Kapitel 1 Einführung und Beispiele
|
|
- Dennis Adenauer
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel 1 Einführung und Beispiele
2 1.1 Einführende Beispiele und erste Definition 1.1 Einführende Beispiele und erste Definition Rein zeitliche Beispiele: IFO Geschäftsklima Index Zeit: diskret; Zustandsraum: stetig. Sommersemester
3 1.1 Einführende Beispiele und erste Definition Aktienkurse (Inter-Tagesdaten) Zeit: stetig; Zustandsraum: stetig. Individuelle Arbeitslosigkeitsverläufe Zeit: diskret; Zustandsraum: binär / kategorial. Sommersemester
4 DNA-Sequenzen 1.1 Einführende Beispiele und erste Definition Zeit : diskret; Zustandsraum: diskret. Sommersemester
5 Schlafzustände 1.1 Einführende Beispiele und erste Definition state state awake Non REM REM awake Non REM REM Zeit: stetig; Zustandsraum: diskret. Sommersemester
6 Rein räumliche Beispiele: 1.1 Einführende Beispiele und erste Definition Krebsatlas Raum: diskret; Zustandsraum: diskret. Sommersemester
7 Schweizer Regenfalldaten 1.1 Einführende Beispiele und erste Definition Raum: stetig; Zustandsraum: stetig. Sommersemester
8 Räumlich-zeitliche Beispiele: 1.1 Einführende Beispiele und erste Definition fmri-daten Zeit: diskret, Raum: diskret, Zustandsraum: stetig. Sommersemester
9 Krebsatlas 1.1 Einführende Beispiele und erste Definition Zeit: diskret; Raum: diskret; Zustandsraum: diskret. Sommersemester
10 1.1 Einführende Beispiele und erste Definition Allgemein: Realisierungen von Zufallsvariablen X t, t T, mit einer geeigneten Indexmenge T, z.b. mit T N 0, R + T Z 2 T R 2 T Z 2 N 0 (Zeit), (räumliches Gitter), (kontinuierliche Teilmenge), (Raum Zeit). Definition: Stochastischer Prozess als Familie von Zufallsvariablen Eine Familie {X t, t T } von Zufallsvariablen heißt stochastischer Prozess. Die Indexmenge T heißt Parameterraum, der Wertebereich S der Zufallsvariablen heißt Zustandsraum. Genauer nimmt man an: X t : (Ω, F, P ) (S, S) Zufallsvariable für alle t S σ Algebra (Ω, F, P ) Wahrscheinlichkeitsraum Sommersemester
11 1.1 Einführende Beispiele und erste Definition X = {Ω, F, P, {X t, t T }} stochastischer Prozess Sommersemester
12 1.2 Spezielle 1.2 Spezielle Irrfahrten (Random Walks) Diskrete einfache Irrfahrt auf der Geraden: Start in X 0 = 0 (Zeit t = 0). Bewegung: (t = 1, 2,...) Ein Schritt nach rechts mit Wahrscheinlichkeit p Ein Schritt nach links mit Wahrscheinlichkeit q Verbleiben im Zustand mit Wahrscheinlichkeit r p + q + r = 1. X t Position nach t-tem Schritt. Sommersemester
13 Alternative Darstellung: 1.2 Spezielle {Z t, t = 1, 2,...} i.i.d. Folge von Zufallsvariablen für t-ten Schritt. Z t { 1, 0, 1} P (Z t = 1) = q P (Z t = 0) = r P (Z t = 1) = p Definition von X t : X 0 = 0 X t = Z 1 + Z Z t bzw. X t = X t 1 + Z t, t 1 Sommersemester
14 Formale Definition: 1.2 Spezielle Die Folge X = {X t, t N 0 }, mit X t = X t 1 + Z t, heißt (einfache) Irrfahrt auf der Geraden. {X t, t N 0 } ist ein stochastischer Prozess mit T = N 0 und S = Z. Zugrundeliegender Ergebnisraum Ω mit Ergebnissen ω: ω Folge der Realisierungen von Z 1, Z 2,..., z.b. Ω = { 1, 0, 1} N. ω = (1, 1, 1, 1, 1, 0, 0, 1, 1,...) = (Z 1 (ω) = 1, Z 2 (ω) = 1, Z 3 (ω) = 1,...) Die durch (t, X t ) gebildete Treppenfunktion heißt Pfad, Trajektorie oder Realisierung des Prozesses. Sommersemester
15 1.2 Spezielle Spezialfälle: r = 0 p = q = 1 2 kein Unentschieden faires Spiel, symmetrische Irrfahrt Modifikation: Absorbierende Schranken Interpretation: Spieler A mit Anfangskapital a > 0 Spieler B mit Anfangskapital b > 0 X t Gewinn von A nach t Spielen {X t = a} Ruin von A ( Gambler s ruin ) {X t = b} Ruin von B. Ziel: Berechnung von Ruin- bzw. Gewinnwahrscheinlichkeiten. Sommersemester
16 1.2 Spezielle Gewinnwahrscheinlichkeit bei p = q = 1 2 ist für A: P A = a a + b und für B: P B = b a + b Allgemeinere Gewinnwahrscheinlichkeiten Übung. Markov Eigenschaft der diskreten Irrfahrt: P (X t+1 = j X t = i, X t 1 = i t 1, X t 2 = i t 2,..., X 1 = i 1 ) = P (X t+1 = j X t = i). Interpretation: Die Zukunft X t+1 ist bei bekannter Gegenwart X t (bedingt) unabhängig von der Vergangenheit X t 1,..., X 1. Ungerichtete Form der Markov Eigenschaft: P (X t = i X s t ) = P (X t = i X t+1 = i t+1, X t 1 = i t 1 ) Sommersemester
17 1.2 Spezielle Zwei dimensionale symmetrische Irrfahrt X t = (X 1t, X 2t ) Z 2 X t+1 = X t + Z t ; (( ) ( 1 1 Z t, 0 0 ) ( 0, 1 ), ( 0 1 )) mit P ( Z n = ( 1 0 )) =... = P ( Z n = ( 0 1 )) = 1 4 Allgemeine Irrfahrt (Random Walk): {Z t, t N} iid Folge, Z t beliebig verteilt. Gauß-Irrfahrt: {Z t, t N} iid N(0, σ 2 ), Gauß sches Weißes Rauschen Sommersemester
18 Markov Eigenschaft: 1.2 Spezielle f(x t X t 1 = x t 1,..., X 1 = x 1 ) = f(x t X t 1 = x t 1 ) N(x t 1, σ 2 ) bzw. X t X t 1,..., X 1 X t X t 1 N(X t 1, σ 2 ) Autoregressiver Prozess der Ordnung 1 (AR(1)) X t = ρx t 1 + Z t, Z t i.i.d. Autoregressiver Prozess der Ordnung p (AR(p)) X t = ρ 1 X t ρ p X t p + Z t, Z t i.i.d. Gauß-Prozesse, falls Z t i.i.d. N(0, σ 2 ). Sommersemester
19 Markov-Eigenschaft: 1.2 Spezielle Für AR(1): X t X t 1,..., X 1 X t X t 1 N(ρX t 1, σ 2 ) Für AR(p): X t X t 1,..., X 1 X t X t 1,..., X t p N(µ t, σ 2 ) mit µ t = ρ 1 X t ρ p X t p Sommersemester
20 Räumliche Markov-Prozesse 1.2 Spezielle {X s, s = (i, j) Z 2 } heißt räumlicher (Gitter-)Prozess oder Zufallsfeld. X ij {0, 1} Indikatorvariablen, z.b. X ij = { 1 archäologischer Fund in (i, j) 0 sonst X s {0, 1, 2,...} Zählvariable, z.b. Anzahl von Krebserkrankungen in Landkreisen; irreguläres Gitter. X ij stetig verteilt, z.b. Graustufe/Farbe in der Bildanalyse Räumliche Markov Eigenschaft f(x ij {X kl, (k, l) (i, j)}) = f(x ij {X kl, (k, l) (i, j)}) : Nachbar von Sommersemester
21 1.2.2 Wiener Prozess 1.2 Spezielle Stochastisches Modell für die Brown sche Bewegung (zeitstetige Irrfahrt kleiner Teilchen in homogener, ruhender Flüssigkeit). Irrfahrt kommt durch zufälliges Zusammenstoßen mit Molekülen der Flüssigkeit zustande. Parameterraum T = R +. Zustandsraum S = R (bzw. R 2, R 3 ). Bezeichnung: W = {W t, t R + } oder {W (t), t R + } Wichtiger Baustein zur Modellierung von Wertpapierpreisen mit Anwendung in der Optionsbewertung (Black-Scholes-Regel): Bezeichne P 0 (t) den Preis eines risikolosen Wertpapiers (z.b. Sparguthaben) zum Zeitpunkt t. Bei stetiger Verzinsung mit konstantem Zinssatz r gilt: P 0 (t) = P 0 (0)e rt ln P 0 (t) = ln P 0 (0) + rt Sommersemester
22 = loglinearer Ansatz für Aktienkurse: 1.2 Spezielle ln P (t) = ln P (0) + rt + W (t), W (t) regelloser Fehler in stetiger Zeit. Wiener-Prozess als Grenzfall von Irrfahrten X(t) symmetrische diskrete Irrfahrt, X(0) = 0. Bewegungen zu den Zeitpunkten n t, n = 1, 2,... um ± x. X(t) = Lage des Teilchens für t = n t = n k=1 Z k Z k i.i.d. mit { P (Zk = + x) = 1 2 P (Z k = x) = 1 2 Sommersemester
23 1.2 Spezielle E(Z k ) = 0 V ar(z k ) = ( x) 2 = E(X(t)) = 0 V ar(x(t)) = ( x) 2 n = ( x)2 t } t {{} =:σ 2 Grenzübergang n ( t 0, x 0), so dass konstant bleibt. Zentraler Grenzwertsatz σ 2 := ( x)2, 0 < σ 2 < t = X(t) N(0, σ 2 t) für n. Sommersemester
24 Vor dem Grenzübergang gilt 1.2 Spezielle Zuwächse X(t) X(s), X(v) X(u), mit u < v < s < t sind unabhängig (zusammengesetzt aus getrennten i.i.d. Teilsummen) Zuwächse X(t+s) X(s) sind stationär (Verteilung hängt nur von der Zeitdifferenz ab): X(t + s) X(s) X(t) X(0) N(0, σ 2 t) Plausibel: Unabhängigkeit und Stationarität der Zuwächse überträgt sich auf Grenzprozess für n. Exakter Beweis aber schwierig. Axiomatischer Zugang Herleitung des Wiener-Prozesses als Grenzfall von Irrfahrten funktioniert auch für allgemeine symmetrische Irrfahrten, z.b. mit Z k N(0, σ 2 t), t = n t Sommersemester
25 Axiomatische Definition des Wiener-Prozesses 1.2 Spezielle Ein stochastischer Prozess W = {W (t), t R + }, S = R, heißt Wiener-Prozess, wenn gilt: (W1) Zuwächse sind normalverteilt und stationär: W (s + t) W (s) N(0, σ 2 t) für alle s, t 0 (W2) Für alle 0 t 1 < t 2 <... < t n, n 3 sind die Zuwächse W (t 2 ) W (t 1 ),..., W (t n ) W (t n 1 ) unabhängig (W3) W (0) = 0 (W4) Pfade sind stetig. Sommersemester
26 Bemerkungen: 1.2 Spezielle Für σ 2 = 1 heißt der Wiener Prozess normiert. (W3) ist Anfangsbedingung. Addition von c liefert W (t) = W (t) + c mit W (0) = c. (W1), (W2), (W3) bestimmen die endlich-dimensionalen Verteilungen von W (t 1 ), W (t 2 ),..., W (t n ) n 1, t 1,..., t n R +. (W4) folgt nicht aus (W1) (W3). Man müsste sogar zeigen, dass (W4) mit (W1) (W3) verträglich ist. Sommersemester
27 Eindimensionale Verteilungen: 1.2 Spezielle W (t) N(0, σ 2 t) t R +, da nach (W1) und (W3). W (t) W (0) = W (t) N(0, σ 2 t) Bivariate Verteilungen: mit ( ) W (s) W (t) N(0, Σ), ( Σ = σ 2 s s ) s. t 0 s < t Für s, t beliebig: Cov(W (s), W (t)) = min(t, s)σ 2. Sommersemester
28 Zugehörige Dichte: f s,t (x 1, x 2 ) = { 1 2πσ 2 s(t s) exp 1 2σ Spezielle [ x 2 1 s + (x 2 x 1 ) 2 ]}, s < t t s Bedingte Dichten: W (s) [W (t) = b] N ( s ) t b, σ2s t (t s), s < t W (t) [W (s) = a] N(a, σ 2 (t s)) Sommersemester
29 1.2 Spezielle Allgemeine endlichdimensionale Verteilungen: Für 0 t 1 < t 2 <... < t n, n N gilt (W (t 1 ),..., W (t n )) N(0, σ 2 Σ) Σ = t 1 t 1 t 1... t 1 t 1 t 2 t 2... t 2 t 1. t 2. t t 3. t 1 t 2 t 3... t n Dichte: f t1,...t n (x 1,..., x n ) = f(x 1 )f(x 2 x 1 )... f(x n x n 1 ) { [ exp 1 x 2 ]} 1 2σ = 2 t 1 + (x 2 x 1 ) 2 t 2 t (x n x n 1 ) 2 t n t n 1 (σ 2π) n t 1 (t 2 t 1 )... (t n t n 1 ) Dies zeigt auch die Markoveigenschaft des Wiener Prozess. Sommersemester
30 Pfadeigenschaften: 1.2 Spezielle Stetig nach (W4). In jedem endlichen Intervall von unbeschränkter Variation: t 0, t 1,..., t n Gitter auf [t 0, t n ], Schrittweite δ n = n W (t k ) W (t k 1 ), für n k=1 Mit Wahrscheinlichkeit 1 nirgends differenzierbar. Plausibilitätserklärung: Für den Differenzenquotienten gilt W (t + h) W (t) h N ) (0, σ2 h d.h. die Varianz des Differenzenquotienten für h 0. Sommersemester
31 1.2 Spezielle Es gilt sogar P { a W (t + h) W (t) h } b 0, [a,b] endl. Intervall Differenzenquotienten kann nicht gegen endliche Zufallsvariable konvergieren. Sommersemester
32 Allgemeine Notation für Zählprozesse: Zählprozesse und Poisson-Prozess {S n, n N} Stochastischer Prozess von Ereigniszeitpunkten, z.b. Eintreten von Schadensfällen bei KFZ Versicherung Todesfälle in klinischer Studie 1.2 Spezielle Ankünfte von Jobs bei Computer, von Kunden bei Servicestelle,... Kauf eines Produkts, Transaktionen an der Börse {T n, n N} Stochastischer Prozess von Verweildauern, Zwischenankunftszeiten, etc. mit T n = S n S n 1 Zählprozess N(t) = I [0,t] (S n ) = Anzahl der Ereignisse in (0, t]. n=1 Sommersemester
33 1.2 Spezielle Vereinbarung: T n > 0 für alle n N, d.h. keine gleichzeitigen Ereignisse. Pfade sind rechtsstetige Treppenfunktionen mit Sprunghöhe 1 Verhältnis zwischen Zählprozess und Ereigniszeitpunkten: S n t N(t) n S n t < S n+1 N(t) = n N(t) = max n {S n t} = min n {S n+1 > t} Mehr zu Zählprozessen in Kapitel 7; hier: Poisson-Prozess als einfachster Zählprozess Sommersemester
34 1.2 Spezielle Definition: Zählprozess N mit unabhängigen und stationären Zuwächsen: N besitzt unabhängige Zuwächse : n t 0 < t 1 <... < t n N(t 1 ) N(t 0 ),..., N(t n ) N(t n 1 ) unabhängig N besitzt stationäre Zuwächse : 0 t 1 < t 2, s > 0 N(t 2 ) N(t 1 ) und N(t 2 + s) N(t 1 + s) identisch verteilt Definition Poisson-Prozess: Ein Zählprozess N = {N(t), t 0} heißt Poisson-Prozess : (1) N hat unabhängige und stationäre Zuwächse (2) P {N(t + h) N(t) 2} = o(h) P {N(t + h) N(t) = 1} = λh + o(h) Sommersemester
35 1.2 Spezielle Eigenschaft (2) lässt sich ersetzen durch Sprünge der Pfade haben (mit Wkeit 1) die Höhe 1, keine gleichzeitigen Ereignisse, Zählprozess nach unserer Übereinkunft. Für einen Poisson-Prozess N gilt d.h. P (N(t) = n) = (λt)n e λt, n N 0, n! mit Intensität oder Rate λ > 0. N(t) P o(λt) Bemerkung: (2) kann auch durch N(t) P o(λt) ersetzt werden Sommersemester
36 1.2 Spezielle Der Poisson-Prozess ist ein homogener (stationärer) Markov-Prozess, d.h. s 0 <... < s n < s < t und j i gilt für P (N(t) = j N(s) = i, N(s n ) = i n,..., N(s 1 ) = i 1 ) = P (N(t) = j N(s) = i) = P (N(t s) = j i) = (λ(t s))j i e λ(t s) (j i)! Bemerkung: Jeder Prozess mit unabhängigen Zuwächsen ist ein Markov-Prozess. N ist Poisson Prozess mit Rate λ Die Zwischenzeiten T n sind i.i.d. Ex(λ) verteilt (exponentialverteilt mit Parameter λ). Für die Wartezeit auf das n-te Ereignis S n = T T n gilt S n Ga(n, λ) f Sn (t) = e λt λ n t n 1 (n 1)! Sommersemester
37 1.2 Spezielle mit E(S n ) = n λ, V ar(s n ) = n λ 2, Modus(S n ) = n 1 λ. Vorwärtsrekurrenzzeit: d.h. V (t) Ex(λ). V (t) = S N(t)+1 t P (V (t) x) = F V (t) (x) = 1 e λx Bemerkung: V (t) Ex(λ) unabhängig von gewähltem t folgt aus Gedächtnislosigkeit der Exponentialverteilung: X Ex(λ) P (X t + x X > t) = P (X x). Sommersemester
38 Rückwärtsrekurrenzzeit 1.2 Spezielle U(t) = t S N(t) P (U(t) = t) = e λt P (U(t) x) = 1 e λx, 0 x < t Bemerkung: U(t) + V (t) = T N(t)+1 = S N(t)+1 S N(t) Sampling Paradoxon: N(t) in S N(t) ist zufälliger Index; T (N(t)+1) T n, n fest. Für fest vorgegebenes t gilt E(T N(t)+1 ) = E(U(t)) + E(V (t)) = 1 λ (1 e λt ) + 1 λ > 1 λ = E(T n) Plausibilitätserklärung: Bei fest vorgegebenem t ist T N(t)+1 die zufällige Länge der enthaltenen Zwischenzeit. Im Schnitt werden längere Intervalle dabei favorisiert. Sommersemester
39 Überlagerung von Poisson-Prozessen L = {L(t), t 0} PP mit Rate λ M = {M(t), t 0} PP mit Rate µ } unabhängig 1.2 Spezielle Dann heißt N = {N(t), t 0} mit Überlagerung von L und M. N(t, ω) = L(t, ω) + M(t, ω) Es gilt: N ist Poisson-Prozess mit Rate λ + µ Zerlegung von Poisson-Prozessen: N Poisson-Prozess mit Rate λ. Bei Eintritt eines Ereignisses wird ein binomisches Experiment P (X = 1) = p, P (X = 0) = 1 p, unabhängig von N, durchgeführt. X = 1 : Typ 1 Ereignis Zählprozess M X = 0 : Typ 0 Ereignis Zählprozess L Sommersemester
40 1.2 Spezielle Es gilt: M und L sind unabhängige PP mit Raten λp und λ(1 p). Typisches Beispiel: Netzwerke, etwa Straßensystem. Verallgemeinerung: Räumlicher Poisson-Prozess Anzahl der Ereignisse in einem Gebiet A ist Poisson-verteilt mit Erwartungswert λ Fläche(A). Anzahl der Ereignisse in zwei nicht überlappenden Gebieten A 1 und A 2 sind unabhängig. Erweiterung I: Inhomogener Poisson-Prozess Ein Zählprozess N = {N(t), t 0} heißt nichtstationärer (inhomogener) Poisson- Prozess mit Rate (Intensitätsfunktion) λ(t), t 0 : (1) N hat unabhängige Zuwächse (2) P (N(t + h) N(t) 2) = o(h) P (N(t + h) N(t) = 1) = λ(t)h + o(h) Sommersemester
41 1.2 Spezielle Es lässt sich zeigen: P (N(t + s) N(t) = n) = exp t+s t λ(u)du ( t+s t ) n λ(u)du n! (Λ(t + s) Λ(t))n = exp( (Λ(t + s) Λ(t)) n! mit Λ(t) = t 0 λ(u)du als kumulierte Rate, d.h. N(t + s) N(t) P o t+s t λ(s)ds Sommersemester
42 1.2 Spezielle Erweiterung II: Bewerteter (Compound) Poisson-Prozess N Poisson-Prozess, {Y n, n N} von N unabhängige i.i.d. Folge. Dann heißt X = {X(t), t 0} mit X(t) = N(t) n=1 Y n bewerteter Poisson-Prozess. Beispiele: Schadensprozesse N(t) Prozess der Schadensanzahl, {Y n, n N} zugehörige Schadenshöhen, X(t) = N(t) n=1 Y n Gesamtschaden in [0, t]. Sommersemester
43 Klassisches Versicherungsmodell von Cramér Lundberg 1.2 Spezielle R(t) = c 0 + c 1 t X(t) Risikoprozess, c 1 Prämienintensität, X(t) bewerteter Poisson-Prozess mit Intensität λ, Y n i.i.d. F Schadenhöhen. Ziel: Bestimmung der Wahrscheinlickeiten P (R(t) > 0 t) =? oder P (R(t) 0)? Sommersemester
Einführung in die stochastischen Prozesse
Einführung in die stochastischen Prozesse Vorlesung mit Übung von Sonja Greven und David Rügamer Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2016 Sommersemester 2016 Literatur
MehrEinführung und Beispiele
Kapitel 1 Einführung und Beispiele Inhalt: Anwendungsbeispiele erste Definition eines stochastischen Prozesses einige spezielle stochastische Prozesse Ziel: Aufzeigen der Vielfalt stochastischer Prozesse
MehrKapitel 2 Grundbegriffe der allgemeinen Theorie stochastischer Prozesse
Kapitel 2 Grundbegriffe der allgemeinen Theorie stochastischer Prozesse 2.1 Definitionen stochastische Prozesse 2.1 Definitionen stochastische Prozesse 2.1.1 Klassische Definition: als Familien von Zufallsvariablen
MehrErneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Für den Poisson-Prozess und (reguläre) diskrete Markov-Prozesse impliziert die Markov-Eigenschaft, dass die Zwischenzeiten bzw. Verweildauern exponentialverteilt
MehrDer Poissonprozess. Kapitel 5
spielt in der stochastischen Modellierung eine fundamentale Rolle Grund ist seine verteilungsfreie Charakterisierung durch wenige qualitative Eigenschaften, die in zahlreichen Anwendungsbeispielen plausibel
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
MehrKapitel 5 Erneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Definition: Erneuerungsprozess Sei {T n, n N} eine Folge unabhängiger, nichtnegativer Zufallsvariablen mit Verteilungsfunktion F, mit F () < 1. Dann 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........................
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
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
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:
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
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
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
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,
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........................
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrKapitel 4 Diskrete Markov-Prozesse
Kapitel 4 Diskrete Markov-Prozesse 4.1 Definition und grundlegende Eigenschaften 4.1 Definition und grundlegende Eigenschaften Stetige Zeit aber weiterhin diskreter Zustandsraum. Beispiele: Klinische Studien,
MehrBrownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
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
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrDiskrete Strukturen II
SS 2004 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2004ss/ds/index.html.de 18. Juni 2004 Exponentialverteilung als Grenzwert der geometrischen
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
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.
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
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
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
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
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
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
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
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrZeitstetige Markov-Prozesse: Einführung und Beispiele
Zeitstetige Markov-Prozesse: Einführung und Beispiele Simone Wielart 08.12.10 Inhalt Q-Matrizen und ihre Exponentiale Inhalt Q-Matrizen und ihre Exponentiale Zeitstetige stochastische Prozesse Inhalt Q-Matrizen
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
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
MehrKapitel 7 Punkt- und Zählprozesse
Kapitel 7 Punkt- und Zählprozesse Grundlage für den modernen Zugang zu Verweildauer-und Ereignisanalyse. Poisson-Prozesse, Erneuerungs-, Markov-, Semi-Markov-Prozesse sind Spezialfälle. Wir betrachten
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
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
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)
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
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
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,
MehrDie Probabilistische Methode
Die Probabilistische Methode Wladimir Fridman 233827 Hauptseminar im Sommersemester 2004 Extremal Combinatorics Zusammenfassung Die Probabilistische Methode ist ein mächtiges Werkzeug zum Führen von Existenzbeweisen.
Mehr6. Kontinuierliche Zufallsgrößen. Beispiel 1: Die Exponentialverteilungen Sei λ > 0. Setzen
6. Kontinuierliche Zufallsgrößen Definition: Eine Z. G. ξ ist absolut stetig mit (Wahrscheinlichkeits-) Dichte f : R R, wenn gilt: P ( a ξ < b ) = b a f(x) dx (a < b) allgem. Eigenschaften einer Dichte
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
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
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
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........................
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrSTOCHASTISCHE PROZESSE
Institut für Statistik Ludwig-Maximilians-Universität Ludwigstr. 33 80539 München Skript zur Vorlesung STOCHASTISCHE PROZESSE Ludwig Fahrmeir, Günter Raßer, Thomas Kneib Dieses Skript beruht zu einem großen
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
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
Mehr1 1 e x2 =2 d x 1. e (x2 +y 2 )=2 d x d y : Wir gehen nun zu Polarkoordinaten uber und setzen x := r cos und y := r sin.
Lemma 92 Beweis: Wir berechnen zunachst I 2 : I 2 = Z 1 I := e x2 =2 d x p = 2: 1 Z 1 1 Z 1 Z 1 = 1 1 Z 1 e x2 =2 d x 1 e (x2 +y 2 )=2 d x d y : e y2 =2 d y Wir gehen nun zu Polarkoordinaten uber und setzen
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,...)
MehrAllgemeine Punktprozesse
Allgemeine Punktprozesse Michael Auchter 17. Mai 2010 Seite 2 Allgemeine Punktprozesse 17. Mai 2010 Inhaltsverzeichnis Definitionen Definition von Punktprozessen Das Intensitätsmaß Stationarität, Isotropie
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
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
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
MehrVerschiedene stochastische Prozesse. Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik
Verschiedene stochastische Prozesse Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik Seite 2 Verschiedene stochastische Prozesse Ann-Kathrin Rüger 27. Mai 2013 Inhalt Stochastische Prozesse Grenzüberschreitende
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. 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
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
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. 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
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrKapitel 5: Markovketten
Kapitel 5: Markovketten Definition 5.1 Bezeichnungen Bsp. 5.1 Definition 5.2 Eine Fam. (X i ) i I von ZV en X i : Ω E auf (Ω, F, P) mit Werten im messb. Raum (E, E) heißt Stochastischer Prozess. E Zustandsraum
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............................
MehrWahrscheinlichkeitsräume und Zufallsvariablen
Kapitel Wahrscheinlichkeitsräume und Zufallsvariablen. W-Raum Unter einem Zufallsexperiment verstehen wir einen vom Zufall beeinflussten Vorgang, der ein entsprechend zufälliges Ergebnis hervorbringt.
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
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:
MehrLösungen zu Übungen (I) Markov-Prozesse
Lösungen zu Übungen (I) Markov-Prozesse Sommersemester 25 W. Huisinga, E. Meerbach Aufgabe 1 Betrachte einen homogenenen Markovprozess {X(t) : t } auf einem abzählbaren Zustandsraum S mit rechtsstetigen
MehrMarkov Ketten und Bonus Malus Systeme
Grund Stoch Markov Ketten Bonus Malus Probleme L 1 / 46 Markov Ketten und Bonus Malus Systeme Klaus D. Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden TU Wien 19. Mai 2010
MehrSatz 104 (Skalierung exponentialverteilter Variablen)
2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable
MehrAnwendungen mit SAS: Direkt aus der Praxis! Block 1
Anwendungen mit SAS: Direkt aus der Praxis! Block 1 Deskriptive Statistik und Simulation von Zufallsvariablen Fachhochschule Koblenz Fachbereich Mathematik und Technik Dr. Denise Rey 28. November 2008
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
Mehr7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten Da G X (s) := Pr[X = k] s k = E[s X ], k Pr[X = k] = E[X].
7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten Da G X (s) := gilt G X(1) = Pr[X = k] s k = E[s X ], k=0 k Pr[X = k] = E[X]. k=1 DWT 7.1 Einführung 182/476 Beispiel 73 Sei X binomialverteilt
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
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
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
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
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)
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrAnzahl der Versuche, bei denen A eingetreten ist : Anzahl aller Versuche Mit Hilfe des obigen Gesetzes der groen Zahlen folgt Z = Pr[jZ pj ] ";
Wahrscheinlichkeit und relative Haugkeit. Sei X eine Indikatorvariable fur ein Ereignis A, Pr[A] = p. Somit ist X Bernoulli-verteilt mit E[X] = p. Z = 1 n (X 1 + : : : + X n ) gibt die relative Haugkeit
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
MehrDiskrete Markov-Prozesse
Kapitel 4 Diskrete Markov-Prozesse Bei Markov-Ketten ist T = N 0, dh die Zeit wird als diskret betrachtet Bei Markov-Prozessen läuft die Zeit kontinuierlich mit T = R + Ist S diskret, wie in diesem Kapitel,
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
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten 1/43 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.1 Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 7 1 Inhalt der heutigen Übung Statistik und Wahrscheinlichkeitsrechnung Vorrechnen der Hausübung D.9 Gemeinsames Lösen der Übungsaufgaben D.10: Poissonprozess
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
MehrDer Metropolis-Hastings Algorithmus
Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Markov-Chain Monte-Carlo Verfahren Übersicht 1 Einführung
Mehr