Mathematik 2 für Naturwissenschaften
|
|
- Leopold Küchler
- vor 6 Jahren
- Abrufe
Transkript
1 Hans Walser Mathematik 2 für Naturwissenschaften k Binomialverteilung Normalverteilung Modul 206 Verteilungen
2 Hans Walser: Modul 206, Verteilungen ii Inhalt Normalverteilung.... Approximation der Binomialverteilung..... Beispiel Asymmetrisches Beispiel Lokaler Grenzwertsatz von de Moivre und Laplace Bemerkungen Etwas Analysis Anwendung der Tabelle Standardisierung Transformationsregel Gebrauch der Tabelle Merkregeln Große Zahlen Der kontinuierliche Fall Die Poisson-Verteilung Beispiel: Rote Blutkörperchen Allgemein Vergleich mit Binomialverteilung Zusammenfassung Normalverteilung Approximation der Binomialverteilung Wahrscheinlichkeitsdichte Standardisierung Poisson-Verteilung... 9 Modul 206 für die Lehrveranstaltung Mathematik 2 für Naturwissenschaften Sommer 2006 Probeausgabe. MathType Sommer 2007 Ergänzung und Kürzungen Frühjahr 2009 Fehlerkorrekturen, leichte Umstellungen der Kapitelreihenfolge Frühjahr 200 Fehlerkorrekturen Frühjahr 20 Fehlerkorrekturen Frühjahr 204 Überarbeitung last modified: 7. März 204 Hans Walser Mathematisches Institut, Rheinsprung 2, 405 Basel
3 Hans Walser: Modul 206, Verteilungen Normalverteilung. Approximation der Binomialverteilung.. Beispiel Wir werfen eine Münze 20 Mal. Erfolg sei Kopf. Also n = 20, p = q = 2. Die Figur zeigt das Histogramm der Binomialverteilung; zusätzlich ist die Funktion f ( k) = 2πnpq e ( k np) 2 2npq der Normalverteilung eingezeichnet. Wir sehen, dass sich die Funktionskurve recht gut dem Histogramm anpasst. Wegen µ = np und = npq kann diese Funktion auch in der Form geschrieben werden. f ( k) = 2π e 2 ( ) k Binomialverteilung Normalverteilung Diagramm
4 Hans Walser: Modul 206, Verteilungen 2 Wie groß ist nun die Wahrscheinlichkeit, auf 20 Würfe zwischen 2 und 5 Mal Kopf zu erhalten? P 20 2 k 5 ( ) =? Die Binomialverteilung liefert (summative Tabelle): P 20 ( 2 k 5) = 5 20 k 2 k=2 ( ) k ( ) 20 k = = Die Figur zeigt den passenden Ausschnitt aus dem Histogramm k Binomialverteilung Normalverteilung Von 2 bis 5 Die gesuchte Wahrscheinlichkeit ist die Fläche der vier roten Rechtecke im Diagramm. Diese haben die Breite und die Höhe der jeweiligen Wahrscheinlichkeit gemäß Binomialverteilung. Diese rote Fläche können wir nun approximieren durch das Integral der Normalverteilung mit den Grenzen.5 und 5.5. Die halben Grenzen kommen daher, dass 2 für die Mitte des ersten roten Rechteckes steht. Wir müssen daher um ein Halbes zurück. Entsprechend ist 5 die Mitte des letzten roten Rechteckes, wir müssen hier in Halbes dazugeben. Kontrolle: Die Differenz der beiden Grenzen muss 4 ergeben, wir haben 4 Rechtecke. Für dieses Integral erhalten wir (MuPAD): n:=20: p:=/2: q:=-p: mu:=n*p: sigma:=sqrt(n*p*q): g:=k->/sigma/sqrt(2*pi)*exp(-/2*((k-mu)/sigma)^2): P:=float(int(g(k),k= )): print(unquoted, "Wahrscheinlichkeit = ". P); Wahrscheinlichkeit =
5 Hans Walser: Modul 206, Verteilungen 3 Oder grafisch: k Approximation Die Approximation ist für kleine n mäßig gut, für große n wird sie immer besser. Mathematisch gesehen ist die Normalverteilung der Limes der Binomialverteilung für n. Sie ist auch speziell für große Zahlen n entwickelt worden, für welche die Binomialverteilung nicht mehr gut zu handhaben ist (fehlende Tabellen, Probleme bei n!). Unser Beispiel ist wegen p = q = 2 symmetrisch...2 Asymmetrisches Beispiel Die Normalverteilung funktioniert aber auch im asymmetrischen Fall. Die Figur zeigt die Situation für n = 20, p = 0.2, µ = k Binomialverteilung Normalverteilung Asymmetrisches Beispiel
6 Hans Walser: Modul 206, Verteilungen 4.2 Lokaler Grenzwertsatz von de Moivre und Laplace Die Wahrscheinlichkeit P n ( k) auf n Versuche k Erfolge (mit der Erfolgswahrscheinlichkeit p im Einzelversuch) zu haben, kann wie folgt approximiert werden: P n ( k) 2πnpq e Dabei ist q = p, µ = np und = npq. ( k np) 2 2npq = 2π e 2 ( ) 2 Faustregel: Die Approximation liefert brauchbare Werte für 2 = npq > 9. Anwendung auf das Einstiegsbeispiel: P 20 ( 2 k 5) = 5 20 k 2 k=2 Und wie finden wir dieses Integral?.2. Bemerkungen ( ) k ( ) 20 k π e ( ) 2 dk Abraham de Moivre, Pierre-Simon Laplace, Grenzkorrekturen: P n a k b b+ 2 ( ) a 2 2π e 2 ( ) 2 Bei sehr großen Werten von n können die Grenzkorrekturen weggelassen werden. 2. Die Funktion f ( k) = Computer oder Tabellen. 2π e 2 dk ( ) 2 lässt sich nicht einfach integrieren. Praxis:
7 Hans Walser: Modul 206, Verteilungen 5 3. Der Funktionsgraf von f ( k) = ( ) 2 wird als Glockenkurve oder Gaußsche Glockenkurve bezeichnet. 2π e 2 4. Der Satz geht auf de Moivre ( ), Laplace ( ) und Gauß ( ) zurück..2.2 Etwas Analysis Johann Carl Friedrich Gauß, Die Glockenkurve hat offensichtlich ein Maximum und zwei Wendepunkte. Wo sind diese?.2.2. Maximum Wendepunkte
8 Hans Walser: Modul 206, Verteilungen 6.3 Anwendung der Tabelle.3. Standardisierung In der Normalverteilung kommen die beiden Parameter µ und vor; man müsste also für jedes mögliche Parameterpaar eine Funktionstabelle geben. Dies ist ein hoffnungsloses Unterfangen. Tatsächlich kommen wir mit einer einzigen, standardisierten Version aus und können die anderen Fälle entsprechend umrechnen. Der Vergleich von zeigt: f ( k) = 2π e 2 ( ) 2 mit ϕ x ( ) = 2π e 2 x2 Der Parameter µ bewirkt eine horizontale Verschiebung. Für das Integral hat das keine Bedeutung, wenn die Integrationsgrenzen entsprechend mit verschoben werden. Der Parameter kommt zweimal vor. Außen bewirkt er eine Verzerrung in der senkrechten Richtung um den Faktor ; innen bewirkt der eine Verzerrung in der horizontalen Richtung um den Kehrwert dieses Faktors. Die beiden Verzerrung ändern zwar die Form, nicht aber den Flächeninhalt, da sie sich gegenseitig kompensieren. Die Funktion ϕ ( x) = 2π e 2 x2 heißt die standardisierte Normalverteilung. In dieser standardisierten Normalverteilung ist µ = 0 und =. Die Kurve ist symmetrisch zur senkrechten Achse und hat die Wendepunkte bei ±. Die Einheiten auf den beiden Achsen sind ungleich, damit eine schöne Form der Glockenkurve entsteht x Standardisierte Normalverteilung mit Maximum und Wendepunkten Der Fall µ = 0 macht für unsere Anwendung als Approximation der Normalverteilung mit µ = np vorerst keinen Sinn und ist als rein rechnerische Standardisierung zu verste-
9 Hans Walser: Modul 206, Verteilungen 7 hen. Wir werden später allerdings Anwendungen der Normalverteilung finden, wo auch µ = 0 vorkommen kann..3.2 Transformationsregel ( ) P n a k b b+ 2 a 2 2π e 2 ( ) 2 b+ 2 µ a 2 µ dk = 2π e 2 x2 dx.3.3 Gebrauch der Tabelle.3.3. Simpler Fall Problemstellung: b+ 2 P = 2 dk = a 2 () Umrechnen der Grenzen: 2π e ( ) 2 b+ 2 µ a 2 µ 2π e 2 x2 dx Nun ist: u b = b+ 2 µ u a = a 2 µ (2) Die Tabelle liefert: b+ 2 µ P = 2π e 2 x2 dx = a 2 µ Φ u u ( ) = u b u a 2π e 2 x2 2π e 2 x2 dx dx
10 Hans Walser: Modul 206, Verteilungen 8 Tabellenwert: (3) Bestimmung des Integrals u b P = u a u =.5 Was die Tabelle liefert 2π e 2 x2 dx = Φ( u b ) Φ( u a ) Beispiel: n = 20, p = q =. Erinnerung: Summative Binomialverteilung 2 P 20 ( 2 k 5) = Anwendung der Normalverteilung: () Umrechnen der Grenzen: (2) Die Tabelle liefert: 5 20 k 2 k=2 ( ) k ( ) 20 k = = µ = np = 0 = npq = 5 u b = b+ 2 µ = = u a = a 2 µ =.5 0 = u ( ) = Φ( ) = ( ) = Φ( ) = Φ u b Φ u a 2
11 Hans Walser: Modul 206, Verteilungen 9 (3) Berechnung des Integrals u b P = u a 2π e 2 x Skalenanpassung dx = Φ( u b ) Φ( u a ) = = Statt die Funktionen zu transformieren, können wir auch die Kurve belassen und die Skalen anpassen. Die Einheit auf der horizontalen Achse ist im standardisierten Fall durch die Lage der Wendepunkte gegeben k Originalkurve x Skalenanpassung
12 Hans Walser: Modul 206, Verteilungen Negatives u ( ) = Φ( 0.7) = = Φ 0.7 nicht in Tabelle: Merkregeln u = 0.7 u negativ Die Merkregeln beziehen sich auf symmetrische ( zweiseitige ) Situationen. Wie können sie aus der Tabelle herausgelesen werden? x Bereich µ ± etwa 68%, grob zwei Drittel
13 Hans Walser: Modul 206, Verteilungen x Bereich µ ± 2 etwa 95.45%, grob 95% Aus der Tabelle der Normalverteilung können wir präziser sehen (wie?): Umgekehrt gilt: Bereich µ ± µ ± 2 µ ± 3 µ ± 4 Abdeckung ~ in % % 95.45% 99.73% ~ 00% Abdeckung 50% 90% 95% 99% Bereich µ ± µ ±.645 µ ±.96 µ ± Diese Zahlen werden beim zweiseitigen Testen von Hypothesen eine Rolle spielen. Ferner ist: 2π e 2 x2 dx = x Die Gesamtfläche ist
14 Hans Walser: Modul 206, Verteilungen 2.5 Große Zahlen n = 20,60,00,40,, p = 2 a) Mit welcher Wahrscheinlichkeit trifft man exakt den Mittelwert? P n ( k = µ ) =? b) Mit welcher Wahrscheinlichkeit kommt man in eine 0%-Umgebung des Mittelwertes? P n 0.9µ k.µ ( ) =? c) Kommentar zu den Resultaten? k.6 Der kontinuierliche Fall n = 20, 60, 00, 40 Bei der Binomialverteilung ist die Anzahl der Erfolge eine natürliche Zahl, eine Stückzahl also. Die Normalverteilung kann aber auch im kontinuierlichen Fall von Messwerten verwendet werden; wir sprechen dann von einer Wahrscheinlichkeitsdichte. Beispiel: Bei einem Getränkehersteller werden Literflaschen maschinell abgefüllt. Die Füllmenge ist eine kontinuierliche Größe; es wird ja nicht mit dem Tropfenzähler abgefüllt. Die Abfüllmaschine hat eine technische Streuung, welche bekannt ist. Die Sollmenge µ kann an der Maschine eingestellt werden. Wie muss µ gewählt werden, damit bei einem gegebenen = 0.02 Liter mindestens 95% der Flaschen genügend gefüllt sind? Die Figur zeigt die Situation im standardisierten Fall. Das Problem ist einseitig, zu viel in der Flasche stört die Kunden nicht.
15 Hans Walser: Modul 206, Verteilungen u = % erfüllen die Minimalanforderung Aus der Tabelle lesen wir ab (inverses Ablesen, von rechts nach links): Φ(.645) = 0.95 = 95% Daraus ergibt sich Φ(.645) = 0.05 = 5%, das ist der Ausschuss. Es muss die Bedingung µ.645 = Liter erfüllt sein. Wegen = 0.02 Liter ergibt sich daraus µ = =.033
16 Hans Walser: Modul 206, Verteilungen 4 2 Die Poisson-Verteilung 2. Beispiel: Rote Blutkörperchen Siméon-Denis Poisson, Zufällig verteilte Erythrozyten (rote Blutkörperchen) und Zählfenster Für die Zufallsgröße Anzahl k der Erythrozyten innerhalb eines zufällig platzierten Zählfensters benützen wir folgende Modellannahmen: die Aufenthaltswahrscheinlichkeit der Erythrozyten ist im ganzen Feld überall gleich. die Lokalisation eines (jeden) Erythrozyts ist unabhängig von der Lage der anderen Erythrozyten.
17 Hans Walser: Modul 206, Verteilungen 5 Gelten diese Annahmen, so folgt die Zufallsgröße k einer Poisson-Verteilung. In der Situation entsprechend obiger Darstellung (Poisson-Parameter λ = 2.7) ergibt sich beispielsweise folgende Wahrscheinlichkeitsverteilung für die Zufallsgröße k: P( k) = 2.7k k! e P(k) k Poisson-Verteilung für λ = 2.7 Formel für die Wahrscheinlichkeiten P( k) bei beliebigem Poisson-Parameter λ: P( k) = λk k! e λ P( k) gibt an, mit welcher Wahrscheinlichkeit wir genau k Erythrozyten im Zählfenster finden. Da der Nenner k! stärker wächst als der Zähler λ k, strebt P( k) für wachsendes k gegen Null. Welche Bedeutung hat aber λ? Dazu folgendes Experiment: Für verschiedene Werte von λ (auch halbzahligen Werten, um zu unterstreichen, dass λ nicht ganzzahlig zu sein braucht) berechnen wir den Erwartungswert µ: ( ) µ = k P k k=0 Damit berechnen wir dann die Streuung : = k µ k=0 ( ) 2 P( k)
18 Hans Walser: Modul 206, Verteilungen 6 In der Praxis summieren wir allerdings nicht bis, sondern nur bis zum Beispiel 000. Maple Programm: restart: for lam from 0 to 20 do end do: lambda:=evalf(lam/2): for k from 0 to 000 do p[k]:=evalf(lambda^k/k!*exp(-lambda)): end do: mu:=0: for k from 0 to 000 do mu:=mu+k*p[k]: end do: var:=0: Das liefert: Offenbar gilt: for k from 0 to 000 do var:=var+(k-mu)^2*p[k]:end do: sigma:=sqrt(var): print(lambda, mu, sigma); λ µ µ = λ = λ
19 Hans Walser: Modul 206, Verteilungen Allgemein Die Poisson-Verteilung ist dann angesagt, wenn wir zwar etwas über den Erwartungswert wissen, aber im Unterschied zur Binomialverteilung und zur Normalverteilung keine Informationen über n und p haben. Typisches Beispiel sind die seltenen Ereignisse. Beispiel: In einer Großstadt ereignen sich auf Grund einer langjährigen Statistik im Mittel.2 Selbstmorde pro Tag. Mit welcher Wahrscheinlichkeit ereignen sich morgen genau 3 Selbstmorde? Wir haben eine Information über den Erwartungswert: µ =.2. Damit ist auch λ =.2. Hingegen wissen wir nicht, wie groß die Anzahl n der Personen ist, welche schwerwiegende Probleme haben, noch wissen wir etwas über die Erfolgs -Wahrscheinlichkeit p, dass die Probleme einen Suizid zur Folge haben. Wir können aber die Frage mit der Poisson-Verteilung beantworten: Aus ergibt sich für λ =.2 und k = 3: P( k) = λk k! e λ 2.3 Vergleich mit Binomialverteilung P( 3) =.23 3! e Beispiel: p = 0.02 = 2% ( seltenes Ereignis ), n =00. Es ist dann µ = np = 2, also auch λ = 2. Mit welcher Wahrscheinlichkeit haben wir k = 3 Erfolge? Berechnung mit Binomialverteilung: P 00 3 ( ) = 00 Berechnung mit Poisson-Verteilung: = P( 3) = 23 3! e 2 = 8 6 e Für kleine Wahrscheinlichkeiten ist die Poisson-Verteilung eine gute Näherung für die Binomialverteilung.
20 Hans Walser: Modul 206, Verteilungen 8 3 Zusammenfassung 3. Normalverteilung f ( k) = 2π e 2 ( ) 2 Funktionsgraph (Glockenkurve): Maximum bei k = µ. Wendepunkte bei k = µ ± 3.. Approximation der Binomialverteilung P n ( k) 2πnpq e P n a k b b+ 2 ( k np) 2 ( ) a 2 2npq = 2π e 2 2π e 2 ( ) 2 ( ) 2 Für große n kann die -Korrektur weggelassen werden. 2 dk 3..2 Wahrscheinlichkeitsdichte Die Normalverteilung wird auch im kontinuierlichen Fall von Messwerten verwendet; wir sprechen dann von einer Wahrscheinlichkeitsdichte. Merkregeln Bereich gegeben: Bereich µ ± µ ± 2 µ ± 3 µ ± 4 Abdeckung ~ Abdeckung gegeben: in % % 95.45% 99.73% ~ 00% Abdeckung 50% 90% 95% 99% Bereich µ ± µ ±.645 µ ±.96 µ ± Standardisierung Für den Gebrauch der Tabelle: µ = 0, = ϕ ( x) = 2π e 2 x2
21 Hans Walser: Modul 206, Verteilungen 9 Transformation: b 2π e 2 a () Umrechnen der Grenzen: Nun ist: u b = b µ u a = a µ b µ a µ ( ) 2 b µ a µ dk = 2π e 2 x2 (2) Tabelle liefert: Φ u u b dx = u a ( ) = Tabellenwert: u 2π e 2 x2 2π e 2 x2 0.4 dx 2π e 2 x2 dx dx (3) Bestimmung des Integrals: 3.2 Poisson-Verteilung - Seltene Ereignisse - n und p unbekannt, n groß, p klein - µ bekannt u =.5 Was die Tabelle liefert u b u a 2π e 2 x2 dx = Φ( u b ) Φ( u a ) Setzen λ = µ. Für die Wahrscheinlichkeit von genau k Erfolgen gilt: P( k) = λk k! e λ Ferner ist µ = λ und = λ.
Modul 206: Verteilungen!!Normalverteilung!!Poisson-Verteilung!
0.20 0.8 0.6 0.4 0.2 0.0 0.08 0.06 0.04 0.02 0.00 0 5 0 5 20 k Modul 206: Verteilungen!!Normalverteilung!!Poisson-Verteilung! 0.20 0.8 0.6 0.4 0.2 0.0 0.08 0.06 0.04 0.02 0.00 0 5 0 5 20 k Normalverteilung!
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 205 Binomialverteilung Hans Walser: Modul 205, Binomialverteilung ii Inhalt Die Qual der Wahl: Binomialkoeffizienten.... Ordnung muss sein....2 Auswählen
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrP n (k) f(k) = 1 σ 2π e ) 2. σ 2π
53 Allgemein gilt der folgende Satz. Satz 6.1 (Lokaler Grenzwertsatz von de Moivre und Laplace) Die Wahrscheinlichkeit P n (k) einer Binomialverteilung (mit der Erfolgswahrscheinlichkeit p im Einzelexperiment)
MehrStatistik für Naturwissenschaftler
Hans Walser Statistik für Naturwissenschaftler 0.20 0.18 0.16 0.14 0.12 0.10 0.08 0.06 0.04 0.02 0.00 0 5 10 15 20 k 0.20 0.18 0.16 0.14 0.12 0.10 0.08 0.06 0.04 0.02 0.00 Binomialverteilung Normalverteilung
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
Mehr6.2 Approximation der Binomialverteilung
56 6.2 Approximation der Binomialverteilung Im Beispiel auf den Seiten 52 53 haben wir gesehen, dass die Wahrscheinlichkeiten P 50 (k) der dort betrachteten Binomialverteilung durch die Werte der Funktion
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
Mehr11. Approximation der Binomialverteilung durch die Normalverteilung
7. Approximation der Binomialverteilung durch die Normalverteilung Die Berechnung der Binomialverteilung ist wegen der Binomialkoeffizienten nicht unproblematisch. Man kann sie deshalb in gewissen Fällen
MehrWeierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt?
Weierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt? Wolfgang König Technische Universität Berlin und Weierstraß-Institut Berlin Mohrenstraße
MehrApproximation der Binomialverteilung durch die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 4.0.007 Approimation der Binomialverteilung durch die Normalverteilung Histogramme von Binomialverteilungen sind für nicht zu kleine n glockenförmig. Mit größer
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 203 Stochastische Unabhängigkeit Hans Walser: Modul 203, Stochastische Unabhängigkeit ii Inhalt 1 Bedingte Wahrscheinlichkeit... 1 1.1 Feuermeldeanlage,
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 202 Regressionsgerade und Korrelation Lernumgebung. Teil Hans Walser: Modul 202, Regressionsgerade und Korrelation. Lernumgebung. ii Inhalt Messwertpaare...
MehrStatistik für Naturwissenschaftler
Hans Walser Statistik für Naturwissenschaftler Haupt Verlag Bern Stuttgart Wien Inhaltsverzeichnis Vorwort 13 1 Beschreibende Statistik 15 1.1 Mittelwerte 15 1.1.1 Minimum der Abstände 15 1.1.2 Der Mediän
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 212 Determinanten Hans Walser: Modul 212, Determinanten ii Modul 212 für die Lehrveranstaltung Mathematik 2 für Naturwissenschaften Sommer 2003 Probeausgabe
MehrMoivre-Laplace und Stetigkeitskorrektur
Moivre-Laplace und Stetigkeitskorrektur Abstract: Vorstellung und Veranschaulichung des Satzes (mit wxmaxima), Stetigkeitskorrektur, Beispiel für seine Benutzung Moivre-Laplace Theorem ( ) n Sei b n,p
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
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
MehrVon der Binomialverteilung zur Normalverteilung
Von der Binomialverteilung zur Normalverteilung Wir interessieren uns für Binomialverteilungen mit grossen Werten für n. Als Beispiele können wir uns das Experiment vorstellen, dass ein idealer Würfel
MehrHans Walser. Raumgeometrie. Modul 4 Die Ebene
Hans Walser Raumgeometrie Modul 4 Die Ebene Hans Walser: Modul 4, Die Ebene ii Modul 4 für die Lehrveranstaltung Raumgeometrie Sommer 2000 Erstausgabe Sommer 2002 Überarbeitung Sommer 2003 Fehlerkorrekturen,
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 207 Testen von Hypothesen 1 Hans Walser: Modul 207, Testen von Hypothesen 1 ii Inhalt 1 Testen von Hypothesen... 1 1.1 Knabengeburten... 1 1.2 Wirkt
MehrSpezielle Eigenschaften der Binomialverteilung
Spezielle Eigenschaften der Binomialverteilung Wir unterscheiden: 1) die Wahrscheinlichkeitsfunktion einer diskreten Variablen 2) die Verteilungsfunktion einer diskreten Variablen. 1) Die Wahrscheinlichkeitsfunktion
MehrNormalverteilung und Standardisierung
Normalverteilung und Standardisierung N(0,1) z 0 z N(µ,) }{{}}{{} µ µ z z z µ+z Die Normalverteilungen N(µ, ) ergeben sich aus der Standardnormalverteilung N(0, 1) (Gaussche Glockenkurve) durch strecken
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: X
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) n heisst für uns n gross Literatur Kapitel 7 * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrSigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
MehrIn den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt.
.3.3 Theoretisch-prozentuale Häufigkeitsverteilung In den letzten zwei Abschnitten wurde die tatsächliche Häufigkeitsverteilung bzw. prozentuale Häufigkeitsverteilung abgehandelt. Charakteristisch für
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrMathematik 1 für Naturwissenschaften
Hans Walser Mathematik für Naturwissenschaften Modul 07 Fixpunkte Hans Walser: Modul 07, Fixpunkte ii Inhalt Fixpunkte.... Worum es geht....2 Geometrische Beispiele von Fixpunkten....2. Stadtplan....2.2
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Stetige Zufalls-Variable Erweitert man den Begriff der diskreten Zufallsvariable
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
MehrWahrscheinlichkeiten. Verteilungen
Wahrscheinlichkeiten. Verteilungen 2 2.1 Wahrscheinlichkeitsrechnung Das Ergebnis eines mit Zufälligkeit behafteten Versuchs nennen wir ein Ereignis. Beim Wurf einer Münze sind zwei Ereignisse möglich.
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
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
MehrSpezielle Verteilungen
Spezielle Verteilungen Prof. Sabine Attinger Jun. Prof. Anke Hildebrandt Beschreibende Statistik Lagemaße: 1. Mittelwert: µ = x = 1 n n i= 1 x i 3. Median=0.5 Perzentil Beschreibende Statistik Streumaße:
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
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik für Naturwissenschaften Modul Lineare Abbildungen. Eigenwerte Lernumgebung. Teil Hans Walser: Modul, Lineare Abbildungen. Eigenwerte. Lernumgebung. Teil ii Inhalt Lineare Abbildung
MehrNormalverteilung. Mathematik 8. Arbeitsblatt A 8-2: Normalverteilung
Schule Bundesgymnasiu um für Berufstätige Salzburg Modul Thema Mathematik 8 Arbeitsblatt A 8-2: Normalverteilung Normalverteilung Viele natürlich vorkommende, voneinander unabhängige Größen sind normalverteilt
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,
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
MehrNormalverteilung. Erwartungswert, Median und Modus sind identisch. Symmetrieeigenschaft um den Erwartungswert
Normalverteilung Stetige Wahrscheinlichkeitsverteilung, die zahlreiche natur, wirtschafts und sozialwissenschaftliche Merkmalsausprägungen mit guter Näherung abbilden kann und somit von elementarer Bedeutung
MehrDüngersäcke (1) Mehrere Maschinen füllen Säcke mit Dünger ab. Als Füllmenge sind laut Aufdruck 25 kg vorgesehen.
Düngersäcke (1) Aufgabennummer: B_171 Technologieeinsatz: möglich S erforderlich Mehrere Maschinen füllen Säcke mit Dünger ab. Als Füllmenge sind laut Aufdruck 25 kg vorgesehen. a) Langfristige Überprüfungen
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 205 Binomialverteilung Lernumgebung Hans Walser: Modul 205, Binomialverteilung. Lernumgebung ii Inhalt Kaspar, Melchior und Balthasar... 2 Ungerade
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) Literatur Kapitel 7 n heisst für uns n gross * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
Mehrj K j d j m j h j f j
Für eine stetige Zufallsvariable X in einem Intervall [ a ; b ] kann X jeden beliebigen Wert annehmen. Die Wahrscheinlichkeiten werden in diesem Fall nicht mehr wie bei einer diskreten Zufallsvariable
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrGrundkompetenzkatalog. Mathematik
Grundkompetenzkatalog Mathematik AG - Algebra und Geometrie AG 1.1 AG 1.2 AG 2.1 AG 2.2 AG 2.3 AG 2.4 AG 2.5 AG 3.1 AG 3.2 AG 3.3 Wissen über Zahlenmengen N, Z, Q, R, C verständig einsetzen Wissen über
Mehr8 Stichprobenkennwerteverteilung
8 Stichprobenkennwerteverteilung 8.1 Vorbemerkungen 8.2 Die Normalverteilung: Teil 2 8.3 Die t Verteilung 8.4 Normalverteilungs Approximation: Der zentrale Grenzwertsatz 8.1 Vorbemerkungen Daten x 1,...,
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
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
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik 2 für Naturwisseschafte 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Modul 209 Tabelle Has Walser: Modul 209, Tabelle ii Ihalt Fakultäte... 2 Biomialkoeffiziete... 2 3 Biomische Verteilug... 3
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrW.18 Normalverteilung
1 Es gibt zwei ganz wichtige Verteilungen in der Wahrscheinlichkeitsrechnung: - die Binomialverteilung und - die Normalverteilung Für Schule/Studium ist die Binomialverteilung vermutlich die einfachere
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
Mehr