Bernoulli-Experimente

Slides:



Advertisements
Ähnliche Präsentationen
Der Foliensatz ist unter einer Creative Commons-Lizenz lizenziert:
Advertisements

Problemlösen am Beispiel des Rückwärtsarbeitens
? Stichwortverzeichnis … zum Suchen
Stichwortverzeichnis
Heute Mathe, morgen DLR! Dr. Margrit Klitz
Einführung in Web- und Data-Science Grundlagen der Stochastik
gemeinsam.innovativ.nachhaltig.
Wissenschaftliche Methodik
3. Schafft das Internet neue Transaktionsdesign?
Umweltbezogene Entscheidungen - multidimensionale Bewertungsverfahren -
Michael Artin: Geometric Algebra
R What is this R thing, and is it worth some effort?
3 Elektrochemische Wandler
Elektro-Skateboards Teil I Grundlagen
Stichwortverzeichnis
8 Zündung/Motormanagement
Stichwortverzeichnis
2 Elektrische Maschinen in Kraftfahrzeugen
Herstellung von kristallinen Metalloxiden über die Schmelze mit einem Spiegelofen Gruppe 8: Yuki Meier, Vivien Willems, Andrea Scheidegger, Natascha Gray.
Kapitel 4 Traveling Salesman Problem (TSP)
Markus Lips März 2017 ETH-Vorlesung, 6. Sem. Agrarwissenschaft BSc Agrartechnik II.
Einführung in die Wahrscheinlichkeitsrechnung
Motoremissionen mobiler Anlagen – Stand der Technik
Lieber Leser, liebe Leserin,
Inhaltsverzeichnis In der vorliegenden Präsentation finden Sie unter anderem Antworten auf folgende Fragen… warum ist eine Gesetzesinitiative zum Betriebliches.
Einführung in Web- und Data-Science
Algorithmen und Datenstrukturen
Algorithmen und Datenstrukturen
Industrie 4.0 für die Ausbildung 4.0
Entwicklung epistemologischer Überzeugungen
Das Verdauungssystem Präsentiert von Theresa
MasterBAV© Die neue Generation BAV
Algorithmen und Datenstrukturen
Rehwild die richtige Altersbestimmung
PSG II Neuer Pflegebedürftigkeitsbegriff und dessen Begutachtung (NBA)
Medientechnische Infrastrukturen für virtuelle und lokale Lernräume
Wissensmanagement im Zeitalter von Digitaler Transformation
«Wir bereiten uns auf die Deutschlandreise vor»
GABI UND BEN.
Pflege & Finanzierung 01. Juni 2017 Dr. Sonja Unteregger
Das Arbeitgebermodell in Zeiten des
Microsoft® Office PowerPoint® 2007-Schulung
Einführung in Web- und Data-Science
Pensionsrück-stellungen Prof. Dr. Matthias Hendler
Mathematik 10.
Betriebliche Gesundheitsförderung 2
Vorlesung Wasserwirtschaft & Hydrologie I
Liebe BetrachterInnen,
Rosebrock: Geometrische Gruppen
Forschungsmethoden in der Teilchenphysik
Neue Unterrichtsmaterialien zur Teilchenphysik Philipp Lindenau CERN | Herzlich willkommen! Präsentation mit Notizen hinterlegt!
Eröffnungsveranstaltung
Aktuelle Themen aus dem KVJS-Landesjugendamt Referat 44
Roomtour - Podio für Anfänger
175 Jahre UZH Krisenkommunikation
Frauen- Männerriegen KONFERENZ
Schulung für Microsoft® Office SharePoint® 2007
Was ist eigentlich Datenschutz?
Aktuelle Aspekte des Europäischen Zivilprozessrechts
Einführung in die Benutzung des Einkaufportals der Eckelmann AG
Wer wir sind! Ihr S-Campus-Team direkt im Campus Center. Sven Deussing
Non-Standard-Datenbanken
Amand Fäßler 3. Januar 2017; RC Bregenz
Mathematik 11 Analytische Geomerie.
Non-Standard-Datenbanken
Menger-Schwamm Ausgangsfigur in Stufe 0 ist ein Würfel
Sortieren auf Multiprozessorrechnern
Wurzeln und Irrationalität nach U.Wagner, OHG Tuttlingen
Langzeitbelichtung Ein Zugang zur Kinematik in Klassenstufe 7/8
Eine kleine Einführung in das Projekt „Mausefallenauto“
 Präsentation transkript:

Bernoulli-Experimente Wird ein Zufallsexperiment durchgeführt, bei dem als Ergebnis nur „Treffer“ oder „kein Treffer“ herauskommen kann, so nennt man dieses ein Bernoulli-Experiment. Führt man dasselbe Bernoulli-Experiment 𝑛 mal hintereinander aus, so hat man eine Bernoulli-Kette der Länge 𝑛. Wir führen die Zufallsvariable 𝑋 ein, welche die Anzahl der Treffer in einer Bernoulli-Kette der Länge 𝑛 beschreibt. Ist die Wahrscheinlichkeit 𝑝 eines einzelnen Treffers bekannt, so kann man nach der Wahrscheinlichkeit fragen, dass eine bestimmte Trefferanzahl 𝑘 vorliegt. 𝑃(𝑋=𝑘)=?

Berechnung von P(X=k) Die Trefferwahrscheinlichkeit eines einzelnen Treffers sei 𝑝. Die Wahrscheinlichkeit, dass in einer Bernoulli-Kette der Länge 𝑛 𝑘 Treffer erzielt werden ist gegeben durch den Ausdruck Hierbei ist 𝑛 𝑘 (gelesen „𝑛 über 𝑘“) der so genannte Binomialkoeffizient, welchen man mit dem GTR über MATH PRB nCr bestimmen kann. Beispiel: 5 3 gibt man im GTR so ein: 5 MATH PRB nCr 3 ENTER. Das Ergebnis ist 10. 𝑃 𝑋=𝑘 = 𝑛 𝑘 𝑝 𝑘 ⋅ (1−𝑝) 𝑛−𝑘

Erläuterung der Formel Eine Münze soll 7mal hintereinander geworfen werden. Wie groß ist die Wahrscheinlichkeit dafür, dass wir 3mal Zahl erhalten? Lösung: Die WS für Zahl (in einem Wurf) ist 𝑝= 1 2 . Die WS für Kopf (in einem Wurf) ist 1−𝑝= 1 2 . Wir dürfen nicht vergessen, dass bei 7maligem Werfen und 3mal Zahl, zwangsläufig 7−3=4mal Kopf erscheint.

Erläuterung der Formel Die WS für 3mal Zahl und 4mal Kopf ist 𝑝 3 ⋅ 1−𝑝 4 = 1 2 3 ⋅ 1 2 4 Nun können 3mal Zahl und 4mal Kopf aber auf verschiedene Arten eintreten, z.B. so oder so Z Z Z K K K K Z Z K K K Z K

Erläuterung der Formel Wir müssen also die WS 𝑝 3 ⋅ 1−𝑝 4 = 1 2 3 ⋅ 1 2 4 noch mit der Anzahl der möglichen Verteilungen von 3mal Zahl und 4mal Kopf in 7 Würfen multiplizieren. Wie viele solcher Verteilungen gibt es? Dies lässt sich durch den Ausdruck 7 3 (gelesen 7 über 3) bestimmen. Oben steht die Anzahl der Würfe, unten die Anzahl der Treffer (7 Würfe, 3mal Zahl).

Erläuterung der Formel Insgesamt lautet die Formel für die WS von 3mal Zahl in 7 Würfen also 7 3 ⋅ 𝑝 3 ⋅ 1−𝑝 4 = 7 3 ⋅ 1 2 3 ⋅ 1 2 4 . Den Ausdruck 7 3 berechnen wir mit dem GTR durch Eingabe von 7 MATH PRB nCr 3 ENTER. Wir erhalten den Wert 35. Wenn wir mit der Zufallsvariablen 𝑋 die Anzahl Zahl beschreiben, können wir jetzt formal schreiben 𝑃 𝑋=3 = 7 3 ⋅ 1 2 3 ⋅ 1 2 4

Erläuterung der Formel Die gesuchte Wahrscheinlichkeit ist demnach 𝑃 𝑋=3 = 7 3 ⋅ 1 2 3 ⋅ 1 2 4 =35⋅ 1 8 ⋅ 1 16 = 35 128 ≈0,273=27,3%

Rechenbeispiel Bei einem Würfelexperiment fragen wir nach der Wahrschein- lichkeit einer 3. Somit gibt es zwei mögliche Ausgänge, nämlich eine 3 (Treffer) oder keine 3 (kein Treffer). Das Experiment wird zweimal wiederholt und die Anzahl der der Treffer notiert. Die Zufallsvariable 𝑋 beschreibt die Anzahl der Treffer. Dann kann 𝑋 die Werte 0, 1 oder 2 annehmen und es gilt: 𝑃 𝑋=0 = 5 6 2 ≈69,44%, 𝑃 𝑋=1 =2⋅ 1 6 ⋅ 5 6 ≈27,78% 𝑃 𝑋=2 = 1 6 2 ≈2,78% 3   1/6 5/6

Rechenbeispiel Die Wahrscheinlichkeiten für die verschiedenen Trefferanzahlen können wir wieder als Histogramm darstellen und erhalten so die eine Veranschaulichung der Wahrscheinlichkeitsverteilung von 𝑋.

P(X=k) mit dem GTR Um 𝑃 𝑋=𝑘 auszurechnen, können Sie die Formel 𝑃 𝑋=𝑘 = 𝑛 𝑘 𝑝 𝑘 ⋅ (1−𝑝) 𝑛−𝑘 verwenden, aber der GTR kennt auch die Funktion binompdf(n,p,k) mit der Sie sich ein wenig Tipparbeit ersparen können. Die Funktion binompdf erhalten Sie über 2ND DISTR. Die Wahrscheinlichkeit, dass wir genau eine 3 würfeln in einer Versuchsreihe mit 2 Versuchen ist somit 𝑃 𝑋=1 = binompdf(2,1/6,1) ≈0,277=27,7%