Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
|
|
- Hildegard Förstner
- vor 5 Jahren
- Abrufe
Transkript
1 Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
2 2.1 Zufallsvektoren und mehrdimensionale Verteilungen Eine endliche Familie X 1,..., X n von Zufallsgrößen kann als ein Zufallsvektor (ZV) X = (X 1,..., X n ) T angesehen werden. Eine doppelt indizierte Familie X ij, i = 1,..., n ; j = 1,..., m, von Zufallsgrößen kann als eine Zufallsmatrix (ZM) angesehen werden. X = (X ij ) i=1,...,n ;j=1,...,m = (X ij ) Zufallsvariable werden hier im Allgemeinen mit Großbuchstaben bezeichnet, z.b. X, deren Realisierungen durch Angabe von ω oder durch Kleinbuchstaben, z.b. X(ω) = x. Vektoren werden hier durch einen Unterstrich, Matrizen durch zwei Unterstriche gekennzeichnet. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
3 Bezeichnungen aus der linearen Algebra Verwendet werden übliche Bezeichnungen aus der linearen Algebra. Vektoren werden als Spaltenvektoren angesehen, T bezeichnet die Transponierung eines Vektors oder einer Matrix. 0 n, 0 n m... n dim. Nullvektor, Nullmatrix vom Typ n m. 1 n, 1 n m... n dim. Vektor bzw. n m Matrix aus Einsen. Analog n, n = n. M n m, M n... Menge aller n m bzw. n n Matrizen. M n, M > n... Menge aller positiv semidefiniten bzw. positiv definiten n n Matrizen, I n 0 x R n : x T a x 0 (a M n ) bzw. x T a x > 0 (a M > n ).... n n Einheitsmatrix. bezeichnet die euklidische Norm. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
4 Verteilung eines Zufallsvektors Ein Zufallsvektor X wird im Allgemeinen durch seine Verteilung gegeben. Die Verteilung P X eines n-dimensionalen Zufallsvektors X definiert die Wahrscheinlichkeiten dafür, dass die Realisierungen des Zufallsvektors in geeigneten Teilmengen des R n liegen, P X (B) = P(X B), B R n, geeignet. Analog kann die Verteilung einer n m Zufallsmatrix für geeignete Teilmengen des Raumes R n m genutzt werden. Formal kann dies durch die Vektorisierung der Matrix realisiert werden (Hintereinanderschreiben der Spalten der Matrix zu einem langen Spaltenvektor). Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
5 Definition Verteilungsfunktion n dim. Zufallsvektor Bez. x = (x 1,..., x n ) T < y = (y 1,..., y n ) T, falls x i < y i i = 1,..., n ; x = (x 1,..., x n ) T y = (y 1,..., y n ) T, falls x i y i i = 1,..., n. Für einen n dimensionalen Zufallsvektor X wird die Verteilung eindeutig durch die zugehörige Verteilungsfunktion F X : R n [0, 1] definiert: für für F X (x) = P X (( n, x)) = P(X < x), x R n. Bem. Oft wird die Verteilungsfunktion von X auch definiert durch F X (x) = P X (( n, x]) = P(X x), x R n. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
6 Eigenschaften Verteilungsfunktion n dim. Zufallsvektor Bez.: für i {1,..., n}, a < b R sei i;a,b F X (x) := F X (x 1,... x i 1, b, x i+1,..., x n ) F X (x 1,... x i 1, a, x i+1,..., x n ). Eine Verteilungsfunktion F X besitzt die Eigenschaften (i) lim F X(x) = 0 ; lim F X(x) = 1 ; x i, i {1,...,n} x i, i=1,...,n (ii) für beliebige a < b gilt 1;a1,b 1... n;an,b n F X (x) 0, ( = PX ([a, b)) ) F X ist monoton nichtfallend bezüglich jeder Variablen; (iii) F X ist linksseitig stetig bzgl. aller Variablen, d.h. aus x (k) x folgt F X (x (k) ) F X (x), k. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
7 Verteilungsdichte eines n dimensionalen Zufallsvektors Für absolut stetige Zufallsvektoren wird die Verteilung auch eindeutig durch die Verteilungsdichte (auch Dichtefunktion) f X : R n R gegeben: F X (x) = P(X < x) = x n f X (u) du, x R n. Eigenschaften von Dichtefunktionen (etwas vereinfacht): für alle x R n : f X (x) 0 ; f X (x) dx = 1. R n Dann gilt für geeignete B R n P(X B) = f X (x) dx. Die Dichtefunktion wird im statistischen Kontext, inbesondere bei unbekannten Parametern und einer gegebenen Realisierung (Stichprobe) als Likelihood-Funktion bezeichnet. B Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
8 Randverteilungen Die Verteilungsfunktion eines Teilvektors eines Zufallsvektors (die Randverteilungsfunktion) kann mit Hilfe der Verteilungsfunktion des Zufallsvektors berechnet werden. Bsp.: X = (X 1,..., X n ) T x 1 R : F X1 (x 1 ) = P(X 1 < x 1 ) = F X (x 1,,..., ). Analoges gilt im Fall von absolut stetigen Zufallsvektoren für die Randverteilungsdichten. Bsp.: X = (X 1,..., X n ) T (etwas vereinfacht) x 1 R : f X1 (x 1 ) = f X (x 1, x 2,..., x n ) dx 2... dx n. R n 1 Aus den Randverteilungsfunktionen bzw. -dichten kann man nur in Spezialfällen die Verteilungsfunktion bzw. -dichte des gesamten Zufallsvektors bestimmen. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
9 Satz von Cramér-Wold Satz von Cramér-Wold Die Verteilung des n dimensionalen Zufallsvektors X ist vollständig bestimmt durch die Familie der (eindimensionalen) Verteilungen der Zufallsgrößen t T X, wobei t die Menge R n durchläuft. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
10 Erwartungswert eines Zufallsvektors Erwartungswerte von Zufallsvektoren und Zufallsmatrizen werden komponentenweise definiert und existieren, falls von jeder Komponente der skalare Erwartungswert existiert. Erwartungswert des Zufallsvektors X = (X 1,..., X n ) T : EX := (EX 1,..., EX n ) T. Erwartungswert der Zufallsmatrix X = (X ij ) : EX := (EX ij ). Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
11 Kovarianzmatrix eines Zufallsvektors Ein Analogon der Varianz für Zufallsvektoren, deren Komponenten endliche zweite Momente besitzen, ist die Kovarianzmatrix (oder auch Varianz-Kovarianz-Matrix) des Zufallsvektors. Kovarianzmatrix des Zufallsvektors X = (X 1,..., X n ) T : [ VarX := E [X EX] [X EX] T]. Auf der Hauptdiagonale der Kovarianzmatrix von X stehen die Varianzen VarX i der Komponenten, an der Stelle (i, j), i j, jeweils die Kovarianz der Zufallsgrößen X i und X j : Cov[X i, X j ]. Eigenschaften einer Kovarianzmatrix Σ = VarX Σ = Σ T (Σ ist symmetrisch) ; x R n : x T Σ x 0 (Σ ist positiv semidefinit). Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
12 Korrelationsmatrix eines Zufallsvektors Gilt für alle Komponenten eines Zufallsvektors X = (X 1,..., X n ) T 0 < VarX i <, kann man die Korrelationsmatrix definieren: CorrX := (Corr[X i, X j ]) i,j=1,...,n mit Corr[X i, X j ] := Cov[X i, X j ] VarXi VarX j. Die Elemente auf der Hauptdiagonale sind 1, das Element an der Stelle (i, j) ist der Korrelationskoeffizient von X i und X j. Die Korrelationsmatrix des Zufallsvektors X = (X 1,..., X n ) T ist die Kovarianzmatrix der standardisierten Komponenten von X. Es gilt immer 1 Corr[X i, X j ] 1. Im Fall von Corr[X i, X j ] = 1 besteht eine lineare Beziehung zwischen den Zufallsgrößen X i und X j. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
13 Kreuzkovarianz zweier Zufallsvektoren Sind X = (X 1,..., X n ) T und Y = (Y 1,..., Y m ) T zwei Zufallsvektoren, deren Komponenten endliche zweite Momente besitzen, definiert man die Kreuzkovarianzmatrix dieser Zufallsvektoren als n m Matrix [ Cov[X, Y] := E [X EX] [Y EY] T]. An der Stelle (i, j) der Kreuzkovarianzmatrix steht die Kovarianz Cov[X i, Y j ] der Zufallsgrößen X i und Y j. Für einen Zufallsvektor X gilt VarX = Cov[X, X] =: CovX. Es gilt Cov[X, Y] = Cov[Y, X] T. Analog kann man die Kreuzkorrelationsmatrix Corr[X, Y] zweier Zufallsvektoren X und Y definieren. Gilt Cov[X, Y] = 0 n m, nennt man X und Y unkorreliert. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
14 Eigenschaften bei linearen Operationen I Geg.: X, Y n dim. ZV, E X <, E Y <. a, b R E[aX + by] = a EX + b EY ; d M m n, c R m E [ d X + c ] = d EX + c. Geg.: X n dim. ZV, E X 2 <. [ VarX = E X X T] (EX) (EX) T ; a R n Var [ a T X ] = a T Var[X] a ; a Mm n, b R m Var [ a X + b ] = a Var[X] a T. Geg.: X (1), X (2) n dim. ZV, Y m dim. ZV, E X (i) 2 <, i = 1, 2, E Y 2 < [ ] [ ] Cov X (1) + X (2), Y = Cov X (1), Y [ ] + Cov X (2), Y. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
15 Eigenschaften bei linearen Operationen II Geg.: X, Y n dim. ZV, E X 2 <, E Y 2 < Var[X + Y] = VarX + Cov[X, Y] + Cov[Y, X] + VarY. Geg.: X n 1 dim. ZV, Y n 2 dim. ZV, E X 2 <, E Y 2 <, a M m1 n 1, b M m2 n 2 Cov [ a X, b Y ] = a Cov[X, Y] b T. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
16 Stochastische Unabhängigkeit von Zufallsvektoren Geg.: X n dim. ZV, Y m dim. ZV, Z = (X T, Y T ) T. Die Zufallsvektoren X und Y sind (stochastisch) unabhängig, wenn eine der folgenden äquivalenten Bedingungen erfüllt ist (Bedingung (iii) nur, falls der (n + m) dimensionale Zufallsvektor Z (absolut) stetig ist). (i) B 1 R n, B 2 R m, geeignet: P ({X B 1 } {Y B 2 }) = P(X B 1 ) P(Y B 2 ). (ii) x R n, y R m : F Z (x, y) = F X (x) F Y (y). (iii) x R n, y R m : f Z (x, y) = f X (x) f Y (y). Aus der Unabhängigkeit folgt die Unkorreliertheit, falls die zweiten Momente existieren. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
17 2.2 Mehrdimensionale Normalverteilung (Multinormalverteilung) Def Ein m dimensionaler Zufallsvektor X = (X 1,..., X m ) T besitzt eine m dimensionale Standardnormalverteilung, falls X i N(0, 1), i = 1,..., m, i.i.d. Bez. X N m (0 m, I m ) oder X N(0 m, I m ). Satz Geg.: Zufallsvektor X N m (0 m, I m ) X ist ein stetiger Zufallsvektor mit Dichtefunktion f X (x) = (2π) m/2 e 1 2 xtx = (2π) m/2 e 1 2 x 2, x R m. Außerdem gelten EX = 0 m und VarX = I m. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
18 Allgemeine normalverteilte Zufallsvektoren Def Ein p dimensionaler ZV X = (X 1,..., X p ) T besitzt eine p dimensionale Normalverteilung, falls für einen m dimensionalen standardnormalverteilten Zufallsvektor Z, einen Vektor µ R p und eine p m Matrix a gilt X = µ + a Z. Satz Für den Zufallsvektor X aus Def gelten EX = µ und VarX = a a T =: Σ. Bez. X N p (µ, Σ) oder X N(µ, Σ). Man spricht auch von Gaußschen Zufallsvektoren. Bem. Die p p Matrix a a T = Σ ist (z.b. als Kovarianzmatrix) symmetrisch und positiv semidefinit. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
19 Spektraldarstellung reeller symmetrischer Matrizen Satz Ist b eine reelle symmetrische p p Matrix, dann kann sie geschrieben werden als p b = Γ Λ Γ T = λ k γ k γ T k, wobei Λ die Diagonalmatrix der Eigenwerte von b ist und Γ die zugehörige orthogonale Matrix, deren Spalten die standardisierten Eigenvektoren enthalten (es gilt Γ Γ T = Γ T Γ = I p ). k=1 Ist die Matrix b positiv semidefinit, dann sind alle Eigenwerte nichtnegativ und es gilt b = Γ Λ 1/2 ( Λ 1/2) T Γ T = ( Γ Λ 1/2) ( Γ Λ 1/2) T. Der Rang dieser Matrix ist gleich der Anzahl der Eigenwerte 0. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
20 Weitere Eigenschaften Satz Ein p dimensionaler Zufallsvektor X = (X 1,..., X p ) T ist genau dann normalverteilt, wenn für jeden Vektor t R p die skalare Zufallsgröße t T X normalverteilt (oder eine Konstante) ist. Satz Sei X = (X 1,..., X p ) T N p (µ, Σ). (i) Für b R d, a M d p gilt Y := b + a X N d (b + a µ, a Σ a T ). (ii) Jeder Teilvektor bzw. jede Komponente von X ist ein normalverteilter Zufallsvektor bzw. eine normalverteilte Zufallsgröße. Bem. Ist jede Komponente eines Zufallsvektors eine normalverteilte (oder konstante) Zufallsgröße, dann muss der Zufallsvektor nicht unbedingt ein normalverteilter Zufallsvektor sein! Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
21 Regulär normalverteilte Zufallsvektoren Def. und Satz Gilt für einen normalverteilten Zufallsvektor X aus Definition p = m, VarX = a a T =: Σ mit det Σ 0, dann besitzt X eine reguläre Normalverteilung N p (µ, Σ) und X ist ein (absolut) stetiger Zufallsvektor mit Dichtefunktion 1 f X (x) = e 1 2 (x µ)t Σ 1 (x µ), x R p. (2π) p det Σ Der Normierungsfaktor kann auch als det(2πσ) 1/2 geschrieben werden, Σ ist eine reelle, symmetrische und positiv definite p p Matrix. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
22 Zweidimensionale regulär normalverteilte Zufallsvektoren Spezialfall m = p = 2, X = (X 1, X 2 ) T N 2 (µ, Σ) mit ( ) µ = (µ 1, µ 2 ) T σ R 2 2, Σ = 1 ϱ σ 1 σ 2 ϱ σ 1 σ 2 σ2 2, σ 2 i = VarX i > 0, i = 1, 2, ϱ = Corr[X 1, X 2 ] ( 1, 1) det Σ = σ1σ 2 2(1 2 ϱ 2 ), ( ) Σ 1 = 1 σ2 2 ϱ σ 1 σ 2, det Σ ϱ σ 1 σ 2 σ1 2 [ f (X1,X 2 )(x 1, x 2 ) = c e 1 (x 1 µ 1 ) 2 2(1 ϱ 2 ) σ 1 2 mit c = ] 2ϱ (x 1 µ 1 )(x 2 µ 2 ) + (x 2 µ 2 )2 σ 1 σ 2 σ πσ 1 σ 2 1 ϱ 2, (x 1, x 2 ) T R 2. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
23 Dichtefunktionsgrafiken zweidimensionaler Normalverteilungen Dichtefunktionen von normalverteilten Zufallsvektoren (X 1, X 2 ) T mit EX 1 = EX 2 = 0, VarX 1 = VarX 2 = 1 sowie Corr[X 1, X 2 ] = 0 (links), Corr[X 1, X 2 ] = 0.5 (mitte) und Corr[X 1, X 2 ] = 0.9 (rechts). Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
24 Unabhängigkeit von Teilvektoren bei Normalverteilung Satz Geg. X = (X 1 T, X 2 T ) T N p (µ, Σ), X 1 = (X 1,..., X k ) T, X 2 = (X k+1,..., X p ) T. Dann sind X 1 und X 2 genau dann stochastisch unabhängig, wenn Cov[X 1, X 2 ] = 0 k (p k) gilt. Prof. Dr. Hans-Jörg Starkloff Statistische Analyseverfahren Abschnitt 2 Version: 29. Oktober
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
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
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
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:
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
MehrAnhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen
Kapitel 9 Anhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen 9 Definitionen, Eigenschaften Wir betrachten jetzt p Zufallsvariablen X, X 2,, X p Alle Definitionen, Notationen und Eigenschaften
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
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
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/...
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
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/...
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 13: Woche vom
Übungsaufgaben 11. Übung SS 13: Woche vom 24. 6. 13-28. 6. 2013 Stochastik V: ZG Momente von ZG; Grenzverteilungssätze Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
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........................
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
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
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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
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
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...........................
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
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
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
Mehr2.Tutorium Multivariate Verfahren
2.Tutorium Multivariate Verfahren - Multivariate Verteilungen - Hannah Busen: 27.04.2015 und 04.05.2015 Nicole Schüller: 28.04.2015 und 05.05.2015 Institut für Statistik, LMU München 1 / 21 Gliederung
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
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............................
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrMultivariate Verteilungen
Multivariate Verteilungen 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 sind abhängig
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
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
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
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
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
Mehr2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
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 Lageparameter: Erwartungswert d) Erwartungswert
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) =
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
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
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
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
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,
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
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
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,
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
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 ]
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
MehrÜbungsblatt 11 zur Vorlesung Statistische Methoden - freiwilliger Teil
Dr. Christof Luchsinger Übungsblatt zur Vorlesung Statistische Methoden - freiwilliger Teil Rechnen mit Matrizen, Multivariate Normalverteilung Herausgabe des Übungsblattes: Woche 0, Abgabe der Lösungen:
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
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,
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
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
MehrAktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen
Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
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
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
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.
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
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
MehrStatistik II für Betriebswirte Vorlesung 2
Statistik II für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 26. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
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
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
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
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
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
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
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
MehrAngewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 46 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
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........................
Mehr