Wahrscheinlichkeitsräume und Zufallsvariablen
|
|
- Birgit Bachmeier
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel Wahrscheinlichkeitsräume und Zufallsvariablen. W-Raum Unter einem Zufallsexperiment verstehen wir einen vom Zufall beeinflussten Vorgang, der ein entsprechend zufälliges Ergebnis hervorbringt. Ein mathematisches Modell für ein Zufallsexperiment ist ein Wahrscheinlichkeitsraum (kurz: W-Raum). Dieser besteht aus einer Ergebnismenge M (die Menge aller möglichen Ergebnisse des Zufallsexperiments), und einer W-Verteilung P auf M. [W-Verteilung] Eine Wahrscheinlichkeitsverteilung (kurz: W-Verteilung) auf einer Menge M ist eine Funktion P, die jeder Teilmenge A M eine Zahl P (A) [ 0, ] als Wahrscheinlichkeit des Ereignisses A zuordnet und dabei die folgenden beiden Bedingungen erfüllt. (i) P (M) =. (ii) P ( A B ) = P (A) + P (B) für je zwei disjunkte Teilmengen A, B M (d.h. A B = ) (Additivität). Wenn P eine W-Verteilung auf M ist, dann heißt das Paar (M, P ) ein Wahrscheinlichkeitsraum, (kurz: W-Raum). Sprechweisen im Kontext eines W-Raumes (M, P ) : Jede Teilmenge A von M wird ein Ereignis genannt und P (A) seine Wahrscheinlichkeit. Grund für diese Sprechweise: Eine Teilmenge A M steht für das Ereignis, dass das Ergebnis x M des Zufallsexperiments zu A gehört (also x A gilt), und P (A) ist die Wahrscheinlichkeit hierfür. Eine ein-elementige Teilmenge {x} (für ein einzelnes x M) wird ein Elementarereignis genannt. Wir können das Elementarereignis {x} mit dem Element x identifizieren. Ein Ereignis A Ω, das aus mehr als nur einem Element besteht, wird auch ein zusammengesetztes Ereignis genannt. Als Folgerungen aus den Bedingungen (i), (ii) der ergeben sich weitere Rechenregeln für eine W-Verteilung P, z.b.: P ( A c ) = P (A), wobei A c = M \ A, das Komplement von A; P ( ) = 0 ; P ( A B ) = P (A) + P (B) P ( A B ) für beliebige A, B M; P ( A \ B ) = P (A) P ( A B ) für beliebige A, B M; aus A B M folgt P (A) P (B).
2 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 2.2 Diskrete W-Räume Von einem diskreten W-Raum (M, P ) und einer diskreten W-Verteilung P sprechen wir, wenn die Menge M entweder endlich oder abzählbar-unendlich (wie z.b. N) ist. Dann ist die gesamte W-Verteilung P schon durch die Wahrscheinlichkeiten für die Elementarereignisse beschrieben, P (x) für alle x M. Denn wegen der Additivitätseigenschaft (ii) der allgemeinen einer W-Verteilung ergeben sich die Wahrscheinlichkeiten beliebiger Ereignisse durch: ( ) P (A) = x A P (x) für jedes A Ω. Umgekehrt: Konstruktion diskreter W-Verteilungen Sei M eine endliche oder eine abzählbar-unendliche Menge. Wenn für jedes x M eine Wahrscheinlichkeit P (x) 0 festgelegt wird und x M P (x) = gilt, dann ist damit (unter Verwendung von Formel ( ) ) eine W-Verteilung P auf M definiert. [Spezielle diskrete W-Verteilungen] (a) Sei M endlich. Die Gleichverteilung oder Laplace-Verteilung auf M ist definiert durch P (x) = M Abk.: P = U M. für alle x M, ( M = Anzahl der Elemente von M). (b) M = { 0,,..., n } für ein gegebenes n N; sei noch p ( 0, ) gegeben. Die Binomialverteilung mit den Parameterwerten n und p ist definiert durch ( ) n P (k) = p k ( p) n k für k = 0,,..., n. k Abk.: P = Bi(n, p). (c) Seien N N, s N 0 und n N mit s, n N gegeben. Sei M = { 0,,..., n }. Die hypergeometrische Verteilung mit den Parameterwerten N, s und n ist definiert durch ( ) ( ) / ( ) s N s N P (k) = für k = 0,,..., n. k n k n Abk.: P = Hyp(N, s, n). (d) M = N 0 ; sei λ ( 0, ) gegeben. Die Poisson-Verteilung mit dem Parameterwert λ ist definiert durch P (k) = e λ λk für alle k N 0. k! Abk.: P = Poi(λ). (e) M = N ; sei p ( 0, ) gegeben. Die geometrische Verteilung mit dem Parameterwert p ist definiert durch P (k) = p ( p) k für alle k N. Abk.: P = Geo(p).
3 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 3 Wir skizzieren typische Zufallsexperimente, deren Modellierung durch W-Räume (a) (e) obiger erfolgt. Typische Zufallsexperimente (a) Ein Objekt wird rein zufällig aus einer endlichen Grundgesamtheit M gezogen. (b) n-malige unabhängige Durchführung eines 0--Experiments (Bernoulli-Experiments) mit Wahrscheinlichkeit p für und p für 0 ; als Ergebnis wird die Anzahl der erzielten -en festgehalten. (c) Gegeben eine Grundgesamtheit mit N Objekten; jedes Objekt trägt einen binären (0--wertigen) Merkmalswert (z.b. gut/schlecht); insgesamt haben genau s Objekte den Merkmalswert. Zufallsexperiment: Es wird eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit gezogen (Ziehen ohne Zurücklegen), und als Ergebnis wird die Anzahl der Objekte in der Stichprobe mit Merkmalswert festgehalten. (d) Eine zufällige Anzahl, die nicht von vorne herein nach oben beschränkt ist (im Unterschied zu (b) und (c)), kann oft näherungsweise modelliert werden durch eine Poisson-Verteilung (mit einem geeigneten Parameterwert λ > 0). Konkretere Beispiele etwa: Anzahl von Kunden, die innerhalb eines definierten Zeitraumes eine bestimmte Service-Station besuchen; Anzahl der Verkehrsunfälle in einer Region in einem definierten Zeitraum. (e) Ein Bernoulli-Experiment mit Wahrscheinlichkeit p für und p für 0 wird so oft unabhängig durchgeführt, bis erstmalig auftritt. Die Anzahl der benötigten Durchführungen ist das Ergebnis des Zufallsexperiments..3 Stetige W-Verteilungen Hier haben wir es mit kontinuierlichen Ergebnismengen M zu tun: Intervalle der Zahlengeraden, z.b. M = [ a, b ], M = ( 0, ), M = (, ) = R. Entsprechende kontinuierliche W-Verteilungen auf M sind durch Dichtefunktionen definiert. [W-Verteilung mit Dichtefunktion] Sei M R ein Intervall. Eine Dichtefunktion auf M ist eine Funktion f : M R mit den Eigenschaften f(x) 0 für alle x M und f(x) dx =. Wenn f eine Dichtefunktion auf M ist, dann definiert diese eine W-Verteilung P auf M durch P (I) = f(x) dx für jedes Teilintervall I M. I Anmerkung: Zwar sind somit nur den Intervall-förmigen Ereignissen I M Wahrscheinlichkeiten zugeordnet (und noch nicht beliebigen Ereignissen A M), aber andere Ereignisse als Intervalle sind für uns wenig interessant. Bemerkung. Für eine solche W-Verteilung P (mit einer Dichtefunktion f) gilt, dass jedes Elementarereigniss z M Wahrscheinlichkeit gleich 0 hat: P (z) = f(x) dx = 0. M {z}
4 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 4 [Spezielle W-Verteilungen mit Dichtefunktionen] (a) M = [ a, b ], wobei a, b R mit a < b. Die Gleichverteilung oder Rechteck-Verteilung auf dem Intervall [ a, b ] ist gegeben durch die (konstante) Dichtefunktion Abk.: P = R(a, b). f(x) = b a für alle x [ a, b ]. (b) M = R ; seien µ R und σ ( 0, ) gegeben. Die Normalverteilung mit den Parameterwerten µ und σ ist gegeben durch die Dichtefunktion Abk.: P = N(µ, σ). f(x) = ( σ 2π exp ( x µ ) 2 ) 2 σ für alle x R. (c) M = (0, ) ; sei λ ( 0, ) gegeben. Die Exponentialverteilung mit dem Parameterwert λ ist gegeben durch die Dichtefunktion Abk.: P = Exp(λ). f(x) = λ e λ x für alle x ( 0, ). Anwendung in der Modellierung: Die in der genannten Verteilungen werden oft zur Modellierung von Zufallsvorgängen mit kontinuierlichen Ergebnissen verwendet. Normalverteilungen haben einen fast universell erscheinenden Anwendungsbereich (z.b. eine Produkt- Charakteristik in der industriellen Fertigung, eine Projektdauer, eine Nachfrage nach einem gehandelten Produkt). Die Gleichverteilung auf einem Intervall [ a, b ] bildet ein stetiges Analogon zu einer diskreten Gleichverteilung. Das Ergebnis des Zufallsexperiments ist eine völlig zufällig gezogene Zahl aus dem Intervall [ a, b ]. Die Erzeugung einer Standard-Zufallszahl mit dem Computer ist (näherungsweise) ein solches Zufallsexperiment mit a = 0 und b =. Exponentialverteilungen werden insbesondere zur Modellierung zufälliger kontinuierlicher Zeitdauern verwendet (Lebensdauern, Projektdauern, Wartezeiten)..4 Zufallsvariable Seien Ω und M zwei Mengen. Der Begriff einer Abbildung oder Funktion X von Ω (sbereich) in M (Wertevorrat) ist bekannt ; Kurzschreibweise: X : Ω M. Im w-theoretischen Kontext nennen wir X eine Zufallsvariable, wenn außerdem eine W-Verteilung P auf Ω gegeben ist, also der sbereich (zusammen mit der W-Verteilung) einen W-Raum darstellt. Achtung: Entgegen der bisherigen Notation haben wir jetzt einen W-Raum (Ω, P ), während M nur eine Menge (der Wertevorrat der Zufallsvariablen) ist; jedoch werden wir gleich sehen, dass auch M durch Transportieren der W-Verteilung P mittels X ebenfalls ein W-Raum wird.
5 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 5 [Verteilung einer Zufallsvariablen] Seien (Ω, P ) ein W-Raum und X : Ω M auf M wie folgt definiert. eine Zufallsvariable. Dann wird die W-Verteilung P X Für jedes B M : P X (B) = P (A), wobei A = {X B} = { ω Ω : X(ω) B } ; kurz: P X (B) = P (X B) für jedes B M. Diese W-Verteilung P X heißt die Verteilung von X (unter P ). Bemerkung: Diskreter Wertevorrat Im Fall, dass der Wertevorrat M der Zufallsvariablen X endlich oder abzählbar-unendlich ist, genügen zur Beschreibung der Verteilung von X die Wahrscheinlichkeiten der ein-elementigen Mengen B = {x} für jedes x M : P X (x) = P (X = x) für alle x M. Reelle Zufallsvariable Wenn der Wertevorrat M der Zufallsvariablen X eine Teilmenge von R ist (M R), so nennen wir X eine reelle Zufallsvariable. (a) Diskret-verteilte reelle Zufallsvariable : M ist eine endliche oder abzählbar-unendliche Teilmenge von R ; z.b.: eine auf {,..., 6} uniform-verteilte Zufallsvariable: M = {,..., 6} und P X = U {,...,6} ; eine binomial-(n, p)-verteilte Zufallsvariable: M = {0,,..., n} und P X = Bi(n, p) ; eine Poisson-(λ)-verteilte Zufallsvariable: M = N 0 und P X = Poi(λ). (b) Stetig-verteilte reelle Zufallsvariable : M ist ein Intervall, und die Verteilung von X besitzt eine Dichtefunktion f (man sagt auch kürzer: X besitzt eine Dichtefunktion f), d.h. P (X I) = f(x) dx für jedes Teilintervall I M. I Zum Beispiel: Eine auf [ a, b ] uniform-verteilte Zufallsvariable: M = [ a, b ] und P X = R(a, b) ; eine normal-(µ, σ)-verteilte Zufallsvariable: M = R und P X = N(µ, σ). [Verteilungsfunktion einer reellen Zufallsvariablen] Sei X eine reelle Zufallsvariable. Die Verteilungsfunktion F X der Zufallsvariablen X ist die Funktion F X : R [ 0, ], F X (x) = P (X x) für alle x R, wobei wie üblich {X x} = {ω Ω : X(ω) x}. Bemerkungen: () P (u < X v) = F X (v) F X (u) für alle u, v R, u < v. Insbes.: F X ist monoton wachsend. Desweiteren: lim x F X (x) = und lim x F X (x) = 0. (2) Wenn X diskret-verteilt ist (mit dem endlichen oder abzählbar-unendlichen Wertevorrat M R), dann F X (x) = P (X = z) für alle x R ; z M, z x insbesondere: F X ist eine Treppenfunktion.
6 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 6 (3) Wenn X stetig-verteilt ist mit Dichtefunktion f (und mit dem Intervall M R als Wertevorrat), dann F X (x) = f(z) dz für alle x R ; (,x] M insbesondere: F X ist stetig, und F X ist an jeder Stetigkeitsstelle x der Dichtefunktion f differenzierbar mit Ableitung F X (x) = f(x). [Quantile einer reellen Zufallsvariablen] Sei X eine reelle Zufallsvariable. Sei p ( 0, ) gegeben. Ein p-quantil der Verteilung von X (man sagt auch kürzer: ein p-quantil von X) ist eine reelle Zahl x p mit der Eigenschaft P (X x p ) p und P (X < x p ) p. Anmerkung: Wenn X stetig-verteilt ist, dann ist die Bedingung für ein p-quantil x p äquivalent mit F X (x p ) = p ; wenn außerdem F X strikt monoton wachsend ist, dann ist x p = F X (p). Grundsätzliche Bemerkung: Modellformulierungen mit Zufallsvariablen Die Modellierung eine Zufallsexperiments kann durch Angabe eines (geeigneten) W-Raumes (M, P ) erfolgen, (M die Ergebnismenge, P eine passende W-Verteilung). Im Folgenden, insbesondere im statistischen Kontext, werden wir oft eine optisch andere Modellformulierung vornehmen, mit Hilfe von Zufallsvariablen. Die Ergebnismenge wird dabei nach wie vor mit M bezeichnet, aber es werden ein W-Raum (Ω, P ) im Hintergrund und eine Zufallsvariable X : Ω M postuliert. Das Ergebnis x M des Zufallsexperiments wird aufgefasst als ein Wert X(ω) der Zufallsvariablen X, (wobei ω Ω vom Zufall gewählt wird). Geeignet festzulegen ist die Verteilung der Zufallsvariablen X. Der eigentliche (konkrete) W-Raum, der den Zufallsvorgang modelliert, ist hier (M, P X ), während der Hintergrund-W-Raum (Ω, P ) in der Regel nicht weiter spezifiziert wird; auch die Zufallsvariable X wird (in der Regel) nicht vollständig spezifiziert, sondern nur ihre Verteilung. Zum Beispiel: Würfelexperiment einmal Würfeln. X eine Zufallsvariable mit Werten in M = {, 2, 3, 4, 5, 6} und Verteilung P (X = i) = /6 für alle i =,..., 6 (d.h. P X die Gleichverteilung auf {,..., 6}). Diese Art der Modellierung mag auf den ersten Blick unnötig umständlich erscheinen, erweist sich aber für komplexere Zufallsexperimente (mit mehrdimensionalen Ergebnissen) als nützlich, insbesondere weil der Begriff der Unabhängigkeit von Zufallsvariablen (s. Abschnitt.6) eingebracht werden kann. Zum Beispiel: Würfelexperiment zweimal (unabhängig) Würfeln. X, X 2 zwei unabhängige Zufallsvariablen, X : Ω {, 2,..., 6} und X 2 : Ω {, 2,..., 6}, deren Verteilungen gegeben sind durch P (X = i) = /6 für alle i =, 2,..., 6 und P (X 2 = j) = /6 für alle j =, 2,..., 6. Die Voraussetzung der Unabhängigkeit der beiden Zufallsvariablen besagt: P ( X = i, X 2 = j ) = P (X = i) P (X 2 = j) = /36 für alle i, j =, 2,..., 6. Die Ergebnismenge M ist hier M = {, 2,..., 6} 2 und die Zufallsvariable X ist X = (X, X 2 ).
7 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 7.5 Skalare Kenngrößen reeller Zufallsvariablen Erwartungswert, Varianz und Standardabweichung Sei X eine reelle Zufallsvariable, also X : Ω M R. (a) Wenn X diskret-verteilt ist, also M endlich oder abzählbar-unendlich ist: E(X) = x P (X = x) und Var(X) = ) 2 x E(X). x M x M( (b) Wenn X stetig-verteilt ist, also M ein Intervall ist und X eine Dichtefunktion f besitzt : ( ) 2 E(X) = x f(x) dx und Var(X) = x E(X) dx. M M Die (nicht-negative) Zahl Var(X) heißt die Standardabweichung von X. Alternative Formel für die Varianz Var(X) = E ( X 2) ( E(X) ) 2. Die (nicht-negative) Zahl E ( X 2) heißt das zweite Moment der (reellen) Zufallsvariablen X ; die Berechnung hiervon kann mit Hilfe der Transformationsformeln des nachfolgenden Theorems erfolgen, mit der quadratischen Transformation g(x) = x 2. Theorem [Erwartungswert transformierter Zufallsvariablen] Sei X eine reelle Zufallsvariable, also X : Ω M R. Sei eine Funktion ( Transformation ) g : M N R gegeben. Für den Erwartungswert der transformierten reellen Zufallsvariablen g(x) gilt dann: (a) Wenn X diskret-verteilt ist, also M endlich oder abzählbar-unendlich ist : E ( g(x) ) = g(x) P (X = x). x M (b) Wenn X stetig-verteilt ist, also M ein Intervall ist und X eine Dichtefunktion f besitzt : E ( g(x) ) = g(x) f(x) dx. M Theorem [Lineare Transformation einer reellen Zufallsvariablen] Sei X eine reelle Zufallsvariable, und seien β, c R. Dann: E(β X + c) = β E(X) + c und Var(β X + c) = β 2 Var(X). Wenn X normalverteilt ist, X N(µ, σ), dann β X + c N(βµ + c, β σ) (sofern β 0). Wenn X Rechteck-verteilt ist, X R(a, b), dann β X + c { R(βa + c, βb + c), falls β > 0 R(βb + c, βa + c), falls β < 0. Wenn X exponential-verteilt ist, X Exp(λ), und β > 0, dann β X Exp(λ/β).
8 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 8 Für die in Abschnitten.2 und.3 genannten speziellen Verteilungen sind die Erwartungswerte und Varianzen in nachfolgender Tabelle zusammengestellt. X E(X) Var(X) 0--wertig mit P (X = ) = p p p( p) gleichverteilt auf {x,..., x m } x m (x i x) 2 m binomial-(n, p)-verteilt np np( p) hypergeometrisch-(n, s, n)-verteilt ns N i= N n N n s ( s ) N N Poisson-(λ)-verteilt λ λ geometrisch-(p)-verteilt p p p 2 normal-(µ, σ)-verteilt µ σ 2 gleichverteilt auf [a, b] exponential-(λ)-verteilt 2 (a + b) (b a) 2 2 λ λ 2 Theorem [Linearkombination zweier reeller ZV en: Linearität des Erwartungswertes] Seien X und X 2 zwei reelle Zufallsvariablen und β, β 2 und c reelle Zahlen. Dann: E ( β X + β 2 X 2 + c ) = β E(X ) + β 2 E(X 2 ) + c. [Kovarianz und Korrelation zweier reeller Zufallsvariablen] Für zwei reelle Zufallsvariablen X und X 2 heißen Cov(X, X 2 ) = E [ ( X E(X ) )( X 2 E(X 2 ) ) ] = E(X X 2 ) E(X ) E(X 2 ) die Kovarianz der Zufallsvariablen X, X 2 und ρ(x, X 2 ) = Cov(X, X 2 ) Var(X ) Var(X 2 ) [, ] die Korrelation (oder der Korrelationskoeffizient) der Zufallsvariablen X, X 2. Die Korrelation ρ(x, X 2 ) ist eine Maßzahl für die lineare Abhängigkeit der beiden Zufallsvariablen X, X 2. Die extremen Werte ρ(x, X 2 ) = ± bedeuten perfekte (positive oder negative) lineare Abhängigkeit; der Wert ρ(x, X 2 ) = 0 (Unkorreliertheit) bedeutet, dass keine lineare Abhängigkeit vorhanden ist.
9 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 9.6 Stochastische Unabhängigkeit [Unabhängigkeit von Ereignissen] Sei (Ω, P ) ein W-Raum. (a) Zwei Ereignisse A, A 2 Ω heißen (stochastisch) unabhängig, wenn P (A A 2 ) = P (A ) P (A 2 ). (b) Allgemeiner: n Ereignisse A, A 2,..., A n Ω heißen (stochastisch) unabhängig, wenn gilt: P ( ) A i A i2... A ik = P (Ai ) P (A i2 )... P (A ik ) für alle i < i 2 <... < i k n, k =,..., n. Theorem [Ein nützliches Resultat] Seien unabhängige Ereignisse A, A 2,..., A n gegeben. Betrachte eine Gruppierung dieser Ereignisse in K Gruppen: {A,..., A n }, {A n +,..., A n2 },..., {A nk +,..., A n }, wobei n < n 2 <... < n K < n. Wenn für jedes k =,..., K ein Ereignis B k gebildet wird aus den Ereignissen der k-ten Gruppe durch Mengenoperationen (Vereinigung, Durchschnitt, Differenzmenge, Komplement), dann sind die Ereignisse B,..., B K unabhängig. [Unabhängigkeit von Zufallsvariablen] Sei (Ω, P ) ein W-Raum, und seien X,..., X n Zufallsvariablen, X i : Ω M i, i =,..., n. Die Zufallsvariablen X,..., X n heißen (stochastisch) unabhängig, wenn P ( X B, X 2 B 2,..., X n B n ) = P (X B ) P (X 2 B 2 )... P (X n B n ) für alle B M, B 2 M 2,..., B n M n. Bemerkung: Diskrete Wertevorräte Wenn M i, i =,..., n, endlich oder abzählbar unendlich sind, dann genügt es in der, ein-elementige Mengen B i = {x i }, i =,..., n, zu betrachten: Die Zufallsvariablen X,..., X n sind genau dann unahhängig, wenn P ( X = x, X 2 = x 2,..., X n = x n ) = P (X = x ) P (X 2 = x 2 )... P (X n = x n ) für alle x M, x 2 M 2,..., x n M n. Theorem [Analog zu oben] Seien unabhängige Zufallsvariablen X, X 2,..., X n gegeben. Betrachte eine Gruppierung dieser Zufallsvariablen in K Gruppen: {X,..., X n }, {X n +,..., X n2 },..., {X nk +,..., X n }, wobei n < n 2 <... < n K < n. Wenn für jedes k =,..., K eine neue Zufallsvariable Y k gebildet wird aus den Zufallsvariablen der k-ten Gruppe durch Anwendung einer Funktion, Y k = g k ( Xnk +,..., X nk ), k =,..., K, (dabei sei n0 = 0, n K = n), dann sind die Zufallsvariablen Y,..., Y K unabhängig.
10 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen 0 Theorem [Produktregel für Erwartungswerte unabhängiger reeller ZV en] Wenn X,..., X n unabhängige reelle Zufallsvariablen sind, dann gilt E ( ) X X 2... X n = E(X ) E(X 2 )... E(X n ). Insbesondere für n = 2 : Zwei unabhängige reelle Zufallsvariablen sind stets auch unkorreliert. Theorem Wenn X,..., X n [Summationsregel für Varianzen unabhängiger reeller ZV en] unabhängige reelle Zufallsvariablen sind, dann gilt ( n ) Var X i i= = n Var(X i ). i=.7 Summen von unabhängigen reellen Zufallsvariablen Theorem [Spezielle Verteilungen] Seien X,..., X n unabhängige reelle Sufallsvariablen. Betrachte die Summenvariable S n = (a) (Bernoulli-Variablen) Wenn X i Bi(, p), i =,..., n, dann S n Bi(n, p). n i= X i. (b) (Poisson-verteilte ZV en) Wenn X i Poi(λ i ), i =,..., n, dann S n Poi(λ) mit λ = n λ i. (c) (Normalverteilte ZV en) Wenn X i N(µ i, σ i ), i =,..., n, dann S n N(µ, σ) mit µ = n µ i und σ 2 = n σi 2. i= i= i= Theorem [Zentraler Grenzwertsatz] Seien X,..., X n unabhängige und identisch verteilte reelle Zufallsvariablen; (identisch verteilt: P X = P X2 =... = P Xn ). Bezeichne µ = E(X i ) und σ 2 = Var(X i ). Betrachte die Summenvariable sowie die standardisierte Summenvariable S n = n i= X i und S n = n σ ( Sn nµ ). Dann gilt für großes n näherungsweise: S n N(0, ) und S n N ( nµ, n σ ). Anmerkung: Die präzise Formulierung des Resultats ist die Konvergenz (für n ) der Verteilung von Sn gegen die Standard-Normalverteilung, im Sinne der gleichmäßigen Konvergenz der Verteilungsfunktionen: lim P ( Sn x ) = Φ(x) = n und folglich x [ lim P ( S n x ) ( x nµ ) ] Φ n n σ exp ( 2 z2) dz gleichmäßig für alle x R, = 0 für jedes x R.
11 Norbert Gaffke: Kurzskript zur Vorlesung Schätzen und Testen, Wintersemester 20/2 Kapitel : Wahrscheinlichkeitsräume und Zufallsvariablen Spezialfall: U.i.v. Bernoulli-Variablen X,..., X n Bi(, p). Die exakte Verteilung der Summenvariablen S n ist Bi(n, p) ; für großes n (gemäß ZGWS) : Bi(n, p) N ( np, np( p) ), d.h. x ( ) n ( P (S n x) = p i ( p) n i x np ) Φ für alle x R, x 0 i np( p) i=0 Theorem [Starkes Gesetz der Großen Zahlen] Sei X, X 2,..., X n,... eine unendliche Folge von unabhängigen und identisch verteilten reellen Zufallsvariablen; bezeichne µ = E(X i ). Betrachte die Folge der arithmetischen Mittel, X n = n X i, (n N). n i= ( ) Diese konvergieren (für n ) mit Wahrscheinlichkeit gegen µ : P lim X n = µ =. n Interpretation des StGGZ für die Modellierung: Zufallsexperiment und w-theoretisches Modell n unabhängige Durchführungen modelliert durch u.i.v. ZV en X,..., X n eines Zufallsexperiments (reelle) Daten x,..., x n interpretiert als Werte von X,..., X n relative Häufigkeiten konvergieren (für n ) gegen Wahrscheinlichkeiten ν n (x) = n {i : x i = x} ( ) ν n [ a, b ] = n {i : a x i b} (n ) P (X = x) (n ) P (a X b) (n ) empirische Verteilungsfunktion: Verteilungsfunktion: F n (x) = n {i : xi x} F X (x) = P (X x) empirischer Mittelwert: n x = n x i i= empirische Varianz: n s 2 = n (x i x) 2 i= (n ) Erwartungswert µ = E(X i ) (n ) Varianz σ 2 = Var(X i )
Wahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
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
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
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
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
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............................
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
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
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........................
Mehr2.2 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
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
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
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
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.
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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,
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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,...)
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........................
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
MehrWahrscheinlichkeitsräume und Zufallsvariablen
Kapitel 1 Wahrscheinlichkeitsräume und Zufallsvariablen 1.1 Modellierung von Zufallsexperimenten Der Begriff Zufallsexperiment steht hier für jeden realen Vorgang, der vom Zufall beeinflusst wird. Typischerweise
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:
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
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:
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
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
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
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:
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
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
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
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
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...........................
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
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
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
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
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,
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
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
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
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
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
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
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)
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
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
Mehr7.2 Theoretische Kennwerte
7.2 Theoretische Kennwerte Theoretische Varianz und Standardabweichung Definition und Notation Verschiebungsformel für die theoretische Varianz 391 7.2 Theoretische Kennwerte Interpretation der theoretischen
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
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........................
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
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
Mehr3. Zufallsvariable und Verteilungen
3. Zufallsvariable und Verteilungen Häufige Situation in der Praxis: Es interessiert nicht so sehr das konkrete Ergebnis ω Ω eines Zufallsexperimentes, sondern eine Zahl, die von ω abhängt Beispiele: Gewinn
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
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
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
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
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) =
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
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
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
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
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
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
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)
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
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
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
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
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
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
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
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
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
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
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
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
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
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 ]
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2010 FORMELSAMMLUNG STATISTIK B Dr. Scheer / J. Arns Version vom April 2010 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Zufallsvariablen 5 3 Diskrete Verteilungsmodelle 7 4 Parameterschätzung
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
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
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:
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)
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
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,
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
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 11. Winterthur, 10. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 10. Mai 017 1 Zufallsvariablen:
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,
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)
Mehr