Vorlesung 7b1. Der Zentrale Grenzwertsatz. Einführung und Erlebnis
|
|
- Oskar Heintze
- vor 5 Jahren
- Abrufe
Transkript
1 Vorlesung 7b1 Der Zentrale Grenzwertsatz Einführung und Erlebnis
2 Die Normalverteilung
3 Dichte ϕ der Standardnormalverteilung ϕ(x) x
4 ϕ(x) Die Gaußsche Glocke x
5 Die Standardnormalverteilung
6 Die Standardnormalverteilung Dichte:
7 Die Standardnormalverteilung Dichte: ϕ(x) := 1 2π e x2 /2
8 Die Standardnormalverteilung Dichte: ϕ(x) := 1 2π e x2 /2 Verteilungsfunktion:
9 Die Standardnormalverteilung Dichte: ϕ(x) := 1 2π e x2 /2 Verteilungsfunktion: Φ(a) := 1 2π a e x2 /2 dx
10 Die Standardnormalverteilung Dichte: ϕ(x) := 1 2π e x2 /2 Verteilungsfunktion: Φ(a) := 1 2π a e x2 /2 dx Z standardnormalverteilt:
11 Die Standardnormalverteilung Dichte: ϕ(x) := 1 2π e x2 /2 Verteilungsfunktion: Φ(a) := 1 2π a e x2 /2 dx Z standardnormalverteilt: P( Z < a ) = Φ(a)
12 Die Standardnormalverteilung EZ = 0 σ Z = 1
13 Die Standardnormalverteilung EZ = 0 σ Z = 1 Die allgemeine Normalverteilung N = µ + τz
14 Die Standardnormalverteilung EZ = 0 σ Z = 1 Die allgemeine Normalverteilung N = µ + τz EN = µ σ N = τ
15 Die Standardnormalverteilung EZ = 0 σ Z = 1 Die allgemeine Normalverteilung N = µ + τz EN = µ σ N = τ
16 Dichte ϕ der Standardnormalverteilung ϕ(x) x
17 ϕ(x) P( Z < 1) x
18 ϕ(x) Φ(1) Φ( 1) x
19 ϕ(x) P( Z < 2 ) x
20 Und für allgemeine normalverteilte Zufallsgrößen N? ϕ(x) x
21 ϕ(x) Dasselbe in grün x
22 P( N EN < σ N ) 0.68 ϕ(z) z = (x EN)/σ(N)
23 P( N EN < 2σ N ) 0.95 ϕ(z) z = (x EN)/σ N
24 Der Zentrale Grenzwertsatz
25 Die Summe von vielen kleinen, unabhängigen Summanden
26 Die Summe von vielen kleinen, unabhängigen Summanden ist annähernd normalverteilt.
27 DER ZENTRALE GRENZWERTSATZ
28 DER ZENTRALE GRENZWERTSATZ Seien X 1, X 2,... unabhängige, identisch verteilte Zufallsgrößen.
29 DER ZENTRALE GRENZWERTSATZ Seien X 1, X 2,... unabhängige, identisch verteilte Zufallsgrößen. Sei S n := X X n
30 DER ZENTRALE GRENZWERTSATZ Seien X 1, X 2,... unabhängige, identisch verteilte Zufallsgrößen. Sei S n := X X n und Z n := (S n ES n ) / σ Sn.
31 DER ZENTRALE GRENZWERTSATZ Seien X 1, X 2,... unabhängige, identisch verteilte Zufallsgrößen. Sei S n := X X n und Z n := (S n ES n ) / σ Sn. ( EZ n = 0 σ Zn = 1. )
32 Dann gilt: Z n ist asymptotsich standardnormalverteilt.
33 Dann gilt: Z n ist asymptotsich standardnormalverteilt. Das heißt: P( Z n < a ) Φ(a).
34 Geschichte des Zentralen Grenzwertsatzes
35 Abraham de Moivre
36 Der faire Münzwurf (1733)
37 Pierre-Simon Laplace
38 Allgemeine binomiale Zufallsgrößen (1812)
39 Pafnuty Lvovich Chebyshev
40 P( X EX > kσ ) 1 k 2 (1846)
41 Andrei Andreyevich Markov
42 Allgemeiner zentraler Grenzwertsatz
43 Aleksandr Mikhailovich Lyapunov
44 Noch allgemeiner (1906)
45 Nehmen wir an, diese Herren hätten sich auf ihre vielen anderen Interessen beschränkt.
46 Nehmen wir an, diese Herren hätten sich auf ihre vielen anderen Interessen beschränkt. ZENTRALER GRENZWERTSATZ Unbekannt Könnten wir ihn entdecken? Wie kämen wir auf e x2 /2?
47 Nehmen wir an, diese Herren hätten sich auf ihre vielen anderen Interessen beschränkt. ZENTRALER GRENZWERTSATZ Unbekannt.
48 Nehmen wir an, diese Herren hätten sich auf ihre vielen anderen Interessen beschränkt. ZENTRALER GRENZWERTSATZ Unbekannt. Könnten wir ihn entdecken?
49 Nehmen wir an, diese Herren hätten sich auf ihre vielen anderen Interessen beschränkt. ZENTRALER GRENZWERTSATZ Unbekannt. Könnten wir ihn entdecken? Wie kämen wir auf ϕ?
50 Nehmen wir an, diese Herren hätten sich auf ihre vielen anderen Interessen beschränkt. ZENTRALER GRENZWERTSATZ Unbekannt. Könnten wir ihn entdecken? Wie kämen wir auf ϕ? Warum gerade e x2 /2?
51 BEISPIEL
52 BEISPIEL Rundungsfehler bei Addition
53 In Wirklichkeit π =
54 In Wirklichkeit π = Im Rechner
55 In Wirklichkeit π = Im Rechner π
56 MODELL
57 MODELL Zahl = Rechnerdarstellung + Rundungsfehler.
58 MODELL Zahl = Rechnerdarstellung + Rundungsfehler. a = a [R] + εx ε = 10 15
59 MODELL Zahl = Rechnerdarstellung + Rundungsfehler. a = a [R] + εx ε = X uniformverteilt auf [ 0.5, 0.5].
60 MODELL Zahl = Rechnerdarstellung + Rundungsfehler. a = a [R] + εx ε = X uniformverteilt auf [ 0.5, 0.5]. n1 a i =?
61 MODELL Zahl = Rechnerdarstellung + Rundungsfehler. a = a [R] + εx ε = X uniformverteilt auf [ 0.5, 0.5]. n1 a i =? n1 a i = n 1 a [R] i + ε n 1 X i
62 MODELL Zahl = Rechnerdarstellung + Rundungsfehler. a = a [R] + εx ε = X uniformverteilt auf [ 0.5, 0.5]. n1 a i =? n1 a i = n 1 a [R] i + ε n 1 X i Wie groß ist der Fehler?
63 MODELL Zahl = Rechnerdarstellung + Rundungsfehler. a = a [R] + εx ε = X uniformverteilt auf [ 0.5, 0.5]. n1 a i =? n1 a i = n 1 a [R] i + ε n 1 X i Wie groß ist der Fehler? n1 X i?
64 Empirische Verteilung von S n := X X n
65 Empirische Verteilung von S n := X X n Simulationen
66 Empirische Verteilung von S n := X X n Simulationen n = 1, 2,..., 10
67 Empirische Verteilung von S n := X X n Simulationen n = 1, 2,..., 10 n = 15, 20,..., 100
68 f X (x) Dichte f X der Verteilung von X x
69 Dichte f X der Verteilung von X f X (x) EX = x
70 Dichte f X der Verteilung von X f X (x) EX = xf X (x)dx EX = x
71 Dichte f X der Verteilung von X f X (x) EX = xdx EX = x
72 Dichte f X der Verteilung von X f X (x) EX = 1 2 x EX = x
73 Dichte f X der Verteilung von X f X (x) EX = 0 EX = x
74 Dichte f X der Verteilung von X f X (x) σ EX = 0 σ = x
75 Dichte f X der Verteilung von X f X (x) σ σ 2 = E(X EX) 2 EX = 0 σ = x
76 Dichte f X der Verteilung von X f X (x) σ σ 2 = EX 2 EX = 0 σ = x
77 Dichte f X der Verteilung von X f X (x) σ σ 2 = x 2 f X (x)dx EX = 0 σ = x
78 Dichte f X der Verteilung von X f X (x) σ σ 2 = x2 dx EX = 0 σ = x
79 Dichte f X der Verteilung von X f X (x) σ σ 2 = 1 3 x EX = 0 σ = x
80 Dichte f X der Verteilung von X f X (x) σ σ 2 = 1 12 EX = 0 σ = x
81 Dichte f X der Verteilung von X f X (x) σ EX σ x
82 Dichte f X der Verteilung von X f X (x) Aus dieser Verteilung wird eine Stichprobe von gezogen. σ EX σ x
83 Anzahl Simulationen (aus ) Verteilung von Sn (n = 1) Sn
84 Anzahl Simulationen (aus ) Verteilung von Sn (n = 2) Sn
85 Anzahl Simulationen (aus ) Verteilung von Sn (n = 3) Sn
86 Anzahl Simulationen (aus ) Verteilung von Sn (n = 4) Sn
87 Anzahl Simulationen (aus ) Verteilung von Sn (n = 5) Sn
88 Anzahl Simulationen (aus ) Verteilung von Sn (n = 6) Sn
89 Anzahl Simulationen (aus ) Verteilung von Sn (n = 7) Sn
90 Anzahl Simulationen (aus ) Verteilung von Sn (n = 8) Sn
91 Anzahl Simulationen (aus ) Verteilung von Sn (n = 9) Sn
92 Anzahl Simulationen (aus ) Verteilung von Sn (n = 10) Sn
93 Anzahl Simulationen (aus ) Bisher: dynamische Skalierung Sn
94 Anzahl Simulationen (aus ) Jetzt: feste Skalierung Sn
95 Anzahl Simulationen (aus ) Verteilung von Sn (n = 15) Sn
96 Anzahl Simulationen (aus ) Verteilung von Sn (n = 20) Sn
97 Anzahl Simulationen (aus ) Verteilung von Sn (n = 25) Sn
98 Anzahl Simulationen (aus ) Verteilung von Sn (n = 30) Sn
99 Anzahl Simulationen (aus ) Verteilung von Sn (n = 35) Sn
100 Anzahl Simulationen (aus ) Verteilung von Sn (n = 40) Sn
101 Anzahl Simulationen (aus ) Verteilung von Sn (n = 45) Sn
102 Anzahl Simulationen (aus ) Verteilung von Sn (n = 50) Sn
103 Anzahl Simulationen (aus ) Verteilung von Sn (n = 55) Sn
104 Anzahl Simulationen (aus ) Verteilung von Sn (n = 60) Sn
105 Anzahl Simulationen (aus ) Verteilung von Sn (n = 65) Sn
106 Anzahl Simulationen (aus ) Verteilung von Sn (n = 70) Sn
107 Anzahl Simulationen (aus ) Verteilung von Sn (n = 75) Sn
108 Anzahl Simulationen (aus ) Verteilung von Sn (n = 80) Sn
109 Anzahl Simulationen (aus ) Verteilung von Sn (n = 85) Sn
110 Anzahl Simulationen (aus ) Verteilung von Sn (n = 90) Sn
111 Anzahl Simulationen (aus ) Verteilung von Sn (n = 95) Sn
112 Anzahl Simulationen (aus ) Verteilung von Sn (n = 100) Sn
113 Standardisierung: Z n := (S n ES n )/σ Sn Frequency S n
114 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 1)
115 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 2)
116 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 3)
117 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 4)
118 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 5)
119 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 6)
120 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 7)
121 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 8)
122 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 9)
123 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 10)123456
124 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 15)123456
125 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 20)123456
126 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 25)123456
127 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 30)123456
128 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 35)123456
129 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 40)123456
130 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 45)123456
131 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 50)123456
132 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 55)123456
133 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 60)123456
134 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 65)123456
135 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 70)123456
136 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 75)123456
137 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 80)123456
138 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 85)123456
139 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 90)123456
140 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 95)123456
141 z Anzahl Simulationen (aus ) Standardisierung: Zn := (Sn ESn)/σ S n (n = 100)123456
142 Die Verteilung von Z n scheint zu konvergieren.
143 Die Verteilung von Z n scheint zu konvergieren. Welche Form hat die Grenzverteilung?
144 Die Verteilung von Z 100 ist glockenförmig.
145 Die Verteilung von Z 100 ist glockenförmig. Welche Glocke?
146 Glücklicher Einfall:
147 Glücklicher Einfall: Zwei unabhängige Kopien (U, V) = (Z 100, Z 100 )
148 Glücklicher Einfall: Zwei unabhängige Kopien (U, V) = (Z 100, Z 100 ) Wie sieht die gemeinsame Verteilung von U und V aus?
149 Simulationen V = Z U = Z 100
150 Simulationen V = Z U = Z 100
151 Simulationen V = Z U = Z 100
152 Simulationen V = Z U = Z 100
153 Simulationen V = Z U = Z 100
154 Simulationen V = Z U = Z 100
155 Simulationen V = Z U = Z 100
156 Simulationen V = Z U = Z 100
157 Simulationen V = Z U = Z 100
158 Simulationen V = Z U = Z 100
159 Simulationen V = Z U = Z 100
160 Die Verteilung von (U, V) ist rotationssymmetrisch! V = Z U = Z 100
161 Was lernen wir daraus?
162 Was lernen wir daraus? Wir wissen:
163 Was lernen wir daraus? Wir wissen: U und V unabhängig
164 Was lernen wir daraus? Wir wissen: U und V unabhängig Verteilung von (U, V) rotationssymmetrisch
165 Was lernen wir daraus? Wir wissen: U und V unabhängig Verteilung von (U, V) rotationssymmetrisch Daraus folgt schon, dass U und V normalverteilt sind:
166 Was lernen wir daraus? Wir wissen: U und V unabhängig Verteilung von (U, V) rotationssymmetrisch Daraus folgt schon, dass U und V normalverteilt sind: f U (x) = f V (x) = 1 σ 2π e x2 /(2σ 2 )
167 Wieso?
168 Wieso? unabhängig:
169 Wieso? unabhängig: f (U,V) (a, b) = f U (a)f V (b)
170 Wieso? unabhängig: f (U,V) (a, b) = f U (a)f V (b) rotationssymmetrisch:
171 Wieso? unabhängig: f (U,V) (a, b) = f U (a)f V (b) rotationssymmetrisch: f (U,V) (a, b) = g(r) r := a 2 + b 2
172 Wieso? unabhängig: f (U,V) (a, b) = f U (a)f V (b) rotationssymmetrisch: f (U,V) (a, b) = g(r) r := f U = f V =: h a 2 + b 2
173 Wieso? unabhängig: f (U,V) (a, b) = f U (a)f V (b) rotationssymmetrisch: f (U,V) (a, b) = g(r) r := f U = f V =: h g(r) = h(a)h(b) a 2 + b 2
174 g(r) = h(a)h(b)
175 g(r) = h(a)h(b) g(r) = ch(r) (c = h(0)))
176 g(r) = h(a)h(b) g(r) = ch(r) (c = h(0))) ch( a 2 + b 2 ) = h(a)h(b)
177 g(r) = h(a)h(b) g(r) = ch(r) (c = h(0))) ch( a 2 + b 2 ) = h(a)h(b) Eine Lösung:
178 g(r) = h(a)h(b) g(r) = ch(r) (c = h(0))) ch( a 2 + b 2 ) = h(a)h(b) Eine Lösung: h(x) = e x2
179 g(r) = h(a)h(b) g(r) = ch(r) (c = h(0))) ch( a 2 + b 2 ) = h(a)h(b) Eine Lösung: h(x) = e x2 e (a2 +b 2) = e a2 e b2
180 Allgemeine Lösung
181 Allgemeine Lösung (logarithmieren; nach a ableiten)
182 Allgemeine Lösung (logarithmieren; nach a ableiten) h(x) = k 1 e k 2x 2
183 Allgemeine Lösung (logarithmieren; nach a ableiten) h(x) = k 1 e k 2x 2 Nebenbedingungen:
184 Allgemeine Lösung (logarithmieren; nach a ableiten) h(x) = k 1 e k 2x 2 Nebenbedingungen: P{ U < } = h(x)dx = 1
185 Allgemeine Lösung (logarithmieren; nach a ableiten) h(x) = k 1 e k 2x 2 Nebenbedingungen: P{ U < } = h(x)dx = 1 σ 2 (U) = x 2 h(x)dx = 1
186 Allgemeine Lösung (logarithmieren; nach a ableiten) h(x) = k 1 e k 2x 2 Nebenbedingungen: P{ U < } = h(x)dx = 1 σ 2 (U) = x 2 h(x)dx = 1 h(x) = 1 2π e x2 /2
187 FAZIT
188 FAZIT Der Zentrale Grenzwertsatz lässt sich erraten
189 FAZIT Der Zentrale Grenzwertsatz lässt sich erraten (in konkreten Fällen,
190 FAZIT Der Zentrale Grenzwertsatz lässt sich erraten (in konkreten Fällen, mit etwas Glück).
191 ENDE
Der Zentrale Grenzwertsatz & Konfidenzintervalle
Der Zentrale Grenzwertsatz & Konfidenzintervalle Die Normalverteilung Dichte φ der Standardnormalverteilung φ(x) 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 x φ(x) 0.0 0.1 0.2 0.3 0.4 Die Gaußsche Glocke 4 2 0 2 4 x
MehrDer Zentrale Grenzwertsatz
Der Zentrale Grenzwertsatz Der Zentrale Grenzwertsatz & Konfidenzintervalle Die Normalverteilung Dichte φ der Standardnormalverteilung φ(x) 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 x φ(x) 0.0 0.1 0.2 0.3 0.4 Die
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrVorlesung 6b. Von der Binomial-zur Normalverteilung
Vorlesung 6b 1 Vorlesung 6b Von der Binomial-zur Normalverteilung Binomialverteilungen mit großem n und großer Varianz npq sehen glockenförmig aus, wenn man sie geeignet ins Bild holt. 2 Binomialverteilungen
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
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:
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrWeierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt?
Weierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt? Wolfgang König Technische Universität Berlin und Weierstraß-Institut Berlin Mohrenstraße
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte, 2, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 2 3 4 5
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrDie tatsächlichen Breiten und Höhen der Säulen und damit der Flächeninhalt bleiben unverändert:
Flächeninhalte als Wahrscheinlichkeiten Eine Zufallsvariable X kann die Werte,, 3, 4, 5 oder 6 annehmen. Die zugehörigen Wahrscheinlichkeiten sind rechts in einem Stabdiagramm dargestellt. k 3 4 5 6 P
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 16. Januar 2015 1 Verteilungsfunktionen Definition Binomialverteilung 2 Stetige Zufallsvariable,
MehrVorlesung 5b. Zufallsvariable mit Dichten
Vorlesung 5b 1 Vorlesung 5b Zufallsvariable mit Dichten Vorlesung 5b Zufallsvariable mit Dichten Wiederholung aus Vorlesung 2b+: Kontinuierlich uniform verteilte Zufallsvariable: Sei S eine Teilmenge des
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrÜbungsrunde 11, Gruppe 2 LVA , Übungsrunde 10, Gruppe 2, Markus Nemetz, TU Wien,
1 4.36 Übungsrunde 11, Gruppe 2 LVA 17.369, Übungsrunde 1, Gruppe 2, 16.1.27 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 16.1.27 1.1 Angabe Die logische Struktur eines Systems bestehend aus drei
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung SS 18: Woche vom
Übungsaufgaben 12. Übung SS 18: Woche vom 2. 7. 6. 7. 2018 Stochastik VI: Zufallsvektoren; Funktionen von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
Mehr0, sonst. heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X Po(λ). Es gilt. x! e λ, x {0, 1,...} 1 Wahrscheinlichkeitsrechnung 164
1.6.2 Poisson Verteilung (vgl. z.b. Fahrmeir et. al)) 1.6 Wichtige Verteilungsmodelle Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse
MehrBiostatistik, WS 2010/2011 Grundlagen aus der Wahrscheinlichkeitstheorie
1/73 Biostatistik, WS 2010/2011 Grundlagen aus der Wahrscheinlichkeitstheorie Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1011/ 3.12.2010 2/73 1 Deterministische und zufällige
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrGröße von Unendlich. Statistik. usw. Enthält die Menge. 1. der natürlichen Zahlen N = {1, 2, 3, 4,...}
Größe von Unendlich Enthält die Menge Statistik 1. der natürlichen Zahlen N = {1, 2, 3, 4,...} Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 3 Wahrscheinlichkeitsrechnung
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrBiostatistik, SS 2016 Grundlagen aus der Wahrscheinlichkeitstheorie
1/84 Biostatistik, SS 2016 Grundlagen aus der Wahrscheinlichkeitstheorie Matthias Birkner und Frederik Klement http://www.staff.uni-mainz.de/birkner/biostatistik16/ 27.5.2016 2/84 1 Deterministische und
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
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer 4 Wahrscheinlichkeit und Statistik BSc D-INFK. a (iii b (ii c (iii d (i e (ii f (i g (iii h (iii i (i j (ii. a Die Anzahl der bestellten Weine in einem Monat kann
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
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
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
MehrMathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^2],{x,0,10}] 76
4. Normalverteilung Gauß'sche Glockenkurve: P(a X b) = b 1 x 1 a e dx 1 0.8 0.6 0.4 0. 4 6 8 10 Mathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^],{x,0,10}] 76 Zentraler Grenzwertsatz: Es sei X 1, X,... eine
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
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,
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
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
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrSind f X bzw. f Y die wie auf Folie 242 definierten Dichtefunktionen zur N(µ X, σx 2 )- bzw. N(µ Y, σy 2 )-Verteilung, so gilt (genau) im Fall ρ = 0
Beispiel: Zweidimensionale Normalverteilung I Beispiel: Zweidimensionale Normalverteilung II Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale multivariate Normalverteilung Spezifikation am
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie
Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 27./29.
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
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
MehrKOMPETENZHEFT ZUR STOCHASTIK III
KOMPETENZHEFT ZUR STOCHASTIK III Inhaltsverzeichnis 1. Aufgabenstellungen 1 2. Von der Binomialverteilung zur Normalverteilung 10 3. Normalverteilung 13 4. Approximation: Binomialverteilung Normalverteilung
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
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
Mehr4 Normalapproximation der Binomialverteilung
4 Normalapproximation der Binomialverteilung Es sei daran erinnert, daß eine Zufallsgröße X mit der Verteilung ( ) n P(X = k) = b(k; n, p) = p k q n k (q = 1 p) für k = 0, 1,..., n k binomialverteilt heißt.
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik,..3 Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf n wird mit B n bezeichnet, das Lebesgue Maß auf n wird
MehrKapitel 2.9 Der zentrale Grenzwertsatz. Stochastik SS
Kapitel.9 Der zentrale Grenzwertsatz Stochastik SS 07 Vom SGGZ zum ZGWS Satz.4 (Schwaches Gesetz großer Zahlen) Sei (X i ) i eine Folge unabhängiger, identisch verteilter Zufallsvariablen mit E[X ]
MehrWahrscheinlichkeitstheorie. Alea iacta est!
Wahrscheinlichkeitstheorie Alea iacta est! "Wissenschaftliche Theorien, die auf Eigenschaften einer großen Zahl von Individuen rekurrieren, [...] werden anfällig gegen Fehlinterpretationen, wenn man die
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 17. November 2010 1 Gesetze Das Gesetz der seltenen Ereignisse Das schwache Gesetz der großen Zahl 2 Verteilungsfunktionen
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 18: Woche vom
Übungsaufgaben 11. Übung SS 18: Woche vom 25. 6. 29. 6. 2016 Stochastik V: ZG; Momente von ZG; Zufallsvektoren Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrStatistische Methoden
Statistische Methoden Dr. C.J. Luchsinger 2 Beweis CLT Literatur Kapitel 2: Krengel: 12 2.1 Einführung Wir repetieren aus WTS, Kapitel 5: Fragestellung: Was geschieht mit dem Ausdruck n k=1 X k nµ, (2.1)
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
Mehr6. Stochastische Modelle II: Normalverteilungen und Grenzwertsätze
6. Stochastische Modelle II: Normalverteilungen und Grenzwertsätze Andreas Eberle Institut für angewandte Mathematik November 2008 6.1. Stetige Wahrscheinlichkeitsverteilungen Wir betrachten eine Zufallsvariable
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
Mehr