Kapitel 6 Diskrete Wahrscheinlichkeitsräume
|
|
- Calvin Weiß
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel 6 Wahrscheinlichkeitsräume Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Die Laplace- Die Poisson- Lehrstuhl für Angewandte Mathematik 1 FAU Die einer ZV en von ZVen
2 Wahrscheinlichkeitsräume 1 Wahrscheinlichkeitsverteilungen auf höchstens abzählbaren Ergebnismengen 2 Die wichtigsten diskreten 3 und Varianz 4 () Die Laplace- Die Poisson- Die einer ZV en von ZVen
3 Problemstellung Wie beschreibt man eine Wahrscheinlichkeit P : A R bzw. P(A) durch eine Formel? bzw. Was muss man mindestens über P wissen, um im Prinzip P(A) für jedes Ereignis A berechnen zu können? Die Laplace- Laplace-Experimente Formel: Ausgangsbasis: P(A) = A Ω P{ω} = p Die Poisson- 1. Fall: Wahrscheinlichkeitsräume mit endlichen oder abzählbar unendlichen Ergebnismengen Ω. Oberbegriff: Ω ist abzählbar. Die einer ZV en von ZVen
4 Abzählbare Ergebnismengen Ist die Ergebnismenge Ω abzählbar, dann auch jede Teilmenge A Ω. A = {ω 1, ω 2,..., ω n,...} = {ω 1 } + {ω 2 } + + {ω n } + = k {ω k } = ω A{ω} Die Laplace- Sind alle einelementigen Mengen {ω} Elemente der σ-algebra A, so ist A A und P(A) = k P{ω k } = ω A P{ω} Die Poisson- Wegen P(A) = ω A P{ω} genügt die Kenntnis der f (ω) = P{ω} der Elementarereignisse, um die Wahrscheinlichkeit jedes beliebigen Ereignisses berechnen zu können. Die einer ZV en von ZVen
5 r Wahrscheinlichkeitsraum Ein Wahrscheinlichkeitsraum (Ω, A, P) mit einer abzählbaren Ergebnismenge Ω und der Ereignisalgebra A = 2 Ω heißt ein diskreter Wahrscheinlichkeitsraum. Die Wahrscheinlichkeitsverteilung P heißt in diesem Fall eine diskrete Wahrscheinlichkeitsverteilung. Die f : Ω R mit f (ω) = P{ω} heißt die Wahrscheinlichkeitsfunktion von P. Die Laplace- Die Poisson- Die einer ZV en von ZVen
6 Die Wahrscheinlichkeitsfunktion Wesentliche Eigenschaften der Wahrscheinlichkeitsfunktion: Satz P{ω} 0 f (ω) 0 P(Ω) = 1 ω Ω f (ω) = 1 Jede f : Ω R auf einer abzählbaren Menge Ω mit den Eigenschaften f (ω) 0 für alle ω Ω und ω Ω f (ω) = 1 legt durch P(A) = ω A f (ω) eine eindeutig bestimmte diskrete Wahrscheinlichkeitsverteilung P auf 2 Ω fest. ( ω f (ω) := 0) Die Laplace- Die Poisson- Die einer ZV en von ZVen
7 = π2 6 f (n) = 6 π 2 1 n 2 ist Wahrscheinlichkeitsfunktion zu einer Wahrscheinlichkeit auf Ω = {1, 2, 3,...}. Aber wozu ist die gut? Die Laplace- Die Poisson- Die einer ZV en von ZVen
8 Wahrscheinlichkeitsverteilungen Übersicht über die wichtigsten diskreten Wahrscheinlichkeitsverteilungen. Herleitung der Wahrscheinlichkeitsfunktion aus Eigenschaften von Zufallsexperimenten Sprechweise Eine diskrete Wahrscheinlichkeitsverteilung heißt auch kurz eine diskrete. Diese Kurzbezeichnung verwendet man meist dann, wenn die Ergebnismenge Ω eine Teilmenge eines R n ist. Die Laplace- Die Poisson- Die einer ZV en von ZVen
9 Die Laplace- Ist Ω ist eine endliche Menge, so ist f (ω) = 1 Ω eine Wahrscheinlichkeitsfunktion auf Ω. Bezeichnung Die Wahrscheinlichkeitsverteilung mit dieser Wahrscheinlichkeitsfunktion heißt Laplace- auf Ω oder kurz L(Ω)-. Anwendung Zufallsexperimente, bei denen jedes Ergebnis die gleiche Chance hat. Die Laplace- Die Poisson- Die einer ZV en von ZVen
10 K, N und n seien natürliche Zahlen mit 1 K < N und 1 n N Satz ( K )( N K ) k n k f (k) = ( N n) ist eine Wahrscheinlichkeitsfunktion auf Ω = {0, 1, 2,..., n} Beweis. Die Ereignisse B k : k schwarze Kugeln unter n gezogenen bilden eine Partition von ˆΩ N n : 1 = P(B 0 ) + P(B 1 ) + + P(B n ) = f (0) + f (1) + + f (n) Die Laplace- Die Poisson- Die einer ZV en von ZVen
11 Bezeichnung Die auf Ω = {0, 1, 2,..., n} mit der Wahrscheinlichkeitsfunktion ( K )( N K ) k n k f (k) = ( N n) heißt die Hypergeometrische mit Parametern N, K und n oder kurz H(N, K, n)-. Anwendung Zufallsexperimente, bei denen man die Ergebnisse als Anzahlen von schwarzen Kugeln unter n gezogenen interpretieren kann. Die Laplace- Die Poisson- Die einer ZV en von ZVen
12 p sei eine reelle Zahl mit 0 < p < 1 und q = 1 p. Satz f (k) = ( ) n p k q n k k ist eine Wahrscheinlichkeitsfunktion auf Ω = {0, 1, 2,..., n} Beweis. Nach der Binomialformel ist 1 = (p + q) n = n k=0 ( ) n p k q n k = k n f (k) k=0 Die Laplace- Die Poisson- Die einer ZV en von ZVen
13 Bezeichnung Die auf Ω = {0, 1, 2,..., n} mit der Wahrscheinlichkeitsfunktion ( ) n f (k) = p k q n k k heißt Binomialverteilung mit Parametern n und p oder kurz B(k; n, p)-. Anwendung Summe der Erfolge bei einer Bernoulli-Versuchsreihe. Die Laplace- Die Poisson- Die einer ZV en von ZVen
14 Wartezeit bis zum Eintreffen eines Ereignisses Ein Zufallsexperiment wird so lange wiederholt, bis ein bestimmtes Ereignis zum ersten Mal eintritt. Z.B. Würfeln so lange, bis eine Sechs kommt. Ergebnismenge ist Ω = N { } = {1, 2, 3,...} { } Dabei steht n N für das Ergebnis, dass das Ereignis beim n-ten Versuch zum ersten Mal eintritt und dafür, dass es niemals eintritt. Das Ereignis Es werden mehr als n Versuche benötigt wird in Ω durch die Menge A n = {n + 1, n + 2, n + 3,..., } mit n = 0, 1, 2,... beschrieben. Die Laplace- Die Poisson- Die einer ZV en von ZVen
15 Gedächtnislosigkeit Ansatz für eine Wahrscheinlichkeit P: Die Gedächtnislosigkeit der Versuchsreihe. Zum ist es nicht vorstellbar, dass sich ein Würfel beim (m + 1)-ten Wurf daran erinnert, dass bereits m-mal keine Sechs kam und daher die Wahrscheinlichkeit für das Eintreten einer Sechs erhöht. Gedächtnislosigkeit Für alle m, n = 0, 1, 2,... gilt Umformung P(A m+n A m ) = P(A n ) Wenn P(A n ) > 0 für alle n, dann ist das äquivalent zu bzw. P(A m+n A m ) P(A m ) = P(A n ) P(A m+n A m ) = P(A m )P(A n ) Die Laplace- Die Poisson- Die einer ZV en von ZVen
16 Gedächtnislosigkeit Wegen A m+n = {m + n + 1, m + n + 2,...} {m + 1, m + 2,...} = A m ist A m+n A m = A m+n und daher erhält man als Charakterisierung der Gedächtnislosigkeit Für alle m, n = 0, 1, 2,... gilt P(A m+n ) = P(A m )P(A n ) Konsequenz: Die Folge der Zahlen q n := P(A n ) erfüllt die Gleichungen q m+n = q m q n q 2 = q 1 q 1 = q 2 1 q 3 = q 2 q 1 = q 2 1q 1 = q 3 1 q 4 = q 3 q 1 = q1 3 q 1 = q1 4 usw. Die Laplace- Die Poisson- Die einer ZV en von ZVen
17 Die Wahrscheinlichkeitsfunktion Satz Mit q := q 1 = P(A 1 ) gilt für n = 0, 1, 2,...: P(A n ) = q n Anmerkung zum Fall n = 0: A 0 = Ω und P(A 0 ) = q 0 = 1. Berechnung der Wahrscheinlichkeitsfunktion: Für n = 1, 2, 3,... ist A n 1 = {n, n+1, n+2,...} = {n}+{n+1, n+2,...} = {n}+a n und daher Die Laplace- Die Poisson- P(A n 1 ) = P{n} + P(A n ) oder f (n) = P{n} = P(A n 1 ) P(A n ) = q n 1 q n = (1 q)q n 1 Die einer ZV en von ZVen
18 Die Wahrscheinlichkeitsfunktion Ist 0 < q < 1, so ergibt die Summation der Werte der Wahrscheinlichkeitsfunktion f (n) über alle natürlichen Zahlen (nicht über ) f (n) = (1 q) q n 1 = (1 q) q m 1 = (1 q) 1 q = 1 n=1 n=1 m=0 Daher ist zwangsläufig die Wahrscheinlichkeit, dass das Ereignis niemals eintritt, nämlich f ( ) = 0. Bei der der der Wartezeit unter Gedächtnislosigkeit lässt man das Ergebnis daher weg. Die Laplace- Die Poisson- Die einer ZV en von ZVen
19 Sei q eine reelle Zahl mit 0 < q < 1 und p := 1 q. Dann heißt die diskrete auf der Menge N = {1, 2, 3,...} der natürlichen Zahlen mit der Wahrscheinlichkeitsfunktion f (n) = pq n 1 die geometrische mit Parameter p oder kurz G(p)-. Anwendung beschreibt die Wartezeit für das erstmalige Eintreten eines Ereignisses unter der Annahme der Gedächtnislosigkeit. Die Laplace- Die Poisson- Die einer ZV en von ZVen
20 Interpretation des Parameters p p = f (1) ist die Wahrscheinlichkeit, dass das Ereignis gleich beim ersten Versuch eintritt. Wartet man beim Würfeln mit einem regulären Würfel auf eine Sechs, so ist also p = 1/6 zu setzen. Die Laplace- Die Poisson- Die einer ZV en von ZVen
21 Die Poisson- Sei µ eine reelle Zahl mit µ > 0. Dann heißt die diskrete auf der Menge N 0 = {0, 1, 2, 3,...} der nichtnegativen ganzen Zahlen mit der Wahrscheinlichkeitsfunktion f (k) = µk k! e µ die Poisson- mit Parameter µ oder kurz P(k; µ)-. Anwendung Die Poisson- beschreibt die Häufigkeit des Eintreten eines Ereignisses, das zu zufälligen Zeitpunkten eintritt. Die Laplace- Die Poisson- Die einer ZV en von ZVen
22 Die Poisson- Interpretation des Parameters µ Strebt in der B(k; n, p)- n und p 0 so, dass np = µ konstant bleibt, dann lim B(k; n, p) = µk n k! e µ für k = 0, 1, 2,... np=µ Die Laplace- Es gilt mit p = µ n : Folgerung ( lim 1 µ ) n = e µ. n n Die Poisson- B(k; n, p) P(k; np) für n 1 und p 1. Die einer ZV en von ZVen
23 Die Wahrscheinlichkeit, dass ein bestimmtes Serum von einem Patienten nicht vertragen wird sei p = Es werden 2000 Personen geimpft. Sei k die Anzahl der durch die Impfung erkrankten Personen, dann gilt: B(k; 2000, 0.001) P(k; 2). Für k = 1,..., 7 stimmen die Näherungen auf mindestens drei Stellen mit dem exakten Wert überein. Speziell B(0; 2000, 0.001) e 2 = 0.135, B(1; 2000, 0.001) 2 e 2 = 0.271, Die Laplace- Die Poisson- B(2; 2000, 0.001) 22 2 e 2 = 0.271, B(3; 2000, 0.001) 23 6 e 2 = Die einer ZV en von ZVen
24 Eine diskrete mit einer Ergebnismenge Ω N 0 kann man als eine auf der Ergebnismenge N 0 ansehen, wenn man die Wahrscheinlichkeitsfunktion f (n) für n Ω gleich f (n) := 0 setzt. D.h. man ersetzt die Aussage Das Ergebnis n ist nicht möglich durch Das Ereignis {n} hat die Wahrscheinlichkeit Null, was für die Berechnung von äquivalent ist. Ist P eine diskrete auf N 0 mit der Wahrscheinlichkeitsfunktion f (n), so heißt die ˆf (z) := f (n)z n n=0 für 0 z 1 die erzeugende von P Die Laplace- Die Poisson- Die einer ZV en von ZVen
25 Wegen f (n) 0 und n=0 f (n) = 1 besitzt die Potenzreihe f (n)z n n=0 einen Konvergenzradius R 1 und es gilt ˆf (1) = f (n) = 1 n=0 Die Laplace- Die Poisson- Die einer ZV en von ZVen
26 : der Binomialverteilung. Die Binomialformel liefert ˆf n ( ) n (z) = f (k)z k = p k q n k z k k k=0 k=0 n ( ) n = (pz) k q n k k k=0 = (pz + q) n = (1 + p(z 1)) n Die Laplace- Die Poisson- Die einer ZV en von ZVen
27 Ist ˆf (z) die erzeugende einer P mit der Potenzreihenentwicklung ˆf (z) = a0 + a 1 z + a 2 z a n z n + um z = 0, so folgt aus der Eindeutigkeit der Potenzreihendarstellung, dass a n = f (n) der Wert der Wahrscheinlichkeitsfunktion an der Stelle n ist. Jeder Wahrscheinlichkeitsfunktion f entspricht also genau eine erzeugende ˆf und umgekehrt. Für diskrete auf N 0 ist die erzeugende eine zur sfunktion äquivalente Charakterisierung. Die Laplace- Die Poisson- Die einer ZV en von ZVen
28 (X, 2 X, P) sei ein diskreter Wahrscheinlichkeitsraum mit X R. Die Wahrscheinlichkeitsfunktion f : X R enthält die vollständige Information über P. Wir suchen Kenngrößen mit summarischer Information, die die allgemeine Gestalt der P charakterisieren. Die wichtigsten Kenngrößen sind Mittelwert und Varianz Sie sind Spezialfälle der sogenannten absoluten und zentralen Momente Die Laplace- Die Poisson- Die einer ZV en von ZVen
29 Die Formel für den Mittelwert einer kann man auf zwei Weisen herleiten: 1 Aus Häufigkeitsbetrachtungen bei der Wiederholung eines Zufallsexperiments: Der statistische Mittelwert. 2 In Analogie zur Physik als Schwerpunkt der Wahrscheinlichkeitsmasse. Die Laplace- Die Poisson- Die einer ZV en von ZVen
30 Der statistische Mittelwert Als für den statistischen Mittelwert betrachten wir die Prämienberechnung bei einer Kfz-Versicherung: N sei Anzahl der Versicherungsnehmer (VN) x = 0, 1, 2,... seien die möglichen Schadenssummen pro Jahr (in 1000 EURO), die ein VN meldet. Nachträgliche Berechnung der mittleren Schadenssumme pro VN: A N {x}: Anzahl der VN mit Schadenshöhe x S = x=0 x A N{x}: Gesamtschaden x = S : durchschnittlicher Schaden pro VN und Jahr N Statistischer Mittelwert x = x=0 x A N{x} N = xh N {x} x=0 Die Laplace- Die Poisson- Die einer ZV en von ZVen
31 Theoretischer Mittelwert x = x=0 x A N{x} N = xh N {x} x=0 Prämienkalkulation P{x}: Wahrscheinlichkeit, mit der ein VN den Schaden x produziert. Theoretischer Mittelwert: Schätzwert für den mittleren Schaden pro VN m 1 (P) = xp{x} = xf (x) x=0 x=0 Die Laplace- Die Poisson- Prämie = Theoretischer Mittelwert + Sicherheitsaufschlag + Verwaltungskosten Die einer ZV en von ZVen
32 Physikalische Interpretation Wir interpretieren den Wahrscheinlichkeitsraum (X, 2 X, P) mit abzählbarem X R als unendlich langen masselosen Stab, auf dem an den Positionen x X Massenpunkte mit der (Wahrscheinlichkeits-) Masse P{x} sitzen. Der Schwerpunkt dieses Systems ist x X xp{x} x = x X P{x} = x X xp{x} = xf (x) P(X ) x X Die Laplace- Die Poisson- Die einer ZV en von ZVen
33 einer diskreten P sei eine diskrete auf einer abzählbaren Teilmenge X R der reellen Zahlen mit der Wahrscheinlichkeitsfunktion f (x). Falls x X x f (x) <, heißt m 1 = m 1 (P) = x X der Mittelwert der P. x f (x) Falls die Summe nicht absolut konvergiert und damit der Wert eventuell von der Summationsreihenfolge abhängig ist, sagt man, dass die P keinen Mittelwert besitzt. Die Laplace- Die Poisson- Die einer ZV en von ZVen
34 der Poissonverteilung m 1 (P) = n=0 µ µn ne = µe µ n=1 = µe µ = µ n=0 n! = n=1 µ n 1 (n 1)! µ µn ne n! µ n n! = µe µ e µ Die Laplace- Die Poisson- Die einer ZV en von ZVen
35 der geometrischen m 1 = npq n 1 d = p dq qn = p n=1 n=1 ( = p d ) q n = p d dq dq n=0 1 = p (1 q) 2 = p 1 p 2 = 1 p n=0 ( 1 ) 1 q d dq qn Die Laplace- Die Poisson- Die einer ZV en von ZVen
36 Ist für k {1, 2, 3,...} die Summe x X x k f (x) <, so heißt m k = m k (P) = x k f (x) x X das k-te (absolute) Moment der P. Andernfalls sagt man, dass die P kein k-tes Moment besitzt. Berechnung Für den Fall, dass X [0, ), gibt es als Berechnungsverfahren für die absoluten Momente die momenterzeugende Die Laplace- Die Poisson- Die einer ZV en von ZVen
37 Die momenterzeugende Für einen diskreten Wahrscheinlichkeitsraum (X, 2 X, P) mit X [0, ), der Wahrscheinlichkeitsfunktion f (x) und t < 0 heißt M(t) = e tx f (x) x X die momenterzeugende von P. Eigenschaften M(0) = x X f (x) = 1 Ableitungen nach t dürfen summandenweise gebildet werden Die Laplace- Die Poisson- Die einer ZV en von ZVen
38 Ableitungen 1. Ableitung 2. Ableitung M (t) = d 2 k-te Ableitung M (t) = d dt M(t) = x X dt 2 M(t) = d dt M (t) = x X M (k) (t) = d k dt k M(t) = x X t etx f (x) = xe tx f (x) x X t xetx f (x) = x 2 e tx f (x) x X k t k etx f (x) = x k e tx f (x) x X Die Laplace- Die Poisson- Die einer ZV en von ZVen
39 Berechnung der Momente Weitere Eigenschaft Der Limes t 0 darf bei allen Ableitungen mit der Summe vertauscht werden. Berechnung der absoluten Momente M (k) (0) := lim M (k) (t) = lim x k e tx f (x) = x k f (x) t 0 t 0 x X x X = m k (P) Falls das k-te Moment nicht existiert, erhält man da alle Summanden nichtnegativ sind für M (k) (0) den Wert. Die Laplace- Die Poisson- Die einer ZV en von ZVen
40 Die Poissonverteilung Mit e tn = (e t ) n ist M(t) = (e t ) n e n=0 µ µn n! = (e t µ) n e µ = e µ e et µ n! n=0 = e µ(et 1) M (t) = M(t)µe t m 1 = M (0) = µ Produktregel: M (t) = M (t)µe t + M(t)µe t m 2 = M (0) = µ 2 + µ Die Laplace- Die Poisson- Die einer ZV en von ZVen
41 M(t) = = (e t ) n pq n 1 = pe t (qe t ) n 1 = pe t n=1 pe t 1 qe t n=1 n=0 M (t) = (pet )(1 qe t ) (pe t )( qe t ) pe t (1 qe t ) 2 = (1 qe t ) 2 m 1 = M (0) = p (1 q) 2 = 1 p M (t) = (M (t)) =... = pet (1 + qe t ) (1 qe t ) 3 m 2 = M (0) = p(1 + q) (1 q) 3 = 1 + q p 2 (qe t ) n Die Laplace- Die Poisson- Die einer ZV en von ZVen
42 Interpretation Mittlere (quadratische) Abweichung der Ergebnisse vom Mittelwert Trägheitsmoment als Maß für die Streuung der Wahrscheinlichkeitsmasse um den Schwerpunkt Die Laplace- Ist P eine diskrete auf X R mit der Wahrscheinlichkeitsfunktion f und existiert der Mittelwert m 1 (P), so heißt die Größe ˆm 2 = ˆm 2 (P) = x X(x m 1 (P)) 2 f (x) Die Poisson- die Varianz der P. Divergiert diese Summe, so spricht man von einer unendlichen Varianz. Die einer ZV en von ZVen
43 Der Steinersche Satz Berechnung der Varianz ˆm 2 = x X(x m 1 ) 2 f (x) = x X(x 2 2m 1 x + m1)f 2 (x) = x 2 f (x) 2m 1 xf (x) + m1 2 f (x) x X x X x X = m 2 2m 1 m 1 + m1 2 = m 2 m1 2 Die Laplace- Die Poisson- Die einer ZV en von ZVen
44 Poissonverteilung ˆm 2 = (µ 2 + µ) (µ) 2 = µ Geometrische Die Laplace- ˆm 2 = 1 + q p 2 ( ) 2 1 = q p p 2 Die Poisson- Die einer ZV en von ZVen
45 Die Ungleichung von Tschebyscheff Abschätzung der Wahrscheinlichkeit, dass man ein Ergebnis erhält, das vom Mittelwert weit entfernt liegt: Theorem Beweis. B ε = {x X ; x m 1 (P) > ε} ˆm 2 (P) P(B ε ) ˆm 2(P) ε 2 Für x B ε ist (x m 1 (P)) 2 > ε 2 ˆm 2 (P) ε 2 x B ε (x m 1 (P)) 2 f (x) x B ε f (x) = ε 2 P(B ε ) Die Laplace- Die Poisson- Die einer ZV en von ZVen
46 Für k = 2, 3,... heißen die Größen ˆm k (P) = x X(x m 1 (P)) k f (x) soweit sie existieren, die k-ten zentralen Momente der P. Die Laplace- Die Poisson- Die einer ZV en von ZVen
47 (Ω, A, P) sei ein Wahrscheinlichkeitsraum, X eine abzählbare Teilmenge von R und X : Ω X eine, die jedem Ergebnis ω Ω des Zufallsexperiments einen Wert X(ω) X zuordnet. Man interessiert sich für die Wahrscheinlichkeit der Ereignisse X nimmt bei Durchführung des Experiments einen Wert in einer vorgegebenen Menge A an. X nimmt bei Durchführung des Experiments einen Wert y X an. Die Laplace- Die Poisson- Die einer ZV en von ZVen
48 Diese Ereignisse werden durch die Urbildmengen bzw. (X A) = {ω Ω ; X(ω) A} (X = y) = {ω Ω ; X(ω) = y} = (X {y}) von A bzw. {y} unter der Abbildung X beschrieben. Damit man überhaupt von Ereignissen oder der Wahrscheinlichkeit dieser Ereignisse sprechen kann, müssen diese Urbilder im sbereich der Wahrscheinlichkeit P, d.h. in der σ-algebra A liegen. X heisst diskrete, wenn für alle A X gilt: (X A) A. Ist X eine diskrete, so ist die Wahrscheinlichkeit P(X A), dass X einen Wert in der Menge A annimmt, wohldefiniert. Die Laplace- Die Poisson- Die einer ZV en von ZVen
49 Rechenregeln für Urbilder Für das weitere werden einige Eigenschaften der Mengenabbildung A (X A) benötigt. Rechenregeln 1 (X A B) = (X A) (X B) 2 (X A B) = (X A) (X B) 3 A B = (X A) (X B) = 4 Daraus folgt insbesondere (X A + B) = (X A) + (X B) 5 (X X ) = Ω 6 Für A = {y 1, y 2, y 3,...} ist (X A) = (X = y 1 ) + (X = y 2 ) + = y A(X = y) Die Laplace- Die Poisson- Die Identitäten beweist man nach dem Schema: ω ist ein Element der linken Seite genau dann, wenn es ein Element der rechten Seite ist. Die einer ZV en von ZVen
50 Aus Regel 6 erhält man eine einfachere Charakterisierung einer diskreten n: Theorem X ist eine diskrete, wenn für alle y X gilt: (X = y) A. Die Laplace- Beweis. Jede Teilmenge A X ist abzählbar: A = {y 1, y 2, y 3,...} Für jedes k ist (X = y k ) A Dann ist auch (X A) = (X = y 1 ) + (X = y 2 ) + (X = y 3 ) + A Die Poisson- Es muss also nur nachgeprüft werden, ob (X = y) A für alle y X. Die einer ZV en von ZVen
51 Die einer n Durch P X (A) := P(X A) wird eine Mengenfunktion P X auf den Teilmengen von X definiert. Ω X X Die Laplace- Die Poisson- P(X A) P X (A) Die einer ZV en von ZVen
52 einer n Theorem Die Abbildung P X : 2 X R definiert durch P X (A) = P(X A) ist eine diskrete Wahrscheinlichkeitsverteilung auf X mit der Wahrscheinlichkeitsfunktion f X (y) = P(X = y). Beweis. Axiom 1: 0 P(X A) 1 0 P X (A) 1 Axiom 2: (X X ) = Ω P X (X ) = P(Ω) = 1 Axiom 3: P X (A + B) = P(X A + B) = P[(X A) + (X B)] = P(X A) + P(X B) = P X (A) + P X (B) Axiom 4: Genauso zeigt man P X ( k A k) = k PX (A k ) f X (y) = P X {y} = P(X {y}) = P(X = y) Die Laplace- Die Poisson- Die einer ZV en von ZVen
53 Die einer n Bezeichnungen P X heißt die der n X f X (y) heißt die Wahrscheinlichkeitsfunktion der n X Die Laplace- Schematische Darstellung (Ω, A, P) X (X, 2 X, P X ) Die Poisson- Die einer ZV en von ZVen
54 en von n Berechnung der einer Z = F (X, Y ) aus den von X und Y. : Die Summe zweier r X : Ω N 0, Y : Ω N 0 Bekannt sei f X (n) = P X {n} = P(X = n) und f Y (n) = P Y {n} = P(Y = n) Frage: Ist Z (ω) := X(ω) + Y (ω) eine und wie berechnet man f Z (n)? Ansatz Wegen f Z (n) = P(Z = n) muss zunächst (Z = n) mit Hilfe von X und Y dargestellt werden. Die Laplace- Die Poisson- Die einer ZV en von ZVen
55 Die Summe von n Das Prinzip sieht man am besten mit einem konkreten n, hier n = 3: Z (ω) = 3 X(ω) = 0 und Y (ω) = 3 oder (X(ω) = 1 und Y (ω) = 2) oder (X(ω) = 2 und Y (ω) = 1) oder (X(ω) = 3 und Y (ω) = 0) {ω ; Z (ω) = 3} = = (Z = 3) = 3 {ω ; X(ω) = k und Y (ω) = 3 k} k=0 3 {ω ; X(ω) = k} {ω ; Y (ω) = 3 k} k=0 3 (X = k) (Y = 3 k) k=0 Die Laplace- Die Poisson- Die einer ZV en von ZVen
56 Die Summe von n Allgemein gilt offensichtlich (Z = n) = n (X = k) (Y = n k) k=0 Daraus folgt auch schon, dass Z eine ist, denn für alle n und k gilt: X (X = k) A Y (Y = n k) A A Mengenalgebra (Z = n) A D.h. Z ist Wahrscheinlichkeitsfunktion f Z (n) = P Z {n} = P(Z = n) n = P[(X = k) (Y = n k)] k=0 Die Laplace- Die Poisson- Die einer ZV en von ZVen
57 Stochastische Unabhängigkeit f Z (n) = n P[(X = k) (Y = n k)] k=0 Um weiterrechnen zu können, benötigt man eine Produktregel P[(X = k) (Y = n k)] = P(X = k)p(y = n k) Diese ist aber nicht automatisch gegeben, sondern eine zusätzliche Eigenschaft, die man fordern muss: Die stochastische Unabhängigkeit von n: X 1, X 2,..., X m auf einem Wahrscheinlichkeitsraum (Ω, A, P) mit Werten in Mengen X 1, X 2,..., X m heißen stochastisch unabhängig, wenn für beliebige Teilmengen A 1 X 1, A 2 X 2,..., A m X m gilt P [(X 1 A 1 ) (X 2 A 2 )... (X m A m )] = P(X 1 A 1 )P(X 2 A 2 ) P(X m A m ) Die Laplace- Die Poisson- Die einer ZV en von ZVen
58 Die Summe von n Sind X und Y stochastisch unabhängig, so gilt f Z (n) = = = Die Faltung n P(X = k)p(y = n k) k=0 n P X {k} P Y {n k} k=0 n f X (k) f Y (n k) k=0 Die Wahrscheinlichkeitsfunktion f X f Y mit n f X f Y (n) = f X (k) f Y (n k) k=0 heißt die Faltung der Wahrscheinlichkeitsfunktionen f X und f Y. Die Laplace- Die Poisson- Die einer ZV en von ZVen
59 Die Summe von n Folgerung Sind X und Y stochastisch unabhängige N 0 -wertige, so gilt f X+Y = f X f Y Die Laplace- Die Poisson- Die einer ZV en von ZVen
60 X und Y seien stochastisch unabhängig und Poisson-verteilt mit Parametern λ bzw. µ: f X+Y (n) = f X λ λk (k) = e k! f Y µ µm (m) = e m! n e k=0 λ λk k! = e (λ+µ) n k=0 = e (λ+µ) 1 n! e µ µn k (n k)! 1 k!(n k)! λk µ n k n k=0 = e (λ+µ) (λ + µ)n n! ( ) n λ k µ n k k Die Laplace- Die Poisson- Die einer ZV en von ZVen
61 Folgerung Theorem Sind X und Y stochastisch unabhängige und mit Parametern λ bzw. µ Poisson-verteilte, so ist ihre Summe X + Y eine mit Parameter λ + µ Poisson-verteilte. Die Laplace- Die Poisson- Die einer ZV en von ZVen
62 Der Sei X R abzählbar, X : Ω X eine diskrete und f X (y) = P X {y} = P(X = y) die Wahrscheinlichkeitsfunktion von X m 1 (P X ) = y X y f X (y) Die Laplace- der von X heißt auch der der n X. m 1 (P X ) = E P X = EX Die Poisson- Ist der Wahrscheinlichkeitsraum (Ω, A, P), auf dem X definiert ist, diskret, so kann man EX auf eine andere Weise berechnen. Die einer ZV en von ZVen
63 Der (Ω, A, P) sei ein diskreter Wahrscheinlichkeitsraum mit der Wahrscheinlichkeitsfunktion f (ω) = P{ω}. Die Ereignisse B y = (X = y) = {ω ; X(ω) = y} sind abzählbar und bilden eine Partition von Ω: y 1 y 2 B y1 B y2 = und y X B y = y X(X {y}) = (X y X {y}) = (X X ) = Ω Die Laplace- Die Poisson- Die einer ZV en von ZVen
64 Der m 1 (P X ) = y f X (y) = y P(B y ) y X y X = y f (ω) y X ω By = (y f (ω)) y X ω B y Für ω B y ist y = X(ω): m 1 (P X ) = X(ω)f (ω) y X ω B y = X(ω)P{ω} y X ω B y y X ω B y... = ω Ω...: m 1 (P X ) = ω Ω X(ω)P{ω} Die Laplace- Die Poisson- Die einer ZV en von ZVen
65 Der Theorem Falls der einer diskreten n X auf einem diskreten Wahrscheinlichkeitsraum (Ω, A, P) existiert, ist E P X = ω Ω X(ω)P{ω} Die Laplace- Die Poisson- Die einer ZV en von ZVen
66 Der Beim Würfelspiel Die verflixte Sechs kann man eine beliebige Anzahl von Würfeln vom Tisch nehmen und werfen. Ist unter den geworfenen Augenzahlen mindestens eine Sechs, so ist der Gewinn Null. Andernfalls erhält man die Summe der geworfenen Augenzahlen als Gewinn gutgeschrieben. Wieviele Würfel sollte man nehmen? Die Laplace- Die Poisson- Die einer ZV en von ZVen
67 Werfen von n regulären Würfeln: Laplace-Experiment mit Ω n = {ω = (w 1, w 2,..., w n ) ; w i {1,..., 6}} Ω n = 6 n, f n (ω) = P n {ω} = 1/6 n. Gewinnfunktion: Mit ist A n = {ω = (w 1, w 2,..., w n ) ; w i {1,..., 5}} X n (ω) = { w1 + w w n falls ω A n 0 sonst der Gewinn bei Ergebnis ω = (w 1, w 2,..., w n ). Die Laplace- Die Poisson- Die einer ZV en von ZVen
68 Kriterium für die optimale Anzahl von Würfeln: g n = EX n = E Pn X n = X n (ω)p n {ω} ω Ω g n = 1 6 n w 1 + w w n ω A n Die Laplace- Die Poisson- Die einer ZV en von ZVen
69 Überschlagsrechnung: Mittlerer Gewinn pro Spiel bei N Runden: Positiver Gewinn bei ungefähr M = P(A n )N = A n Ω n N = ( ) n 5 N 6 Runden. Bei M Runden insgesamt Mn Würfe, wobei die fünf Augenzahlen 1, 2, 3, 4, 5 etwa gleich oft, d.h. Mn/5-mal vertreten sind. Die Gesamtsumme der geworfenen Augenzahlen ist daher ( ) n Mn 5 ( ) = 3n N 5 6 Die Laplace- Die Poisson- Die einer ZV en von ZVen
70 Mittlere Augenzahlsumme pro Runde g n = 3n ( ) n 5 6 Durch vollständige Induktion nach n beweist man, dass die Überschlagsrechnung das korrekte Ergebnis liefert: Welches n ist optimal? g n = EX n = 3n ( ) n 5 6 Die Laplace- Die Poisson- Die einer ZV en von ZVen
71 g n+1 = 5 n + 1 = g n 6 n > 1 für n < 5 = 1 für n = 5 < 1 für n > 5 Denn z.b. 5 n + 1 > 1 5(n + 1) > 6n 5n + 5 > 6n 5 > n 6 n Daher ist g 1 < g 2 < g 3 < g 4 < g 5 = g 6 > g 7 > g 8 >... Die Laplace- Die Poisson- Die einer ZV en von ZVen
Kapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrVertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 5.6.2013 8. Unabhängigkeit von Zufallsgrößen, Erwartungswert und Varianz 8.1
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
Mehr8 Zufallsvariablen und Verteilungen. Themen: Zufallsvariablen Verteilungen Gesetz der großen Zahlen
8 Zufallsvariablen und Verteilungen Themen: Zufallsvariablen Verteilungen Gesetz der großen Zahlen 8.1 Zufallsvariablen (Ω, P) = Wahrscheinlichkeitsraum. X : Ω Ê heißt Zufallsvariable. 8.1 Zufallsvariablen
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrDie Probabilistische Methode
Die Probabilistische Methode Wladimir Fridman 233827 Hauptseminar im Sommersemester 2004 Extremal Combinatorics Zusammenfassung Die Probabilistische Methode ist ein mächtiges Werkzeug zum Führen von Existenzbeweisen.
MehrVorkurs Mathematik. Christoph Hindermann. Wahrscheinlichkeitstheorie
Kapitel 4 Christoph Hindermann Vorkurs Mathematik 1 4.0 Motivation Wenn 100 Münzen geworfen werden, wie ist dann die Wahrscheinlichkeit, dass genau 50 davon Kopf zeigen? Angenommen, es befinden sich 300
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung - 2017 Bemerkung: Sei X = (X 1,..., X n ) Zufallsvektor. Der n dimensionale Vektor ( ) E(X ) = E(X 1 ),..., E(X n ) ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N (0,
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 stheorie: Grundbegriffe Prof. Dr. Achim Klenke http://www.aklenke.de 5. Vorlesung: 25.11.2011 1/33 Inhalt 1 Zufallsvariablen 2 Ereignisse 3 2/33 Zufallsvariablen Eine Zufallsvariable
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrKapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine diskrete reellwertige Zufallsvariable, d.h. eine ZV e mit Wertebereich R (oder einer Teilmenge davon), sodass eine
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
MehrStatistik für Ingenieure Vorlesung 4
Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
MehrHauptklausur zur Stochastik für Lehramt
Universität Duisburg-Essen Essen, den 20.02.203 Fakultät für Mathematik Dr. Daniel Herden Dipl.-Inf. Christian Thiel Matthias aus der Wiesche Hauptklausur zur Stochastik für Lehramt Bearbeitungszeit: mind.
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrAllgemeine diskrete Wahrscheinlichkeitsräume I
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrKombinatorik kompakt. Stochastik WS 2016/17 1
Kombinatorik kompakt Stochastik WS 2016/17 1 Übersicht Auswahl/Kombinationen von N aus m Elementen Statistische unterscheidbare ununterscheidbare Physik Objekte (gleiche) Objekte ( ohne m N m+n 1 ) N mit
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II. Beispiel II. Beispiel I. Definition 6.3 (Diskreter Wahrscheinlichkeitsraum)
Allgemeine diskrete Wahrscheinlichkeitsräume I Allgemeine diskrete Wahrscheinlichkeitsräume II Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete Wahrscheinlichkeitsräume Ω endlich
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrLösungsskizzen zur Präsenzübung 09
Lösungsskizzen zur Präsenzübung 09 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 2016 von:
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrKapitel 6. Irrfahrten und Bernoullischemata
Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten
Mehr4 Diskrete Zufallsvariablen
25 4 Diskrete Zufallsvariablen 4.1 Einleitung Die Ergebnisse von Zufallsvorgängen sind nicht notwendigerweise Zahlen. Oft ist es aber hilfreich diese durch Zahlen zu repräsentieren. Beispiel 4.1 (4-maliger
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
MehrKAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN
htw saar 1 KAPITEL 3 DISKRETE ZUFALLSVARIABLEN UND VERTEILUNGEN htw saar 2 Gliederung 18.01. Was sind Zufallsvariablen? Charakteristika einer Zufallsvariablen: Verteilung, Erwartungswert und Varianz Ausgewählte
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
Mehr