Diskrete Strukturen. Sebastian Thomas RWTH Aachen Wahrscheinlichkeitstheorie
|
|
- Hinrich Geisler
- vor 5 Jahren
- Abrufe
Transkript
1 Diskrete Strukturen Sebastian Thomas RWTH Aachen Wahrscheinlichkeitstheorie
2 Quasiendliche Wahrscheinlichkeitsräume Definition quasiendlicher Wahrscheinlichkeitsraum (qu.endl. WR): besteht aus X nicht leere Menge P : Pot(X ) R Abbildung so, dass gilt: Missbrauch von Notation: notiere qu.endl. WR wieder als X
3 Quasiendliche Wahrscheinlichkeitsräume (Forts.) Terminologien und Notationen: Ergebnismenge von X : Ergebnis von X : Ereignismenge von X : Ereignis von X : unmögliches Ereignis von X : sicheres Ereignis von X : Wahrscheinlichkeitsverteilung von X : Notation: Wahrscheinlichkeit von A Pot(X ) in X : endlicher Wahrscheinlichkeitsraum (endl. WR): qu.endl. WR mit endlicher Ergebnismenge
4 Quasiendliche Wahrscheinlichkeitsräume (Forts.) Beispiel {0, 1} wird endl. WR mit P(A) = {0, 1} wird endl. WR mit P(A) = für A = für A = {0} für A = {1} für A = {0, 1} für A = für A = {0} für A = {1} für A = {0, 1}
5 Quasiendliche Wahrscheinlichkeitsräume (Forts.) R wird qu.endl. WR mit { 1 für A Pot(R) mit 0 A P(A) = 0 für A Pot(R) mit 0 / A
6 Quasiendliche Wahrscheinlichkeitsräume (Forts.) Anwendungsbeispiel Objekt: Ergebnisse eines Wurfs mit einer gewöhnl. Münze Modell: Ergebnisse des endl. WR {Kopf, Zahl} mit 0 für A = P(A) = 1 2 für A {{Kopf}, {Zahl}} 1 für A = {Kopf, Zahl} Objekt: Ergebnisse eines Wurfs mit einer gezinkter Münze Modell: Ergebnisse des endl. WR {Kopf, Zahl} mit 0 für A = 1 P(A) = 4 für A = {Kopf} 3 4 für A = {Zahl} 1 für A = {Kopf, Zahl}
7 Quasiendliche Wahrscheinlichkeitsräume (Forts.) Bemerkung X qu.endl. WR, A, B Pot(X ) mit A B P(B \ A) = P(B) P(A) Korollar X qu.endl. WR P( ) = 0 Korollar X qu.endl. WR, A Pot(X ) P(X \ A) = 1 P(A)
8 Quasiendliche Wahrscheinlichkeitsräume (Forts.) Gesetz der totalen Wahrscheinlichkeit X qu.endl. WR, A Pot(X ), n N 0 (B 1,..., B n ) disjunktes n-tupel in Pot(X ) mit A i [1,n] B i P(A) = i [1,n] P(A B i ) Proposition X qu.endl. WR, n N 0, (A 1,..., A n ) n-tupel in Pot(X ) P( i [1,n] A i ) = ( 1) i 1 i [1,n] J [1,n] J =i P( j J X j )
9 Quasiendliche Wahrscheinlichkeitsräume (Forts.) Proposition X qu.endl. WR, A Pot(X ) P(A) = P({x A P(x) > 0}) = P(x) = P(x) x A x A P(x)>0
10 Quasiendliche Wahrscheinlichkeitsräume (Forts.) Proposition X Menge, f : X R Abbildung mit: für x X : f (x) 0 {x X f (x) > 0} ist endlich x X f (x) = 1 X wird qu.endl. WR mit: für A Pot(X ): P(A) = f (x) x A
11 Quasiendliche Wahrscheinlichkeitsräume (Forts.) Beispiel {0, 1, 2} wird endl. WR mit 0 für A {, {0}} 1 P(A) = 3 für A {{1}, {0, 1}} 2 3 für A {{2}, {0, 2}} 1 für A {{1, 2}, {0, 1, 2}}
12 Laplaceräume Definition Laplaceraum: für A Pot(X ): X endl. WR mit: P(A) = A X
13 Laplaceräume (Forts.) Beispiel Laplaceraum: X = {0, 1} mit 0 für A = P(A) = 1 2 für A {{0}, {1}} 1 für A = {0, 1} kein Laplaceraum: Y = {0, 1} mit 0 für A = 1 P(A) = 4 für A = {0} 3 4 für A = {1} 1 für A = {0, 1}
14 Laplaceräume (Forts.) Bemerkung X endl. WR X ist Laplaceraum für x X : P(x) = 1 X Bemerkung X nicht leere endliche Menge X X lässt sich als Laplaceraum X = X Laplace auffassen
15 Laplaceräume (Forts.) Definition X nicht leere endliche Menge X Laplaceraum auf X : X = X Laplace Terminologie und Notation: Gleichverteilung auf X : Beispiel [1, 6] wird Laplaceraum
16 Laplaceräume (Forts.) Anwendungsbeispiel Objekt: Ergebnisse eines Wurfs mit gewöhnl. Würfel Modell: Ereignis: Würfel zeigt mindestens fünf Augen Modell: Wahrscheinlichkeit: Ereignis: Würfel zeigt gerade Anzahl an Augen Modell: Wahrscheinlichkeit:
17 Zufallsgrößen Anwendungsbeispiel Objekt: blinde Entnahme einer Kugel aus einer Urne mit zehn roten und 20 schwarzen Kugeln Modell: Ereignis: gezogene Kugel ist rot Modell: A = Wahrscheinlichkeit: P U (A) = Ereignis: gezogene Kugel ist schwarz Modell: A = Wahrscheinlichkeit: P U (A ) =
18 Zufallsgrößen (Forts.) C = {rot, schwarz} wird endl. WR mit 0 für B = P C 1 (B) = 3 für B = {rot} 2 3 für B = {schwarz} 1 für B = {rot, schwarz}
19 Zufallsgrößen (Forts.) Definition X qu.endl. WR, Y Menge Zufallsgröße auf X mit Werten in Y : Abbildung f : X Y Beispiel [1, 6] [0, 1], x x mod 2 ist Zufallsgröße auf [1, 6] mit Werten in [0, 1]
20 Zufallsgrößen (Forts.) Anwendungsbeispiel Objekt: Modell: Objekt: Modell: blinde Entnahme einer Kugel aus einer Urne mit zehn roten und 20 schwarze Kugeln Ergebnisse des Laplaceraums U = [1, 10] {rot} [1, 20] {schwarz} Farben der Kugeln Zuordnung: jeder Kugel die zugehörige Farbe Modell:
21 Zufallsgrößen (Forts.) Objekt: Ergebnisse eines Wurfs mit gewöhnlichem Würfel Modell: Ergebnisse des Laplaceraums [1, 6] Zuordnung: jeder Augenzahl die Parität Modell:
22 Zufallsgrößen (Forts.) Proposition X qu.endl. WR, f : X Y Zufallsgröße Y wird qu.endl. WR Y = Y f mit: für B Pot(Y f ): P Y f (B) = P X (f 1 (B)) = P X (x) x X f (x) B
23 Zufallsgrößen (Forts.) Definition X qu.endl. WR, f : X Y Zufallsgröße durch f induzierter Wahrscheinlichkeitsraum: Y = Y f Terminologie und Notation: Wahrscheinlichkeitsverteilung von f : Beispiel durch [1, 6] [0, 1], x x mod 2 induzierter WR:
24 Zufallsgrößen (Forts.) Anwendungsbeispiel Zuordnung: jeder Kugel die zugehörige Farbe Modell: Zufallsgröße a: U {rot, schwarz} (x, rot) rot (x, schwarz) schwarz Wahrscheinlichkeitsverteilung des durch a induzierten WRs: für B = P C (B) = P U (a 1 für B = {rot} (B)) = für B = {schwarz} für B = {rot, schwarz}
25 Zufallsgrößen (Forts.) Zuordnung: jeder Augenzahl die Parität Modell: Zufallsgröße p : [1, 6] {gerade, ungerade} mit { gerade für x {2, 4, 6} p(x) = ungerade für x {1, 3, 5} durch p induzierter WR:
26 Zufallsgrößen (Forts.) Bemerkung X qu.endl. WR, f : X Y Zufallsgröße, y Y \ Im f P Y (y) =
27 Produktwahrscheinlichkeitsräume Proposition I endliche Menge, (X i ) i I Familie von qu.endl. WRen i I X i wird qu.endl. WR mit: für A Pot( i I X i ): P i I X i (A) = P X i (x i ) x A i I Definition I endliche Menge, (X i ) i I Familie von qu.endl. WRen Produktwahrscheinlichkeitsraum von (X i ) i I :
28 Produktwahrscheinlichkeitsräume (Forts.) Beispiel X = {0, 1} Laplace X X : P X X (x 1, x 2 ) = für (x 1, x 2 ) = (0, 0) für (x 1, x 2 ) = (1, 0) für (x 1, x 2 ) = (0, 1) für (x 1, x 2 ) = (1, 1)
29 Produktwahrscheinlichkeitsräume (Forts.) Y = {0, 1} mit P(y) = { 1 4 für y = für y = 1 Y Y : P Y Y (y 1, y 2 ) = für (y 1, y 2 ) = (0, 0) für (y 1, y 2 ) = (1, 0) für (y 1, y 2 ) = (0, 1) für (y 1, y 2 ) = (1, 1)
30 Produktwahrscheinlichkeitsräume (Forts.) X Y : P X Y (x, y) = für (x, y) = (0, 0) für (x, y) = (1, 0) für (x, y) = (0, 1) für (x, y) = (1, 1)
31 Produktwahrscheinlichkeitsräume (Forts.) Bemerkung I endliche Menge, (X i ) i I Familie von Laplaceräumen i I X i ist Laplaceraum
32 Produktwahrscheinlichkeitsräume (Forts.) Anwendungsbeispiel Objekt: Modell: Ergebnisse eines Wurfs mit zwei gewöhnlichen Würfeln Ereignis: Würfel zeigen Pasch Modell: A = Wahrscheinlichkeit: P(A) =
33 Bedingte Wahrscheinlichkeit Proposition X qu.endl. WR, B Pot(X ) mit P X (B) > 0 B wird qu.endl. WR mit: für A Pot(B): P B (A) = PX (A) P X (B) Definition X qu.endl. WR, B Pot(X ) mit P X (B) > 0 durch Restriktion auf B gegebener Wahrscheinlichkeitsraum: B
34 Bedingte Wahrscheinlichkeit (Forts.) Beispiel X = [1, 5], B = {x X x ist ungerade} P B (3) = Bemerkung X Laplaceraum, B Pot(X ) mit P X (B) > 0 B ist Laplaceraum
35 Bedingte Wahrscheinlichkeit (Forts.) Anwendungsbeispiel Objekt: Ergebnisse eines Wurfs mit zwei gewöhnlichen Würfeln Modell: Ereignis: Modell: Würfel zeigen Pasch Ergebnis: Würfel zeigt Sechserpasch Modell: Wahrscheinlichkeit:
36 Bedingte Wahrscheinlichkeit (Forts.) Definition X qu.endl. WR, B Pot(X ) mit P X (B) > 0, inc: B X Inklusion durch B induzierter Wahrscheinlichkeitsraum auf X : X B := X inc Terminologie und Notation: bedingte Wahrscheinlichkeitsverteilung von X unter (der Bedingung) B:
37 Bedingte Wahrscheinlichkeit (Forts.) Bemerkung X qu.endl. WR, B Pot(X ) mit P X (B) > 0 für A Pot(X ): P(A B) = Korollar X qu.endl. WR, B Pot(X ) mit P X (B) > 0 für A Pot(B): A Pot(X ) und P B (A) = P X (A B)
38 Bedingte Wahrscheinlichkeit (Forts.) Beispiel X = [1, 5], A = {x X x 3}, B = {x X x ist ungerade} P(A B) = Bemerkung X Laplaceraum, B Pot(X ) mit P X (B) > 0 für A Pot(X ): P(A B) =
39 Bedingte Wahrscheinlichkeit (Forts.) Anwendungsbeispiel Objekt: Ergebnisse eines Wurfs mit zwei gewöhnlichen Würfeln Modell: Ergebnisse des Laplaceraums [1, 6] [1, 6] Ereignis: Würfel zeigen Pasch Modell: B = {(x, x) x [1, 6]} = {(1, 1), (2, 2),..., (6, 6)} Ereignis: (mindestens) ein Würfel zeigt gerade Augenzahl Modell: A = bedingte Wahrscheinlichkeit: P(A B) =
40 Bedingte Wahrscheinlichkeit (Forts.) Bemerkung X qu.endl. WR, A, B Pot(X ) mit P X (A) > 0, P X (B) > 0 P(A) P(B A) = P(A B) P(B)
41 Auswahlmodelle als Wahrscheinlichkeitsräume Konvention X qu.endl. WR, I endliche Menge Var I (X ) = X I = i I X : falls P Var I (X ) (Perm I (X )) > 0: Perm I (X ): MComb I (X ): falls P Var I (X ) (Perm I (X )) > 0: Comb I (X ):
42 Auswahlmodelle als Wahrscheinlichkeitsräume (Forts.) Bemerkung X qu.endl. WR, I endliche Menge für A Pot(Var I (X )): P Var I (X ) (A) = P X (x i ) = (P X µx (y) (y)) x A i I x A y X es gebe x Perm I (X ) mit i I PX (x i ) > 0 für A Pot(Perm I (X )): P Perm I (X ) (A) = x A x Perm I (X ) i I PX (x i ) i I PX (x i )
43 Auswahlmodelle als Wahrscheinlichkeitsräume (Forts.) für B Pot(MComb I (X )): P MComb I (X ) (B) = für C MComb I (X ): x Var I (X ) [x] B = x Var I (X ) [x] B P MComb I (X ) (C) = C y X P X (x i ) i I y X (P X µx (y) (y)) (P X (y)) µ C (y)
44 Auswahlmodelle als Wahrscheinlichkeitsräume (Forts.) es gebe x Perm I (X ) mit i I PX (x i ) > 0 für B Pot(Comb I (X )): P Comb I (X ) (B) = x Perm I (X ) [x] B x Perm I (X ) i I PX (x i ) i I PX (x i )
45 Auswahlmodelle als Wahrscheinlichkeitsräume (Forts.) Beispiel X = {0, 1} Laplace für x Var3 (X ): P Var3(X ) (x) = für C MComb3 (X ): P MComb3(X ) (C) = { falls C { } falls C { }
46 Auswahlmodelle als Wahrscheinlichkeitsräume (Forts.) Beispiel X = {0, 1} mit P(0) = 1 4, P(1) = 3 4 für x Var3 (X ): P Var3(X ) (x) = falls x { } falls x { } falls x { } falls x { } für C MComb3 (X ): P MComb3(X ) (C) = falls C { } falls C { } falls C { }
47 Auswahlmodelle als Wahrscheinlichkeitsräume (Forts.) Bemerkung n N, k N 0, X Laplaceraum, I Menge mit X = n, I = k Var I (X ) ist Laplaceraum falls k n: falls k n: Perm I (X ) ist Laplaceraum Comb I (X ) ist Laplaceraum
48 Auswahlmodelle als Wahrscheinlichkeitsräume (Forts.) Anwendungsbeispiel Objekt: Modell: Anzahl: Ergebnisse eines Wurfs mit drei gewöhnlichen Würfeln Ereignis: Würfel zeigen dreimal eine 6 Modell: A = Wahrscheinlichkeit: P(A) = Ergebnis: Würfel zeigen genau zweimal eine 6 Modell: B = Wahrscheinlichkeit: P(B) = Ergebnis: Würfel zeigen mindestens zweimal eine 6 Modell: Wahrscheinlichkeit:
49 Auswahlmodelle als Wahrscheinlichkeitsräume (Forts.) Anwendungsbeispiel Objekt: Modell: Anzahl: Ereignis: zwei Asse Modell: A = Wahrscheinlichkeit: P(A) = Pokerhände (Texas Hold em) Ergebnis: 2 und 7 in verschiedenen Kartenfarben Modell: B = Wahrscheinlichkeit: P(B) =
50 Stochastische Unabhängigkeit Definition X qu.endl. WR, A, B Pot(X ) A und B sind stochastisch unabhängig: P(A B) = P(A) P(B) A und B sind stochastisch abhängig: A und B sind nicht stochastisch unabhängig
51 Stochastische Unabhängigkeit (Forts.) Beispiel X = {a, b, c, d} mit P(x) = { 1 3 für x {a, b} 1 6 für x {c, d} {a, b} und {a, c} sind stochastisch {a, b} und {c, d} sind stochastisch
52 Stochastische Unabhängigkeit (Forts.) Anwendungsbeispiel Objekt: blinde Entnahme einer Kugel aus einer Urne mit zehn roten und 20 schwarzen Kugeln Modell: Ergebnisse des Laplaceraums U = R S mit R = [1, 10] {rot} und S = [1, 20] {schwarz} zwei Fälle: blinde Entnahme von zwei Kugeln mit Zurücklegen blinde Entnahme von zwei Kugeln ohne Zurücklegen zwei Ereignisse: erste gezogene Kugel ist rot zweite gezogene Kugel ist rot
53 Stochastische Unabhängigkeit (Forts.) Objekt: Modell: Anzahl: blinde Entnahme von zwei Kugeln mit Zurücklegen Ereignis: erste gezogene Kugel ist rot Modell: A = Anzahl: A = Wahrscheinlichkeit: P(A) = Ereignis: zweite gezogene Kugel ist rot Modell: B = Wahrscheinlichkeit: P(B) = Modell: A B = Wahrscheinlichkeit: P(A B) =
54 Stochastische Unabhängigkeit (Forts.) Objekt: Modell: Anzahl: blinde Entnahme von zwei Kugeln ohne Zurücklegen Ereignis: erste gezogene Kugel ist rot Modell: A = Anzahl: A = Wahrscheinlichkeit: P(A) = Ereignis: zweite gezogene Kugel ist rot Modell: B = Wahrscheinlichkeit: P(B) = Modell: A B = Wahrscheinlichkeit: P(A B) =
55 Stochastische Unabhängigkeit (Forts.) Bemerkung X qu.endl. WR, A, B Pot(X ) mit P(B) > 0 A und B stochastisch unabhängig P(A B) = P(A)
56 Erwartungswert und Varianz Definition X qu.endl. WR, f Zufallsgröße auf X mit Werten in R Erwartungswert von f : E(f ) := x X P(x) f (x) Beispiel X = [1, 5], P(x) = x 15 für x X E(inc) =
57 Erwartungswert und Varianz (Forts.) Anwendungsbeispiel Objekt: Ergebnisse eines Wurfs mit zwei gewöhnl. Würfeln Modell: Ergebnisse des Laplaceraums [1, 6] [1, 6] Zuordnung: jedem Wurf die Augensumme Modell: Erwartungswert: E(s) =
58 Erwartungswert und Varianz (Forts.) Bemerkung X qu.endl. WR, f Zufallsgröße auf X mit Werten in R E(f ) = P(y) y = P(y) y y R y Im f
59 Erwartungswert und Varianz (Forts.) Bemerkung X Menge Map(X, R) wird kommutativer Ring mit (f + g)(x) = f (x) + g(x) (fg)(x) für x X, f, g Map(X, R) = f (x)g(x) ι: R Map(X, R), a (x a) ist injektiv und: für a, a R: ι(a + a ) = ι(a) + ι(a ) für a, a R: ι(aa ) = ι(a) ι(a )
60 Erwartungswert und Varianz (Forts.) Definition X qu.endl. WR, f Zufallsgröße auf X mit Werten in R Varianz von f : V(f ) := E((f E(f )) 2 ) Beispiel X = [1, 5], P(x) = x 15 für x X V(inc) =
61 Erwartungswert und Varianz (Forts.) Bemerkung X qu.endl. WR, f Zufallsgröße auf X mit Werten in R V(f ) = P(y) (y E(f )) 2 = P(y) (y E(f )) 2 y R y Im f
62 Erwartungswert und Varianz (Forts.) Anwendungsbeispiel Objekt: Ergebnisse eines Wurfs mit zwei gewöhnlichen Würfeln Modell: Ergebnisse des Laplaceraums [1, 6] [1, 6] Zuordnung: jedem Wurf die Augensumme Modell: Zufallsgröße s : [1, 6] [1, 6] R, (x, y) x + y Varianz: V(s) =
Diskrete Strukturen. Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds16/ 1. Februar 2017 Vorlesung 21
Diskrete Strukturen Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds16/ 1. Februar 2017 Vorlesung 21 Quasiendliche Wahrscheinlichkeitsräume Definition quasiendlicher Wahrscheinlichkeitsraum
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
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:
Mehrhtw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT Hans-Peter Hafner WS 2016/2017
htw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT htw saar 2 Gliederung 25.01. Bedingte Wahrscheinlichkeit: Motivation und Definition Multiplikationssatz Stochastische Unabhängigkeit:
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
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
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
MehrVorlesung Statistik, WING, ASW Wahrscheinlichkeit in Laplace Versuchen. Kombinatorische Formeln. Bedingte Wahrscheinlichkeit
Wahrscheinlichkeit in Laplace Versuchen Kombinatorische Formeln Bedingte Wahrscheinlichkeit Multiplikationssatz Unabhängigkeit Melanie Kaspar 1 Formel der totalen Wahrscheinlichkeit Satz von Bayes Melanie
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
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
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
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrIst P(T) = p die Trefferwahrscheinlichkeit eines Bernoulli-Experiments,
. Binomialverteilung ==================================================================.1 Bernoulli-Experimente und Bernoullikette -----------------------------------------------------------------------------------------------------------------
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung. In einer Urne befinden sich 3 schwarze und weiße Kugel. Wir entnehmen der Urne eine Kugel, notieren die Farbe und legen die Kugel in die Urne zurück. Dieses
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
Mehr15. September 2010 Prof. Dr. W. Bley. Universität Kassel Klausur SS 2010 Diskrete Strukturen I (Informatik) Name:... Matr.-Nr.:... Viel Erfolg!
15. September 010 Prof. Dr. W. Bley Universität Kassel Klausur SS 010 Diskrete Strukturen I (Informatik) 1 3 4 5 6 Name:................................................ Matr.-Nr.:............................................
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrAllgemeine diskrete Wahrscheinlichkeitsräume I
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
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
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
MehrAufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen
Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),
MehrUE Statistik 1, SS 2015, letztes Update am 5. März Übungsbeispiele
UE Statistik, SS 05, letztes Update am 5. März 05 Übungsbeispiele Beispiele mit Musterlösungen finden Sie auch in dem Buch Brannath, W., Futschik, A., Krall, C., (00) Statistik im Studium der Wirtschaftswissenschaften..
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
MehrDiskrete Strukturen. Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Algebraische Strukturen
Diskrete Strukturen Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Algebraische Strukturen Verknüpfungen Satz x, y, z N x + (y + z) = (x + y) + z x + y = y + x x (y z) = (x y) z 1
Mehr6: Diskrete Wahrscheinlichkeit
Stefan Lucks Diskrete Strukturen (WS 2009/10) 219 6: Diskrete Wahrscheinlichkeit 6: Diskrete Wahrscheinlichkeit Stefan Lucks Diskrete Strukturen (WS 2009/10) 220 Wahrscheinlichkeitsrechnung Eines der wichtigsten
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
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
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrVorlesung Statistik WING ASW Melanie Kaspar, Prof. Dr. B. Grabowski 1
Melanie Kaspar, Prof. Dr. B. Grabowski 1 Aus diesen Eigenschaften lassen sich alle weiteren Eigenschaften ableiten: Beweis zu 1) Melanie Kaspar, Prof. Dr. B. Grabowski 2 Aufgabe Die Wahrscheinlichkeit
Mehr3. Grundbegriffe der Wahrscheinlichkeitstheorie
03. JULI 2006: BLATT 17 3. Grundbegriffe der Wahrscheinlichkeitstheorie (v.a. nach Manning/Schütze: 40ff und Fahrmeir /Künstler/Pigeot/Tutz: 171ff) Übersicht Um entscheiden zu können, ob eine statistische
MehrWählt man aus n Mengen mit z 1 bzw. z 2,..., bzw. z n Elementen nacheinander aus jeder Menge jeweils ein Element aus,
V. Stochastik ================================================================== 5.1 Zählprinzip Wählt man aus n Mengen mit z 1 bzw. z 2,..., bzw. z n Elementen nacheinander aus jeder Menge jeweils ein
MehrUnabhängigkeit von Zufallsvariablen
Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Josef Leydold c 2006 Mathematische Methoden II Wahrscheinlichkeitstheorie 1 / 24 Lernziele Experimente, Ereignisse und Ereignisraum Wahrscheinlichkeit Rechnen mit Wahrscheinlichkeiten
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
Mehr1 Grundbegriffe der Wahrscheinlichkeitsrechnung
4 1 Grundbegriffe der Wahrscheinlichkeitsrechnung 1.1 Grundlegende Begriffe Der Begriff wahrscheinlich wird im Alltag in verschiedenen Situationen verwendet, hat dabei auch unterschiedliche Bedeutung.
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrKombinatorik: Einführung. Vorlesung Mathematische Strukturen. Sommersemester Ziehen aus Urnen. Ziehen aus Urnen
Kombinatorik: Einführung Vorlesung Mathematische Strukturen Sommersemester 05 Prof. Barbara König Übungsleitung: Dennis Nolte Es folgt eine Einführung in die Kombinatorik. Dabei geht es darum, die Elemente
MehrInstitut für Stochastik, SoSe K L A U S U R , 8:00-11:00. Aufgabe Punkte erreichte Punkte Korrektur
Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 2. K L A U S U R 29.9.2014, 8:00-11:00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
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
MehrStochastische Unabhängigkeit. 01. Dezember 2014
Stochastische Unabhängigkeit 0. Dezember 204 Der Begriff der Unabhängigkeit Großbritannien, im November 999. Die Anwältin Sally Clark wird wegen Mordes an ihren Kindern angeklagt. Clark geriet unter Verdacht
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
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
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr
Universität Münster Institut für Mathematische Statistik Stochastik für Lehramtskandidaten SoSe 015, Blatt 1 Löwe/Heusel Übungen Abgabetermin: Freitag, 10.7.015, 10 Uhr Hinweis: Dies ist nur eine Beispiellösung.
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
MehrÜbungsaufgaben Wahrscheinlichkeit
Übungsaufgaben Wahrscheinlichkeit Aufgabe 1 (mdb500405): In einer Urne befinden sich gelbe (g), rote (r), blaue (b) und weiße (w) Kugel (s. Bild). Ohne Hinsehen sollen aus der Urne in einem Zug Kugeln
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,
Mehr7 Unabhängigkeit von Ereignissen; bedingte Wahrscheinlichkeit
Übungsmaterial 7 Unabhängigkeit von reignissen; bedingte Wahrscheinlichkeit 7. Unabhängigkeit von reignissen Wir betrachten folgendes Beispiel: Zwei unterscheidbare Münzen werden geworfen. Man betrachtet
Mehr1.1 Ergebnisräume einfacher Zufallsexperimente. 2) Es gibt mindestens zwei mögliche Ausgänge des Experiments.
Übungsmaterial 1 1 Zufallsexperimente 1.1 Ergebnisräume einfacher Zufallsexperimente Damit ein Experiment ein Zufallsexperiment ist, müssen folgende Eigenschaften erfüllt sein: 1) Das Experiment lässt
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Motivation bisher: Beschreibung von Datensätzen = beobachteten Merkmalsausprägungen Frage: Sind Schlußfolgerungen aus diesen Beobachtungen möglich? Antwort: Ja, aber diese gelten nur mit einer bestimmten
MehrZusammengesetzte Zufallsexperimente - Baumdiagramme und Pfadregeln ==================================================================
Zusammengesetzte Zufallsexperimente - Baumdiagramme und Pfadregeln ================================================================== Ein Zufallsexperiment heißt zusammegesetzt, wenn es es die Kombination
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren. 1. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen)
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜUNG. - LÖSUNGEN. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen Die Urne enthält 4 weiße und 8 rote Kugeln.
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.
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
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
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
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜBUNG - LÖSUNGEN. Zweimaliges Werfen eines Würfels mit Berücksichtigung der Reihenfolge a. Ergebnismenge (Ereignisraum)
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrKurs 2 Stochastik EBBR Vollzeit (1 von 2)
Erwachsenenschule Bremen Abteilung I: Sekundarstufe Doventorscontrescarpe 172 A 281 Bremen Kurs 2 Stochastik EBBR Vollzeit (1 von 2) Name: Ich 1. 2. 3. 4.. 6. 7. So schätze ich meinen Lernzuwachs ein.
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
Mehr1. Grundlagen. R. Albers, M. Yannik Skript zur Vorlesung Stochastik (Elementarmathematik)
1. Grundlagen 1.1 Zufallsexperimente, Ergebnisse Grundlage für alle Betrachtungen zur Wahrscheinlichkeitsrechnung sind Zufallsexperimente. Ein Zufallsexperiment ist ein Vorgang, der - mehrere mögliche
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,...)
MehrStochastik (Laplace-Formel)
Stochastik (Laplace-Formel) Übungen Spielwürfel oder Münzen werden ideal (oder fair) genannt, wenn jedes Einzelereignis mit gleicher Wahrscheinlichkeit erwartet werden kann. 1. Ein idealer Spielwürfel
MehrLösungen zu Übungs-Blatt 7 Klassische Wahrscheinlichkeit in Glücksspielen und bedingte Wkt
Zu Aufgabe ) Wir betrachten den Laplace-Versuch V Werfen zweier Würfel. Berechnen Sie unter Verwendung der Formel P ( A) A aus Aufgabe die Ω Wahrscheinlichkeit für folgende Ereignisse: a) A Werfen zweier
MehrErwartungswert. c Roolfs
Erwartungswert 2e b a 4e Der Sektor a des Glücksrads bringt einen Gewinn von 2e, der Sektor b das Doppelte. Um den fairen Einsatz zu ermitteln, ist der durchschnittlich zu erwartende Gewinn pro Spiel zu
MehrZusammenfassung Stochastik
Zusammenfassung Stochastik Die relative Häufigkeit Ein Experiment, dessen Ausgang nicht vorhersagbar ist, heißt Zufallsexperiment (ZE). Ein Würfel wird 40-mal geworfen, mit folgendem Ergebnis Augenzahl
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
MehrWahrscheinlichkeitsrechnung
Teil V Wahrscheinlichkeitsrechnung Inhaltsangabe 6 Einführung in die Wahrscheinlichkeitsrechnung 125 6.1 Kombinatorik......................... 125 6.2 Grundbegri e......................... 129 6.3 Wahrscheinlichkeiten.....................
MehrMultivariate Zufallsvariablen
Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse.
MehrMathematische Grundlagen 2
Skriptum zur Vorlesung Mathematische Grundlagen 2 gehalten im Sommersemester 2009 von Sven Kosub 24. Juli 2009 Version v0.5 Inhaltsverzeichnis 5 Kombinatorik 5. Grundregeln des Abzählens...........................
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
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) versehen mit einer Abbildung P : P(Ω) [0,
MehrSatz von der totalen Wahrscheinlichkeit
htw saar 1 Satz von der totalen Wahrscheinlichkeit Sei (Ω, P) ein Wahrscheinlichkeitsraum, und B 1,, B n seien paarweise disjunkte Ereignisse mit B i = Ω. Für jedes Ereignis A gilt dann: P(A) = P(A B 1
MehrWahrscheinlichkeit und Zufall
Wahrscheinlichkeit und Zufall Rechnen mit Wahrscheinlichkeiten 16. Juni 2009 Dr. Katja Krüger Universität Paderborn 1 Inhalt Ereignisse i und deren Wahrscheinlichkeit h hk i Laplace-Regel Baumdiagramm
Mehr2 STOCHASTISCHE GRUNDBEGRIFFE
2 STOCHASTISCHE GRUNDBEGRIFFE 2.4 Wahrscheinlichkeitsräume 1. Man vereinfache soweit wie möglich (AB A B): (a) (A B)(A B c ) (b) (A B)(B C) (c) (A B)(A c B)(A B c ) (d) (AB) (AB c ) (e) (A B)(A c B)(A
MehrStochastik Q11 und Q12
Skripten für die Oberstufe Stochastik Q11 und Q12 P(X = 2) = B(20; 0,4; 2) 0,3 0,25 0,2 0,15 0,1 0,05 11. 0 0 1 2 3 4 5 6 7 8 9 10 H. Drothler 2012 www.drothler.net Stochastik Oberstufe Seite 1 Inhalt
Mehr9. Elementare Wahrscheinlichkeitsrechnung
9. Elementare Wahrscheinlichkeitsrechnung Beispiel (Einmaliges Würfeln): verbal mengentheoretisch I. Zufällige Ereignisse Beispiel (Einmaliges Würfeln): Alle möglichen Ausgänge 1,,, 6 des Experiments werden
MehrEreignis E: ist ein oder sind mehrere Ergebnisse zusammen genommen. Bsp. E = {2; 4; 6}
Laplace-Experimente Begriffsklärung am Beispiel eines Laplace-Würfel mit Augenzahlen (AZ) 1-6: Ergebnis: ist jeder Ausgang eines Zufallsexperimentes heißt ein Ergebnis ω dieses Zufallsexperimentes. Die
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA : Table of Contents 1 Statistik: Einführung 2 Deskriptive Statistik 3 Wahrscheinlichkeitstheorie
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
MehrStochastik Lehr-und Aufgabenbuch. Skriptum zum Vorbereitungskurs
Stochastik Lehr-und Aufgabenbuch Skriptum zum Vorbereitungskurs 1 WICHTIGER HINWEIS: Ich bitte den Eigentümer dieses Skriptes, weder das gesamte Skript noch Teilauszüge daraus zu kopieren, einzuscannen
Mehra) Bestimmen Sie die Gleichung des Kreises in der Form x 2 +y 2 +ax+by+c = 0 und zeigen Sie, dass der Punkte A( 3 7) auf dem Kreis liegt.
ETH-Aufnahmeprüfung Herbst 215 Mathematik II (Geometrie/Statistik) Aufgabe 1 Gegeben ist der Kreis mit Mittelpunkt M( 5 2) und Radius r = 85. a) Bestimmen Sie die Gleichung des Kreises in der Form x 2
Mehr1 Wahrscheinlichkeitsrechnung und Zufallsvariablen
1 Wahrscheinlichkeitsrechnung und Zufallsvariablen Zoltán Zomotor Versionsstand: 18. Mai 2015, 09:29 Die nummerierten Felder bitte während der Vorlesung ausfüllen. This work is licensed under the Creative
Mehr