Lösungsskizzen zur Präsenzübung 09
|
|
- Barbara Schmid
- vor 6 Jahren
- Abrufe
Transkript
1 Lösungsskizzen zur Präsenzübung 09 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 2016 von: Mirko Getzin Homepage: Tutor zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016. Keine Gewähr auf vollständige Richtigkeit und Präzision aller (mathematischen) Aussagen. Das Dokument hat lediglich den Anspruch, eine Hilfestellung beim Verständnis der Vorlesungsinhalte darzustellen und Lösungsideen für die Aufgaben möglichst vollständig (bis auf Ausnahmen) zu skizzieren. Eine Veröffentlichung oder Vervielfältigung ist nur nach Rücksprache mit dem Urheber dieses Dokuments erlaubt. Angehängt befindet sich das Aufgabenblatt, sowie der pdf-ausdruck von gegebenenfalls verwendeten Tabellenblättern. Die Tabellenblätter sind im ods-format auf der angegebenen Homepage zu finden. 1
2 Lösungsskizzen Lösung zur Aufgabe 1 (Erwartungswerte transformierter Zufallsvariablen). Wir können für Erwartungswerte diverse Rechenregeln finden, welche vor allem das Berechnen von Erwartungswerten transformierter Zufallsvariablen erleichtert. Diese sind für Zufallsvariablen X, Y mit Erwartungswerten E(X), E(Y ): E(f(X)) = f(x) P(X = x), (1) f(x) f(x(ω)) E(aX + by ) = ae(x) + be(y ) für a, b R, (2) E(X 2 ) = x 2 P(X = x), (3) E(XY ) = E(X) E(Y ), falls X und Y stochastisch unabhängig. (4) Die aufmerksamen Lesenden erkennen, dass die dritte Formel ein Spezialfall der ersten Formel ist und dass die zweite Formel der Linearität des Erwartungswertes entspricht. Wir haben die Verteilung einer Zufallsvariable X mit Realisierungen 2, 0, 1, 10 gegeben. Wir erweitern die Tabelle um Realisierungen der Transformierten Zufallsvariablen Y = 3 X und Z = X 2 : x y = 3 x z = x P(X = x) 0,2 0,3 0,1 0,4 Nun erkennen wir aus den obigen Formeln, dass die Wahrscheinlichkeiten für das Eintreten von Realisierungen gleich bleibt, das heißt es gilt P(X = x) = P(Y = y) = P(Z = z). (5) Mittels dieser Erkenntnis liefert uns die Definition des Erwartungswertes nun folgende Rechnungen (und Ergebnisse): 2
3 E(X) = x P(X = x) = ( 2) 0, , , , 4 = 3, 7, E(Y ) = y Y (Ω) E(Z) = E(X 2 ) = y P(Y = y) = (3 x) P(X = x) = 5 0, , , 1 + ( 7) 0, 4 = 0, 7, x 2 P(X = x) = 4 0, , , , 4 = 40, 9. Alternativ können wir uns die Rechnungen per Definition sparen und die obigen Transformationsformeln nutzen. So liefert uns die Linearität (a = 1, b = 3, Y = 1 = const.) des Erwartungswerts beispielsweise auch die kurze Rechnung E(Y ) = E(3 X) = 3 E(X) = 3 3, 7 = 0, 7 Für Interessierte: Man kann bei Kenntnis des Erwartungswerts und der Varianz von X über den Satz von Steiner sehr leicht den Erwartungswert von X 2 berechnen. Das ist eine einfache Umstellung der Gleichung im Satz von Steiner. Für Interessierte 2 : Warum kann man im Allgemeinen nicht E(X 2 ) = E(X X) = E(X) E(X) = E(X) 2 rechnen? Antwort: X ist immer zu sich selbst stochastisch abhängig. Was müsste für X gelten, damit trotzdem die Gleichung E(X 2 ) = E(X) 2 gilt? Denkt an die Varianz... Lösung zur Aufgabe 2 (Binomialverteilte Zufallsvariable). In dieser Aufgabe haben wir offenbar eine binomialverteilte Zufallsvariable X gegeben, wobei die Parameter der Binomialverteilung n = 8 und p = 0, 09 sind. Sobald diese Parameter bekannt sind, lässt sich die Wahrscheinlichkeitsverteilung von X als Binomialverteilung sofort aufstellen: P(X = k) = ( ) n p k (1 p) n k = k ( ) 8 0, 09 k 0, 91 8 k. (6) k Hierbei beschreibt n nun den Stichprobenumfang, das heißt die Anzahl der durchgeführten Ziehungen, wenn wir das Experiment im Urnenmodell interpretieren. Weiter bezeichnen p = 0, 09 die Erfolgswahrscheinlichkeit, das heißt jene Wahrscheinlichkeit für das Ziehen einer bestimmten Sorte von Kugeln im Urnenmodell. Unser Erfolg ist hier das Ziehen eines defekten Netzteils. Für k setzen wir die Anzahl der Erfolge ein, welche wir bei n-facher Ziehung erhalten möchten. Motivation der Verteilung: Die Struktur der Binomialverteilung lässt sich am Baumdiagramm veranschaulichen. So ist ( n k) gerade die Anzahl aller Pfade im n-stufigen Baumdiagramm, wo 3
4 genau k Erfolge eintreten. Das Baumdiagramm weist in jeder Stufe nur eine Unterscheidung zwischen zwei Zuständen auf, nämlich Erfolg und Misserfolg. Das Produkt p k (1 p) n k entspricht schließlich der Wahrscheinlichkeit für das Eintreten eines dieser Pfade mit k Erfolgen und n-k Misserfolgen. Zusammen ergibt sich durch Summation über alle Pfade mit k Erfolgen und n-k Misserfolgen die obige Wahrscheinlichkeitsverteilung als Binomialverteilung. a) Dass alle Netzteile in unserer Stichprobe (nach 8 Tagen) sofort funktionieren, entspricht in unserer Modellierung dem Ereignis {X = 0}, also dem Ziehen von 0 defekten Netzteilen. So erhalten wir P(X = 0) = ( ) 8 0, , = 0, Weiter betrachten wir nun das Ereignis {X 3}, also jenes Ereignis, dass mindestens 3 Netzteile in der Stichprobe (nach 8 Tagen) defekt sind. Wir berechnen P(X 3) = 8 k=3 ( ) 8 0, 09 k 0, 91 8 k k und stellen fest, dass wir eine Summe über 6 längliche Summanden berechnen müssen. Hier verschafft uns die Komplementbildung einen Rechenvorteil, da im Komplement weniger Summanden enthalten sind. Somit erhalten wir P(X 3) = 1 P(X < 3) = 1 P(X 2) = 1 (P(X = 0) + P(X = 1) + P(X = 2)). Dieser Ausdruck lässt sich nun mit der Formel der Binomialverteilung sofort berechnen. Dies sei den Lesenden selbst überlassen. b) Für eine zu den Parametern n und p binomialverteilte Zufallsvariable X lässt sich der Erwartungswert und die Varianz äußerst leicht berechnen, ohne dass eine längliche Rechnung über die Definitionen nötig ist. So gilt E(X) = n p und V(X) = n p (1 p). (7) Wir bemerken, dass wir den Erwartungswert und die Varianz natürlich in Abhängigkeit der beiden Parameter n und p der Binomialverteilung berechnen können. Im spezifischen Aufgabenkontext gilt also E(X) = np = 8 0, 09 = 0, 72 und V(X) = np(1 p) = 0, 72 0, 91 = 0, Diese Ergebnisse sind so zu interpretieren, dass im Mittel 0,72 defekte 4
5 Netzteile bei der Stichprobe (nach 8 Tagen) gezogen werden. Es ist also zu erwarten, dass die Anzahl defekter Netzteile in der Stichprobe gering ist. Dies deckt sich mit der geringen Wahrscheinlichkeit von 0,09, um überhaupt ein defektes Netzteil zu ziehen. Die Varianz besagt, dass die erwartete Abweichung vom Erwartungswert 0,6552 beträgt. Im Mittel schwankt die Ziehung also zwischen fast 0 und etwa 1,35 defekten Netzteilen. An dieser Schwankung erkennt man, dass es bereits sehr unwahrscheinlich ist, überhaupt 2 defekte Netzteile in der Stichprobe zu erhalten. Tatsächlich beträgt diese Wahrscheinlichkeit weniger als 0,06. Lösung zur Aufgabe 3 (Abschätzung von Eintrittswahrscheinlichkeiten). In dieser Aufgabe geht es um die Abschätzung von Eintrittswahrscheinlichkeiten mittels der Chebyshev-Ungleichung. Dabei bezeichnet die Eintrittswahrscheinlichkeit jene Wahrscheinlichkeit für das Eintreten von Realisierungen x von einer Zufallsvariable X innerhalb eines zentrierten Intervalls der Länge 2ε um den Erwartungswert E(X) von X. In seiner Grundform P( X E(X) ε) V(X) ε 2 (8) gibt die Chebyshev-Ungleichung eine obere Schranke für die Wahrscheinlichkeit an, dass Realisierungen x von X außerhalb des oben genannten Intervalls um den Erwartungswert angenommen werden. Durch Komplementbildung und Berechnung der Komplementärwahrscheinlichkeit erhalten wir jedoch eine untere Schranke der gesuchten Eintrittswahrscheinlichkeiten gemäß P( X E(X) < ε) = 1 P( X E(X) ε) 1 V(X) ε 2. (9) Diese letzte Form der Chebyshev-Ungleichung nutzen wir innerhalb dieser Aufgabe. Es sei nun X eine Zufallsvariable mit E(X) = 5 und V(X) = 0, 12. Dann gilt: P( X 5 < 0, 5) = P( X E(X) < ε) 1 V(X) = 1 ε 2 0, 12 = 1 0, 48 = 0, 52. 0, 52 Hierbei haben wir 5 als Erwartungswert von X und 0,5 als halbe Intervalllänge ε identifizieren und die Ungleichung (9) angewandt. Das Ergebnis ist nun so zu interpretieren, dass die Zufallsvariable X Werte zwischen 4,5 und 5,5 (also 0,5 entfernt vom Erwartungswert 5) mit einer Wahrscheinlichkeit von mindestens 0,52 annimmt. 5
6 Nun berechne zuletzt: P(3 < X < 6) = P(5 2 < X < 5 + 1) = P( 2 < X + 5 < 1) = P( 2 < X + E(X) < 1) P( 2 < X + E(X) < 2) = P( X + E(X) < 2) 1 V(X) = , 12 4 = 1 0, 03 = 0, 97 Hierbei mussten wir vor der Anwendung von Chebyshev zunächst ein Intervall finden, welches zentriert um den Erwartungswert liegt und unter Berücksichtigung der Monotonie (P(A) P(B), falls A B) die richtige Ungleichungsrichtung liefert. Hierzu haben wir das Intervall von -2 bis 1 erweitert zum Intervall von -2 bis 2, so entstand die erste Ungleichung. Die zweite Ungleichung entstand dann durch die Anwendung von Chebyshev gemäß Ungleichung (9) mit ε = 2. Das Ergebnis der letzten Rechnung erst derart zu interpretieren, dass die Zufallsvariable X zu einer Wahrscheinlichkeit von mindestens 0,97 Realisierungen x im Bereich von 3 bis 6 annimmt. Wichtig: Es handelt sich hier nur um Abschätzungen der Wahrscheinlichkeiten! Die genauen Wahrscheinlichkeiten für die Ereignisse können nur bei gegebener Verteilung von der Zufallsvariable X explizit berechnet werden. 6
7 Universität Bielefeld Wintersemester 2015/16 G. Elsner Präsenzübungen zur Vorlesung Anwendungen der Mathematik Blatt 9 Aufgabe 1 Gegeben sei die Zufallsvariable X mit der folgenden Wahrscheinlichkeitsverteilung: x P (X = x) 0,2 0,3 0,1 0,4 Berechnen Sie den Erwartungswert und die Varianz von X, von Y := 3 X und von Z := X 2. Aufgabe 2 Von der Produktion eines Netzteils ist bekannt, dass ca. 9 % der Netzteile nicht auf Anhieb funktionsfähig sind. Im Rahmen einer Qualitätskontrolle zieht der Hersteller eine Stichprobe, indem er an acht aufeinander folgenden Tagen (zu einem zufälligen Zeitpunkt) jeweils ein Netzteil der Produktion entnimmt. Sei X die zufällige Anzahl der Netzteile in der Stichprobe, die nicht auf Anhieb funktionieren. Die Art und Weise, wie die Stichprobe gezogen wird, rechtfertigt die Annahme, dass X binomialverteilt ist. a) Berechnen Sie die Wahrscheinlichkeit, dass alle Netzteile in der Stichprobe sofort funktionieren; mindestens 3 Netzteile in der Stichprobe nicht sofort funktionsfähig sind. b) Berechnen Sie die erwartete Anzahl Netzteile in der Stichprobe, die nicht auf Anhieb funktionieren. Wie groß ist die Varianz? Aufgabe 3 Eine Zufallsvariable X habe den Erwartungswert 5 und die Varianz 0,12. Geben Sie eine nichttriviale, untere Schranke für die folgenden Wahrscheinlichkeiten an! P ( X 5 < 0, 5), P (3 < X < 6) Hinweis: Verwenden Sie die Chebyshev-Ungleichung. 7
Lösungsskizzen zur Präsenzübung 05
Lösungsskizzen zur Präsenzübung 0 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 201/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 01. Dezember 201 von:
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
MehrBeispielaufgaben rund um Taylor
Beispielaufgaben rund um Taylor Mirko Getzin Universität Bielefeld Fakultät für Mathematik 19. Februar 014 Keine Gewähr auf vollständige Richtigkeit und perfekter Präzision aller (mathematischen) Aussagen.
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
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.
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
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
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:
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)
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,
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 ]
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:
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
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
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) =
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.
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
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
MehrErklärungen zum Binomialkoeffizienten
Erklärungen zum Binomialkoeffizienten Mirko Getzin Universität Bielefeld Fakultät für Mathematik 5. November 01 Keine Gewähr auf vollständige Richtigkeit und perfekter Präzision aller (mathematischen)
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrM13 Übungsaufgaben / pl
Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr
MehrVorlesung 9b. Bedingte Verteilungen und bedingte Wahrscheinlichkeiten
Vorlesung 9b Bedingte Verteilungen und bedingte Wahrscheinlichkeiten 1 Voriges Mal: Aufbau der gemeinsamen Verteilung von X 1 und X 2 aus der Verteilung ρ von X 1 und Übergangswahrscheinlichkeiten P(a
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehrfalls rote Kugel im 1. Zug gezogen Die Ziehungen sind daher nicht unabhängig voneinander. Damit liegt kein Bernoulli-Prozess
6.4 Hypergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln sind nicht rot. Wir entnehmen n Kugeln, d.h. Stichproben vom Umfang n.
MehrPflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg
Pflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com September 016
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
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)
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
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrMinisterium für Schule und Weiterbildung NRW M GK HT 7 Seite 1 von 9. Unterlagen für die Lehrkraft. Abiturprüfung Mathematik, Grundkurs
Seite 1 von 9 Unterlagen für die Lehrkraft Abiturprüfung 01 Mathematik, Grundkurs 1. Aufgabenart Stochastik mit Alternative 1 (ein- und zweiseitiger Hypothesentest). Aufgabenstellung 1 siehe Prüfungsaufgabe
MehrΘ Mathematik Stochastik
Θ Mathematik Stochastik Aufgabe 1: Als Spam-Nachricht wird eine unerwünschte E-Mail bezeichnet, die dem Empfänger unverlangt zugestellt wird. a) Statistische Untersuchungen an der Mailbox eines Benutzers
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
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrStochastik: 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:
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
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
MehrPrüfungsteil 2, Aufgabe 8 Stochastik
Prüfung Mathematik Nordrhein-Westfalen 2013 (LK) Aufgabe 8: (WTR) Abitur Mathematik: Prüfungsteil 2, Aufgabe 8 Nordrhein-Westfalen 2012 LK Aufgabe a (1) und (2) 1. SCHRITT: VERTEILUNG ANGEBEN Da die Anzahl
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
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
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
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
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
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
MehrPrüfungsteil 2, Aufgabe 8 Stochastik
Prüfung Mathematik Nordrhein-Westfalen 2013 (LK) Aufgabe 7: (WTR) Abitur Mathematik: Prüfungsteil 2, Aufgabe 8 Nordrhein-Westfalen 2012 GK Aufgabe a (1) und (2) 1. SCHRITT: VERTEILUNG ANGEBEN Da die Anzahl
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
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
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,
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
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
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,
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
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
MehrElemente der Stochastik (SoSe 2016) 10. Übungsblatt
Dr. M. Weimar 3.06.206 Elemente der Stochastik (SoSe 206) 0. Übungsblatt Aufgabe (2+2+2+2+3= Punkte) Zur zweimaligen Drehung des nebenstehenden Glücksrads (mit angenommener Gleichverteilung bei jeder Drehung)
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 /
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien
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
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 0.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 3. November 2010 1 Kombinatorik Fakultät Binomialkoeffizienten Urnenmodelle 2 Definition Tabellen Fakultät, Beispiel
MehrStochastik Pfadregeln Erwartungswert einer Zufallsvariablen Vierfeldertafel Gymnasium
Stochastik Pfadregeln Erwartungswert einer Zufallsvariablen Vierfeldertafel Gymnasium Alexander Schwarz www.mathe-aufgaben.com Oktober 205 Aufgabe : In einer Urne befinden sich drei gelbe, eine rote und
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrBasistext - Wahrscheinlichkeitsrechnung
Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrKombinatorik. 1. Beispiel: Wie viele fünfstellige Zahlen lassen sich aus den fünf Ziffern in M = {1;2;3;4;5} erstellen?
1 Kombinatorik Aus einer Grundgesamtheit mit n Elementen wird eine Stichprobe k Elementen entnommen. Dabei kann die Stichprobe geordnet oder ungeordnet sein. "Geordnet" bedeutet, dass die Reihenfolge der
MehrKAPITEL 2. Kombinatorik
KAPITEL 2 Kombinatori In der Kombinatori geht es um das Abzählen von Kombinationen 21 Geburtstagsproblem Beispiel 211 (Geburtstagsproblem In einem Raum befinden sich 200 Studenten Wie groß ist die Wahrscheinlicheit,
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrAbschlussprüfung Mathematik 12 Nichttechnik S I - Lösung
GS.06.0 - m_nt-s_lsg_gs_pdf Abschlussprüfung 0 - Mathematik Nichttechnik S I - Lösung Im Folgenden werden relative Häufgkeiten als Wahrscheinlichkeiten interpretiert. Teilaufgabe.0 Bei einer Casting-Show
Mehr1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen
6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei
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
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
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
MehrHauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg
Baden-Württemberg: Abitur 14 Wahlteil B www.mathe-aufgaben.com Hauptprüfung Abiturprüfung 14 (ohne CAS) Baden-Württemberg Wahlteil Analytische Geometrie / Stochastik Hilfsmittel: GTR und Formelsammlung
MehrStochastik Übungsaufgaben (Taschenrechner erlaubt) Binomialverteilung Oberstufe
Stochastik Übungsaufgaben (Taschenrechner erlaubt) Binomialverteilung Oberstufe Alexander Schwarz www.mathe-aufgaben.com November 2015 1 Aufgabe 1: Ist der Zufallsversuch eine Bernoulli-Kette? Wenn ja,
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
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
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,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
MehrMinisterium für Schule und Weiterbildung NRW M LK HT 7 Seite 1 von 10. Unterlagen für die Lehrkraft. Abiturprüfung Mathematik, Leistungskurs
Seite 1 von 10 Unterlagen für die Lehrkraft Abiturprüfung 2012 Mathematik, Leistungskurs 1. Aufgabenart Stochastik mit Alternative 1 (ein- und zweiseitiger Hypothesentest) 2. Aufgabenstellung 1 siehe Prüfungsaufgabe
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
MehrZentralabitur Mathematik. Beispielaufgaben zum ersten Prüfungsteil. Aufgaben ohne Hilfsmittel
QUA-LiS NRW Zentralabitur Mathematik Beispielaufgaben zum ersten Prüfungsteil Aufgaben ohne Hilfsmittel Inhaltsverzeichnis Modellieren mithilfe von Funktionen 3 Interpretation des Integrals 4 3 Funktionseigenschaften
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,
MehrMathematik 1 für Informatiker und Wirtschaftsinformatiker Wintersemester 07/08 (Winkler) Musterprüfung mit Lösungen
Mathematik für Informatiker und Wirtschaftsinformatiker Wintersemester 07/08 (Winkler Musterprüfung mit Lösungen. Sei T N. (a Unter welchen beiden Voraussetzungen an T garantiert das Induktionsaxiom (nach
MehrAbschlussprüfung an Fachoberschulen in Bayern Mathematik 2002, Stochastik S I Nichttechnische Ausbildungsrichtung
Alexandra Steiner 7.5.005 A_NT_S_AS_Loes.mcd Abschlussprüfung an Fachoberschulen in Bayern Mathematik 00, Stochastik S I Nichttechnische Ausbildungsrichtung AUFGABENSTELLUNG:.0 Die Post eines kleineren
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrGrundwissen Stochastik Grundkurs 23. Januar 2008
GYMNSIUM MIT SCHÜLERHEIM PEGNITZ math.-technolog. u. sprachl. Gymnasium WILHELM-VON-HUMBOLDT-STRSSE 7 91257 PEGNITZ FERNRUF 09241/48333 FX 09241/2564 Grundwissen Stochastik Grundkurs 23. Januar 2008 1.
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
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
MehrKinga Szűcs
Kinga Szűcs 25.10.2011 Die Schülerinnen und Schüler werten graphische Darstellungen und Tabellen von statistischen Erhebungen aus, planen statistische Erhebungen, sammeln systematisch Daten, erfassen sie
Mehr