Propädeutikum Wahrscheinlichkeitsrechnung
|
|
- Catrin Sauer
- vor 6 Jahren
- Abrufe
Transkript
1 Winter 010/011 Propädeutikum Wahrscheinlichkeitsrechnung Ferdinand Zahn Johannes Jaspersen Vijay Aseervatham Arthur Seibold Maximilian Engel
2 Ansprechpartner Andreas Richter Sprechstunde: siehe Homepage Ferdinand Zahn Sprechstunde: Do 16:00-18:00 Johannes Jaspersen Sprechstunde: Di 10:00-1:00 Vijay Aseervatham Sprechstunde: Mo 10:00-1:00 Maximilian Engel Sprechstunde: nach Vereinbarung Arthur Seibold Sprechstunde: nach Vereinbarung Richter: Grundlagen der BWL, Winter 010/11
3 Übungstermine zur Vorlesung Übung Termin Raum Übungsleiter 1 Mo Uhr HGB A 10 Vijay Aseervatham Mo Uhr HGB B 106 Maximilian Engel 3 Di Uhr HGB A 10 Johannes Jaspersen 4 Di 1-14 Uhr Schellingstr. 3 Raum 007 Vijay Aseervatham 5 Di 18-0 Uhr Schellingstr. 3 Raum 007 Maximilian Engel 6 Mi Uhr HGB A 10 Arthur Seibold 7 Do Uhr Luisenstr. 37 Raum 131 Johannes Jaspersen 8 Do 1-14 Uhr HGB A 15 Ferdinand Zahn 9 Do 18-0 Uhr HGB A 10 Ferdinand Zahn 10 Fr 10-1 Uhr HGB A 15 Arthur Seibold Richter: Grundlagen der BWL, Winter 010/11 3
4 Organisatorisches Vorlesungsunterlagen finden Sie bis auf weiteres auf der Veranstaltungsseite unserer Hompage. Dort ist auch eine Mailing-Liste eingerichtet: Das Passwort der Unterlagen wird in Vorlesung und erster Übung bekannt gegeben. Klausur: voraussichtlich Dienstag, um 8:30 9:30 Uhr. Richter: Grundlagen der BWL, Winter 010/11 4
5 Literatur Neus, Werner (009): Einführung in die Betriebswirtschaftslehre, 6. Auflage, Tübingen Lehrbuch, auf dem im Wesentlichen die Inhalte der Vorlesung basieren Richter: Grundlagen der BWL, Winter 010/11 5
6 Inhalte der Vorlesung Termin Inhalt Kapitel im Neus KW Organisatorisches / 1. Gegenstand und Methoden der BWL Kap. 1 KW KW KW KW Grundlagen der Entscheidungstheorie Kap. und Kap. 10 KW KW Kooperationsvorteile und Austausch über Märkte Kap. 3 KW KW Warum Unternehmungen? Kap. 4 KW KW KW Unternehmensverfassung und Shareholder Value Kap. 5 KW Grundbegriffe der Spieltheorie Kap. 11 KW tba Richter: Grundlagen der BWL, Winter 010/11 6
7 Inhalte des Propädeutikums I. Einführendes Beispiel: Monopoly II. III. IV. Zufallsvariable Wahrscheinlichkeitsverteilung Lagemaße V. Aufgaben # 7
8 I. Einführendes Beispiel: Monopoly Bei seinem Lieblingsspiel Monopoly ist Lukas gerade wieder auf GO gelandet und hat dabei $00 in seiner Tasche. Er wirft einen 6-seitigen Würfel um voranzukommen. Er hat vor zu kaufen unabhängig davon worauf er auch landen wird. Bevor er würfelt, stellt sich Lukas zwei Fragen: Wie viel Geld werde ich nach der Runde noch haben? Und kann ich mir dabei sicher sein? # 8
9 II. Zufallsvariable Sowohl das Würfelergebnis als auch Lukas Geldbetrag am Ende der Runde sind Zufallsvariablen. Sie werden analog zu gewöhnlichen Variablen mit Buchstaben, z.b. X, bezeichnet. Die unterschiedlichen Ausprägungen j = 1 n, die eine Zufallsvariable annehmen kann, heißen Ergebnisse x j. Der Eintritt der Ergebnisse ist mit Unsicherheit p(x j ) behaftet. Wirft Lukas beispielsweise eine, dann zahlt er $100 für das Elektrizitätswerk und ihm verbleiben $00 - $100 = $100. # 9
10 II. Zufallsvariable Wir gehen von einem fairen Würfel aus, d.h. jede Seite fällt gleichwahrscheinlich. Da der Würfel sechs Seiten hat, wird sich in einem sechstel aller Fälle eine als Ergebnis einstellen. Dieses sechstel, 0,1667 oder 16,67% bezeichnet die Wahrscheinlichkeit p(x ) des Ergebnisses x : Würfel ergibt eine zwei. Eine Wahrscheinlichkeit erklärt, dass in einer endlosen Reihe von Wiederholungen eines Vorgangs das Ereignis in p% der Fälle eintreten wird. Die Wahrscheinlichkeit eines Ereignisses x j wird als p(x j ) geschrieben. # 10
11 Wahrscheinlichkeiten folgen einigen Regeln: Eine Wahrscheinlichkeit ist eine positive Zahl, die zwischen null und eins liegt. Es muss immer ein Ereignis eintreten, d.h. die Wahrscheinlichkeit, dass überhaupt ein Ereignis eintritt (das sogenannte sichere Ereignis) ist gleich eins. Zwei Ereignisse sind überschneidungsfrei, wenn sie nicht beide gleichzeitig eintreten können. Sind Ereignisse überschneidungsfrei, ist die Wahrscheinlichkeit, dass eines von beiden eintritt, gleich der Summe der Wahrscheinlichkeiten der einzelnen Ereignisse. Zwei Ereignisse sind stochastisch unabhängig, wenn das Eintreten des einen nicht die Wahrscheinlichkeit des Eintreten des anderen beeinflusst. Sind zwei Ereignisse stochastisch unabhängig, so ist die Wahrscheinlichkeit, dass beide Ereignisse eintreten, gleich dem Produkt der Wahrscheinlichkeiten der einzelnen Ereignisse. Richter: Grundlagen der BWL, Winter 010/11 # 11
12 II. Zufallsvariable Das Ergebnis des Würfels bestimmt das Ergebnis des Endvermögens. Aus unterschiedlichen Würfen kann aber das gleiche Endvermögen resultieren. Um einem bestimmten Endvermögen eine Wahrscheinlichkeit zuzuordnen, sind die Wahrscheinlichkeiten der dieses Endvermögen erzeugenden Würfelergebnisse zu addieren. # 1
13 II. Zufallsvariable $00 - $100 = $100 $00 - $00 = $0 $00 - $100 = $100 $00 - $60 = $140 $00 - $100 = $100 $00 - $60 = $140 # 13
14 III. Wahrscheinlichkeitsverteilung Die korrekte Darstellung eines derartigen Zufallsvorgangs erfordert eine Wahrscheinlichkeitsverteilung oder Dichtefunktion. Die Wahrscheinlichkeitsverteilung ordnet jedem möglichen Ergebnis eine Wahrscheinlichkeit zu. Bei unserem Monopolybeispiel handelt es sich um eine diskrete Wahrscheinlichkeitsverteilung, da die Menge an Ergebnissen abzählbar ist. Die Dichtefunktion lässt sich sowohl in mathematischer Notation als auch in graphischer Form darstellen. p(y) 0,6 0,5 0,4 0,3 0, 0,1 0 $0 $100 $140 y # 14
15 III. Wahrscheinlichkeitsverteilung Um das Prinzip der Wahrscheinlichkeitsverteilung zu verstehen, wird der Begriff der Funktion eingeführt. Strikt mathematisch gesprochen ist eine Funktion eine Abbildung einer Menge in eine andere Menge. Das heißt, einer Zahl eines gewissen Formates wird eine Zahl eines anderen Formates zugeordnet. Dabei kann es passieren, dass sich die Art der Zuordnung ab einem gewissen Wert ändert. Dies wird durch unterschiedliche Definitionsbereiche dargestellt. Eine derartige Funktion wird als abschnittsweise definiert bezeichnet. Als Beispiel kann man sich einen Telefonvertrag vorstellen, der zunächst 0 Cent pro Minute kostet und sobald die Kosten 0 erreichen, diese nicht überschreitet. Kosten in Euro Minuten # 15
16 III. Wahrscheinlichkeitsverteilung Im Fall von Lukas Monopoly Problem wird jedem möglichen Endvermögenswert eine Wahrscheinlichkeit zugeordnet wird. Die Funktion ist diskret, da es nur drei mögliche Geldwerte gibt. Die drei möglichen Endvermögenswerte bilden den Definitionsbereich. p(y j ) für y für y für y 3 1 $0 $100 $140 0,6 0,5 0,4 0,3 0, 0,1 0 p(y) $0 $100 $140 y # 16
17 IV. Lagemaße Nun können wir Lukas erste Frage beantworten: Wie viel Geld wird er nach der Runde noch haben? Dabei verwenden wir das statistische Konzept des Erwartungswerts. Dieser wird häufig als µ bezeichnet und hat den mathematischen Operator E(x). Der Erwartungswert ist die Summe der mit den Eintrittswahrscheinlichkeiten gewichteten Ergebnisse. In mathematischer Notation: E(x) μ x Zum Verständnis dieser Formel folgt eine Einführung des Summenzeichens. n j1 x j p x j # 17
18 IV. Lagemaße n j1 a j # 18
19 IV. Lagemaße Zwei Beispiele verdeutlichen die Verwendung des Summenzeichens. Hat man eine indizierte Variable, so bedarf es einer Wertezuordnung zur Berechnung der Summe. 3 Variable Wert a j a 1 j1 a 5 a 3 8 Es ist zu beachten, dass j nicht nur als Index verwendet werden kann, sondern auch direkt in der Summe. 5 j1 j # 19
20 IV. Lagemaße Der Erwartungswert ergibt das durchschnittliche Ergebnis aus einer großen Anzahl Wiederholungen eines Experimentes. Strikt mathematisch gesprochen entspricht er dem Schwerpunkt der Wahrscheinlichkeitsmasse einer Wahrscheinlichkeitsverteilung. Für Lukas ergibt sich folgender Wert: p(y j ) für y für y für y 3 1 $0 $100 $140 n y p E y j1 j y j Lukas sollte also mit $ am Ende seines Zuges rechnen. # 0
21 IV. Lagemaße Doch wie lässt sich ein solcher Wert interpretieren? Es ist offensichtlich, dass dieser spezielle Wert unerreichbar ist. Der Wert dient jedoch als Anhaltspunkt für das zu erwartende Ergebnis. Lukas zweite Frage ist also klar mit nein zu beantworten. Er kann sich dieses Wertes nicht sicher sein. Um eine Aussage über die Unsicherheit des Endvermögens treffen zu können, ist die Streuung der Verteilung zu untersuchen. Hierzu benutzen wir die statistischen Konzepte der Varianz und der Standardabweichung. # 1
22 IV. Lagemaße Die Varianz, auch σ² genannt, ist der Erwartungswert der quadrierten Abweichung einer Zufallsvariablen von ihrem Erwartungswert. Es ist ein Streumaß, welches mit der Streuung der Verteilung zunimmt. Der quadratische Term wird verwendet, um zum einen das gegenseitige Aufheben von negativen und positiven Abweichungen zu verhindern und zum anderen stärkeren Abweichungen vom Mittel mehr Gewicht zu geben. σ x p(y j ) 6 6 Vary n n x j μx px j xj px j μx j1 für für für y y y 3 1 $0 j1 $100 $140 #
23 IV. Lagemaße Betrachtet man die Einheit der Varianz, so fällt auf, dass diese nicht mit der Einheit des Erwartungswertes übereinstimmt. Das Konzept der Standardabweichung, auch σ genannt, löst dieses Problem. Die Standardabweichung entspricht der positiven Wurzel der Varianz. σ n x : Varx Px jx j Ex In Lukas Beispiel: σy j1 # 3
24 IV. Lagemaße Erwartungswerte und Varianzen folgen den anschließenden Rechenregeln: Rechenregeln für Erwartungswerte E(a x) a E(x) E(b x) b E(x) E(x y) E(x) E(y) Rechenregeln für Varianzen Var(x) E(x Var(a x) Var(x) Var(b x) b ) [E(x)] Var(x) Verschiebungssatz # 4
25 V. Aufgaben Aufgabe 1 (aus: Toutenburg, Fieger, Kastner, 1998): Die Preise für eine Portion Kaffee werden in München in 8 und in Basel in 7 Cafés festgestellt: Preise in München in Euro,10 1,95 1,75 1,65 1,70,30 1,80,00 Preise in Basel in SFR 3,95 4,00 3,5 3,70 3,10 3,85 3,45 Errechnen Sie Erwartungswert und Varianz der Kaffeepreise in den beiden Städten (hierfür kann man annehmen, dass die Preise in der Tabelle sozusagen gleich wahrscheinlich sind). Was fällt Ihnen auf? Aufgabe : Eine faire Münze wird drei Mal geworfen. Es wird jeweils notiert, ob Bild (B) oder Zahl (Z) oben lag. Die Zufallsvariable S zählt, wie häufig Z oben lag. Wie ist die Wahrscheinlichkeitsverteilung von S? Berechnen Sie zusätzlich Erwartungswert und Varianz von S! # 5
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
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
Mehr3.3 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
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
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.
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
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
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
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
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
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.
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,
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
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
MehrÜ b u n g s b l a t t 10
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
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
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
Mehr3. 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:
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
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
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
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
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.
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrAufgabenblock 3. Durch zählen erhält man P(A) = 10 / 36 P(B) = 3 / 36 P(C) = 18 / 36 und P(A B) = 3 /
Aufgabenblock 3 Aufgabe ) A sei das Ereignis: schwerer Verkehrsunfall B sei das Ereignis: Alkohol ist im Spiel Herr Walker betrachtet die Wahrscheinlichkeit P(B A) = 0.3 und errechnet daraus P(-B A) =
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
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
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
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
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)
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übungen für die kompetenzbasierte Abschlussprüfung 1. 60 Äpfel wurden gewogen und die Ergebnisse in einem Boxplot-Diagramm dargestellt. Ergänzen Sie die folgenden
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
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
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
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
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,
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
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
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
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 5. Erwartungswert E und Varianz V Literatur Kapitel 5 * Storrer: (37.9)-(37.12), (38.4), (40.6)-(40.9), (41.2) * Stahel: Kapitel 5 und 6 (nur
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
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
MehrÜbungen zur Wahrscheinlichkeitstheorie und Statistik
Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils
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
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
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrDiskrete Mathematik 1
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof Dr Alexander May M Ritzenhofen, M Mansour Al Sawadi, A Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik WS 008/09 Blatt 4 /
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
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrGrundwissen zur Stochastik
Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2
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:
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
MehrKapitel VII. Punkt- und Intervallschätzung bei Bernoulli-Versuchen
Kapitel VII Punkt- und Intervallschätzung bei Bernoulli-Versuchen Einführungsbeispiel: Jemand wirft einen korrekten Würfel 60 mal. Wie oft etwa wird er die 6 würfeln? Klar: etwa 10 mal, es kann aber auch
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
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
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
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
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/
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
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
MehrTU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ)
TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig 9..04 Lösungsvorschläge zum 3. Aufgabenblatt der Vorlesung,,Einführung in die Finanzmathematik Gruppenübungen Aufgabe : Es sei Ω = {, +} n,
MehrWiederholung Statistik I. Statistik für SozialwissenschaftlerInnen II p.8
Wiederholung Statistik I Statistik für SozialwissenschaftlerInnen II p.8 Konstanten und Variablen Konstante: Merkmal hat nur eine Ausprägung Variable: Merkmal kann mehrere Ausprägungen annehmen Statistik
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
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
MehrBasistext - Wahrscheinlichkeitsrechnung
Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
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.
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrWahrscheinlichkeiten
Wahrscheinlichkeiten August, 2013 1 von 21 Wahrscheinlichkeiten Outline 1 Wahrscheinlichkeiten 2 von 21 Wahrscheinlichkeiten Zufallsexperimente Die möglichen Ergebnisse (outcome) i eines Zufallsexperimentes
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
MehrWahrscheinlichkeitsrechnung
Aufgaben Wahrscheinlichkeitsrechnung 1. Eine Münze wird viermal geworfen. Y sei die Anzahl der Wechsel zwischen 0 und 1 während einer Versuchsfolge, z. B. Y(00) =. Bestimmen Sie die Verteilung von Y, zeichnen
Mehr2. Zufallsvariable, Verteilungsfunktion, Erwartungswert,
2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, momentenerzeugende Funktion Ziel des Kapitels: Mathematische Präzisierung der Konzepte Zufallsvariable Verteilungsfunktion Dichtefunktion Erwartungswerte
MehrWahrscheinlichkeiten
Wahrscheinlichkeiten Bestimmung der Wahrscheinlichkeit Bei einem Zufallsexperiment kann man nicht voraussagen, welches Ereignis eintritt, aber manche Ereignisse treten naturgemäß mit einer größeren Wahrscheinlichkeit
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Überblick Bessere Modelle, die nicht nur den Mittelwert von Referenzvektoren sondern auch deren Varianz berücksichtigen Weniger Fehlklassifikationen Mahalanobis Abstand Besseres Abstandsmaß basierend
MehrZum Begriff des Erwartungswertes
Zum Begriff des Erwartungswertes Wie man den Erwartungswert in der Schule einführt! Christopher Hirsch Institut für Mathematik Humboldt-Universität zu Berlin 13. Juli 2010 Das Wissensquiz 1. Die Aufgabe
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
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
MehrHilfsmittel aus Mathematik und Statistik - Materialien zu Investition und Finanzierung -
Hilfsmittel aus Mathematik und Statistik - Materialien zu Investition und Finanzierung - Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Finanzierung Universität Passau 2006 Inhaltsverzeichnis Statistik
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
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:
MehrLehramt an Haupt- und Realschulen L2 und Förderschulen L5. Mathematik
Lehramt an Haupt- und Realschulen L2 und Förderschulen L5 Mathematik Mathematik L2 / L5 Modul 1 bis 3: Mathematik Fachwissenschaft Modul 4 bis 6: Didaktik der Mathematik Schulpraktikum Modul 1 bis 3 Wissenschaftliche
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Was du wissen musst: Die Begriffe Zufallsexperiment, Ereignisse, Gegenereignis, Zufallsvariable und Wahrscheinlichkeit sind dir geläufig. Du kannst mehrstufige Zufallsversuche
MehrTechnische Universität München
Stand der Vorlesung Kapitel 2: Auffrischung einiger mathematischer Grundlagen Mengen, Potenzmenge, Kreuzprodukt (Paare, Tripel, n-tupel) Relation: Teilmenge MxN Eigenschaften: reflexiv, symmetrisch, transitiv,
MehrGrundlagen der BWL. Winter 2010/2011. Andreas Richter. richter@bwl.lmu.de
Winter 2010/2011 Grundlagen der BWL Andreas Richter richter@bwl.lmu.de Weitere Informationen auf unserer Instituts-Homepage http://www.inriver.bwl.lmu.de im Bereich Lehre / Winter2010/2011 Organisatorisches:
Mehr