Laden im
Google Play
Die moderne industriegesellschaft zwischen fortschritt und krise
Friedensschlüsse und ordnungen des friedens in der moderne
Imperialismus und erster weltkrieg
Der mensch und seine geschichte
Herausbildung moderner strukturen in gesellschaft und staat
Deutschland zwischen demokratie und diktatur
Das 20. jahrhundert
Großreiche
Frühe neuzeit
Europa und globalisierung
Europa und die welt
Die zeit des nationalsozialismus
Das geteilte deutschland und die wiedervereinigung
Bipolare welt und deutschland nach 1953
Demokratie und freiheit
Alle Themen
Entwicklungsperspektiven
Mensch-umwelt-beziehungen
Die subpolare und polare zone
Russland
Herausforderungen an die menschen des 21. jahrhunderts
Europa
Klima und vegetationszonen
Entwicklung in tropischen räumen
Planet erde
China
Globalisierung
Ressourcenkonflikte und ressourcenmanagement
Australien und ozeanien
Klimawandel und klimaschutz
Usa
Alle Themen
7.2.2023
4067
171
Teilen
Speichern
Herunterladen
Stochastik Grundlagen • Absolute Häufigkeit = tritt bei einer n-fachen Durchführung eines Zufallsexperiments en Ergebnis k-mal auf, ist der Wert k die absolute Häufigke • Relative Häufigkeit - Quotient h= = relative Häufigkeit des Ergebnis k • Wahrscheinlichkeit - Gewissheit eines Ereignisses, 0<P <1 →> P(A) -> L>Zufalls variable XX kann Zahlenwerte annehmen, welche den Ergebnissen zugeordnet werden - Bsp. Wurfel: X= {1,2,3,4,5,6} Ls Wahrscheinlichkeitsverteilung → jedem X Wert wird eine Wahrscheinlichkeit zugeordnet →> | 1 | 2 | 7 ·• Erwartungswert = nahe dem wahrscheinlichsten Wert der Zufallsvariable / wahrscheinlichstem Ergebnis des Zufallsversuchs → M=X· P₁ + X₂-P₂ + ... + Xn-pn • Standardabweichung = Maß dafür, wie weit die Werte vom Mittelwert abweichen -0 = √ √ (M-X₁₂) ². p₁ + (M-X₂)² · P₁₂ + ... + (μ-X₂)².pn · Laplace-Experimente = jedes Ergebnis hat die gleiche Wahrscheinlichkeit →→bsp. Würfel, Kartendeck... ・Anzahl aller zum Ereignis gehörenden Ergebnisse P(Ereignis) Anzahl aller möglichen Ergebnisse ما · Baumdiagramm = jedes Ergebnis erhält einen Pfad, auf dem die jeweilige Wahrscheinlichkeit notiert wird →→Summe der Wahrscheinlichkeit aller Pfade = 1 •Pfadmultiplikationsregel. (→ Wahrscheinlichkeit des Pfades = Multiplikation der Wahrscheinlichkeiten der Teilpfade +Bsp. ↳ Pfadssummenregel -> Wahrscheinlichkeit eines Ereignisses = Addition der Wahrscheinlichkeiten aller zugehörigen Pfade = • Bedingte Wahrscheinlichkeit = PIA) P(A) A -> Vierfeldertafel-> P(B) (B PIB) P(AV P(B) PIA)-P(A) PIA-PI) P-P P(B):P[8) zwei Ereignisse A und B sind miteinander verknüpft und hangen voneinander ab -PA (B)...
Durchschnittliche App-Bewertung
Schüler:innen lieben Knowunity
In Bildungs-App-Charts in 11 Ländern
Schüler:innen haben Lernzettel hochgeladen
iOS User
Philipp, iOS User
Lena, iOS Userin
= P(A^B) P.(A) →Die Wahrscheinlichkeit das B zutrifft, wenn A bereits eingetroffen ist →> P(ANB) = Schnittmenge von A und B A A BP(ANB) PAP(B) BPIAN) PLAN P(B) P(A) PIA) L>Stochastische Unabhängigkeit = das Eintreten von A hat keinen Einfluss auf die Wahrscheinlichkeit von B => PAB=P(B) / P(ANB) = P(A) P(B) • Faires Spiel = Erwartungswert beträgt Null zu erwartender Gewinn 0€ Binominalverteilungen ↳ Wahrscheinlichkeitsverteilungen, die bei Bernoulliexperimenten entstehen ·• Bernoulliexperimente = zwei mögliche Ergebnisse (Treffer / kein Treffer) + Unabhängigkeit" der Versuchsdurchführungen ↳ Bernoulli-Versuch wird n mal durchgeführt - Bernoulli-Kette der Längen, wobei p konstant bleibt - n= Anzahl der ersuchsdurchführungen "k=Trefferanzahl • Bernoulli - Formel = Trefferwahrscheinlichkeit für k X-Zufallsgröße für die Trefferanzahl →Pascal-Dreieck Zeile. • Binominal koeffizient =, Anzahl der zugehörigen Pfade" →→wie viele Möglichkeiten. · (~) = K (n-k)! n!= n(n-1)-(n-2)·2·1 个 nüber k" LGTR. OPTN-PROBnCrn vor C, k dahinter 10 0 1 2 3 n-k. _P(x= k) = (x) · pk. (^-p) ^- q 4 Binominalkoeffizient 1 11 1/2 1 p=1 1- Treffer wahrscheinlichkeit 2 1 1 /3/3/1 1, 4/ 6. 4 1 3 • Wahrscheinlichkeiten mit dem GTR - P(x=k) = Bn;p (k) = Bpd (k,n,p) - P(x≤k) = Fn;p (k)= Bcd (kn,p) ·P (k≤x≤r) = Bcd (k, r, n, p) 4 ... • Kennwerte: L> M=n·P (Erwartungswert) Vn.p (1-p) (Standardabweichung) 40= Spalte • Histogramme = Säulendiagramme, bei denen die Wahrscheinlichkeitsverteilung von Binominal verteilungen dargestellt wird L>x-Achse = Anzahl der Treffer, y-Achse = Wahrscheinlichkeit der Trefferanzahl Ladie Summe aller W'keiten ergibt 1 →liegt in direkter Nähe der höchsten Säule ↳nicht immer exakt eine Trefferzahl OPTN-STAT-DIST-BINOMINAL es s gibt unter n Optionen genau k auszuwählen ->Fakultät → In der n-ten Zeile und k-ten Spalte findet sich das Ergebnis des Binominalkoeffizientes (1) bsp (²) = 4 • Problemlösen mit der Binominalverteilung: L₂ P(x = k) gesucht: GTR → Bpd (k,n,p) / Bcd (k,r,n, p) →→gesucht L> p gesucht: GTR Tabelle -> Funktion mit x statt p L>k gesucht: GTR Tabelle Funktion mit x statt k 0.25 P(x=k) 0.2- L> Linke Spalte prechte Spalte W'keit mit diesem Р ·0.15 0.1 0.05 L> n gesucht: GTR -> Tabelle Funktion Bpd (k,x,p) / Bcd (k, r,x,p) →x statt n,da n unbekannt L> mit SET Werte für n einstellen L Linke Spalte n, rechte Spalte W'keit mit diesem n k oder mehr" Treffer zu erhalten = erstes n für dass die Wahrscheinlichkeit größer gleich P(x = k) ist • Kumulierte Binominalverteilung = Wahrscheinlichkeiten für einen Trefferbereich → Wahrscheinlichkeit zwischen a und 6 Treffer zu erzielen =>P(a≤x≤ b) L₂ P(asx≤ b) = P(x=a) + P(x=a+1) + P(x=a+2)+...+ P(x=b) L> als Histogramm. Säulen der kummulierten Wahrscheinlichkeiten = Höhe aller Säulen bis zu dieser Trefferzahl ма von Je größer p odern, desto weiter rückt Brip nach rechts ->Je größer n, desto breiter wird die Darstellung Впр →> Je näher p an 0 bzw. 1, desto schmaler wird die Darstellung von Brip ·symmetrische Verteilung! nur für p=0,5 k-Treffer zu erhalten M+a 35 40 45 50 55 L> Linke Spalte k, rechte Spalte W'keit bei diesem k „k bis n "Treffer zu erhalten Alternativ GTR-> InvB (an, p) ->erstes k für das die W'keit weniger als k Treffer zu erzielen mind. a beträgt Sigma-Regeln L>mit Hilfe der O-Regeln wird in %. die Wahrscheinlichkeit dafür angegeben, dass die Trefferanzahl innerhalb einer o-Umgebung. Liegt um eine gute Näherung zu erzielen sollte 0>3 gelten => Konfidenzintervalle P(M-OSX<M+0) ≈68,3% P (M-20≤x≤M+20) ≈ 95,4% P/M-305 XM+30) 299,7% P(M-1,640≤x≤ M+ 1,640) * 90% P(M-1,960 < x < μ+ 1,060) 2 05% P(M-2,580 ≤XSM+ 2,580) ~ 99% Signifikanzbests L> Hypothesentest => Vermutung über eine Wahrscheinlichkeit wird aufgestellt und anhand einer Stichprobe getestet → Ergebnis des Tests entscheidet ob eine Vermu- tung angenommen oder abgelehnt wird Ausgangshypothese Ho H₂: p=po & Gegenhypothese H₂₁: p=#po → Zwei Arten von Fehlern können bei der Annahme / Ablehnung passieren: Fehler 1. Art / a-Fehler = Hypothese wird verworfen obwohl sie wahr ist Fehler 2. Art / ß-Fehler - Hypothese wird beibehalten, obwohl sie falsch ist →diese Fehler möchten mit maximal x-Wahrscheinlichkeit begangen werden > Ho wird auf ein signifikanzniveau von α = getestet => Irrtumswahrscheinlichkeit = Wahrscheinlichkeit im Ablehnungsbereich zu liegen =>mit welcher Wahrscheinlichkeit für k die Hypothese abgelehnt wird →> Annahmebereich = mit welchen Untersuchungsergebnissen der Stichprobe die Nullhypothese aufrechterhalten werden kann L₂ Signifikanzniveau = Wahrscheinlichkeit außerhalb des Annahmebereichs zu liegen, falls die Hypothese wahr ist > zweiseitiger Signifikanztest → Überprüfung auf Abweichungen nach oben und unten => Signifikanzriveau & auf die Ränder der Verteilung aufgeteilt L> bei a=5% P(x<a) < 2,5% und P(x<b) >97,5% → [ab] Annahmebereich einseitiger Signifikanztest → Überprüfung auf Abweichung nach unten /oben => Signifikanzriveau /Ablehnungsbereich an einem Rand der Verteilung La rechtsseitiger Hypothesentest: P(x<b) >95% → Vorgehensweise @ Nullhypothese Ho festlegen + H₂ 2. Test-Art feststellen 3. M & o berechnen 4) Intervall entsprechend des Signifikanzniveaus a festlegen. L> [a b]= Annahmebereich L> a= kleinste Trefferzahl k, für die P(xsk) >0,025 ist L> a&b= Grenzen des Annahmebereichs L No wird beibehalten obwohl sie falsch ist →→Fehler 2. Art 0,08 0,06 (a, b, n, H₂) Annahmebereich Ho um den Erwartungswert 0,04 0,02 >95% n = 100 p=0.6 x= 5% 2.5% <2.5% 40 45 50 55 60 65 70 75 80 85 →>Intervall festlegen: •GTR->Tabelle: L> Bcd (a, n, p) > 2,5% →> a = der kleinste Werl, für den das gilt L> Bed (b,n,p) > 97,5% ・o-Bereich! symmetrisch · GTR : • Fehler bei Hypothesentests? L> Signifikanzriveau α = Irrtumswahrscheinlichkeit → No wird in x % der Fälle verworfen obwohl sie eigentlich korrekt ist L> in 5% der Falle erwartet man Ergebnisse die im Ablehnungsbereich liegen L> Fehler 1. Art L> InvB (an,p) gibt das erste k an, für das P(xsk) größer als a ist L> InvB (0,025, n,p) = a L> Alternativhypothese muss vorliegen L> Irrtumswahrscheinlichkeit = W'keit dafür, dass die Alternativhypothese korrekt ist und das Ergebnis trotzdem im Annahmebereich von Ho liegt L>Bcd Stetige Zufallsgrößen - Normalverteilung • stetige /normalverteilte Zufallsgrößen :) - reelwertige Zufallsgrößen = X kann in einem Intervall beliebige Zahlenwerte annehmen, nicht nur ganzzahlige L> Bsp. Körpergröße, Geschwindigkeiten, Zufallsdezimalzahlen, Zeiten • Wahrscheinlichkeitsdichte: > Dichte funktion = eine Funktion f, aus der man Wahrscheinlichkeiten auf einem Intervall | [a; b] durch Integration erhält ->f heißt Wahrscheinlichkeitsdlichte aber [= [a; b], wenn gilt: 1) f(x) > 0 far alle x aus I 2) f(x)dx = 1 → eine reelwertige Zufallsgröße X mit Werten im Intervall I heißt stetig verteilt mit der Wahrscheinlichkeitsdichte f, wenn für alle ris aus I gilt: P(rexes ) = √³f(x) dx →> die Funktionswerte f(x) sind bei stetigen Zufallsgrößen keine W'keiten mehr →→W'keit dass X genau den Wert x annimmt ist gleich null Erwartungswert: M= folde -> Standardabweichung: Vo = Six-μ)². f(x)dx Gauß'sche Glockenfunktion: -> • Histogramme von Wahrscheinlichkeiten können durch eine Glockenkurve angenähert werden → Standard-Glockenfunktion wird durch fup(x) = √2 →> ["~P(xldx = 1 => Dichte funktion → durch Transmormation kann die Standard-Glockenfunktion an den Sachverhalt angepasst werden Normalverteilung: => eine stetige Zufallsgröße x heißt normalverteilt mit dem Erwartungswert μ und der Standardabweichung a, wenn sie eine Gaußsche Glockenfunktion fu,a als Dichte funktion besitzt Normalverteilung 68,27%- -- 1*² beschrieben, wobei M=0 und 0 = 1 e μ+o μ+20 Gaußsche Glockenfunktion Pμ₁0 = 0 -√2π → Maximum bei x= M & Wendestellen bei x = μ±o Achsensymmetrisch zu x= μ -95,45% -99,73% μ-20 μ-o μ →> Intervall-Wahrscheinlichkeiten lassen sich mit Spua (x) dx berechnen • GTR-Nutzung: -> für normalverteilte Zufallsgrößen Graphen Zeichnen: Npd (x.a,μ) => Zeichnet eine Dichtefunktion mit o und u Ncd (-1000,x,0,μ) => zeichnet Verteilungs funktion → Zahlenwerte und W'keiten berechnen: Npd (x,a,m) = f(x) einer Dichtefunktion mit & und μ => P(X=x) Ncd (a,b,a, M) =) P(a≤x≤ b), wenn X o&μ besitzt • Verteilungs- & Dichtefunktion: →> Verteilungsfunktion (Ncd) = kumulative Verteilungsfunktion ->alle W'keiten bis x werden addiert L> Graph verläuft asymptotisch und nähert sich dem y-Wert 1 an → Dichte funktion (Npd ) = W'beiten jedes möglichen Ereignisses k+0,5 ・Stetigkeitskorrektur: -> wird verwendet wenn man eine Binominalverteilung durch eine Normalverteilung annähern möchte L> für binominalverteilte Zufallsgrößen X mit μ=n.p und a = √√n.p (1-p) gilt: 1) P(X=k) = Bn₁p(k) = Tuo (x) dx 2) P(a≤x≤ b) = Fnp(b)-Fnp (a) = ( Pμ.0 (x)dx k-0,5 b+0,5 a-0,5 Stochastische Prozesse /a.. a a • Matrix = rechteckiges Zahlenschema aus m-Zeilen und n-Spalten (mxn-Matrix) →> A = L> Skalare Multiplikation: alle Matrixelemente mit der reellen Zahl r multiplizieren (0.4 0.2 0.1) L₂ 2.B 2.A = 2.0.3 0.4 0.5 0.3 0.4 0.4. • mit Matrizen rechnen: L> Addition und Subtraktion: die in den Matrizen an entsprechender Stelle stehenden Elemente addieren subtrahieren 10.4 +0.2 10.2 0.4 0.41 Lz. B.: 10.4 0.2 0.11 0.3.0.4.0.5 0.3 0.4 0.4/ 04.0.4.0.2 0.3 +0.4 0.3 +0.4 0.4 0.2 0.4 + Prozessdiagramme : Zustände > Innere: Zustand, den man verlassen kann F + 10.8 0.4 0.21 0.6 0.8 1 0.6 0.8 0.8/ L> Multiplikation zweier Matrizen: A (mxn) Matrix mal B (nxp) Modrix = ((mxp) Matrix →> Anzahl der der Spalten von A = Anzahl der Zeilen von B /0.2 0.4 L> 2.B.: 0.4 0.2 0.11 0.3 0.4 0.5. 04 0.4 0.4 0.2 0.3 0.4 0.4/ →> Absorbierend: Zustand, den man nicht mehr verlassen kann asi 0,8 On an la a... Om L> Zeilen werden mit Spalten multipliziert 1 wird für mehrstufige Zufallsvorgänge verwendet, wenn sich die Stufenzahl nicht nach oben begrenzen lässt - potenziell unendlich • Inverse Matrix: = Kehrwert" einer Matrix → A-1 /0.4-0,2 +0,2-0,4 +0,1.0,4 = 0,3-0,2 +0,4 0,4 +0,5-0,4 0,3-0,2 0,4 -0,4+0,4-0,4 0.6 → besteht aus Zuständen und Übergangswahrscheinlichkeiten » alle Zustandswechsel erfolgen zufällig und mit konstanten Übergangswahrscheinlichkeiten (W'keit von einem Zustand in einen anderen überzugehen) L> Matrix A mit den eingetragenen Übergangsw'keiten = Übergangsmatrix des Prozesses → Diagramm mit den eingetragenen W'keiten = Prozessdiagramm →Bsp. Computerspiel mit 3 Zuständen 0.2 1 →Pfad- und Summenregel gelten genau wie bei Baumdiagrammen •Stochastische Matrizen: L> Eine Matrix heißt stochastisch, wenn sie quadratisch ist Zeilenanzahl= Spaltenanzahl - sie nur positive Einträge zwischen 0 und 1 enthält in jeder Spalte die Summe der Elemente 1 beträgt 10.6 0.6 0.5 6.7 .08 6.7 0.7 0.6 0.8. 0,4-0,4+0,2-0,4+0,1-0,2\ 0,3-0,4+0.4.0.4+0.5.0.2 0,3-0,4+0.4.0.4+ 0,4-0,2) , wobei U.g² = 8 → stabile Verteilung: Grenzverteilung, die unabhängig von der Startverteilung ist • Zustandsverteilungen -> gibt an mit welcher Wikeit man sich zu einem bestimmten Zeitpunkt in den gegebenen Zuständen befindet →> Darstellung in Vektorschreibweise → Anzahl der Einträge = Anzahl der Zustände -> V₁² = Anfangs- / Startverteilung →> lassen sich duch Multiplikation mit der Übergangsmatrix bestimmen: U/A=0.8 040 0 0.6 • Grenzverhalten auf lange Sicht stabilisiert sich die Verteilung bei vielfacher Multiplikation mit der Übergangsmatrix U /0.2 0,261 = 0,42 0.38- 0,38 0,36 √₁² = U. №₁² √√²+₁ = U・√√₁₂₁² V₁ = UV -> Zustandsverteilung nach in Versuchen -> → Grenzmatrix G: beschreibt das Grenzverhalten einer Übergangsmatrix, bei der sich die Ergebnismatrix" bei emeuter Multiplikation nicht mehr G= Un, wobei U. Un = un verändert La sind alle Spalten von 6 gleich ist & unabhängig von Vo und es existiert eine stabile Verteilung →> Grenzverteilung g²: die Verteilung eines stochastischen Prozesses wenn dieser sich nach in Wolh. stabilisiert und nicht mehr verändert 6₁₁ v₁ = 8 - multipliziert man eine Matrix A mit ihrer inversen Matrix A-1 enthält man die Einheitsmatrix E →> mit A-¹ lässt sich aus einer Verteilung die vorangegangene Verteilung berechnen (macht Multiplikation mit A „rückgängig") Einheitsmatrix E: → E besitzt nur Nullen, bis auf die Diagonale, welche Einsen enthält →→Bsp. 1 = 0 10 1001 001