5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion"

Transkript

1 5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die Wahrscheinlichkeit ist, dass die Zufallsvariable X einen Wert annimmt, der kleiner oder gleich ist: F() = (X ). Bei diskreten Zufallsvariablen erhält man sie durch Aufsummieren von Wahrscheinlichkeiten, bei stetigen Zufallsvariablen durch Integration. Abbildung: Form der Verteilungsfunktion bei diskreten und stetigen Zufallsvariablen Verteilungsfunktion diskrete Zufallsvariable stetige Zufallsvariable "Treppenfunktion" monoton steigende Funktion

2 Diskrete Zufallsvariablen Es sei X eine diskrete Zufallsvariable. Dann ist ihre Verteilungsfunktion F() durch (5.9) F() (X ) f ( ) p gegeben. Die Summation erstreckt sich über alle Ausprägungen, die kleiner oder gleich sind. Bei einer endlichen Zufallsvariablen X mit m möglichen Realisationen,,, m lässt sich die Verteilungsfunktion formal in der Form F p p p für für für für 3 m darstellen.

3 Tabellarische Darstellung: F( ) p p + p m Grafische Darstellung: Treppenfunktion Erläuterung Der fette unkt bei der Sprungstelle gibt an, dass der -Wert eweils den Funktionswert (= kumulierte Wahrscheinlichkeit) der oberen Sprunggrenze annimmt. An eder Sprungstelle nimmt die Verteilungsfunktion F() um die Wahrscheinlichkeit p zu. F p p p3 p p p Treppenfunktion 3

4 Kumulierte Wahrscheinlichkeiten bei einer diskreten Zufallsvariablen X Wahrscheinlichkeit für höchstens a weniger als a mindestens a mehr als a Formaler Ausdruck X a Fa X a Fa (X a) X a Fa (X a) X a X a Fa

5 Beispiel 5.8: Die Wahrscheinlichkeitsfunktion im Beispiel des roduktionsprozesses, bei dem zwei Teile entnommen werden, ist gegeben durch f p p p p für für für sonst Für die Verteilungsfunktion ergibt sich daraus wegen (5.9) für ausgewählte -Werte z.b. F(-) (X -) F() (X ) (X ) (- p) F(,) (X,) (X ) (- p) F() (X ) (X ) (X ) (- p) F() (X ) (X ) (X ) (X ) (- p) p(- p) - p p p(- p) p p - p - p - p p

6 Die Verteilungsfunktion lässt sich damit kompakt schreiben als für für p für p für X F Sie hat Sprungstellen in den unkten =, = und =. Die Höhe der Sprünge addiert sich insgesamt zu.

7 Stetige Zufallsvariablen Die Verteilungsfunktion F() entspricht bei einer stetigen Zufallsvariablen X der Fläche unterhalb der Dichtefunktion f(u), die sich bis zum Wert kumuliert hat. Man erhält sie durch Integration: (5.) F f u du. Die Größe u wird hierbei als Integrationsvariable verwendet. Mit der Verteilungsfunktion F() lassen sich ebenso wie mit der Dichtefunktion f() Wahrscheinlichkeiten bestimmen. Bei stetigen Zufallsvariablen ist dabei unerheblich, ob die Intervallgrenze zum Intervall gezählt wird oder nicht, weil unktwahrscheinlichkeiten gleich null sind. Kumulierte Wahrscheinlichkeiten bei einer stetigen Zufallsvariablen X Wahrscheinlichkeit für höchstens a weniger als a mindestens a mehr als a Formaler Ausdruck X a Fa X a Fa X a X a Fa X a X a Fa

8 Abbildung: Intervallwahrscheinlichkeiten f b b X f b F b X b F f a b b X a F(b) F(a) Wahrscheinlichkeiten für geschlossene und offene Intervalle bei einer stetigen Zufallsvariablen X F a b F b X a b X a b X a b X a (5.) F(b)

9 Beispiel 5.9: Wir betrachten die in Beispiel 5.7 verwendete Dichtefunktion für f (/) für. für a) Welche Verteilungsfunktion hat die Zufallsvariable X?. Schritt: Bildung des Integrals im Intervall. Schritt: Ausweisen der Verteilungsfunkton F f u du u du u für für für

10 Grafische Darstelllung der Dichte- und Verteilungsfunktion: f() Dichtefunktion Verteilungsfunktion F() / / - -

11 b) Wie groß ist die Wahrscheinlichkeit, dass die Zufallsvariable X Werte annimmt, die kleiner oder gleich, sind? Berechnung mit Hilfe der Dichtefunktion f() X, f,,, d,, d / f(), - Berechnung mit Hilfe der Verteilungsfunktion F() F() X, F,,,5, F(,) =, / - Der unkt =, heißt,-quantil der Wahrscheinlichkeitsverteilung.

12 c) Welchen Wert nimmt die Wahrscheinlichkeit für,< X<, an? Berechnung mit Hilfe der Dichtefunktion f(), X, f,, d,,,,7,,, d / f(),7 - Berechnung mit Hilfe der Verteilungsfunktion F(), X, F, F,,,,3,9,7 F(,) =,3 F(,) =,9 F() -,3-,9=,7

13 d) Schließlich fragen wir noch nach der Wahrscheinlichkeit, dass X größer als,3 ist. Berechnung mit Hilfe der Dichtefunktion f() X,3 f,3,3,577 d,3 d,3 / f(),577 - Berechnung mit Hilfe der Verteilungsfunktion F() F() X,3 F,3,3,577,3 F(,3) =,3 -,3 =,577 -

14 5.5 Erwartungswert und Varianz Erwartungswert und Varianz einer Zufallsvariablen sind Maßzahlen (Kenngrößen), mit denen die Wahrscheinlichkeitsverteilung einer Zufallsvariablen genauer beschrieben werden kann. Übersicht: Wichtige Maßzahlen einer Zufallsvariablen Maßzahlen einer Zufallsvariablen Erwartungswert Durchschnittswert aus einer Vielzahl von Zufallseperimenten Varianz Durchschnittliche quadratische Abweichung vom Erwartungswert

15 Erwartungswert einer Zufallsvariablen Der Erwartungswert E(X) einer Zufallsvariablen X gibt an, welchen Wert sie bei einer unbegrenzten Wiederholung im Durchschnitt annehmen wird. raktisch lässt er sich als Durchschnittswert bei einer großen Anzahl von Wiederholungen des Zufallsvorgangs interpretieren. Der Erwartungswert von X, E(X), wird auch als arithmetisches Mittel der Grundgesamtheit,, bezeichnet. Erwartungswert bei diskreten Zufallsvariablen: (5.) Erwartungswert bei stetigen Zufallsvariablen: (5.3) E E m m X p f X f d (bei m möglichen Realisationen)

16 Beispiel 5.: Bei einem Würfelwurf gewinnt man das Fünffache der gewürfelten ungeraden Augenzahl und verliert das Vierfache der geraden Augenzahl. Die Gewinn- und Verlustbeträge werden in Euro gemessen. Von welchem Erwartungswert des Gewinns können Sie ausgehen, wenn Sie an diesem Glücksspiel teilnehmen? Mit Hilfe der Angaben in der Wahrscheinlichkeitsfunktion der diskreten Zufallsvariable X f für für für 8 für 5 für 5 für 5 sonst

17 lässt sich der Erwartungswert unter Verwendung von (5.) bestimmen: p X E Sie müssen also im Schnitt mit einem Verlust pro Spiel von ½ Euro rechnen.

18 Beispiel 5.: Wir betrachten die bereits bekannte Dichtefunktion für für für f Wie groß ist sein Erwartungswert der Zufallsvariablen X? Da die Zufallsvariable X stetig ist, ziehen wir zur Berechnung des Erwartungswerts die Formel (5.3) heran. Wir integrieren hier über das Intervall zwischen und, da die Dichte nur in diesem Bereich ungleich ist: (/) für d d d f X E d d d f() E(X) μ

19 Varianz und Standardabweichung einer Zufallsvariablen Varianz und Standardabweichung einer Zufallsvariablen X sind Streuungsmaße, die angeben, wie stark ihre Realisationen um den Erwartungswert streuen. Die Varianz V(X) gibt die durchschnittliche quadrierte Abweichung wieder. Sie wird auch durch das Symbol ² gekennzeichnet. Varianz bei diskreten Zufallsvariablen (bei m möglichen Realisationen): m m (5.) V(X) E X p f Varianz bei stetigen Zufallsvariablen: (5.5) V(X) EX f Die Standardabweichung gibt als Wurzel aus der Varianz an, wie stark die Werte der Zufallsvariablen X durchschnittlich von ihrem Erwartungswert E(X) abweichen. Standardabweichung: d (5.) V(X)

20 Beispiel 5.: Wie groß sind Varianz und Standardabweichung beim einmaligen Werfen mit einem fairen Würfel? Mit der Wahrscheinlichkeitsfunktion sonst,,..., / für f () ergibt sich der Erwartungswert. 3, p X E Für die Varianz erhält man mit (5.).,97 7,5,5,5,5,5,5,5 3,5 3,5 5 3,5 3,5 3 3,5 3,5 p

21 Die Augenzahlen beim Würfelwurf weichen damit durchschnittlich um 7,5,78 vom Erwartungswert 3,5 ab.

22 Beispiel 5.3: Für die Dichtefunktion, für für für f hatten wir bereits den Erwartungswert von /3 in Beispiel 5. bestimmt. Damit lassen sich Varianz und Standardabweichung,7 9 berechnen. Die Werte, die die Zufallsvariable X annehmen kann, weichen also im Mittel um,7 vom Erwartungswert ab., d d d 3 d f 3 3 (/) für

23 Eigenschaften von Erwartungswert und Varianz Es werden nun die allgemeinen Eigenschaften von Erwartungswert und Varianz einer Zufallsvariablen diskutiert. Übersicht: Diskutierte Eigenschaften Diskutierte Eigenschaften Varianzverschiebungssatz Lineartransformation Standardisierung

24 Varianzverschiebungssatz Zur Varianzermittlung gibt es eine vereinfachte Berechnungsformel, den Varianzverschiebungssatz. Hier werden nur der Erwartungswert der quadrierten Zufallsvariablen sowie der einfache Erwartungswert benötigt: (5.7) X E E X diskreter Fall m m E X p f E X f d (5.8) (5.9) Beweis von (5.7): Nach (5.) und (5.5) ist die Varianz von X durch = E{[X E(X)] } stetiger Fall gegeben. Die Formel lässt sich durch einfache algebraische Umformung zeigen: E E X E X EX EX X EX X X E E(X ) E E(X ) X EX X EX EX EX E X E(X ) EX.

25 Beispiel 5.: Für die Wahrscheinlichkeitsfunktion beim einmaligen Würfelwurf ermitteln wir zunächst den Erwartungswert von X : E X p ,7. Mit dem Varianzverschiebungssatz (5.7) erhält man das mit der originären Varianzformel (5.) berechnete Ergebnis: E X EX 5,7 3,5 5,7,5,97.

26 Beispiel 5.5: Bei der Dichtefunktion f für (/) für für nimmt der Erwartungswert von X den Wert f E X an. Unter Verwendung des bereits ermittelten Erwartungswerts von X, /3, erhält man denselben Wert für die Varianz der Zufallsvariablen X: 8 E X d EX 3 d 8 9 9,. 9 3 d 8

27 Lineartransformation In verschiedenen Anwendungen wird von einer Lineartransformation Gebrauch gemacht, indem X um einen konstanten Betrag a und einen multiplikativen Faktor b verändert wird:: (5.) Y a bx Man erhält den neuen Erwartungswert E(Y), indem man die Lineartransformation (5.) in gleicher Form auf den ursprünglichen Erwartungswert E(X) anwendet: (5.) E Beweis von (5.): Y Ea bx a bex Wir beschränken uns hier darauf, (5.) für den Fall einer stetigen Zufallsvariablen zu beweisen. Es gilt E(Y) a b f d a f d b f d a f d b f d. Wegen f d und f d EX folgt E Y a be X.

28 Wie sich gezeigt hat, lässt sich der neue Erwartungswert durch eine lineare Transformation, E(Y) = E(a+b X) = a + b E(X), aus dem ursprünglichen Erwartungswert E(X) erhalten. Aufgrund der in dieser Gleichung wiedergegebenen Transformationseigenschaften bezeichnet man den Erwartungswert auch als linearen Operator. Folgerung: Speziell folgt aus (5.), dass der Erwartungswert einer Konstanten gleich der Konstanten ist: (5.) E(a) = a

29 Beispiel 5.: In Bespiel 5. hatten wir die Zufallsvariable Gewinn (in ) bei einem Würfelwurf betrachtet. Der Spieler gewinnt das Fünffache der gewürfelten ungeraden Augen-zahl und verliert das Vierfache der geraden Augenzahl. Die Gewinn- und Verlustbe-träge werden in Euro gemessen. Angenommen, der Glücksspieler möchte seinen Gewinn, der in Euro ausgezahlt wird, in Dollar [$] umtauschen. Für einen Euro erhält er,3 Dollar. Zusätzlich fallen Umtauschgebühren unabhängig von der Höhe des Gewinns von Dollar an. Alle Gewinne werden also um Dollar vermindert. Wie hoch ist der erwartete Gewinn in Dollar? Die Formel für die Lineartransformation lautet: $ Yin $ $,3 Xin. Wir berechnen den erwarteten Dollar-Gewinn durch a) Anwendung der Lineartransformation (5.) auf die in Euro ausgezahlten Einzelgewinne, b) Anwendung der Lineartransformation (5.) auf den Erwartungswert des Gewinns in Euro.

30 Ad a) Berechnung des Erwartungswerts (in $) aus den Einzelgewinnen Gewinne in Dollar: y = - +,3 (- =) = -33,; y = - +,3 ( =-) = -,8; y 3 = - +,3 ( 3 =-8) = -,; y = - +,3 ( =5) =,5; y 5 = - +,3 ( 5 =5) = 7,5; y = - +,3 ( =5) = 3,5; Wahrscheinlichkeitsfunktion der Gewinne (in $): f y für y 33, für y,8 für y, für y,5 für y 7,5 für y 3,5 sonst Erwarteter Dollar-Gewinn: E Y y p,,5 7,5 3,5,5 $. 33,,8

31 Ad b) Berechnung des Erwartungswerts (in $) aus dem erwartetem Euro-Gewinn Erwartungswert in Euro (aus Beispiel 5.): E X Erwartungswert in Dollar (mit Lineartransformation 5.): E Y a b EX,3,5 $,5

32 Im Falle einer linearen Transformation der Zufallsvariablen X werden bei der Varianzbildung multiplikative Konstanten quadriert. Die Varianz ändert sich dagegen nicht, wenn zu der Zufallsvariablen eine Konstante addiert wird. Daraus folgt, dass die Varianz einer Konstanten stets gleich ist. Man erhält damit die neue Varianz V(Y) aus der ursprünglichen Varianz V(X) aus (5.3) V(Y) Va bx b V(X). Beweis von (5.3): Die Varianz ist definiert als quadrierte Abweichung der Zufallsvariablen von ihrem Erwartungswert: V(Y) E Y E Y E a b X E a b X Mit (5.), E E a b X Ea b X. Y E(a b X) a b EX, erhält man V(Y) E a und daraus schließlich V(Y) E b X a b EX Eb X b E X b X E X b E X E X b V(X).

33 Beispiel 5.7: Wie hoch ist die Varianz des Spielergewinns in Dollar? Wir berechnen die Lösung wiederum auf zwei Wegen: Durch a) Anwendung der Lineartransformation (5.) auf die in Euro ausgezahlten Einzelgewinne, b) Anwendung der Transformation (5.3) auf die Varianz des Gewinns in Euro. Ad a) Berechnung der Varianz (in $) aus den Einzelgewinnen Unter Verwendung der in Beispiel 5. ermittelten Wahrscheinlichkeitsfunktion f(y) der Gewinne in Dollar, für y 33, für y,8 für y, f y für y,5, für y 7,5 für y 3,5 sonst

34 und dem dort berechneten Erwartungswert der Gewinne in Dollar, E Y,5 $, erhält man die Varianz der Gewinne in Dollar V(Y) y E(Y) p y (,5) p 33,,5,8,5,,5,5,5 7,5,5 3,5,5 55,55 7,7 5,8 8,5 7,7 83,5 98,8 $.

35 Ad b) Berechnung der Varianz in Dollar aus der Varianz in Euro In Anwendungen ist die alte Varianz in der Regel bekannt. In unserem Fall ist sie unter Verwendung der Wahrscheinlichkeitsfunktion f() der Gewinne in Euro, für für für 8 f für 5, für 5 für 5 sonst und dem Erwartungswert der Gewinne in Euro, E zu erst noch berechnen: X,5,

36 V(X) E(X) p (,5),5,5 8,5 5,5 5,5 5,5 9,, 9,375 5,, 8,375 9,97. p Mit Hilfe der Transformationsformel (5.3) erhalten wir für die Varianz der Gewinne in Dollar den Wert b VX V Y,3 9,97 98, $, der bis auf eine Rundungsungenauigkeit mit dem in Teil a) errechneten Wert übereinstimmt.

5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion

5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion 5. Verteilungsfunktion Die Verteilungsfunktion git an welche Wahrscheinlichkeit sich is zu einem estimmten Wert der Zufallsvarialen kumuliert ( angehäuft, angesammelt ) hat. Die Verteilungsfunktion F()

Mehr

3. Zufallsvariablen und ihre Verteilung 3.1 Begriff der Zufallsvariablen

3. Zufallsvariablen und ihre Verteilung 3.1 Begriff der Zufallsvariablen 3. Zufallsvariablen und ihre Verteilung 3.1 Begriff der Zufallsvariablen Bisher haben wir Ereignissen Wahrscheinlichkeiten zugeordnet. Sie bestehen aus einem oder mehreren Ergebnissen eines Zufallsvorgangs,

Mehr

Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler

Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler 6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung

Mehr

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

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5 4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit

Mehr

Eindimensionale Zufallsvariablen

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

Mehr

9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe

9 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

Mehr

5. Spezielle stetige Verteilungen

5. Spezielle stetige Verteilungen 5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für

Mehr

5. Zufallsvariablen und ihre Verteilung

5. Zufallsvariablen und ihre Verteilung 5. Zufallsvarialen und ihre Verteilung 5. Begriff der Zufallsvarialen Bisher haen wir Ereignissen Wahrscheinlichkeiten zugeordnet. Sie estehen aus einem oder mehreren Ergenissen eines Zufallsvorgangs,

Mehr

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

P (X = 2) = 1/36, P (X = 3) = 2/36,...

P (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

Mehr

Diskrete Wahrscheinlichkeitsverteilungen

Diskrete Wahrscheinlichkeitsverteilungen Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz

Mehr

1.5 Erwartungswert und Varianz

1.5 Erwartungswert und Varianz Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.

Mehr

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)

Mehr

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm. Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung

Mehr

Zufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff

Zufallsgrößen. 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

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig

Mehr

Diskrete Zufallsvariablen (Forts.) I

Diskrete Zufallsvariablen (Forts.) I 9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig

Mehr

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten

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

Mehr

Woche 2: Zufallsvariablen

Woche 2: Zufallsvariablen Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit

Mehr

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

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

Mehr

Sabrina Kallus, Eva Lotte Reinartz, André Salé

Sabrina Kallus, Eva Lotte Reinartz, André Salé Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften

Mehr

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

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus

Mehr

1.5 Erwartungswert und Varianz

1.5 Erwartungswert und Varianz Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:

Mehr

Wahrscheinlichkeitsverteilungen

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

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert

Mehr

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?

Erwartungswert, 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

Mehr

Lösungen zu Übungsaufgaben Blatt 9

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

Mehr

Normalverteilung. Erwartungswert, Median und Modus sind identisch. Symmetrieeigenschaft um den Erwartungswert

Normalverteilung. Erwartungswert, Median und Modus sind identisch. Symmetrieeigenschaft um den Erwartungswert Normalverteilung Stetige Wahrscheinlichkeitsverteilung, die zahlreiche natur, wirtschafts und sozialwissenschaftliche Merkmalsausprägungen mit guter Näherung abbilden kann und somit von elementarer Bedeutung

Mehr

Übung 1: Wiederholung Wahrscheinlichkeitstheorie

Übung 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

Mehr

15.5 Stetige Zufallsvariablen

15.5 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

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 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

Mehr

SozialwissenschaftlerInnen II

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

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion

Definition 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

Mehr

Wirtschaftsmathematik

Wirtschaftsmathematik Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A

Mehr

Kapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen

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

Mehr

2 Zufallsvariable und Verteilungsfunktionen

2 Zufallsvariable und Verteilungsfunktionen 8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [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

Mehr

Fit for Abi & Study Stochastik

Fit for Abi & Study Stochastik Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 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

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren 3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem

Mehr

Wahrscheinlichkeitsrechnung und Quantentheorie

Wahrscheinlichkeitsrechnung 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

Mehr

Statistik III. Walter Zucchini Fred Böker Andreas Stadie

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

Mehr

Kenngrößen von Zufallsvariablen

Kenngrößen von Zufallsvariablen Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert

Mehr

Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung

Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit

Mehr

Konzept diskreter Zufallsvariablen

Konzept diskreter Zufallsvariablen Statistik 1 für SoziologInnen Konzept diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder

Mehr

Übungsscheinklausur,

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

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009

Mehr

1 Dichte- und Verteilungsfunktion

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

Mehr

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:

Statistik 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

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 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.

Mehr

Population und Stichprobe Wahrscheinlichkeitstheorie II

Population und Stichprobe Wahrscheinlichkeitstheorie II Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.

Mehr

Beispiel: Zufallsvariable

Beispiel: Zufallsvariable Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis

Mehr

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung

Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben

Mehr

Standardnormalverteilung

Standardnormalverteilung Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative

Mehr

Verteilung von Summen

Verteilung von Summen Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel

Mehr

5 Erwartungswerte, Varianzen und Kovarianzen

5 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,

Mehr

Marcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung

Marcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung 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

Mehr

Psychologische Methodenlehre und Statistik I

Psychologische Methodenlehre und Statistik I Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment

Mehr

Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)

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

Mehr

Varianz und Kovarianz

Varianz 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 ]

Mehr

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen

1. 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

Mehr

Vorbereitung Blatt 13: Gleichverteilung auf [0, 1]

Vorbereitung Blatt 13: Gleichverteilung auf [0, 1] Vorbereitung Blatt 3: Gleichverteilung auf [, ] Jörg Nikutta. Januar 3 Wir werden in Übung 3 eine für Sie noch ungewohnte Art der Wahrscheinlichkeitsrechnung verwenden. Diese möchte ich vorab näher bringen:

Mehr

Beispiel 6 (Einige Aufgaben zur Gleichverteilung)

Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß

Mehr

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

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:

Mehr

Übungsblatt 9 (25. bis 29. Juni)

Übungsblatt 9 (25. bis 29. Juni) Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell

Mehr

Marcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung

Marcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable

Mehr

Demokurs. Modul Grundlagen der Wirtschaftsmathematik Grundlagen der Statistik

Demokurs. Modul Grundlagen der Wirtschaftsmathematik Grundlagen der Statistik Demokurs Modul 31101 Grundlagen der Wirtschaftsmathematik und Statistik Kurs 40601 Grundlagen der Statistik 13. Juli 2010 KE 1 2.4 Schiefe und Wölbung einer Verteilung Seite: 53 2.4 Schiefe und Wölbung

Mehr

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

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen

Mehr

WS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.

WS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X. Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im

Mehr

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

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

Mehr

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

falls rote Kugel im 1. Zug gezogen Die Ziehungen sind daher nicht unabhängig voneinander. Damit liegt kein Bernoulli-Prozess 6.4 Hypergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln sind nicht rot. Wir entnehmen n Kugeln, d.h. Stichproben vom Umfang n.

Mehr

Stetige Verteilungen Rechteckverteilung

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

Mehr

(8 + 2 Punkte) = = 0.75

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

Mehr

Kapitel VI - Lage- und Streuungsparameter

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

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

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

Mehr

Teil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung

Teil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

Zusatzmaterial zur Vorlesung Statistik II

Zusatzmaterial zur Vorlesung Statistik II Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung

Mehr

Übungsaufgaben, Statistik 1

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

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

Modelle diskreter Zufallsvariablen

Modelle diskreter Zufallsvariablen Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst

Mehr

Zusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen

Zusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k

Mehr

Statistik 1 Beispiele zum Üben

Statistik 1 Beispiele zum Üben Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen

Mehr

Berechnung von W für die Elementarereignisse einer Zufallsgröße

Berechnung von W für die Elementarereignisse einer Zufallsgröße R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.

Mehr

Probeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)

Probeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit) Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null

Mehr

j K j d j m j h j f j

j K j d j m j h j f j Für eine stetige Zufallsvariable X in einem Intervall [ a ; b ] kann X jeden beliebigen Wert annehmen. Die Wahrscheinlichkeiten werden in diesem Fall nicht mehr wie bei einer diskreten Zufallsvariable

Mehr

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

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

Mehr

6.6 Poisson-Verteilung

6.6 Poisson-Verteilung 6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt

Mehr

Abbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.

Abbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung. Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen

Mehr

Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker

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

Mehr

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s 4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Gemeinsame Wahrscheinlichkeitsverteilungen

Gemeinsame Wahrscheinlichkeitsverteilungen Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen

Mehr

Aufgabe A1 Ein Glücksrad hat vier Sektoren, wovon die ersten beiden die Winkelgröße 60 haben. Für die Winkelgrößen und des dritten und vierten Sektors

Aufgabe A1 Ein Glücksrad hat vier Sektoren, wovon die ersten beiden die Winkelgröße 60 haben. Für die Winkelgrößen und des dritten und vierten Sektors Level Grundlagen Blatt Dokument mit Aufgaben Aufgabe A Ein Glücksrad hat vier Sektoren, wovon die ersten beiden die Winkelgröße 60 haben. Für die Winkelgrößen und des dritten und vierten Sektors gilt.

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009

Mehr

Statistik Übungen SS 2018

Statistik Übungen SS 2018 Statistik Übungen SS 2018 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem

Mehr