Laden im
Google Play
Herausbildung moderner strukturen in gesellschaft und staat
Die moderne industriegesellschaft zwischen fortschritt und krise
Die zeit des nationalsozialismus
Friedensschlüsse und ordnungen des friedens in der moderne
Deutschland zwischen demokratie und diktatur
Das 20. jahrhundert
Europa und globalisierung
Der mensch und seine geschichte
Das geteilte deutschland und die wiedervereinigung
Großreiche
Imperialismus und erster weltkrieg
Europa und die welt
Frühe neuzeit
Bipolare welt und deutschland nach 1953
Demokratie und freiheit
Alle Themen
Herausforderungen an die menschen des 21. jahrhunderts
Klimawandel und klimaschutz
Die subpolare und polare zone
Entwicklung in tropischen räumen
Europa
Planet erde
Russland
Entwicklungsperspektiven
Mensch-umwelt-beziehungen
Klima und vegetationszonen
China
Globalisierung
Ressourcenkonflikte und ressourcenmanagement
Australien und ozeanien
Usa
Alle Themen
11.2.2021
8526
557
Teilen
Speichern
Herunterladen
STOCHASTIK Baumdiagramme und Pfadregel: - Mehrstufige Zufalls versuche lassen sich mit Baumdiagrammen darstellen L> Ergebnisse Pfad ✔ Pfad multiplikationsregel: - mehrstufigen Zufalls versuche erhält man Wahrscheinlichkeit (enes Pfadas) Pfad multiplizieren für Wahrscheinlichkeit P(gg) ما ganzen Pfadadditionsregel. Pfad wahrscheinlichkeiten addieren -> Wahrscheinlichkeit beider oder mehrerer Pfade P(gr) + P(rg) Komplementärregel Zeit zu sparen PE) = 1- PE), da P (E) + P (E) = 1 Gegenergebnis ausrechnen , um Vier feldertafel: -> So Beispiel: Bedingte Wahrscheinlich keit Baumdiagrammen : 101 Betrog PAL (Omega) = Ergebnismenge PAT PA(8) (8) auch Baumdiagramm umdrehen. P (ADB) PLANB) ⒸPRnB) Vierfeld to fel: Plin) Ergebnis: Jeder mögliche Treffer" (einzelnt) (k) L>Beim Würfel 1,2,3,4,5,6 -> 2.B. = {1,2,3,4,5,6} (Bentonga) - Anzahl der möglich eintretenden Ergebnisse 2.811=6 A A gesamt B P(A und 1) P (AMB) PUT und B) -PLACB) P08) Das Zufallsexperiment = Vorgang, der mehr als einen möglichen Ausgang (Ergebnis) haben kann + B PLAand -PAN) P(X und -Pun) P (2) P(8) . geccemt P(A) 1 680888 Ergebnis nicht vorhersehbar E-Ereignis ·IEI=Betrag des Ereignis —> z.B. "Eine 1 föllt", E = {1} —> z. B. "Eine gerade Zahl fällt". E = {2,4,6} -> |EI = {1} -> IEI = {3} Wahrscheinlichkeiten eines Ereignisses "A" be - zeichnet man P(A) mit O≤P(A) ≤ 1 Verknüpfung von Ereignissen: • Vereinigungsereignis: AUB:= {rlz € AVIE B} A tritt ein oder B tritt ein. Durchschnittsereignis: An B:= {rr E AAZE B} A tritt ein und B tritt ein.. • Differenzereignis: A\B:= {zz € A^z & B} A tritt ein, aber B tritt nicht ein. • Komplementärereignis: Ā=\ A A tritt nicht ein. (auch Gegenereignis genannt.) • Disjunkte Ereignisse: An B: Ø Entweder tritt A oder B ein oder keins...
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
von beiden. • Teilmenge: BCA (B ist Teilmenge von A) = Ā Gegenereignis Wahrscheinlichkeiten eines Gegenereignisses "A" be- zeichnet man P(A) = 1 - P(A) Reihenfolge Burücklegen Relative Häufigkeit: Anteil an geordnet: "Reihenfolge wichtig" ungeordnet, Reihenfolge egal" L> Zu beachten bei Aufgabenstellung mit Zuricklegen gleiches Objent mehrfach ohne Zunichlagen: Objekt nur Baumdiagramen PAL Absolute Häufigkeit: Anzahl an betrachteten ->Zählen PAT stochastische Unabhängigkeit. Wahrscheinlichkest gleichbleibend = Laplace Experiment Zwei Ereignisse A und B heißen stochastisch unabhängig, wenn gilt: unabhängig von einem weiteren P(An B) -PA). P(B) PAB absolute Häufigkeit Anzahl Gesamt BRP (ANB) B) O einmal stochastische Abhängigkeit. Wahrscheinlichkeiten unterschiedlich (= bedingte Wahrscheinlichkeit) L> Anderenfalls nennt man die Ereignisse stochastisch abhängig abhängig von einem weiteren Faktor Tipp: betrachteten Objekten mit einem = O,... % PlanB) ⒸPUnB) Vienfeld tos fel: (8) ⒸPU) Bedingte Wahrscheinlichkeit: Die Wahrscheinlichkeit, dass ein Ereignis B eintritt unter der Bedingung, dass ein Ereignis A bereits eingetreten ist berechnet man wie folgt: PA (B) = PAB) PA) PA (B) = P(AnB) P(A) A • Am Baumdiagramm erkennt man stochastische Unabhängigkeit zweier Ereignisse A und B an guichen Wahrscheinlichkeiten auf den Teilpfaden der 2. Stufe. • Sind zwei Ereignisse stochastisch abhängig, folgt daraus nicht zwangsläufig, dass das eine Ereignis Ursache des anderen ist. A gesamt In der Vierfeldertafel erkennt man die stochastische Unabhängigkeit daran, dass die Werte der inneren Felder die Produkte der Werte aus den Rand felden sind. B P(A und 2) P (AnB) PU und 1) -P(Ang) X P (8) B Objekten mit einem gescunt PlAnd -PANE) P (it und Pan) P (2) P(3) → P(A) 1 bestimmten Merkmal →>>> bestimmten Merkmal 1 diskret: auf ganze Zahlen bestimmbar (Bernoulli) stetig: unendlich genau bestimmbar (Normalverteilung) Fatutor Satz von Bayes: ↳ zum ausrechnen umgekehrten Baumdiagramms Die Wahrscheinlichkeit für A unter der Bedingung B PB (1) berechnet man wie folgt: P₂ (4)=P(4) PA(S) PA) PA(B) + PLA). PĀ (B) Wahrscheinlichkeitsverteilungen- Zufallsgröße Eine Zufallsgröße ordnet jedem Ergebnis eines Zufallsexperiments eine reelle Zahl k zu. Zufallsgrößen werden mit Großbuchstaben, z. B. X, Y, Z, bezeichnet. der bedingten Wahrscheinlichkeit des Die Wahrscheinlichkeitsverteilung einer Zufallsgröße X ordnet jedem Wert k der Zufallsgröße die Wahrscheinlichkeit P(X=k) des Ereignisses X-k zu. Die Summe der Wahrscheinlichkeiten aller Ereignisse der Wahrscheinlichkeitsverteilung ergibt exakt 1. Nimmt eine Zufallsgröße X die Werte a, a, a, mit den Wahrscheinlichkeiten P(X-ai), P(X-a:)....P(X-a) an, dann wird der Mittelwert der Wahrscheinlichkeitsverteilung als Erwartungswert E(X) der Zufallsgröße X bezeichnet. Es gilt: E(X)= a₁∙ P(Xa₁) + a; · P(X=a;) + ... + an · P(X=a…). Statt E(X) schreibt man auch u (mü). Zufallsgröße: was Ergebnisse sein können P(x=k): Wahrscheinlichkeit, dass ein Ergebnis eintritt μ = L> wenn Ex) = 0 E(X): Erwartungswert ≈ Mittel wert L> gibt Durchschnittliches Ergebnis vom Wahrscheinlichkeitsexperiment Ex) = k₁P+k₂ P ist (beim Glücksspiel) →z.B. Würfel 1-6 -> 2.B. Rad mit 3 Farben -> Zahlen zuordnen, damit vereinfacht es fair wenn Spiel fair sein sol k durch Variable ersetzen und = 0 setzen Wahrscheinlichkeitsverteilung von X k 0 1 2 mögliche Ergebnisse P(X=k) 0,25 0,375 0.25 0,125 Summe: 1 Varianz Ausmaß der Varianten I die zu erwartende Abweichung / wie breit gefächert ist. der Versuch V(x) = (K₁-E(x))² P(x=k) + (k₂= E(X)) ². P(x=K) k-P(X-k) 0 0,375 0,50 0,375 E(X)=1,25 Standardtabweichung durchschnittliche Abweichung des Erwartungswerts EX) Benoulli-Experiment: Benoulli Sn über k L> Wahrscheinlichkeit mit Baumdiagramm ausrechnen. 1. Pfadregel, der einzelnen Pfade in der gesuchtes Ereignis eintrifft Diese dann addieren für gesamte Wahrscheinlichkeit L> Wahrscheinlichkeit ohne Baumdiagramm ausrechnen mit Bernoulli - Formel über den Binomialkoeffizent Kette: Binomialkoeffizient: n= Anzahl der Versuche, k = Anzahl der Treffer Fakultät n (n-1)(n-2) 28.5 = 5.48.21 = 1₂0 L> beschreibt die Anzahl n. (n-1)·(n.2).... (n-(k-1)) = n! k! nur Erfolg oder Misserfolg betrachtet (Zufallsexperiment mit 2 Ergebnissen) wenn ein Bernoulli - Experiment n-mal durchführen ! Wahrscheinlichkeit darf sich nicht verändern! Bernoulli-Formel· P(x=k) = MIT TR BERECHNEN: je mehr n Erwartungswert bei: E = μ = n₁p Bernoulli - Versuchen love veli zieh ich/k-faches rows Ziehen Standardabweichung bei: o = √n.p Bernoulli- Versuchen n, desto = 0 k!·(n-k)! der Pfade, bei denen das Ereignis Eintritt k Stufen Erfolg P (2). ↑ Anzahl der Pfade mit geneuk Er følgen P untere obere i Schranke • Schranke Binomialverteilung: Wahrscheinlichkeitsverteilung mit allen Wahrscheinlichkeiten für k = 0,1,..., n L> Wahrscheinlichkeit aller Ereignisse müssen = 1 sein 9 √n.p. (1-P) CAS für genau k Erfolge: binom pdf (n, Pik). Kumulierte Binomialverteilung: Aufsummierte Wahrscheinlichkeiten (bestimmtes Intervall) CAS für höchsten / mindestens usu. Erfolge: binom colf (n.P TR: n Cr (nik) menu-5-3 graphische Darstellungen im Hinblick auf Parameter und Kenngrößen n-kn-k Stufen Miss- erfolg Pfad wahrscheinlichkeit eines Pfades mit genau k Erfolgen breiter ist Binomialverteilung bis 1 genauer Prognose intervalle (1) Punktschätzung = μ = n₁p ● (2) mit Sigma-Regeln im Fall 03 folgende Prognose intervalle angeben Anzahl der Erfolge mit jeweiliger Sicherheitswahrscheinlichkeit liegt: ● ● Sigmaregeln: % innerhalb ≈ 68% 90% Sicherheitswahrscheinlichkeit 95% Sicherheitswahrscheinlichkeit 99% Sicherheitswahrscheinlichkeit Bereich ло 1,640 1.960 20 2,580 30 90% 95% 95.5% 99% 99.7% B hoch signifikante Abweichung von μ % außerhalb 32% - 10% 5% n-stufige Bernoullikette mit Erfolgswahrscheinlichkeit pi kann erwartende Anzahl an Erfolgen prognostiziert werden 4,5% 1% 0.3% Signifikante Abweichung von μ -> verträglich -> Signifikant abweichend [μ- 1,640μ + 1.640. м- лідь о; м+ 1,96 о M-2,58 0; M + 2,58 ->hochsignifikant abweichend μ-2.560 M-1,960 Stichprobenergebnis verträglich mit u Signifikante Abweichung von μ N+1,960 H4 2.580 Umsetzung: Laplace-Bedingung: 0 > 3! mit n und mit м mit Tabelle M (Erwartungswert). = [...] Intervall (1) n = (2) n = 2 (1.96)². p. (1-p). d = Um wie viel darf das Ereignis der Umfrage , wenn p unbekannt hoch signifikante Abweichung von u P -> μ ausrechnen und P -> ausrechnen den Bereich Wahl eines genügend großen Stichprobenumfang Mindestumfang für eine Stichprobe bestimmen- 1,96 ². 0.25₁ I ist; in denen die -/+ Bereich der prozentualen Anteil von realen Wert abweichen wenn eine Schätzung von p vorliegt ausrechnen Grenzen der Säulen Daten Häufigkeitsdichte (Anteil: klassenbreite) Data & statistics. • Daten der x-Achse zuordnen (y-Ache nicht beschriften Plot-Typ. Histogram. Plot - Eigenschaft - Maßstab - Dichte Plot Eigenschaft - Säuleneinstellung-variable Säulen breiten Grenze / → bei gleichen Abständen Gleich in Säuleneinstellung Säulengrenzen r O 20 40 50 preis 49 55 39 22 49 HISTOGRAMM klassifizierter Daten als Liste anlegen (,, rechts & links", 2.B. 0,20,40.50) 49 39 rel. H. h * 10+ 18 * Klassenbreite kb 20 10 30 Häufigkeits- d =h/kb Fichte Häufigkeitsdichte 0,05 a04 003 0,02 0.01 * countif (preis, 20 ≤ ? ≤ 40) + Countif (preis, 40 < ? ≤ 50) *countif (preis, 50 < ? ≤ 80) visualisiert die (Häufigkeits-) Verteilung der Daten 23 Dichte 10 Die Notwendigkeit von Histogrammen: - Statistische Daten klassiert darzustellen. 0.02 20 rel. H.. = 20.0.02 20 30 40 50 60 70 Normalverteilung: /Gaußverteilung / Glockenkurve f(x) / Pμ₁0 = Gaußeglocken funktion: fix = (x) 20 1.0 0.8 0.6 0.4 0.2 0.0 -5 L> meistens ablesbar -1 ↳> CAS: invnom (P, M₁ Dichtefunktion: stellt Häufigkeit von Ereignissen dar 1/(x=-1² ^ √2.TT. Häufigkeit Von X 0 X WENN: f(x) = - 1 o) - bis Grenze (also nur eine Grene bestimmen) k für 0≤x≤4 0 sonst e μ=0, σ²=0.2, μ=0, ²=1.0, μ=0, 0²-5.0. μ=-2, 0²=0.5, 3 1. f(x) 0für allexe R Les gibt keine negativen. Wahrscheinlichkeiten Parameter bestimmen für Dichtefunktion a) Bestimmen Sie den Wert von k für den feine Dichtefunktion ist. per Hand: Wert k so bestimmen, dass 4 xor dx = [2 kur] =BK_Aus 3x = 1, Folgt k = || =8k 8 8k= 1 3 ⒸP (1 ≤ x ≤ 3) = ¹x dx = [76 1=1 OPTCX43)= P, auch für % Umgebung aus Informationen über Anteile auf die Parameter und o einer normal verteilten Zufallsgröße schließen · 3% kleiner als 96cm 10<x< 100 м делам чи. 96 и. лист · o.x solve (0,03= normcdf (-∞, 96, 103.5, x)₁ x X Beispiel 1: Gegeben ist die Funktion f mit f(x) = - OP(X23)=P(3 ≤x≤4)= (54) = [ { rok = } x dx Is da Grensen [94] 3 stetige Zufallsgröße X, wenn für alle a, be R mit -> beschreibt immer eine Normalverteilung | F(x) dx = 1 Eine auf R definierte Funktion fheißt Dichtefunktion, wenn gilt: 2. jf 2. f(x) dx = 1 =1 gilt. -> = und ke R mit CAS: solve mit CAS: solve b) Berechnen Sie OP(1 ≤X ≤3) P(X23) P (a ≤ x ≤ b) = (f(x) dx Fur 0≤x≤4 gittf(x) = {x. Stetige Zufallsgröße: unendlich. Hochpunkt 3 P(a≤ x ≤ b) = • = Breite der Kurve je kleiner die Standardabweichung, desto kleiner die Häufigkeit von anderen Werten als dem Erwartungswert = Schmalere Kurve Flächeninhalt unter den Kurven immer = 1 Flächen zw. zwei Werten = Wahrscheinlichkeit, dass x in diesem Bereich liegt ->x mit größter Häufigkeit L> CAS nomcdf (a, b, μ₁0) oder mit -00/00 als Grenze menu-6-5-2 SYMIC k = ({(k-x) dx = 1, k) = K² / / = (1 k dr = 1₁ k) dx Wahrscheinlichkeiten mit Dichte funktion berechnen: kx für 0≤x≤4 0 sonst genau bestimmbar asb gilt P(a sx ≤ b) = f(x) dx |kle) ox Mio (x) dx und ke R Grenzen von 0 bis 4 integrieren - Integral ausrechnen Integrieren laufleiten + oben - unten) Funktion=1 setzen nach (k) bzw. ges. auflösen CAS: Integral ausrechnen mit menu, 4,3