Das Sammler-Problem. Anja Bergdolt. 11. Januar 2018
|
|
- Oldwig Weiner
- vor 6 Jahren
- Abrufe
Transkript
1 Das Sammler-Problem Anja Bergdolt 11. Januar 2018
2 Abbildung: Das Album enthält 640 Bildchen, und wir nehmen an, dass jedes Bildchen 10 Cent kostet. [1]
3 Schätzfrage Wie viel kostet es das Album komplett mit allen Bildchen zu füllen?
4 Fragestellung Ein Sammelkarten-Hersteller gibt verschiedene Sammelkarten heraus. Wie viele Karten müssen wir sammeln, bevor wir im Besitz aller Sammelkarten sind, unter der Voraussetzung, dass jede Karte, die wir sammeln, gleich wahrscheinlich ist?
5 Anfangsannahmen Jedes Bild kommt mit gleicher Wahrscheinlichkeit vor. Es werden keine Bildchen mit anderen Sammlern getauscht. Jedes Bild wird einzeln, und nicht im Päckchen verkauft.
6 Erste Berechnungen Angenommen es gibt verschiedene Bildchen und wir haben bereits k, k < Bildchen gesammelt. Die Wahrscheinlichkeit in der nächsten Ziehung kein neues Bildchen zu erhalten ist dann genau p = k
7 Erste Berechnungen Wir interessieren uns nun für die Wahrscheinlichkeit genau s Ziehungen bis zum nächsten neuen Bildchen zu benötigen.
8 Erste Berechnungen Die Wahrscheinlichkeit genau s Ziehungen bis zum nächsten neuen Bildchen zu benötigen ist unter diesen Voraussetzungen: p(x k = s) = ( ) k s 1 ( 1 k ) X k - Zufallsvariable, die die Anzahl der Ziehungen bis zum nächsten neuen Bildchen zählt, für das jeweilige k
9 Erste Berechnungen Zur Erinnerung: Definition des Erwartungswertes für diskrete Wahrscheinlichkeitsverteilungen E(x) = i I x i p i = i I x i P(x = i) Also ist die erwartete Anzahl E neu von Ziehungen bis zum nächsten neuen Bildchen dann genau E neu = s 1 p(x k = s)s = s 1 ( ) k s 1 ( 1 k ) s
10 Behauptung 1 E neu = s 1 ( k ) s 1 ( 1 k ) s = 1 1 k
11 Beweis zu Behauptung 1 E neu = ( ) k s 1 ( 1 k ) s s 1 = ( 1 k ) ( ) k s 1 s s 1 ( ) k s 1 s ( ) k s s = s 1 = s 0 ( k = s 0 s 1 ) s (s + 1) ( k s 0 ) s = 1 1 k ( k Wir erhalten eine geometrische Reihe, da k < 1. ) s s
12 Sammeln ohne Anfangsbildchen Wir suchen die erwartete Anzahl von Ziehungen, bis wir jedes der verschiedenen Bildchen mindestens einmal erhalten haben. Wir müssen daher über alle k summieren: ( ) E X i = i 1 k=0 1 1 k = = H mit den harmonischen Zahlen H = k=1 1 k
13 Antwort auf das Sammler-Problem Im Mittel brauchen wir H Ziehungen, um jedes Motiv mindestens ein Mal zu bekommen.
14 Beispiel Zur WM 2014 gab der Fußballsticker-Hersteller Panini 640 Bildchen heraus. Wie viele Bildchen hätten wir damit erwartungsgemäß kaufen müssen um ein vollständiges Album zu haben? = 640 Bildchen E = H = 4505 Bildchen Es würde somit im Mittel 450,50 Euro kosten, das Album zu füllen.
15 Abschätzung harmonischer Zahlen Unter harmonischen Zahlen verstehen wir im Allgemeinen Behauptung H = k=1 1 k H log Für die Abschätzung nehmen wir eine Skizze zu Hilfe: Abbildung: Graph von f (t) = 1 t (1 t n) [2]
16 Abschätzung harmonischer Zahlen Die Fläche unter dem Graphen vergleichen wir mit der Fläche der dunkler schraffierten Rechtecke: H 1 = k=2 1 k < 1 1 dt = log t Wir vergleichen die Fläche unter dem Graphen auch mit der Fläche der großen Rechtecke (hell und dunkel schraffierte zusammen): H 1 1 = k=1 1 k > 1 Beides zusammengenommen ergibt: 1 dt = log t log + 1 < H < log + 1
17 Antwort auf das Sammler-Problem Im Mittel brauchen wir ungefähr log Ziehungen, um jedes Motiv mindestens ein Mal zu bekommen.
18 Beispiel Zur WM 2014 gab der Fußballsticker-Hersteller Panini 640 Bildchen heraus. Wie viele Bildchen hätten wir damit erwartungsgemäß kaufen müssen um ein vollständiges Album zu haben? = 640 Bildchen E log = 4135 Bildchen Zur Erinnerung Ohne die Abschätzung war die erwartete Anzahl an Bildchen 4505.
19 Vergleich H und log 4000 E 2000 H log Vergleich H und log
20 Risiko mehr Bildchen kaufen zu müssen als erwartet Im folgenden wollen wir die Wahrscheinlichkeit untersuchen, deutlich mehr Bildchen sammeln zu müssen als es der Erwartungswert angibt. Bezeichne V die Anzahl der benötigten Ziehungen. Der Erwartungswert ist E[V ] log. Sei c. Wir untersuchen also die Wahrscheinlichkeit für V > log + c Im weiteren sei m := log + c
21 Risiko mehr Bildchen kaufen zu müssen als erwartet Bezeichne A i das Ereignis, dass das Bildchen i in den ersten m Ziehungen nicht erwischt wird. Damit V > m, muss in den ersten m Ziehungen mindestens ein Bildchen nicht erwischt werden: Prob[V > m] = Prob[ i A i ] Weiterhin gilt: Prob[ i A i ] i Prob[A i ] Die Wahrscheinlichkeit ein Bildchen i nicht in den ersten m Ziehungen zu bekommen ist genau p = ( 1 1 ) m, da über alle Bildchen summiert wird, gilt: ( Prob[A i ] = 1 1 ) m i
22 Risiko mehr Bildchen kaufen zu müssen als erwartet Weil die Funktion ( 1 1 ) monoton steigend ist und ( lim 1 1 ) 1 e gilt: ( 1 1 ) m < e m/ = e c Die obere Schranke für die Wahrscheinlichkeit c Bildchen über den Erwartungswert hinaus kaufen zu müssen beträgt e c
23 Risiko mehr Bildchen kaufen zu müssen als erwartet Obere Schranke für p 1 0,5 2 3 Kartenanzahl zusätzlich zum Erwartungswert Die obere Schranke für die Wahrscheinlichkeit c Bildchen über den Erwartungswert hinaus kaufen zu müssen beträgt e c Beispiel: Die Wahrscheinlichkeit statt der 4135 Bildchen, die wir erwarten, zusätzliche 640 Bildchen, also 4775, kaufen zu müssen liegt bei ca. 0,4.
24 Sammeln mit Tauschen Wir machen die Annahme, es gäbe noch einen weiteren Sammler. Dieser Sammler bekommt alle uns doppelten Bildchen. Wie viele Bildchen fehlen dem zweiten Sammler nachdem wir unser Set vervollständigt haben? Und wie viele Bildchen muss er dann erwartungsgemäß kaufen? Fazit: Die Kosten würden deutlich sinken.
25 Verkauf in Päckchen Wir machen die Annahme, man könne die Bildchen nur in Päckchen mit l Bildchen kaufen. Die l Bildchen, die in einem Päckchen sind, sind paarweise verschieden. Wie viele Bildchen müssen wir kaufen um ein vollständiges Album zu bekommen? Fazit: Wenn die Päckchengröße l im Vergleich zur Gesamtzahl der verschiedenen Bildchen klein ist, macht es wenig Unterschied, ob die Bildchen einzeln oder in Päckchen verkauft werden.
26 Bildchen mit unterschiedlichen Wahrscheinlichkeiten Der Hersteller kann bewusst einige Bildchen mit geringerer Stückzahl herausgeben. In der allgemeinsten Formulierung konnte das Sammler-Problem bisher nicht gelöst werden.
27 Vielen Dank für eure Aufmerksamkeit.
Woche 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
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
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
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,
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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,
MehrDer Ergodensatz. Hendrik Hülsbusch
Der Ergodensatz Hendrik Hülsbusch 1..212 Inhaltsverzeichnis Einleitung 3 5 Stationäre Verteilungen 5 6 Reversible Markovketten 11 2 Einleitung In meinem Vortrag beschäftigen wir uns mit dem asymptotischen
MehrWie groß ist die Wahrscheinlichkeit Pr[X > y + x X > x]? Da bei den ersten x Versuchen kein Erfolg eintrat, stellen wir uns vor, dass das
Sei X geometrisch verteilt mit Erfolgswahrscheinlichkeit p. Dann ist Pr[X = k] die Wahrscheinlichkeit, dass wir bei einem binären Experiment mit Erfolgswahrscheinlichkeit p genau in der k-ten unabhängigen
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,
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrMathematik. Juni 2016 AHS. Kompensationsprüfung 9 Angabe für Kandidatinnen/Kandidaten
Name: Datum: Klasse: Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2016 Mathematik Kompensationsprüfung 9 Angabe für Kandidatinnen/Kandidaten Hinweise
MehrÜbungen zu Wahrscheinlichkeitstheorie Judith Kloas, Wolfgang Woess, Jonas Ziefle SS 2016
Übungen zu Wahrscheinlichkeitstheorie Judith Kloas, Wolfgang Woess, Jonas Ziefle SS 2016 43) [3 Punkte] Sei φ(t) die charakteristische Funktion der Verteilungsfunktion F (x). Zeigen Sie, dass für jedes
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrDie Lösungen der Gleichung b x = log b (x)
Die Lösungen der Gleichung b = log b () wgnedin@math.uni-koeln.de 17. Januar 2014 In der ersten Vorlesung des Wintersemesters wurde folgende Frage gestellt: Wieviele Lösungen hat die Gleichung ( ) 1 =
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
MehrLösungsskizzen zur Präsenzübung 09
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:
MehrAusgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
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
MehrBeschränktheit, Monotonie & Symmetrie
Beschränktheit, Monotonie & Symmetrie ein Referat Dies ist eine Beilage zum Gruppen-SOL - Projekt Potenz- & Exponentialfunktionen Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch November 2015 Inhaltsverzeichnis
MehrHauptprüfung Abiturprüfung 2015 (ohne CAS) Baden-Württemberg
Baden-Württemberg: Abitur 01 Pflichtteil www.mathe-aufgaben.com Hauptprüfung Abiturprüfung 01 (ohne CAS) Baden-Württemberg Pflichtteil Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com
MehrCoupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler
Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder
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:
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrStatistik 1 Beispiele zum Üben
Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen
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.
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrPerkolation Christina Sander
Perkolation Christina Sander 28.6.2010 Seite 2 Perkolation 28.6.2010 Christina Sander Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang Seite 3 Perkolation 28.6.2010 Christina Sander
MehrSachrechnen/Größen WS 14/15-
Kapitel Daten & Wahrscheinlichkeit 3.1 Kombinatorische Grundlagen 3.2 Kombinatorik & Wahrscheinlichkeit in der Grundschule 3.3 Daten Darstellen 3.1 Kombinatorische Grundlagen Verschiedene Bereiche der
MehrDenition 57 Eine geometrisch verteilte Zufallsvariable X mit Parameter (Erfolgswahrscheinlichkeit) p 2 (0; 1] und q := 1 p hat die Dichte
5.3 Geometrische Verteilung Man betrachte ein Experiment, das so lange wiederholt wird, bis Erfolg eintritt. Gelingt ein einzelner Versuch mit Wahrscheinlichkeit p, so ist die Anzahl der Versuche bis zum
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
Mehr68 Abschätzungen für Abweichungen vom Erwartungswert
68 Abschätzungen für Abweichungen vom Erwartungswert 68.1 Motivation Mit der Varianz bzw. Standardabweichungen kennen wir bereits ein Maß für die Fluktuation einer Zufallsvariablen um ihren Erwartungswert.
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
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
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrWahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel
Wahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel Aufgaben Lösen Sie A1 und A sowohl mit der Bernoulli-Formel als auch mit dem TR(BV), die anderen Aufgaben lösen sie mit dem TR(BV). A1 Eine Familie
MehrHustensaft. Aufgabennummer: B_138. Technologieeinsatz: möglich erforderlich S
Hustensaft Aufgabennummer: B_138 Technologieeinsatz: möglich erforderlich S Ein Unternehmen hat das Monopol auf den Vertrieb eines bestimmten Hustensafts. Der Hustensaft wird in kleinen Flaschen abgefüllt,
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrK3 (Diskrete) Zufallsvariablen 3.1 Basis
K3 (Diskrete) Zufallsvariablen 3.1 Basis Ω = {ω}, X(ω) ist eine Größe die durch ω bestimmt ist. Bei der zufälligen Auswahl von ω bekommen wir den Wert, X(ω). Definition: Ist (Ω, F, P) ein Wahrscheinlichkeitsraum
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
Mehr6 Kombinatorik: Einschluß-Ausschluß Formel. 6.1 Indikatorfunktionen. I A ist eine Zufallsvariable E[I A ] = P (A) IĀ = 1 I A I A B = I A I B
6 Kombinatorik: Einschluß-Ausschluß Formel 6.1 Indikatorfunktionen I A (ω) = { 1 falls ω A 0 falls ω A I A ist eine Zufallsvariable E[I A ] = P (A) IĀ = 1 I A I A B = I A I B I 2 A = I A V ar[i A ] = P
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrDiskrete Zufallsvariable*
Diskrete Zufallsvariable* Aufgabennummer: 1_37 Aufgabentyp: Aufgabenformat: Multiple Choice (1 aus 6) Grundkompetenz: WS 3.1 Typ 1 T Typ Die unten stehende Abbildung zeigt die Wahrscheinlichkeitsverteilung
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrDie Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man
Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man x / M. Man sagt, M ist Teilmenge von N und schreibt M N, wenn für jedes x M auch x N gilt.
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrS tandardabweichung : σ= n p 1 p = 200 0,24 0,76 6,04
R. Brinkmann http://brinkmann-du.de Seite 1 14.10.2007 Wahrscheinlichkeiten von Umgebungen Bei einer Binomialverteilung ist der Erwartungswert der mit der größten Wahrscheinlichkeit. In der Umgebung des
MehrWir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir
Kapitel 3: Entropie Motivation Wir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir log N Bits log p N Bits Die Information steht
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrTaylorreihen. Kapitel 9. Lernziele. Taylorreihe. (x x 0 ) + f (x 0 ) 2! (x x 0 ) f (n) (x 0 ) (x x 0 ) n. Taylorreihe und MacLaurinreihe
Kapitel 9 Taylorreihen Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 1 / 25 Lernziele Taylorreihe und MacLaurinreihe Beispiele Alternative Schreibweisen Approimation der Veränderung einer
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
MehrS tandardabweichung : σ= n p 1 p = 200 0,24 0,76 6,04
R. Brinkmann http://brinkmann-du.de Seite 1 19.01.2008 Wahrscheinlichkeiten von Umgebungen Bei einer Binomialverteilung ist der Erwartungswert der mit der größten Wahrscheinlichkeit. In der Umgebung des
MehrHauptklausur zur Stochastik für Lehramt
Universität Duisburg-Essen Essen, den 20.02.203 Fakultät für Mathematik Dr. Daniel Herden Dipl.-Inf. Christian Thiel Matthias aus der Wiesche Hauptklausur zur Stochastik für Lehramt Bearbeitungszeit: mind.
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrWS 2016/17 Diskrete Strukturen Kapitel 3: Kombinatorik (1)
WS 2016/17 Diskrete Strukturen Kapitel 3: Kombinatorik (1) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
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
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
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.
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
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
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrLösungsskizzen zur Präsenzübung 08
Lösungsskizzen zur Präsenzübung 08 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 015/016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 016 von:
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrDie Euler-Mascheroni-Konstante
Die Euler-Mascheroni-Konstante Niloufar Rahi Ausarbeitung zum Vortrag in Überraschungen und Gegenbeispiele in der Analysis (Sommersemester 009, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: Wenn von der
MehrBeispiel: Zufallsvariable
Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis
MehrPr[A] = Pr[C (A B)] = Pr[C] + Pr[A B]. Wegen A B = C B folgt daraus. Pr[A B] = Pr[C B] = Pr[C] + Pr[B] = Pr[A] Pr[A B] + Pr[B]
Beweis: Wir betrachten zunächst den Fall n = 2. Dazu setzen wir C := A \ B = A \ (A B). Gemäß dieser Definition gilt, dass C und A B sowie C und B disjunkt sind. Deshalb können wir Eigenschaft 5 von Lemma
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
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
MehrLevel 1 Grundlagen Blatt 2
Level 1 Grundlagen Blatt 2 Dokument mit 1 Aufgaben Aufgabe A9 Ein Glücksrad besteht aus 3 Feldern, die folgendermaßen beschriftet sind: 1.Feld: 2,00 2. Feld: 5,00 3. Feld: 0,00 Das 1. Feld hat einen Mittelpunktswinkel
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
MehrKULTUSMINISTERIUM DES LANDES SACHSEN-ANHALT
KULTUSMINISTERIUM DES LANDES SACHSEN-ANHALT Abitur April/Mai 2002 Mathematik (Grundkurs) Arbeitszeit: 210 Minuten Der Prüfling wählt je eine Aufgabe aus den Gebieten G 1, G 2 und G 3 zur Bearbeitung aus.
MehrKapitel 9: Informationstheorie. 2. Entropie
ZHAW, NT, FS2008, Rumc, Kapitel 9: 2-1 Kapitel 9: Informationstheorie 2. Entropie Inhaltsverzeichnis 2.1. INFORATIONSQUELLEN...2 2.2. INFORATIONSGEHALT...3 2.3. INIALE ANZAHL BINÄRE FRAGEN...5 2.4. ENTROPIE
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
MehrDie Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
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:
MehrDWT 2.3 Ankunftswahrscheinlichkeiten und Übergangszeiten 400/467 Ernst W. Mayr
2. Ankunftswahrscheinlichkeiten und Übergangszeiten Bei der Analyse von Markov-Ketten treten oftmals Fragestellungen auf, die sich auf zwei bestimmte Zustände i und j beziehen: Wie wahrscheinlich ist es,
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
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:
Mehr5.4 Verteilungsfunktion Verteilungsfunktion diskreten Zufallsvariablen stetigen Zufallsvariablen Verteilungsfunktion
5. Verteilungsfunktion Die Verteilungsfunktion gibt an welche Wahrscheinlichkeit sich bis zu einem bestimmten Wert der Zufallsvarialben X kumuliert Die Verteilungsfunktion F() gibt an, wie groß die die
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
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
Mehr