schon Zeit s gewartet hat gedächtnislose Wartezeit Myra L Samuels, Jeffrey A Witmer, and Andrew Schaffner. Statistics for the life sciences. Pearson Education, Heinz Klaus Strick. Einführung in die Beurteilende Statistik. Schroedel, Wahrscheinlichkeit und Statistik 43 / 44 WBL 2017 Wahrscheinlichkeit und Statistik 44 / 44 WBL 2017
Monty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen
Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser
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
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
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
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
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
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
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.
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
MehrSpezielle 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
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
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 ]
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
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
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrZufallsgröße. 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
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
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
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
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,
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
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
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
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
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.
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
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,
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)
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
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
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
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:
MehrÜbungen zur Stochastik, Blatt Nr. 1
Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. ) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. a) Schreiben Sie alle Elemente des Grundraums in Form einer Matrix auf. b) Wie
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
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
MehrI. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
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:
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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............
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
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,
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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,
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
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)
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
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
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
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
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
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
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
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
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen
Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Stetige Gleichverteilung Exponentialverteilung Normalverteilung Bibliografie: Prof. Dr. Kück Universität Rostock
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
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.
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
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
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
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
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,
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 5. Erwartungswert E und Varianz V Literatur Kapitel 5 * Storrer: (37.9)-(37.12), (38.4), (40.6)-(40.9), (41.2) * Stahel: Kapitel 5 und 6 (nur
MehrElemente der Stochastik (SoSe 2016) 10. Übungsblatt
Dr. M. Weimar 3.06.206 Elemente der Stochastik (SoSe 206) 0. Übungsblatt Aufgabe (2+2+2+2+3= Punkte) Zur zweimaligen Drehung des nebenstehenden Glücksrads (mit angenommener Gleichverteilung bei jeder Drehung)
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
MehrApproximation der Binomialverteilung durch die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 4.0.007 Approimation der Binomialverteilung durch die Normalverteilung Histogramme von Binomialverteilungen sind für nicht zu kleine n glockenförmig. Mit größer
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
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
Mehr2. Zufallsvariable, Verteilungsfunktion, Erwartungswert,
2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, momentenerzeugende Funktion Ziel des Kapitels: Mathematische Präzisierung der Konzepte Zufallsvariable Verteilungsfunktion Dichtefunktion Erwartungswerte
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
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.
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
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
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
MehrBegriffe aus der Informatik Nachrichten
Begriffe aus der Informatik Nachrichten Gerhard Goos definiert in Vorlesungen über Informatik, Band 1, 1995 Springer-Verlag Berlin Heidelberg: Die Darstellung einer Mitteilung durch die zeitliche Veränderung
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrAbschlussprüfung an Fachoberschulen in Bayern Mathematik 2002, Stochastik S I Nichttechnische Ausbildungsrichtung
Alexandra Steiner 7.5.005 A_NT_S_AS_Loes.mcd Abschlussprüfung an Fachoberschulen in Bayern Mathematik 00, Stochastik S I Nichttechnische Ausbildungsrichtung AUFGABENSTELLUNG:.0 Die Post eines kleineren
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
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
Mehr