
Lecture 22 of 26 · Einführung in die Stochastik für
KIT Lehre und Wissen
Einführung in die Stochastik für · 26 lectures
26 lectures
01: Ereignisse, Zufallsvariablen, Indikatorfunktionen
02: Ein- und Ausschließen, Wahrscheinlichkeitsfunktion
03: Permutationen und Kombinationen
04: Erwartungswert, Transformationsformel, Jordan-Formel
05: Binomialverteilung, Hypergeometrische Verteilung
06: Bedingte Wahrscheinlichkeiten, Simpson-Paradoxon
07: Erzeugungsweise der Binomialverteilung, Bernoulli-Kette
08: Unabhängigkeit von Zufallsvariablen
09: Varianz einer Indikatorsumme, Standardisierung
10: Multinomialverteilung: Definition, Beispiel
11: Negative Binomialverteilung, Sammelbilder-Probleme
12: Bedingte Erwartungswerte und bedingte Verteilungen
13: Substitutionsregel, Bedingte Verteilung
14: Augensummenverteilung, Randomisierte Summen, Grenzwertsätze
15: Stochastische Konvergenz, Histogramme
16: Linearer Kongruengenerator, Deskriptive Statistik
17: Streuungsmaße, Streudiagramm, Allgemeiner Modellrahmen
18: (Punkt-)Schätzer, Verzerrung, Maximum-Likelihood-Schätzung
19: Konfidenzbereiche: Allgemeines Konstruktionsprinzip
20: Hypothese & Alternative, Randomisierter
21: Konsistenz des einseitigen Binomialtests
22: Exakter Test von Fisher, Sigma-Algebra
23: Zufallsvektor, Messbarkeit, Verteilungsfunktion
24: Lognormalverteilung, Weibull-Verteilung, Erwartungswert
25: Symmetrische Verteilung, Quantiltransformation
26: Gammaverteilung, Chi-Quadrat-Verteilung