Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Alfihar Bomberger Geändert vor über 10 Jahren
1
Erwartungswert und Varianz I Der endliche Fall Erwartungswert Varianz
2
Gegeben seien n Zufallsvariablen Dann gilt immer: Wenn gilt dann hat man auch Gleichheit von Bienaymé
3
Die Binomialverteilung
4
Erwartungswert Varianz
5
Der diskrete unendliche Fall Dabei nehmen wir an, dass Erwartungswert Varianz Erwartungswert und Varianz II
6
Die Poisson-Verteilung
7
Erwartungswert Varianz
8
Der stetige Fall f ist die Wahrscheinlichkeitsdichte. Dabei nehmen wir an, dass Erwartungswert und Varianz III
9
Erwartungswert Varianz
10
Die Gauß- oder Normalverteilung
11
Dichte Verteilung Verteilungsfunktion
12
Erwartungswert Varianz
13
Die hypergeometrische Verteilung Notation
14
Erwartungswert Varianz
15
Die geometrische Verteilung Man erhält eine Wahrscheinlichkeitsverteilung, weil gilt:
16
Erwartungswert Varianz
17
Die Exponential-Verteilung
18
Dichte Verteilung Verteilungsfunktion
19
Erwartungswert Varianz
20
Ein Tetraeder wird dreimal geworfen. Auf den 4 Flächen des Tetraeders sind die Zahlen 1, 2, 3 und 4 aufgetragen. Jede Seite erscheint mit der gleichen Wahrscheinlichkeit. Die Zufallsvariable X gebe die Differenz zwischen der Summe der Augenzahlen der beiden ersten Würfe und der Augenzahl des dritten Wurfes an. Wir groß sind Erwartungswert und Varianz von X? 1 2 3
21
Statistische Methoden I WS 2006/2007 Zur Geschichte der Statistik I. Beschreibende Statistik 1. Grundlegende Begriffe 2. Eindimensionales Datenmaterial 2.1. Der Häufigkeitsbegriff 2.2. Lage- und Streuungsparameter 2.3. Konzentrationsmaße (Lorenz-Kurve) 3. Mehrdimensionales Datenmaterial 3.1. Korrelations- und Regressionsrechnung 3.2. Indexzahlen 3.3. Saisonbereinigung
22
II. Wahrscheinlichkeitstheorie 1. Laplacesche Wahrscheinlicheitsräume 1.1. Kombinatorische Formeln 1.2. Berechnung von Laplace-Wahrschein- lichkeiten 2. Allgemeine Wahrscheinlichkeitsräume 2.1. Der diskrete Fall 2.2. Der stetige Fall 2.3. Unabhängigkeit und bedingte Wahrscheinlichkeit 3. Zufallsvariablen 3.1. Grundbegriffe 3.2. Erwartungswert und Varianz 3.3. Binomial- und Poisson-Verteilung 3.4. Die Normalverteilung und der Zentrale Grenzwertsatz
23
4. Markov-Ketten 4.1. Übergangsmatrizen 4.2. Grenzverhalten irreduzibler Markov-Ketten 4.3. Gewinnwahrscheinlichkeiten 4.4. Beispiel Ruin der Spieler 4.5. Anwendungen
24
Insekteneier N : Anzahl der Eier, die ein bestimmtes Insekt legt M : Anzahl der Eier, die sich entwickeln N - M : Anzahl der Eier, die unentwickelt bleiben Annahmen Die Wahrscheinlichkeit, dass das Insekt genau n Eier legt, beträgt d. h. Jedes Ei entwickelt sich mit der gleichen Wahrscheinlichkeit p Die Eier beeinflussen sich nicht in ihrer Entwicklung
25
Dann gilt: 1 2 3
26
Beispiele Poisson-verteilter Zufallsvariablen Anzahl der pro Zeiteinheit abgestrahlten Teilchen eines radioaktiven Präparats Anzahl der pro Zeiteinheit an einer Tankstelle tankenden PKW Anzahl der Sechser pro Ausspielung im Lotto Anzahl der pro Jahr von einer Versicherung zu regulierenden Schadensfälle Anzahl der inner halb eines Tages geborenen Kinder
27
Brösel Bäckerei Brösel X : Anzahl der Kunden in der Bäckerei Brösel zwischen 7.00 Uhr und 7.15 Uhr n : Anzahl der betrachteten Haushalte Annahmen Die Wahrscheinlichkeit p, dass ein Haushalt zu der Zeit bei Brösel einkauft, ist bei allen Haushalten gleich Die Haushalte entscheiden unabhängig voneinander, ob sie bei Brösel einkaufen oder nicht
28
Dann gilt: d. h.
29
Nun wird die Anzahl n der betrachteten Haushalte vergrößert. Die Einkaufswahrscheinlichkeit p hänge dabei so von n ab, dass gilt: Dann konvergiert die Verteilung von X gegen eine Poisson- Verteilung. Genauer: Man hat im Limes n gegen unendlich
30
Die Gauß- oder Normalverteilung
31
Dichte Verteilung Verteilungsfunktion
32
Erwartungswert Varianz
33
Der Zentrale Grenzwertsatz
34
http://www.gams.com/~erwin/cenlim/cenlim.html#Java-applet Simulation unter
36
Tafel für die Verteilungsfunktion bei Normalverteilung
37
Beispiel Äpfeln Gewicht von Äpfeln Gewicht von Äpfeln der Sorte Cox-Orange aus einem bestimmten italienischen Anbaugebiet Schätzer von
38
Wichtige Eigenschaft der Normalverteilung Für unabhängige normalverteilte Zufallsvariablen X und Y hat man
39
Endliche Markov-Ketten Der Aktienkurs der ZB-Aktie zeige das folgende etwas merkwürdige Verhalten: - Wenn der Kurs heute gegenüber gestern gestiegen ist, dann steigt er morgen ebenfalls mit der Wahr- scheinlichkeit 2/3 und fällt morgen mit der Wahr- scheinlichkeit 1/3 (gegenüber heute). - Ist jedoch der Kurs heute gegenüber gestern gefallen, dann fällt er morgen ebenfalls mit der Wahr- scheinlichkeit 3/4 und steigt morgen mit der Wahr- scheinlichkeit 1/4 (gegenüber heute).
40
Wir versehen jeden Tag mit einem Plus (+) oder mit einem Minus (-) je nachdem, ob der Kurs an diesem Tag gegenüber dem Vortag gestiegen oder gefallen ist. Dann hängt die Prognose dafür, ob der Kurs morgen gegenüber heute steigt oder fällt, nur davon ab, ob die Aktie heute mit einem + oder mit einem – versehen ist. +- + + - - 2/3 1/3 1/4 3/4
41
+ - 1/3 1/4
42
Problem 1 Problem 1: Wie groß ist die Wahrscheinlichkeit, in 10 Tagen einen Minus-Tag zu haben, wenn heute ein Plus-Tag ist? Problem 2 Problem 2: Wie entwickelt sich die Wahrscheinlichkeit, in n Tagen einen Minus-Tag zu haben, wenn heute ein Plus-Tag ist, für großes n? Strebt diese Wahrscheinlichkeit für n gegen einen festen Wert? Was passiert, wenn man von einem Minus-Tag aus startet?
43
2 3 1 1/4 1/2 3/4 1/2 1
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.