Multivariate Zufallsvariablen
|
|
- Falko Schumacher
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse. So besteht ein Fragebogen in der Regel aus mehreren Fragen, mit denen die Ausprägungen von Merkmalen erfragt werden. Bei einer univariaten diskreten Zufallsvariablen gehen wir von der Ergebnismenge Ω eines Zufallsvorgangs aus und ordnen jedem Ergebnis eine reelle Zahl zu. Eine p-dimensionale Zufallsvariable ( 1,..., p ) erhalten wir, indem wir jedem Ergebnis p reelle Zahlen zuordnen. Im Folgenden betrachten wir nur bivariate Zufallsvariablen. Dabei bezeichnen wir die Zufallsvariablen mit und Y und die bivariate Zufallsvariable mit (, Y ). Wie bei einer univariaten diskreten Zufallsvariablen bestimmen wir die Wahrscheinlichkeitsfunktion. Diese ist gegeben durch: f,y (x, y) =P ( = x, Y = y). (7.1) Man nennt f,y (x, y) auch die gemeinsame Wahrscheinlichkeitsfunktion von und Y. Wir stellen diese Wahrscheinlichkeiten in einer Tabelle zusammen. Tabelle 7.1 zeigt den Aufbau dieser Tabelle, wenn die Zufallsvariable die Merkmalsausprägungen x 1,...,x k und die Zufallsvariable Y die Merkmalsausprägungen y 1,...,x l besitzt. 173
2 174 KAPITEL 7. MULTIVARIATE ZUFALLSVARIABLEN Tabelle 7.1: Allgemeiner Aufbau der Wahrscheinlichkeitsfunktion einer zweidimensionalen diskreten Zufallsvariablen Y y 1... y l x 1 P ( = x 1,Y = y 1 )... P( = x 1,Y = y l ) x k P ( = x k,y = y 1 )... P( = x k,y = y l ) Beispiel 64 Eine faire Münze werde dreimal hintereinander geworfen. Wir suchen die Wahrscheinlichkeitsfunktion der bivariaten Zufallsvariablen (, Y ), wobei die Anzahl ZAHL bei den ersten beiden Würfen und Y die Anzahl ZAHL bei den beiden letzten Würfen ist. Die Ergebnismenge ist Ω={KKK,KKZ,KZK,ZKK,KZZ,ZKZ,ZZK,ZZZ}. In Tabelle 7.2 sind die Ergebnisse mit den zugehörigen Werten von und Y zu finden. Tabelle 7.2: Ergebnisse beim dreimaligen Münzwurf mit zugehörigen Werten der Zufallsvariablen und Y ω x y KKK KKZ 1 KZK 1 1 ZKK 1 KZZ 1 2 ZKZ 1 1 ZZK 2 1 ZZZ 2 2 Da die Münze fair ist, sind alle Elementarereignisse gleich wahrscheinlich.
3 7.1. DISKRETE ZUFALLSVARIABLEN 175 Für die Wahrscheinlichkeitsfunktion von (, Y ) gilt also P ( =,Y =) =.125 P ( =1,Y =) =.125 P ( =,Y =1) =.125 P ( =1,Y =1) =.25 P ( =1,Y =2) =.125 P ( =2,Y =1) =.125 P ( =2,Y =2) =.125 Wir stellen die Wahrscheinlichkeitsfunktion in einer zweidimensionalen Tabelle dar. Tabelle 7.3: Wahrscheinlichkeitsfunktion einer zweidimensionalen diskreten Zufallsvariablen Y Aus der Wahrscheinlichkeitsfunktion P ( = x, Y = y) erhält man problemlos die Wahrscheinlichkeitsfunktionen der univariaten Zufallsvariablen und Y. Es gilt P ( = x) = y P ( = x, Y = y) (7.2) und P (Y = y) = x P ( = x, Y = y). (7.3) Man spricht auch von den Randverteilungen, da man diese Wahrscheinlichkeiten durch Summation der Wahrscheinlichkeiten in den Zeilen bzw. Spalten der Tabelle mit der Wahrscheinlichkeitsfunktion erhält. Tabelle 7.4 zeigt dies.
4 176 KAPITEL 7. MULTIVARIATE ZUFALLSVARIABLEN Tabelle 7.4: Allgemeiner Aufbau der Wahrscheinlichkeitsfunktion einer zweidimensionalen diskreten Zufallsvariablen mit Randverteilungen Y y 1... y l x 1 P ( = x 1,Y = y 1 )... P( = x 1,Y = y l ) P ( = x 1 ) x k P ( = x k,y = y 1 )... P( = x k,y = y l ) P ( = x k ) P (Y = y 1 )... P(Y = y k ) 1 Beispiel 64 (fortgesetzt) Es gilt P ( =) = P ( =,Y =)+P ( =,Y =1) = =.25 P ( =1) = P ( =1,Y =)+P ( =1,Y =1)+P ( =1,Y =2) = =.5 P ( =2) = P ( =2,Y =1)+P ( =2,Y =2) = =.25 und P (Y =) = P ( =,Y =)+P ( =1,Y =) = =.25 P (Y =1) = P ( =,Y =1)+P ( =1,Y =1)+P ( =2,Y =1) = =.5 P (Y =2) = P ( =1,Y =2)+P ( =2,Y =2) = =.25 In Tabelle 7.5 ist die gemeinsame Wahrscheinlichkeitsverteilung mit den Randverteilungen zu finden.
5 7.1. DISKRETE ZUFALLSVARIABLEN 177 Tabelle 7.5: Wahrscheinlichkeitsfunktion einer zweidimensionalen diskreten Zufallsvariablen mit Randverteilung Y Die Verteilungen der Zufallsvariablen und Y im Beispiel 64 sind identisch. Wir sprechen auch von identisch verteilten Zufallsvariablen. Aus der Wahrscheinlichkeitsfunktion P ( = x, Y = y) kannproblemlos auf P ( = x) und P (Y = y) geschlossen werden. Von den Wahrscheinlichkeitfunktionen P ( = x) und P (Y = y) kann nicht eindeutig auf die Wahrscheinlichkeitsfunktion P ( = x, Y = y) geschlossen werden. Beispiel 65 In Tabelle 7.6 findet man die Wahrscheinlichkeitsfunktion P (V = v, W = w), die sich von der Wahrscheinlichkeitsfunktion P ( = x, Y = y) im Beispiel 64 unterscheidet. Die Randverteilungen sind aber identisch. Tabelle 7.6: Wahrscheinlichkeitsfunktion einer zweidimensionalen diskreten Zufallsvariablen mit Randverteilung V W
6 178 KAPITEL 7. MULTIVARIATE ZUFALLSVARIABLEN 7.2 Stetige Zufallsvariablen Eine stetige univariate Zufallsvariable haben wir über die Verteilungsfunktion definiert. Schauen wir uns also die Verteilungsfunktion einer zweidimensionalen Zufallsvariablen an. Mit der Verteilungsfunktion F,Y (x, y) einer zweidimensionalen Zufallsvariablen (, Y )können wir folgende Wahrscheinlichkeiten bestimmen: F,Y (x, y) = P ( x, Y y). (7.4) Wir definieren eine stetige zweidimensionale Zufallsvariable wie eine univariate stetige Zufallsvariable über die Verteilungsfunktion. Definition 7.1 Eine bivariate Zufallsvariable (, Y ) heißt stetig, wenn eine reellwertige Funktion f,y : D IR 2 IR existiert, so dass für die Verteilungsfunktion F,Y (x, y) von(, Y ) gilt: F,Y (x, y) = y x f,y (u, v) du dv Wir nennen f,y (x, y) die gemeinsame Dichtefunktion von (, Y ). Die gemeinsame Dichtefunktion f,y (x, y) von(, Y )erfüllt folgende Bedingungen: 1. f,y (x, y) für alle (x, y) IR 2 2. f,y (x, y) dx... dy =1 Beispiel 66 Wir betrachten folgende Funktion Offensichtlich gilt f(x, y) = { 1 für x 1, y 1 sonst f(x, y) für alle (x, y) IR 2.
7 7.2. STETIGE ZUFALLSVARIABLEN 179 Außerdem gilt f(x, y) dx dxy = dx dy = 1 [ x ] 1 dy = 1 1 dy = [ ] 1 y =1 Also handelt es sich um eine Dichtefunktion einer zweidimensionalen Zufallsvariablen (, Y ). Aus der gemeinsamen Dichtefunktion können wir problemlos die Dichtefunktionen der univariaten Zufallsvariablen gewinnen. Im Fall einer zweidimensionalen stetigen Zufallsvariablen gilt f (x) = f,y (x, y) dy und f Y (y) = f,y (x, y) dx. Beispiel 66 (fortgesetzt) Es gilt f (x) = f,y (x, y) dy = 1 dy = [ ] 1 y =1 und f Y (y) = f,y (x, y) dx = 1 dx = [ ] 1 x =1.
8 18 KAPITEL 7. MULTIVARIATE ZUFALLSVARIABLEN 7.3 Unabhängigkeit Die Ereignisse A und B heißen unabhängig, wenn gilt P (A B) =P (A) P (B) Das Konzept der Unabhängigkeit lässt sich auch auf Zufallsvariablen übertragen. Definition 7.2 Gilt für alle (x, y) IR 2 P ( = x, Y = y) =P ( = x) P (Y = y), so heißen die diskreten Zufallsvariablen und Y unabhängig. Beispiel 66 (fortgesetzt) DieZufallsvariablen V und W in Tabelle 7.6 sind unabhängig, da gilt P (V =,W =) =.625 = = P (V =) P (W =) P (V =,W =1) =.125 =.25.5 =P (V =) P (W =1) P (V =,W =2) =.625 = = P (V =) P (W =2) P (V =1,W =) =.125 =.5.25 = P (V =1) P (W =) P (V =1,W =1) =.25 =.5.5 =P (V =1) P (W =1) P (V =1,W =2) =.125 =.5.25 = P (V =1) P (W =2) P (V =2,W =) =.625 = = P (V =2) P (W =) P (V =2,W =1) =.125 =.25.5 =P (V =2) P (W =1) P (V =2,W =2) =.625 = = P (V =2) P (W =2) Sind die Zufallsvariablen und Y unabhängig, so kann man aus den Wahrscheinlichkeitsfunktionen P ( = x) und P (Y = y) die gemeinsame Wahrscheinlichkeitsfunktion P ( = x, Y = y) bestimmen. Zieht man mehrmals mit Zurücklegen aus einer Urne jeweils eine Kugel oder aus mehreren Urnen jeweils eine Kugel, so sind die einzelnen Ziehungen unabhängig. Beispiel 67 Ein Urne enthält 1 Kugeln. Von diesen wiegen 4 Kugeln 1 g und die anderen Kugeln 2 g. Es werden zwei Kugeln mit Zurücklegen gezogen. Sei das Gewicht der ersten gezogenen Kugel und Y das Gewicht der zweiten gezogenen Kugel. Es gilt P ( = 1) =.4 P ( = 2) =.6 P (Y = 1) =.4 P (Y = 2) =.6
9 7.3. UNABHÄNGIGKEIT 181 Da wir ohne Zurücklegen ziehen,sind und Y unabhängig. Also gilt P ( = x, Y = y) =P ( = x) P (Y = y). Wir erhalten P ( =1,Y = 1) = P ( = 1) P (Y = 1) =.4.4 =.16 P ( =1,Y = 2) = P ( = 1) P (Y = 2) =.4.6 =.24 P ( =2,Y = 1) = P ( = 2) P (Y = 1) =.6.4 =.24 P ( =2,Y = 2) = P ( = 2) P (Y = 2) =.6.6 =.36 Die gemeinsame Wahrscheinlichkeitsfunktion ist Tabelle 7.7 zu finden. Tabelle 7.7: Gemeinsame Wahrscheinlichkeitsfunktion Y Beispiel 68 Eine Urne enthält 1 Kugeln. Von diesen wiegen 2 Kugeln 1 g und die anderen Kugeln 2 g. Ein zweite Urne enthält ebenfalls 1 Kugeln. Von diesen wiegen 4 Kugeln 1 g und die anderen Kugeln 2 g. Aus jeder Urne wird eine Kugel gzogen. Sei das Gewicht der ersten gezogenen Kugel und Y das Gewicht der zweiten gezogenen Kugel. Es gilt P ( = 1) =.2 P ( = 2) =.8 P (Y = 1) =.4 P (Y = 2) =.6 Da wir aus jeder Urne eine Kugel ziehen, sind und Y unabhängig. Also gilt P ( = x, Y = y) =P ( = x) P (Y = y). Wir erhalten P ( =1,Y = 1) = P ( = 1) P (Y = 1) =.2.4 =.8 P ( =1,Y = 2) = P ( = 1) P (Y = 2) =.2.6 =.12 P ( =2,Y = 1) = P ( = 2) P (Y = 1) =.8.4 =.32 P ( =2,Y = 2) = P ( = 2) P (Y = 2) =.8.6 =.48
10 182 KAPITEL 7. MULTIVARIATE ZUFALLSVARIABLEN Die gemeinsame Wahrscheinlichkeitsfunktion ist Tabelle 7.8 zu finden. Tabelle 7.8: Gemeinsame Wahrscheinlichkeitsfunktion Y Schauen wir uns noch stetige Zufallsvariablen an. Die stetigen Zufallsvariablen, Y mit gemeinsamer Dichtefunktion f,y (x, y) und Randdichtefunktionen f (x) und f Y (y) sind genau dann unabhängig, wenn gilt f,y (x, y) = f (x) f Y (y). (7.5) Beispiel 68 (fortgesetzt) Wir haben gesehen, dass die Randdichtefunktionen f (x) und f Y (y) von f,y (x, y) = { 1 für x 1, y 1 sonst univariate Gleichverteilungen sind. Es gilt also { 1 für x 1 f (x) = sonst und Offensichtlich gilt { 1 für y 1 f Y (y) = sonst { 1 für x 1, y 1 f (x) f Y (y) = sonst Somit sind die Zufallsvariablen und Y unabhängig.
11 7.4. FUNKTIONEN VON ZUFALLSVARIABLEN Funktionen von Zufallsvariablen In der schließenden Statistik sind Funktionen von Zufallsvariablen von Interesse. Schauen wir uns dies für eine Funktion von zwei diskreten Zufallsvariablen an. Sind und Y Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsfunktion P ( = x, Y = y) und g : D IR 2 IR eine Funktion. Dann gilt für die Zufallsvariable V = g(, Y ): P (V = v) = P ( = x, Y = y) {(x,y) g(x,y)=v} Beispiel 69 Wir betrachten die Zufallsvariablen und Y aus Beispiel 68 auf Seite 181, deren gemeinsame Wahrscheinlichkeitsfunktion in Tabelle 7.8 auf Seite 182 zu finden ist. Wir bestimmen die Wahrscheinlichkeitsfunktion der Zufallsvariablen V = + Y an. Es gilt P (V = 2) = P ( =1,Y = 1) =.8 P (V = 3) = P ( =1,Y = 2) + P ( =2,Y = 1) =.44 P (V = 4) = P ( =2,Y = 2) =.48 Beispiel 7 Wir betrachten die Zufallsvariablen und Y aus Beispiel 68 auf Seite 181, deren gemeinsame Wahrscheinlichkeitsfunktion in Tabelle 7.8 auf Seite 182 zu finden ist. Wir bestimmen die Wahrscheinlichkeitsfunktion der Zufallsvariablen W = Y an. Es gilt P (W = 1) = P ( =2,Y = 2) =.8 P (W = 2) = P ( =1,Y = 2) + P ( =2,Y = 1) =.44 P (W = 4) = P ( =2,Y = 2) =.48
Kapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen
Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrÜbungsaufgaben, 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
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
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
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
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
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
Mehr1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen
6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrK. 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/...
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
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
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
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
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
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
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
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)
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
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
MehrWahrscheinlichkeitsrechnung für die Mittelstufe
Wahrscheinlichkeitsrechnung für die Mittelstufe Wir beginnen mit einem Beispiel, dem Münzwurf. Es wird eine faire Münze geworfen mit den Seiten K (für Kopf) und Z (für Zahl). Fair heißt, dass jede Seite
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
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II. Beispiel II. Beispiel I. Definition 6.3 (Diskreter Wahrscheinlichkeitsraum)
Allgemeine diskrete Wahrscheinlichkeitsräume I Allgemeine diskrete Wahrscheinlichkeitsräume II Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete Wahrscheinlichkeitsräume Ω endlich
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
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 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
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
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
MehrWahrscheinlichkeiten
Wahrscheinlichkeiten August, 2013 1 von 21 Wahrscheinlichkeiten Outline 1 Wahrscheinlichkeiten 2 von 21 Wahrscheinlichkeiten Zufallsexperimente Die möglichen Ergebnisse (outcome) i eines Zufallsexperimentes
Mehr7 Unabhängigkeit von Ereignissen; bedingte Wahrscheinlichkeit
Übungsmaterial 7 Unabhängigkeit von reignissen; bedingte Wahrscheinlichkeit 7. Unabhängigkeit von reignissen Wir betrachten folgendes Beispiel: Zwei unterscheidbare Münzen werden geworfen. Man betrachtet
MehrStochastik: Erwartungswert Stochastik Erwartungswert einer Zufallsvariablen Gymnasium ab Klasse 10 Alexander Schwarz
Stochastik Erwartungswert einer Zufallsvariablen Gymnasium ab Klasse 0 Alexander Schwarz www.mathe-aufgaben.com November 20 Aufgabe : Ein Glücksrad besteht aus Feldern, die folgendermaßen beschriftet sind:.feld:
MehrErgebnis Ergebnisraum Ω. Ereignis. Elementarereignis
Stochastik Die Stochastik besteht aus zwei Teilgebieten, der Statistik und der Wahrscheinlichkeitsrechnung. Die Statistik beschreibt die Vergangenheit und verwendet Informationen, die (in realen Versuchen)
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
MehrWählt man aus n Mengen mit z 1 bzw. z 2,..., bzw. z n Elementen nacheinander aus jeder Menge jeweils ein Element aus,
V. Stochastik ================================================================== 5.1 Zählprinzip Wählt man aus n Mengen mit z 1 bzw. z 2,..., bzw. z n Elementen nacheinander aus jeder Menge jeweils ein
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
MehrP (A B) P (B) = P ({3}) P ({1, 3, 5}) = 1 3.
2 Wahrscheinlichkeitstheorie Beispiel. Wie wahrscheinlich ist es, eine Zwei oder eine Drei gewürfelt zu haben, wenn wir schon wissen, dass wir eine ungerade Zahl gewürfelt haben? Dann ist Ereignis A das
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrBasistext - Wahrscheinlichkeitsrechnung
Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.
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
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
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,
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
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
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:
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
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
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrDie Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man
Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man x / M. Man sagt, M ist Teilmenge von N und schreibt M N, wenn für jedes x M auch x N gilt.
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.
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
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
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
MehrDie Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
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
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
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
MehrZufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
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
MehrEin Würfel wird geworfen. Einsatz: Fr Gewinn: Fr. 6.--
1 Ein Würfel wird geworfen. : Fr. 1.-- : Fr. 6.-- Der Spieler hat gewonnen falls eine 6 erscheint. 2 Zwei Würfel werden geworfen. : Fr. 1.-- : Fr. 7.-- Der Spieler hat gewonnen falls die Augensumme gleich
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
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
MehrAuf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an.
Aufgabe 4 Glückspasch" (16 Punkte) Auf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an. Spielregeln: Einsatz 1. Der Mitspieler würfelt mit 2 Oktaederwürfeln. Fällt ein Pasch,
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
Mehralte Maturaufgaben zu Stochastik
Stochastik 01.02.13 alte Maturaufgaben 1 alte Maturaufgaben zu Stochastik 1 07/08 1. (8 P.) In einer Urne liegen 5 rote, 8 gelbe und 7 blaue Kugeln. Es werden nacheinander drei Kugeln gezogen, wobei die
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrBiometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen
Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
MehrKurs 2 Stochastik EBBR Vollzeit (1 von 2)
Erwachsenenschule Bremen Abteilung I: Sekundarstufe Doventorscontrescarpe 172 A 281 Bremen Kurs 2 Stochastik EBBR Vollzeit (1 von 2) Name: Ich 1. 2. 3. 4.. 6. 7. So schätze ich meinen Lernzuwachs ein.
MehrStochastische Lernalgorithmen
Stochastische Lernalgorithmen Gerhard Jäger 14. Mai 2003 Das Maximum-Entropy-Prinzip Der Entropiebegriff Entropie: Chaos, Unordung, Nicht-Vorhersagbarkeit,... Begriff kommt ursprünglich aus der Physik:
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
Mehr3 Berechnung von Wahrscheinlichkeiten bei mehrstufigen Zufallsversuchen
Berechnung von Wahrscheinlichkeiten bei mehrstufigen Zufallsversuchen Berechnung von Wahrscheinlichkeiten bei mehrstufigen Zufallsversuchen.1 Pfadregeln.1.1 Pfadmultiplikationsregel Eine faire Münze und
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.
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.
MehrStatistik B. Wahrscheinlichkeitsrechnung und induktive Statistik. Prof. Dr. Alois Kneip Sommersemester 2012
Statistik B Wahrscheinlichkeitsrechnung und induktive Statistik Prof. Dr. Alois Kneip Sommersemester 2012 Literatur: Fahrmeier, Künstler, Pigeot und Tutz (2004): Statistik, Springer Verlag Fahrmeier, Künstler,
MehrÜberblick. Linguistische Anwendungen: æ Spracherkennung æ Textretrival æ probabilistische Grammatiken: z.b. Disambiguierung. Problem: woher Daten?
1 Überblick æ Beschreibende Statistik: Auswertung von Experimenten und Stichproben æ Wahrscheinlichkeitsrechnung: Schlüsse aus gegebenen Wahrscheinlichkeiten, Hilfsmittel: Kombinatorik æ Beurteilende Statistik:
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
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
Mehr+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert:
Tail Abhängigkeit Definition 12 Sei (X 1,X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: λ U (X
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Motivation bisher: Beschreibung von Datensätzen = beobachteten Merkmalsausprägungen Frage: Sind Schlußfolgerungen aus diesen Beobachtungen möglich? Antwort: Ja, aber diese gelten nur mit einer bestimmten
MehrProblemlösen Kombinationen - Wahrscheinlichkeit
Problemlösen Kombinationen - Wahrscheinlichkeit Zusammengestellt aus dem Mathebuch der Bezirksschule Brugg Anzahl möglicher Anordnungen bei 3 Elementen Wie viele mögliche Anordnungen lassen sich aus drei
MehrStochastik Lehr-und Aufgabenbuch. Skriptum zum Vorbereitungskurs
Stochastik Lehr-und Aufgabenbuch Skriptum zum Vorbereitungskurs 1 WICHTIGER HINWEIS: Ich bitte den Eigentümer dieses Skriptes, weder das gesamte Skript noch Teilauszüge daraus zu kopieren, einzuscannen
Mehr11 Unabhängige Ereignisse
11 Unabhängige Ereignisse In engem Zusammenhang mit dem Begriff der bedingten Wahrscheinlichkeit steht der Begriff der Unabhängigkeit von Ereignissen. Wir klären zuerst, was man unter unabhängigen Ereignissen
Mehr1 1. Übung. Einleitung. 1.1 Urnenmodelle. 1.2 Beispiele. 1.3 Aufgaben
Einleitung Dieses sind die kompletten Präsenzaufgaben, die bei der Übung zur Vorlesung Einführung in die Stochastik im Sommersemester 2007 gerechnet wurden. Bei Rückfragen und Anmerkungen bitte an brune(at)upb.de
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
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrSS 2016 Torsten Schreiber
SS 01 Torsten Schreiber 15 Ein lineares Gleichungssystem besteht immer aus einer Anzahl an Variablen und Gleichungen. Die Zahlen vor den Variablen werden in der sogenannten zusammen gefasst und die Zahlen
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
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
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
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
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
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
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
Mehr