Übung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
|
|
- Hermann Busch
- vor 6 Jahren
- Abrufe
Transkript
1 Übung 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 mit erhalten werden kann. Binomialverteilung p = λ n, n Münzbeispiel: Bezeichnen wir die Wahrscheinlichkeit von Kopf mit p, so ergibt sich die Wahrscheinlichkeit von Zahl mit p. Ist X die Anzahl der Kopfwürfe bei n Würfen, so tritt das Ereignis X = k genau dann auf, wenn in einer Wurfsequenz ( K Z Z ) genau k-mal K auftritt und daher auch (n-k) mal Z. Die Wahrscheinlichkeit einer solchen Sequenz ist p k ( p) n k Dabei kann die Reihenfolge egal sein. Wir müssen also noch wissen, wie viele Möglichkeiten es gibt, aus n Würfen, k auszuwählen: Damit haben wir die Binomialverteilung definiert: Poissonverteilung Eine Zufallsvariable mit der Verteilung ( n k ) B n (p): P(X = k) = ( n k ) pk ( p) n k für k =,,2,, n P(X = k) = λk k! e λ heißt Poisson-verteilt mit dem Parameter λ. Ist X ~ PV(λ), dann ist: E(X) = Var(X) = λ Betrachten wir also unsere Binomialverteilung und ersetzen p mit λ. Dabei spalte ich die Verteilung in vier n Faktoren auf. B n (p) = ( n k ) (λ n ) k ( p) n k = [( n k ) n k] [λk ][( p) n ][( p) k ] Der erste Faktor konvergiert gegen k!, denn: ( n k ) n k = k! (n n n n n k + ) n Wahrscheinlichkeitsrechnung Markus Kessler Seite von
2 Übung Der zweite Faktor λ k können wir so belassen. k lim [(n n k ) n k] = k! lim j (n n n ) = k! Für den dritten Faktor müssen wir die Definition der Exponentialfunktion ansehen: Auf unser Beispiel angewandt: Der letzte Faktor konvergiert gegen, denn: Somit erhalten wir schließlich als Grenzwert: j= e x = lim n ( + x n ) n lim ( n p)n = lim ( λ n n n ) = e λ p = λ n lim λ n n = lim ( λ k n n ) = P(X = k) = λk e λ k! Wahrscheinlichkeitsrechnung Markus Kessler Seite 2 von
3 Übung Aufgabe 2 Es sei x 2, F(x) = 4, x 2, {, x < x < x < 2 x 2 Definition der Verteilungsfunktion einer Zufallsvariablen Für jedes x R ist die Verteilungsfunktion F X R [,] der Zufallsvariablen X definiert durch: a) Zeigen Sie, dass F eine Verteilungsfunktion ist. F X (x) = P(X x) Damit F eine Verteilungsfunktion ist, müssen folgende Eigenschaften gegeben sein: ) F(x) x Gilt direkt aus der Definition. 2) F ist monoton steigend Graphik 3) F ist rechtsseitig Durch die strikte Ungleichung x < und x < 2 wird bei Sprungstellen der rechtsseitige Wert verwendet. 4) lim x F(x) = Laut Definition. 5) lim x F(x) = Laut Definition. b) X sei nach F verteilt. Bestimmen Sie P(X < ), P(X ), P(X = ), P(X = ), P(X = 2). P(X < ) = F x () = 4 P(X ) = F x () = 2 P(X = ) = P(X = ) = 2 4 = (diskrete Werte!) 4 P(X = 2) = Die letzten drei Werte ergeben sich aus folgender Überlegung: Ein spezieller Wert wie muss man sich als, vorstellen. Bei nicht abzählbar vielen reellen Zahlen, besitzt jede Zahl eine verschwindend geringe Häufigkeit. Die statistische Wahrscheinlichkeit ist. Wahrscheinlichkeitsrechnung Markus Kessler Seite 3 von
4 Übung Aufgabe 3 X und Y seien unabhängig poissonverteilt mit Parameter λ und μ. Bestimmen Sie die Verteilung von X + Y. Definition der Unabhängigkeit X und Y heißen unabhängig, wenn für alle x R und y R die Ereignisse X x und Y y unabhängig sind. Das heißt, es muss gelten P(X = x i, Y = y j ) = P(X = x i ) P(Y = y i ) Die Formel für die Poissonverteilung lautet: Wir haben also die zwei Formeln: P(X = k) = λk e λ k! p λ (X = x) = λx e λ x! p μ (Y = y) = μ y e μ Sind zwei Zufallsvariablen unabhängig, können diese getrennt multipliziert werden: Wir führen jedoch noch eine neue Zufallsvariable ein: Und betrachten zusätzlich den Sonderfall: z x= P(X = x i, Y = y j ) = P(X = x i ) P(Y = y i ) y! Z = X + Y Y = Z X p λ (x) = p μ (x) = x < z P(Z = z) = p(x) q(z x) = λx e λ μ z x e μ x! (z x)! = e (λ+μ) λx x! μ z x (z x)! z! z! Wir wenden nun den Binomischen Lehrsatz an: P(Z = z) = e (λ+μ) z! x= n (x + y) n = ( n k ) xn k y k z k= z! x! (z x)! x= z x= λ x μ y x = e (λ+μ) (λ + μ) z z! Wahrscheinlichkeitsrechnung Markus Kessler Seite 4 von
5 Übung Aufgabe 4 X und Y seien unabhängig gleichverteilt auf [,]. Bestimmen Sie die Verteilung von X + Y. Die stetige Gleichverteilung im Intervall [a, b] lautet: U(a, b) = b a Die zwei Gleichverteilungen können beschrieben werden mit: a x b, x U x (x) = {, sonst, y U y (y) = {, sonst Laut Skriptum: Wenn die gemeinsame Verteilung diskret bzw. stetig ist, kann man in dieser Definition die Verteilungsfunktion durch die Wahrscheinlichkeits- bzw. Dichtefunktion ersetzen., x [,] f x (x) = {, sonst, y [,] f y (y) = {, sonst Satz 2.: X und Y seien unabhängig mit Dichte f X und f Y. Dann ist Dichte von X + Y die Faltung von f X und f Y. z = x + y y = z x z [,2] f X+Y (z) = f X f Y (z) = f X (x)f Y (z x) dx Wir betrachten dabei nur Werte von bis, da ansonsten f x (x) = x [,] gilt. Wenn wir jedoch nur Werte aus diesem Intervall nehmen, ergibt f x (x) immer. f X+Y (z) = f Y (z x) dx Wir haben y = z x definiert. Da y [,] gilt, folgt automatisch (z x) [,]. Wenn wir das Integral lösen wollen, müssen wir zwischen zwei Fällen unterscheiden: Fall : z [, ] z x z x Da z größer gleich x sein muss, integrieren wir in diesem Fall nur von bis z. Fall 2: z [, 2] f (X+Y) (z) = dx = z z x z x z z muss kleiner gleich x sein, wir setzen die Integrationsgrenzen von z bis. Die Dichtefunktion für X + Y lautet: f (X+Y)2 (z) = dx = (z ) = 2 z z z, x < f X+Y (z) = { 2 z, z < 2, sonst Wahrscheinlichkeitsrechnung Markus Kessler Seite 5 von
6 Übung Aufgabe 5 X sei gleichverteilt auf [, ]. Bestimmen Sie die Verteilung von log X. Laut Skriptum: Wenn die gemeinsame Verteilung diskret bzw. stetig ist, kann man in dieser Definition die Verteilungsfunktion durch die Wahrscheinlichkeits- bzw. Dichtefunktion ersetzen. Satz 2.5 Transformationssatz für Dichten: X sei stetig verteilt mit der Dichte f X und g R n R n sei stetig differenzierbar und eindeutig umkehrbar. Y = g(x) ist dann ebenfalls stetig verteilt mit der Dichte Dabei ist f X (g (y)) δg f Y (y) = { δy (y) = f X(g (y)) δg, wenn y g(r n ) δx (g (y)), sonst die Funktionaldeterminante. δg δx = det ((δg i δx j ) n n ) Y = g(x) = log X (= ln X) Y = ln X X = e Y = g (Y) F Y (y) = P(Y y) = P( ln X y) = P(X e Y ) = e Y Nun wenden wir den Transformationssatz für Dichten an: f Y (y) = f X (g (y)) = f X (g (y))e Y δg δx (g (y)) = f X (g (y)) δg δx (e Y ) f Y (y) = { e Y, g (y), sonst = f X (g (y)) = f X (g (y)) e Y X Wahrscheinlichkeitsrechnung Markus Kessler Seite von
7 Übung Aufgabe X und Y haben eine gemeinsame Verteilung mit der Dichte c(x + y), für x, y f(x, y) = {, sonst Bestimmen Sie c und die Randdichten von X und Y. Randdichten Die Randichtefunktionen von X und Y sind definiert durch f X (x) = f XY (x, y) dy f Y (y) = f XY (x, y) dx Wir beschränken uns auf folgenden Bereich c(x+y) Gesucht ist die Variable c Die gemeinsame Dichtefunktion f XY (x, y) zweier Zufallsvariablen X, Y besitzt folgende Eigenschaften: f XY (x, y) x, y Somit berechnen wir c: f XY (x, y) dx dy = b d P({a X b, c Y d}) = f XY (x, y) dy dy a c Paare (a, b) und (c, d) c d und a b c(x + y) dx dy = = c x + y dx dy = c ( x2 2 + xy) dy = c ( 2 + y) dy = c ( y 2 + y2 2 ) = c ( ) = c Die Randdichten ergeben sich durch Einsetzen und Integrieren: f X (x) = f XY (x, y) dy = c (x + y) dy = c (xy + y2 2 ) = c (x + 2 ) = x + 2 f Y (y) = f XY (x, y) dx = c (x + y) dx = c ( x2 2 + xy) = c ( 2 + y) = y + 2 Wahrscheinlichkeitsrechnung Markus Kessler Seite 7 von
8 Übung Aufgabe 7 Ein Würfel wird dreimal geworfen. X sei die größte der drei Augenzahlen, Y die kleinste. Bestimmen Sie die gemeinsame Verteilung von X und Y und die beiden Randverteilungen. Wenn wir dreimal Würfeln, entstehen die drei Zufallsvariablen X, Y und Z: Y Z X Die Beziehung zwischen den Zufallsvariablen kann in vier Fälle unterteilt werden:. Fall: Y = Z = X Permutation 2. Fall: Y = Z < X ( 3 2 ) = 3 Permutationen 3. Fall: Y < Z = X ( 3 2 ) = 3 Permutationen 4. Fall: Y < Z < X 3! = Permutationen Bestimmen wir nun die Wahrscheinlichkeit für X: X Fall Fall 2 Fall 3 Fall 4 Summe = = 9 Gesamt Somit erhalten wir die Wahrscheinlichkeit:, x = 9, y = 7, x = 2, y = 2 9 P(x) =, x = 3 37 P(y) = P(x) ==, y = 3 37, x = 4 9, y = 4, x = 5 7, y = 5 9 {, x = {, y = Wahrscheinlichkeitsrechnung Markus Kessler Seite von
9 Übung Für die Randverteilung verwenden wir die Treppenfunktion: F X (x) =, x <, x < 2, x < 3 27, x < 4 4, x < 5 25, x < {, x 7 F Y (y) = Die Wahrscheinlichkeitstafel bzw. Kontingenztafel hat folgende Form:, y < 9, y < 2 52, y < 3 9, y < 4 2, y < 5 25, y < {, y 7 x\y Σ Σ Erklärung für das grau hinterlegte Feld: Die Reihenfolge lautet: X = 5; Y = 3 Y Z X ( 3 2 ) = 3 Möglichkeiten 345 3! = Möglichkeiten 355 ( 3 2 ) = 3 Möglichkeiten Ergibt insgesamt 2 Möglichkeiten. Wahrscheinlichkeitsrechnung Markus Kessler Seite 9 von
10 Übung Die Verteilungsfunktion als Tabelle abgebildet, ergibt: y x Erklärung für das grau hinterlegte Feld: X < 4, Y < 3 Es wird die Summe über die fett umrandeten Felder in der Wahrscheinlichkeitstafel gebildet. X = {,2,3}; Y = {,2} Wahrscheinlichkeitsrechnung Markus Kessler Seite von
Die 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
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
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
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
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
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
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
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
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
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
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,
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,
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
MehrÜbungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006
3.75. Angabe Übungsrunde 9, Gruppe 2 LVA 07.369, Übungsrunde 8, Gruppe 2, 2.2. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 2/2006 X sei eine stetige sg mit Dichte f(x), x R. Ermitteln Sie einen
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.
MehrAufgaben zu Kapitel 38
Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
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
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
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
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
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
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
MehrP( X µ c) Var(X) c 2. mit. In der Übung wurde eine alternative, äquivalente Formulierung verwendet: P( X µ < c) 1 Var(X)
Ich habe eine Frage zur Tschebyschew Ungleichung. In der Aufgabe 4 des Übungsblattes 3 benötigt man ja die Ungleichung. In diesem Falle war der Bereich (0, 20) symmetrisch um den Erwartungswert µ = 5.
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrWürfel-Aufgabe Bayern LK 2006
Würfel-Aufgabe Bayern LK 2006 Die Firma VEGAS hat ein neues Gesellschaftsspiel entwickelt, bei dem neben Laplace-Würfeln auch spezielle Vegas-Würfel verwendet werden, die sich äußerlich von den Laplace-Würfeln
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
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
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
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
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 Funktionen, Binomischer Lehrsatz
Vorlesung 13 Stetige Funktionen, Binomischer Lehrsatz 13.1 Funktionenfolgen Wir verbinden nun den Grenzwertbegriff mit dem Funktionsbegriff. Es seien (a n ) n N eine reelle Folge und f : R R eine Funktion.
MehrZiel der Wahrscheinlichkeitsrechnung. Teil V. Wahrscheinlichkeitsrechnung. Experiment: Wurf eines Würfels
Ziel der Wahrscheinlicheitsrechnung Teil V Wahrscheinlicheitsrechnung Aussagen über Experimente und Prozesse mit unsicherem Ausgang. Beispiele Würfeln Literatur: Ziehen von Losen aus einer Urne Glücsspiele
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrVorlesung Einführung in die Wahrscheinlichkeit
Vorlesung Einführung in die Wahrscheinlichkeit Prof. C. Mazza Wintersemester 007/008 Literatur W. Feller, An introduction to probability theory and some of its applications I Wiley 1968. K.L. Chung, Elementary
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
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.
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
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
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
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
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
MehrÜbungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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
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
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
Mehr8 Stetige Zufallsvariablen
2 8 STETIGE ZUFALLSVARIABLEN 8 Stetige Zufallsvariablen 8. Definition von stetigen Zufallsvariablen Idee: Eine Zufallsvariable X heißt stetig, falls zu beliebigen Werten a < b aus dem Träger von X auch
MehrDifferenzialrechnung
Mathe Differenzialrechnung Differenzialrechnung 1. Grenzwerte von Funktionen Idee: Gegeben eine Funktion: Gesucht: y = f(x) lim f(x) = g s = Wert gegen den die Funktion streben soll (meist 0 oder ) g =
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
MehrDen folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde.
Kapitel 0 Stetige Zufallsvariablen und ihre Verteilungen Letzte Änderung: 7. Mai 2000, 20 Seiten Den folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde. X: Ω R Die stetige
Mehr1. Klausur. für bau immo tpbau
1. Klausur Höhere Mathematik I/II für bau immo tpbau Wichtige Hinweise Die Bearbeitungszeit beträgt 120 Minuten. Verlangt und gewertet werden alle 6 Aufgaben. Bei Aufgabe 1 2 sind alle Lösungswege und
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
MehrAnalysis Seite 1. 1 f' = g f (x) g'(f(x)) f '(x) f (y) = mit y = f(x) bzw. f (x) = k f(x)dx = k f(x) + c. (f(x) ± g(x))dx = f(x)dx ± g(x)dx
Analysis Seite Ableitungsregeln: (f±g) = f ± g (f g) = f g + fg ' f f'g fg' = 2 g g ' f' = 2 f f ' ( ) = g f () g'(f()) f '() ' ' f (y) = mit y = f() bzw. f () = f'() f' f( ) Integrationsregeln: b a c
MehrSumme von Zufallsvariablen
Summe von Zufallsvariablen Gegeben sind die unabhängigen, gleichverteilten Zufallsvariablen X und Y mit den Wahrscheinlichkeitsdichten f() und g(). { für f() = g() = sonst Wir interessieren uns für die
MehrZufallsvariablen: Die allgemeine Definition
KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)
Mehr2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0!
Klausur 25.02.2004 Aufgabe 5 Gegeben ist die Funktion f(x) = 2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0! Klausur 06.08.2003 Aufgabe 5 Gegeben ist
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
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
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
Mehr12 Die Normalverteilung
12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen
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.
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
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
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
MehrSurjektive, injektive und bijektive Funktionen.
Kapitel 1: Aussagen, Mengen, Funktionen Surjektive, injektive und bijektive Funktionen. Definition. Sei f : M N eine Funktion. Dann heißt f surjektiv, falls die Gleichung f(x) = y für jedes y N mindestens
MehrS tandardabweichung : σ= n p 1 p = 200 0,24 0,76 6,04
R. Brinkmann http://brinkmann-du.de Seite 1 14.10.2007 Wahrscheinlichkeiten von Umgebungen Bei einer Binomialverteilung ist der Erwartungswert der mit der größten Wahrscheinlichkeit. In der Umgebung des
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrGrundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik
INSTITUT FÜR STOCHASTIK WS 07/08 UNIVERSITÄT KARLSRUHE Blatt 4 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen Aufgabe
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
MehrDefinition: Differenzierbare Funktionen
Definition: Differenzierbare Funktionen 1/12 Definition. Sei f :]a, b[ R eine Funktion. Sie heißt an der Stelle ξ ]a, b[ differenzierbar, wenn der Grenzwert existiert. f(ξ + h) f(ξ) lim h 0 h = lim x ξ
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
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
Mehr1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0
1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen
MehrWürfelspiel. Heinz Klaus Strick. Beispiele zum Einsatz des TI-30X Plus MultiView :
Beispiele zum Einsatz des TI-30X Plus MultiView : Würfelspiel Für den schulartübergreifenden Einsatz Stochastik Grundkurs Besonders passend für Baden-Württemberg und Bayern Bei einem Würfelspiel hat ein
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
Mehr5. Stochastische Modelle I: Diskrete Zufallsvariablen
5. Stochastische Modelle I: Diskrete Zufallsvariablen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Zufallsgrößen Eine Zufallsgröße X ist eine Größe, deren Wert wir nicht exakt kennen
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
MehrDie Binomialverteilung
Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr