ˆ Dichtefunktion: ƒ X ( ) = F ( ) bei differenzierbarer Verteilungsfunktion (stetige Zufallsvariable) (, ) E [X] = E X 1
|
|
- Brigitte Fromm
- vor 5 Jahren
- Abrufe
Transkript
1 Formlsmmlug Eigschft vo Zufllsvril X si i (disrt odr sttig Zufllsvril. ˆ Vrtilugsfutio: F X ( = P(X ˆ Dichtfutio: ƒ X ( = F ( i diffrzirrr Vrtilugsfutio (sttig Zufllsvril ˆ Zähldicht, Frquz- odr Mssfutio: ƒ X ( = P(X = i disrt Zufllsvril ˆ Lyr-Idtität: mi(mx(x ; ; = mi(x; + mi(x; = mx(x ; mx(x ( + ; Momt vo Zufllszhl ˆ -ts Momt (für N : E X = i sttig Zufllsvril: E X = i disrt Zufllsvril: E X = ˆ Erwrtugswrt (rsts Momt vo X: df( (, ƒ (d ƒ X ( E [X] = E X ˆ Für d Fll, dss m s mit ir Mischform sttigr ud disrtr Vrtilug zu tu ht, igt sich di folgd Forml: w X ichtgtiv ist. E [X] = ( F(d, ˆ -ts ztrls Momt: E [(X E [X] ] für N ˆ Vriz (. ztrls Momt vo X: Vr [X] = E (X E [X] = E X (E [X] ˆ Stdrdwichug: [X] = Vr[X] ˆ Vritiosoffizit für E[ X] > : Vo[X] = [X] E[X] = Vr[X] E[X] ˆ Asolut Schif (3. ztrls Momt vo X: E (X E[X] 3 ˆ (Rltiv Schif für [X] > : γ[x] = E (X E[X] 3 (Vr[X] 3 ˆ i s gstutzts -ts Momt (mit N ud s R: E[X X > s] = E[X (s, (X] = P(X > s = E (X E[X] 3 ([X] 3 (s, df( F(s
2 Trsformirt vo Zufllsvril ˆ Chrtristisch Futio: ψ X (t = E tx mit t R ud imgiärr Eihit ˆ Momtrzugd Futio: MEF X (t = E tx, t R i sttig Zufllsvril: MEF X (t = t ƒ (d ˆ (Whrschilichits-Erzugd Futio: m X (t = EF X (t = E t X, t [, ] i disrt Zufllsvril: m X (t = t ƒ X ( Uglichug ˆ Mrov (für ll c > : P ( X c E[ X ] c E[h ( X ] P ( X c h(c für strg mooto wchsd Futio h uf R + ˆ Tschychv (für ll c > : P ( X E[X] c Vr[X] c ˆ Ctlli (für ll c > : P (X E[X] + c Vr[X] c + Vr[X] Wchslzihug zwisch Zufllsvril Sid A ud B Erigiss mit P(B =, d gilt für di digt Whrschilichit P(A B: P(A B P(A B = P(B Di Vrtilug dr Zufllsvril Y, gg X =, wird ls digt Vrtilug vo Y, gg X =, urz P Y X=, zicht. P Y X= ht di vo hägig Vrtilugsfutio P(Y y, X = F Y X= (y = P(Y = y X = = P(X = Fsst m ds digd Erigis ls Zufllsvril X uf, so sid di Momt dr digt Vrtilug vo Y, gg X, trsformirt Zufllsvril vo X ud für dis ö flls Momt rcht wrd. ˆ Itrtivität dr Erwrtugswrt E[E[Y X]] = E[Y] für ll X ud Y E[Vr[Y X]] + Vr[E[Y X]] = Vr[Y] für ll X ud Y ˆ Kovriz: Cov(X, Y = E[(X E[X] (Y E[Y]] = E[X Y] E[X] E[Y] ˆ Korrltiosoffizit: Cov(X, Y X E[X] ρ XY = = Cov, Y E[Y] [, ] Vr[X] Vr[Y] Vr[X] Vr[Y]
3 Summ vo Zufllsvril ˆ Fltug: Sid X ud Y stochstisch uhägig, so ist di Vrtilug dr Summ X + Y durch di Fltug P X P Y dr Vrtilug P X ud P Y gg: Sttig Fltugsforml (P X P Y (A = A ƒ X ( ƒ Y (z d R mit A R, w X, Y sttig Zufllsvril mit Dicht ƒ X zw. ƒ Y sid. Disrt Fltugsforml (P X P Y ({} = P(X + Y = = dz P(X = P(Y = = mit N, w X, Y disrt Zufllsvril uf N sid. ˆ Zufllssumm: N si i disrt Zufllsvril uf {,,,...} ud S i Zufllssumm mit rwis stochstisch uhägig, idtisch wi X vrtilt X, di stochstisch uhägig vo N sid.. Glichug vo Wld: E[S] = E[N] E[X]. Glichug vo Wld: Vr[S] = E[N] Vr[X] + Vr[N] (E[X] ˆ Fudmtlforml: ψ S (t = m N (ψ X (t MEF S (t = m N (MEF X (t X disrt vrtilt uf {, Δ, Δ,...}, Δ > für ll t R für ll t R m S (t = m N (m X (t für ll t [, ] ˆ Zusmmgstzt Poisso-Vrtilug (Szilfll ir Vrtilug ir Zufllssumm Dfiitio: ZPV(, P X = P S mit mit X P X, N P( Erwrtugswrt: E[S] = E[X] Vriz: Vr[S] = E[X ] Asolut Schif: S = N X = E (S E[S] 3 = E[X 3 ] Rltiv Schif: γ[s] = E[X 3 ] (E[X ] 3 ˆ Norml-Powr-Aroximtio: Es si U i Zufllsvril mit xistird Momt μ = E[U], = Vr[U] >, γ = γ[u] >. D gilt di Nährug: P(U γ γ + 6 γ μ + 9 3
4 B. Vrtilug Disrt Vrtilug Bzichug/ Kurz~/Prmtr Zähldicht = P N = ( Rursio für Zähldicht Erwrtugswrt Vriz Schif (Whrschilichits- Erzugd Futio Poissovrtilug ( ( > Biomilvrtilug B( m, θ ( m, θ (, =! ( m = θ ( θ ( =,..., m m = ( = m + θ = θ ( =,..., m ( θ = m m θ m θ ( θ θ m θ ( θ θ t + ( t ( θ m Ngtiv Biomil- Vrtilug NB( β, θ ( β >, θ (, β + = θ ( ( θ β β + = θ ( ( θ = β θ β θ β θ ( θ + θ β θ θ θ t β 5
5 Sttig Vrtilug (I Bzichug/ Kurz~/Prmtr sttig Glichvrtilug (, ( <,, Dicht x (, ( ( x Vrtilugsfutio x x < x x > Erwrtugswrt Vriz + ( Schif Momtrzugd Futio t = t t t ( t Gstutzt Momt EX X > s + + s ( + ( s ( s (, Gmmvrtilug Γ (, (, (, Exotilvrtilug Ex ( ( > Normlvrtilug ( μ, ( μ, > Γ ( x ( x > x ( x x ( x μ π ( x x t t dt Γ( =Γ : (, x ( x ( x x x μ Φ ( x μ t ( t < t ( t < t ( ( s (, Γ( ( Γ (, Γ + Γ +! = s ( s! + (-Schritt-Rursio 6
6 Sttig Vrtilug (II Bzichug/ Kurz~/Prmtr Logormlvrtilug LN ( μ, ( μ, > Dicht ( l( x μ π x ( x > Vrtilugsfutio ( l x μ Φ ( x > Erwrtugswrt Vriz μ+ μ+ ( Schif ( Momtrzugd Futio + Gstutzt Momt EX X > s ( s l μ μ Φ + l ( s μ Φ (Euro Prto- Vrtilug Pr (, (, (, um vrscho (Amric Prto- Vrtilug Pr (, (, (, + x ( x > + x ( x > + x ( x > + x ( x > ( > ( > ( ( ( > ( ( 3 + ( > 3 xistirt icht = s ( s >, > ( s + 7
Formel- und Tabellensammlung zum Aktuariellen Grundwissen
Formel- ud Tellesmmlug zum Aturielle Grudwisse Schdeversicherugsmthemti A. Zufllsvrile X, Y seie (disrete oder stetige Zufllsvrile. Verteilugsfutio: F( = P( X (Verteilugs-Dichte: f ( F ( = ei differezierrer
Mehre = lim ( n n) und Folgerungen
= lim + ud Folgrug Ergäzug zur Vorlsug Aalysis I, Dail Grisr, Dz. 2005 Satz: Si x = +, y = + +. Da gilt lim x = lim y = x ist strg mooto wachsd, y ist strg mooto falld. Isbsodr gilt für all x < < y. Bmrug:
MehrKlausur (Mathematik II) - Sommersemester 2013
Klusur Mthmtik II) - Sommrsmstr Nm: Mtrikl-Nr: EMil: optiol Schll-Korrktur) Aug 6 7 8 Pukt 6 Als Hilsmittl sid di vo dm Lhrutrgt zur Vrügug gstllt sowi ig Utrlg zuglss Skript ud Mustrug sowi dr Lösug).
MehrWiederholung Analysis. Stetige Zufallsgrößen. Verteilungsfunktion. Intervallwahrscheinlichkeiten. ( ) da lim F( x) = 0. ist monoton wachsend
Wiederholug Alysis Stetige Zufllsgröße F sei Stmmfuktio zu f f d= F F = f Bestimmtes Itegrl f ( d ) = F F Ueigetliche Itegrle f () tdt= F lim F f() t F = f() t dt ist mooto wchsed f () tdt= lim F F A=F()-F()
Mehre aus der Parameterform (*). Die Ebene E, in b c > a 1 = 0, so dass: a a
Mihl Buhlm Mthmtik > Vktohug > Kis Pmtfom Eilitug Im didimsiol ll Vktoum kö Gd ud E uh Kis mit Hilf vo Pmtfom dgstllt wd. Gg si im Folgd i Kis k mit Kismittlpukt Mm m m 3 ud Kisdius, >. Sid ud zwi Eihitsvkto,
MehrStudiumPlus- SS 2017 Torsten Schreiber
StudiumPlus- SS 07 Torst Schribr 44 Dis rg sollt Si uch oh Skript btwort kö: N Si di wichtigst Eigschft vo Mg! Wi kö Si i Itrvll dfiir? Wi fuktioirt di Modulo-Oprtio? Wofür brucht m ds d Morg Gstz? Ws
MehrUnabhängigkeit von Zufallsvariablen
Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1
MehrR. Brinkmann Seite Achsenschnittpunkte von e- Funktionen und Exponentialgleichungen
R. Brikma http://brikma-du.d Sit 08..009 Achsschittpukt vo - Fuktio ud Epotialglichug Eiführugsbispil Bispil : Zu bstimm sid di Achsschittpukt vo s + f = D Schittpukt mit dr y y=f 0 Achs fidt ma übr d
MehrZulassungsprüfung Stochastik,
Zulssungsprüfung Stochstik, 2.0.2 Wir gehen stets von einem Mßrum (Ω, A, µ) bzw. einem Whrscheinlichkeitsrum (Ω,A,P) us. Die Borel σ-algebr uf R n wird mit B n bezeichnet, ds Lebesgue Mß uf R n wird mit
MehrKerne 2, 2.Teil. Inhalt
Il Volsg 6: K K,.Tl Slodll Nklo-Nklo Wslwkg Ksp gss Mo Kzfäll: α, β, γ Zfll F s Gold Rgl Mlpolslg WS 78 Sbük, os: Pysk V WS 78 Sbük, os: Pysk V 3 Volsg 6: K F s Gold Rgl Übggs zws Afgs- d dzsäd N-lvss
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrMathematik für VIW - Prof. Dr. M. Ludwig
Mhmik für VIW - Prof. Dr. M. Ludwig 7.3.4.3 Lplc-Trformio (Lplc 749-87 Di Lplc-Trformio i i Spzilfll vo Igrlrformio. Hir wird i pzill zur Löug ihomogr Diffrilglichug igführ. Awdug fid i u.. i dr Siglvrriug
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrCristian Rosca & Timm Kruse: Ungleichungen II (Proseminar Mathematisches Problemlösen SS 2006: Dozent - Natalia Grinberg) UNGLEICHUNGEN II
Cisti Ros & Timm Kuse: Ugleihuge II (Posemi Mthemtishes Polemlöse SS 006: Dozet - tli Gieg) Posemi Mthemtishes Polemlöse Uivesität Klsuhe SS 006 UGLEICHUGE II Youg-Ugleihug... Hölde-Ugleihug...6 Miowsi-Ugleihug...0
MehrLösungen zum Aufgabenblatt 9
Lösuge zum Aufgbebltt 9 Aufgbe Es gilt ( ) x ( ( + x) ) ( + x) x Zwei Polyome sid geu d gleich, we lle ihre Koeffiziete gleich sid. Wir betrchte die Koeffiziete für x. Der x -Koeffiziet der vordere Summe
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
MehrLösung der Schrödinger- Gleichung für ein Harmonisches Potential.
Lösug dr Srödigr- Gliug für i aroiss Poial. Ggb is di Srödigr Gliug i saioärr For: o s soll i aroisr Oszillaor vorlig: o i Variablrasforaio wird durgfür: ( ε ) Lösug dur d Asaz a Allgi, oog, liar Diffrialgliug.
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
MehrÜbungsaufgaben "Vektorrechnung"
stllt vo Olf Gmkow Sit / Übugsufgb "Vktochug" ) Vo i Gd g ist d ukt (; ; ) ud d Richtugsvkto bkt. Bch Si d Abstd ds ukts (; ; ) vo dis Gd. Lösug, dt d g ) Di i d,-b vlufd Gd g schidt di bid Kooditchs jwils
Mehrm d2 x dt 2 = K( x), d 2 x j dt 2 = K i.
P m d2 x dt 2 = K( x), m δ ij d 2 x j dt 2 = K i. C W C = C K i dx i δ ij δ ij λδ ij, m m λ d v dt K BA = K AB R 4 E 3 R Σ Σ x = R x a, R T R = I, R... E 3 T 1, 3 + 3 + 1 = 7 E 3 = O 3 T 3,... E 3 O 3
MehrMathematik Formeln 1. und 2. Semester von Gerald Meier
Mthemti Fomel. ud. Semeste vo Geld Meie Gudlge. Ailduge.. Sujetive Ailduge f( X) y Y X: y f.. Ijetive Ailduge Y, X ud f f Jedes Bild y f( X) ht geu ei Uild X..3 Bijetive Ailduge Die Aildug ist sujetiv
MehrVorbereitung auf 6. Übungsblatt (Präsenzübungen) - Lösungen
Prof. Dr. Raier Dahlhaus Statisti Witersemester 06/07 Vorbereitug auf 6. Übugsblatt Präsezübuge - Lösuge Aufgabe P0 Bereche vo UMVU-Schätzer. Gegebe sei jeweils ei statistisches Modell R, B R, P θ, θ Θ
MehrMathematik für VIW - Prof. Dr. M. Ludwig. Def. 6.1 Eine (reelle) Zahlenfolge ist eine unendliche Menge von (reellen) Zahlen a1, a2,, a n
Mthemti für VIW - Prof. Dr. M. Ludwig 6. Zhlefolge ud Reihe 6. Zhlefolge 6.. Grudbegriffe Def. 6. Eie (reelle Zhlefolge ist eie uedliche Mege vo (reelle Zhle,,,, i eier bestimmte Reihefolge geordet sid.
MehrGrundlegende Eigenschaften der Atomkerne: β-zerfall (Teil I)
Krhysik I Grudlgd Eigschaft dr Atomkr: β-zrfall (Til I) Motivatio Für di Bschribug dr Elmtsyths i astrohysikalisch Umgbug sid isbsodr gut Ktiss übr di β-zrfalls- Eigschaft vo istabil Kr frab vom Tal dr
MehrZufallsvariablen und Wahrscheinlichkeitsverteilungen
Zufllsvrible ud Whrscheilichkeitsverteiluge Kombitorik Zusmmestellug bzw. Aordug vo Elemete Kombitorik mit Berücksichtigug der Reihefolge ohe Berücksichtigug der Reihefolge Permuttioe Vritioe ohe Wiederholug
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrLösungsvorschläge zum 9. Übungsblatt.
Übung zur Anlysis II SS 1 Lösungsvorschläge zum 9. Übungsbltt. Aufgbe 33 () A : {(x, y) R : x [ 1, 1] und y oder x und y [ 1, 1]}. (b) A : {(x, y) R : x < y < 1 + x }. (c) A : {(x, y) R : x < y < 1 + x
MehrChapter 1 : þÿ m e l d e n S i e s i c h b e t a t h o m e c h a p t e r
Chapter 1 : þÿ m e l d e n S i e s i c h b e t a t h o m e c h a p t e r þÿ d a s s W e i t e r e n e u r o p ä i s c h e n l ä n d e r n m i t s i c h e r h e i t f a l s c h t a t s ä c h l i c h s i
MehrForce of compression Einschubkraft. Force of extension Ausschubkraft. 5 Damping range Dämpfbereich. Pneumatic Pneumatisch.
D Damping in extension usschub gedämpft D No damping in compression Einschub ungedämpft usgeschoben Friction-force Reibung Force of compression Einschubkraft Compressed Eingeschoben F 3 F R Force [ N ]
MehrMATHEMATIK 3 FÜR EI - ÜBUNGSBLATT 2 Wintersemester 2011/2012
Prof. Dr. O. Junge, A. Bittrcher Zentrum Mthemtik - M3 Technische Universität München MATHEMATIK 3 FÜR EI - ÜBUNGSBLATT Wintersemester / Tutorübungsufgben (3..-4..) Aufgbe T Seien R und α positiv. Die
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
Mehr1. Übungsblatt zur Analysis II
Fchereich Mthemtik Prof Dr Steffe Roch Nd Sissouo WS 9/ 69 Üugsltt zur Alysis II Gruppeüug Aufge G Bestimme Sie für jede der folgede Fuktioe f : [, ] R ds utere ud oere Itegrl ud etscheide Sie, o die Fuktio
MehrAnalysis I SS Zusammenfassung Stephan Weller, Juli 2002
Alysis I SS 2 Zusmmefssug Steph Weller, Juli 22 Ihlt. Vollstädige Idutio ud Ugleichuge 2. Folge ud Reihe 3. Kovergez ud Stetigeit 4. Differetitio, lole Extrem, Kovexität 5. Itegrtio, Sustitutiosregel ud
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
Mehr3. Seminar Statistik
Sndr Schlick Seite.Seminr05.doc. Seminr Sttistik 0 Kurztest 5 Präsenttion diskrete Verteilungen Puse 0 Üungen diskrete Verteilungen 5 Präsenttion stetige Verteilungen 0 Üungen stetige Verteilungen Husufgen:
MehrChapter 1 : þÿ b e t a t h o m e B e d i n g u n g e n B o n u s c h a p t e r
Chapter 1 : þÿ b e t a t h o m e B e d i n g u n g e n B o n u s c h a p t e r þÿ K u n d e n s u p p o r t r e i c h t a u s, u m d e n L ö s c h v o r g a n g e i n z u l e i t e n. G r u n d s ä t z
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrEtablierung eines Qualitätsmanagementsystems (QMS) für Lehre und Studium an der TU Berlin
Etablirug is Qualitätsmaagmtsystms (QMS) für Lhr ud Studium a dr TU Brli Prof. Dr.-Ig. Jörg Stibach (Projktlitr) Prof. Dr.-Ig. Joachim Hrrma (fachlichr Bratr) Dipl.-Ig. Bjami Will (Projktmaagr) Dipl.-Psych.
MehrÜbung 11. Stochastische Signale Prof. Dr.-Ing. Georg Schmitz
Übug Aufgabe : Ukorrelierte, statistisch uabhägige Prozesse Es sid zwei stochastische Prozesse gegebe mit X = cos(z ), Y = cos(z φ). Hierbei sei Z auf [ π, π] gleichverteiltes weißes Rausche mit E{Z }
MehrSimulation von Störungen mit zeitlichen Schranken
Simultion von Störungen mit zeitlichen Schrnken Die geräuchlichen sttistischen Verteilungen können elieig große Werte hervorringen, ws ei der Simultion von Störungen oft nicht erwünscht ist. Verwendet
MehrMit Bus und Bahn Dortmund erleben
D Tä z Ev D 0 0 0 0 0 0 0 * 0 0 0 0 0 0 0 0 0 00 0 0 0 z D! Dv I D I ä z z z v z V D I V R z! J J Ez T I, T, O,, R L D G R D I T V? I! D R I &! T TT ( P) TT z P T () G v I ä P J D T! :, T! z G v D T P,
MehrMathematik für die Physik II, Sommersemester 2018 Lösungen zu Serie 6
Mthemtik für die Physik II, Sommersemester 2018 Lösuge zu Serie 6 26 Utersuche die folgede Fuktioefolge uf puktweise beziehugsweise gleichmäßige Kovergez, d.h. bestimme jeweils ob diese vorliegt ud gebe
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrChapter 1 : þÿ b e t a t h o m e C h a m p i o n s L e a g u e W e t t c h a p t e r
Chapter 1 : þÿ b e t a t h o m e C h a m p i o n s L e a g u e W e t t c h a p t e r þÿ C h a m p i o n s L e a g u e, B u n d e s l i g a W e t t e n P r o g n o s e n u n t e r s t ü t z t v o n B e
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrFORMELSAMMLUNG. re-wi. A. Ableitungsformeln und Integralformeln. Funktion ƒ(x) Ableitung ƒ'(x) Stammfunktion F(x) = 1 1. B. Ableitungsregeln.
FORMELSAMMLUNG A. Ableitugsformel ud Itegralformel Futio ƒ( Ableitug ƒ'( Stammfutio F( IR, ( IN) + + l ( ) + ( + ) + ( + ) + + + + + + + + r r, (r R \ {}) r r r + si os os os si si ta + (ta l os ot [ +
MehrT 1 Th T 1. 1 T 1 h Th
T H c c > 0 Tx c x x H H K T : H K T T K T h H T 1 > 0 h = T 1 Th T 1 Th 1 T 1 h Th h H T : T h H,h 0 Th = 0 T c > 0 c h Th = 0. c h > 0 T : (Th n ) n T (h n ) n H T h n h m 1 c Th n Th m c > 0 (h n )
MehrA Kurzskript: Stochastische Majorisierung und Testtheorie
A Kurzskript: Stochastische Majorisierung und Testtheorie A.1 Stochastische Majorisierung Denition A.1 (stochastisch gröÿer) Seien Q und P zwei W'Maÿe auf (R, B). Dann heiÿt Q stochastisch gröÿer als P
MehrKapitel 8: Unendlich teilbare Verteilungen
- 8 (Kapitel 8: Uelich teilbare Verteilge Kapitel 8: Uelich teilbare Verteilge I iesem Kapitel were wir elich teilbare Verteilge af ( I R, B stiere, ie afs Egste mit e reellwertige Prozesse (X t t mit
MehrLogarithmusfunktionen
V Logarithmusfuktio Widrholug wichtigr Rchgstz Üug ach http://www.hrdr-orschul.d/madica/aufg000/pu.pdf (utr Hälft ds Aritslatts!) mit folgd Zusatzfrag: Brch Si ud drück Si durch i izig Logarithmus glichr
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
Mehr5.5.Abituraufgaben zu Logarithmusfunktionen
5.5.Aiturufgn zu Logrithmusfunktionn Aufg : urvnuntrsuchung mit Prmtr, Intgrtion ohn GTR () Für jds rll t und > 0 sind di Funktionn f t und g ggn durch f t () (ln + t) und g() Ds Schuild von f t hißt t
MehrKlassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion. Für n 1 definiere S n := n
Klassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion F. Für n 1 definiere S n := n i=1 X i, M n := max{x i :1 i n} Frage: Welche sind die möglichen (nicht
MehrTaylor Formel: f(x)p(x)dx = f(c)
Tylor Formel Die Tylorsche Formel liefert eie Approximtio eier Fuktio durch ei Polyom, gemeism mit eier Abschätzug des Fehlerterms. Zwischewertstz: Eie stetige Fuktio f : [, b] R immt jede Wert γ zwische
Mehrk + n + 1. t k+n dt =
7 Orthogoalpolyome Beispiel Sei f : [,] R stetig. Aufgabe: Bestimme die Bestapproximatio P P N mit P f Q f für alle Q P N bezüglich der Norm u = u,u mit dem Salarprodut u,v = u(t)v(t). Lösug : Wähle Moombasis,t,t,...,t
MehrWir betrachten hier nur den Fall m,n N, also m>0 und n>0. Die anderen Fälle, bei denen m=0 oder n=0 ist, können leicht selbst gelöst werden.
Übugsaufgab Fourirrih Mahmaik III M Prof. Dr. B. Grabowski Bla 6 grabowski@hw-saarlad.d Lösug zu Übugs-Bla 6 Zu Aufgab Wir brach hir ur d Fall m, N, also m> ud >. Di adr Fäll, bi d m odr is, kö lich slbs
MehrSKILL software. Das Leitsystem: embiaguide Konzept, Kunden, erster Großauftrag in Aussicht! erster Großauftrag. Konzept. Kunden
Ds Lisysm: mbiguide Kozp, Kud, rsr Großufrg i Aussich! SKILL sofwr Kozp rsr Großufrg Kud Ds Lisysm: SKILLguid rsmlig i THE SQUAIRE/Trmil 1, Flughf Frkfur SKILLsofwr ms SKILL sofwr SKILLbudoc Projk dokumir
MehrSerie 4: Gradient und Linearisierung
D-ERDW, D-HEST, D-USYS Mathematik II FS 5 Dr. Ana Cannas Serie 4: Gradient und Linearisierung Bemerkungen: Die Aufgaben der Serie 4 bilden den Fokus der Übungsgruppen vom 7./9. März.. Wir betrachten die
MehrA. Bertrand sches Sehnenparadoxon, Modellierung V Zwei Punkte zufällig im Kreis (S. 212/213)
A. Bertrd sches Seheprdoxo, Modellierug V Zwei Pukte zufällig i Kreis (S. /) I Abb..58 sid 5 Sehe gezeichet, vo dee 7 kürzer ls die Dreiecksseite sid. Die reltive Häufigkeit ist,8. Bei große Versuchszhle
MehrNachklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 18.9.17 Fakultät 4 - Mathematik und Naturwissenschaften Prof. N. V. Shcherbina Dr. T. P. Pawlaschyk www.kana.uni-wuppertal.de Nachklausur zur Analysis 2, SoSe 217 Aufgabe
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrF - 2 Unendliche Wahrscheinlichkeitsräume
Diskrete Whrscheinlichkeitsräume Diskrete Whrscheinlichkeitsräume F - Definition F.45 (Diskreter Whrscheinlichkeitsrum) Seien Ω eine höchstens bzählbre Menge und P : P(Ω) [0, ] eine Funktion. Dnn heißt
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. R. Köig Dr. M. Prähofer Zetrlübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mthemtik Mthemtik für Physiker (Alysis ) MA9 Witersem. 7/8 Lösugsbltt http://www-m5.m.tum.de/allgemeies/ma9 7W (9..8) Z..
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrLösungsformel für quadratische Gleichungen. = ± q + Lösungsformel für. Potenzen. negative Exponenten: gebrochene Exponenten: a a.
HUNKLOIHDWKHPDWLN Dies ist keie Fomelsmmlug im klssische Si - die vewedete Bezeichuge wede icht eklät ud Voussetzuge fü die ültigkeit de Fomel wede i de Regel icht gegee. 7HLO,6WRIIJHELHWHHULWWHOVWXIH
MehrThema 11 Vektorwertige Funktionen, Kurven
Them 11 Vektorwertige Funktionen, Kurven Definition 1 Eine Kurve in R n ist eine stetige Abbildung uf einem Intervll I mit Werten in R n. Wir verwenden den Buchstben c für Kurven und schreiben c = (c 1,...,c
MehrF - 2 Unendliche Wahrscheinlichkeitsräume
Diskrete Whrscheinlichkeitsräume F - Definition F.45 (Diskreter Whrscheinlichkeitsrum) Seien Ω eine höchstens bzählbre Menge und P : P(Ω) [0, ] eine Funktion. Dnn heißt (Ω, P) ein diskreter Whrscheinlichkeitsrum,
Mehrr = 2 y p = 1 und z p = 1 P(3; 1; 1) bzw. PS linear abhängig ist. 7 PS ist Höhe der Pyramide 14
Lösug Abitur Listugskurs Mthmtik www.mth-schul.d Sit vo 5 P Gomtri A(5;-;), B(;5;-) C(-;7;), D(-;;), S(;;5). Zichug: (Usichtbr Kt: AD, DS, CD ) A, B, C, D sid Eckpukt is Prlllogrmms, w j wi dr Vktor AB,
MehrAntwort. Deutscher Bundestag Drucksache 19/4280. der Bundesregierung
D D 98 9 98 K M y DI LINK D 9383 D N V D I (I : V y ( I V y N D D y I L x y ( I V D N y K M D y N L D D D Q j y N L I N R L y j D 8 D D y x D 98 D 9 D y K I N y K N ( j O? K y ( j O? D D P N K 93 P D y
MehrKantonsschule Reussbühl Maturitätsprüfung 2002 Es/Gä/Ko/Sw Mathematik Grundlagen Lösungen Sw / 2003
Lösung der Aufge : x x ( x ) ( x ) ) f(x) {} ( x ) ( x ) ( x ) ( x ) ( x x ) f (x) ( x ) x x ( x ) f (x) x x x ( x ) (vorgegeen) Nullsellen : x - x. urch Proieren finde mn die Nullselle x. Polynomdivision
MehrMusterlösungen zur 5. Übung
. Aufg, ritt von Edurd Tsingr Mustrlösungn zur 5. Üung Wlchs dr folgndn Sstm ist zitinvrint odr nicht? Erinnrung ws in zitinvrints Sstm ist:. ] -. -n -n -n- 3. % n] n n 4. n % --> ds Sstm ist zitinvrint
Mehrf X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrAsymptotische Stochastik (SS 2010)
Institut für Stochastik PD. Dr. Dieter Kadelka Daniel Gentner Asymptotische Stochastik (SS 2010) Lösungen zu Übungsblatt 4 Aufgabe 1 (lokaler Grenzwertsatz von de Moivre und Laplace und eine Verallgemeinerung)
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j
MehrParameterintegrale. Integrale können auch von Parametern abhängen, denken wir nur an die Gamma-Funktion, die definiert ist für x > 0 durch
Prmeterintegrle Integrle können uc von Prmetern bängen, denken wir nur n die Gmm-Funktion, die definiert ist für x > durc Γ(x) = t x e t dt Hier ist x der Prmeter, von dem der Integrnd und dmit uc ds Integrl
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrJetzt ändert sich die dritte Stelle nach dem Komma nicht mehr, man hat also vier zählende Stellen
9. M setze = ud bereche mit Hilfe der Folge (9.5) die dritte Wurzel us uf vier zählede Stelle geu. = + + =,, =,, =.75, 4 =,48889, =,449, =,4478 Jetzt ädert sich die dritte Stelle ch dem Komm icht mehr,
MehrFalls die Werte von X als Ergebnisse eines Zufallsvorgangs resultieren, wird X zu einer stetigen Zufallsvariable.
Sttistik I für Sttistiker, Mthemtiker und Informtiker Lösungen zu Bltt 11 Gerhrd Tutz, Jn Ulbricht, Jn Gertheiss WS 7/8 Theorie: Stetige Zufllsvriblen Begriff Stetigkeit: Eine Vrible oder ein Merkml X
MehrErwartungswerte, Varianzen
Kapitel 3 Erwartungswerte, Varianzen Wir wollen nun Zufallsvariablen eine Maßzahl zuordnen, die ihr typisches Verhalten in vager Weise angibt. Haben wir n Punkte x 1,...,x n R d, so ist der Schwerpunkt
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrMusterlösungen zu Serie 6
D-ERDW, D-HEST, D-USYS Mathematik II FS 3 Dr. Ana Cannas da Silva Musterlösungen zu Serie 6. Die Bogenlänge des Graphen einer differenzierbaren Funktion b f : [a, b] R ist durch + (f (x)) dx gegeben. Insbesondere
MehrBeispiele: cos(x) dx = sin(x) + c (1) e t dt = e t + c (2)
. Stmmfunktion Definition Stmmfunktion: Gegeen sei eine Funktion f(). Gesucht ist eine Funktion F (), so dss d = f(). Die Funktion F() heisst Stmmfunktion. Schreiweise: F () = f()d. Mn spricht uch vom
MehrVorlesung 9b. Kovarianz und Korrelation
Vorlesung 9b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
MehrReihenentwicklung die Taylorentwicklung
Rihtwicklug di Taylortwicklug Motivatio: Es lig i Potrih olgdr Form vor: Durch Umorm rgibt sich: s s s s s K K K Für udlich groß rgibt sich im Wrtbrich < < i dlich Summ s. Dis lässt sich als Fuktio vo
Mehr7 Trigonometrische Polynome und FOURIER-Reihen
Prosemir Alysis 7 Trigoometrische Polyome ud FOURIER-Reihe 7 Trigoometrische Polyome ud FOURIER-Reihe I diesem Abschitt werde trigoometrische Polyome ud FOURIER-Reihe eigeführt ud eiige ihrer Eigeschfte
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
Mehr