Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
|
|
- Eduard Meinhardt
- vor 5 Jahren
- Abrufe
Transkript
1 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie: 1.1 Zweidimensionale Verteilungsfunktionen; 1. Ungleichung von Tschebyscheff; 1.3 Grenzwertsätze. Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 3
2 1.1 Zweidimensionale Verteilungsfunktionen Es sei X = (X 1, X ) - -dimensionale Zufallsvektor Beispiele: - Renditen von Daimler und BMW, - Anzahl des verkauften Albums Legends - The Christmas Collection und die Zeit. Dann heißt F X (x 1, x ) = P ( ) {ω Ω : X 1 (ω) x 1, X (ω) x }, x 1, x IR die ( dimensionale) Verteilungsfunktion des Zufallsvektors X. Man schreibt hierfür kurz: F (x 1, x ) = P(X 1 x 1, X x ). Man schreibt (X 1, X ), sowie (X, Y ). Ostap Okhrin of 3
3 Nimmt X höchstens abzählbar viele verschiedene Werte an, so heißt X diskret und f(x 1, x ) = P(X 1 = x 1, X = x ) heißt die (gemeinsame) Wahrscheinlichkeitsfunktion von (X 1, X ). X heißt stetig, falls für die Verteilungsfunktion F von X gilt F (x 1, x ) = x1 x f(t 1, t ) dt dt 1, x 1, x IR mit f(t 1, t ) 0 für alle t 1, t gilt. Die Funktion f heißt (-dimensionale) Dichte von (X 1, X ). Ostap Okhrin 3 of 3
4 Randverteilung von X 1 : F X (x 1, ) = P(X 1 x 1 ) =: F 1 (x 1 ) Randverteilung von X : F X (, x ) = P(X x ) =: F (x ) Beachte: im diskreten Fall: P(X 1 = x 1,i ) = j P(X 1 = x 1,i, X = x,j ) P(X = x,j ) = i P(X 1 = x 1,i, X = x,j ) im stetigen Fall: + f 1 (x 1 ) = f(x 1, x ) dx und f (x ) = + f(x 1, x ) dx 1 Ostap Okhrin 4 of 3
5 Die -dimensionale Normalverteilung Die Dichte der -dimensionalen Normalverteilung ist gegeben durch 1 f(x 1, x ) = { (π) Σ exp 1 } (x µ) Σ 1 (x µ) [ 1 = π σ 1 σ exp 1 1 ρ (1 ρ ) { (x1 ) µ 1 ρ (x ( ) }] 1 µ 1 ) (x µ ) x µ + σ 1 σ σ 1 σ für x 1, x IR, wobei x = ( x1 x ) ( µ1, µ = µ ) ( σ und Σ = 1 ρσ 1 σ ρσ 1 σ σ ). Die Dichte hängt von 5 Parametern ab, nämlich µ 1, µ IR, σ 1, σ > 0 und ρ [ 1, 1]. Ostap Okhrin 5 of 3
6 Bemmerkung: µ heißt der Erwartungswert von X = (X 1, X ) : µ 1 = E(X 1 ) und µ = E(X ); Σ heißt die Kovarianzmatrix von X: σ1 = Var(X 1), σ = Var(X ) und ρ = Cor(X 1, X ). Notation: X N (µ, Σ) (X 1, X ) N (µ, Σ) ( ) (( ) ( X1 µ1 σ N, 1 ρσ 1 σ X µ ρσ 1 σ σ )) Ostap Okhrin 6 of 3
7 Die -dimensionale standardisierte Normalverteilung Ist µ 1 = µ = ρ = 0 und σ 1 = σ = 1, so spricht man von der -dimensionalen standardisierten Normalverteilung [ 1 f(x 1, x ) = π σ 1 σ exp 1 1 ρ (1 ρ ) { (x1 ) µ 1 ρ (x ( ) }] 1 µ 1 ) (x µ ) x µ + σ 1 σ σ 1 = 1 π exp = 1 π exp = φ(x 1 ) φ(x ). { 1 ( x 1 + x ) } ( ) x 1 ( ) 1 exp x π Hieraus erhält man die Randdichten zu f 1 (x 1 ) = φ(x 1 ) und f (x ) = φ(x ). σ Ostap Okhrin 7 of 3
8 Dichte der dim. Normalverteilung für µ 1 = 0, µ = 0, σ 1 = 1, σ = 1, ρ = x x Ostap Okhrin 8 of 3
9 Dichte der dim. Normalverteilung für µ 1 = 1, µ = 0, σ 1 = 1, σ = 1, ρ = x x Ostap Okhrin 9 of 3
10 Dichte der dim. Normalverteilung für µ 1 = 0, µ = 0, σ 1 =, σ = 1, ρ = x x Ostap Okhrin 10 of 3
11 Dichte der dim. Normalverteilung für µ 1 = 0, µ = 0, σ 1 = 1, σ = 1, ρ = x x Ostap Okhrin 11 of 3
12 Verteilungsfunktion der dim. Normalverteilung für µ 1 = 0, µ = 0, σ 1 = 1, σ = 1, ρ = F(x1,x) x x1 1 Ostap Okhrin 1 of 3
13 Eigenschaften: Sei ( X1 X ) (( µ1 N µ ) ( σ, 1 ρσ 1 σ ρσ 1 σ σ = X 1 N(µ 1, σ 1 ) und X N(µ, σ ). Sei ( X1 X ) (( µ1 N µ = ρ = Cor(X 1, X ). ) ( σ, 1 ρσ 1 σ ρσ 1 σ σ )) )) X 1 und X unabhängig = ρ = 0 (und!!!). ( ) (( ) ( )) X1 µ1 σ Sei N, 1 ρσ 1 σ X µ ρσ 1 σ σ, dann X 1 und X unabhängig ρ = 0. Ostap Okhrin 13 of 3
14 Sei ( X1 X ) (( µ1 N µ ) ( σ, 1 ρσ 1 σ ρσ 1 σ σ )) = alle Linearkombinationen von X 1 und X sind (univariat) normalverteilt: für alle w 1, w IR Beispiel: w 1 X 1 + w X N ( w 1 µ 1 + w µ, w 1σ 1 + w σ + w 1 w σ 1 σ ρ ) Portfoliotheorie: Betrachte Portfolio bestehend aus Aktien mit relativen Anteilen w und 1 w. Sind die Renditen der Aktien R 1 und R zweidimensional normalverteilt, so ist die Portfoliorendite R P = wr 1 + (1 w)r ebenfalls normalverteilt und es gilt R P N ( wµ 1 + (1 w)µ, w σ 1 + (1 w) σ + w(1 w)σ 1σ ρ ) Ist w = 0.7 und µ 1 = 5%, µ = 8%, σ 1 = 6%, σ = 10%, ρ = 0.3, so ist R P N(5.9, 34.5). Ostap Okhrin 14 of 3
15 Bedingte Wahrscheinlichkeitsfunktionen und bedingte Dichten Ist f eine Wahrscheinlichkeitsfunktion oder eine Dichte von (X 1, X ) und ist f i die Wahrscheinlichkeitsfunktion oder Dichte von X i, so heißt f(x 1 x ) = f(x 1, x ) für f (x ) > 0 f (x ) die bedingte Wahrscheinlichkeitsfunktion bzw. bedingte Dichte von X 1, wenn X den Wert x annimmt. Analog heißt f(x x 1 ) = f(x 1, x ) f 1 (x 1 ) für f 1 (x 1 ) > 0 die bedingte Wahrscheinlichkeitsfunktion bzw. die bedingte Dichte von X, wenn X 1 den Wert x 1 annimmt. Ostap Okhrin 15 of 3
16 Beispiele: für dimensionale standardisierte Normalverteilung f 1 (x 1 x ) = f(x 1,x ) f (x ) = φ(x 1)φ(x ) φ(x ) = φ(x 1 ). für dimensionale Normalverteilung mit σ 1 = σ = 1, µ 1 = µ = 0 { } 1 f(x 1 x ) = π (1 ρ ) exp (x 1 ρ x ) (1 ρ. ) Die bedingte Dichte von X 1, wenn X den Wert x annimmt, ist wiederum eine Normalverteilung und zwar mit Erwartungswert ρx und Varianz 1 ρ. Ostap Okhrin 16 of 3
17 Bedingte Dichte von X 1 bei gegebenem X für die -dim. Normalverteilung im Falle σ 1 = σ = 1, µ 1 = µ = 0 und ρ = 0.8 x f(x1 x) x1 Ostap Okhrin 17 of 3
18 Bedingte Verteilungsfunktionen Die Verteilungsfunktion zu f(x 1 x ) heißt die bedingte Verteilungsfunktion von X 1, wenn X den Wert x annimmt F (x 1 x ) = x1 f(u 1 x )du 1. Wir schreiben auch kurz X 1 X = x F ( x ). Im Falle der -dim. Normalverteilung ist X 1 X = x N { µ 1 + ρ(σ 1 /σ )(x µ ), σ 1(1 ρ ) }. Beispiel: Für die obigen Werte gilt im Falle ρ = 0.3, dass X 1 X = x N( (x 8), 3.76) ist. Insbesondere ist E(X 1 X = 8) = 5 und E(X 1 X = 6) = Für den Fall von Wahrscheinlichkeitsfunktionen erklärt man die bedingte Verteilungsfunktion analog. Ostap Okhrin 18 of 3
19 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1. Ungleichung von Tschebyscheff 1. Ungleichung von Tschebyscheff Ungleichung von Tschebyscheff: Es gilt für alle ε > 0 P( X µ ε) 1 Var(X) ε. Dies ist äquivalent zu P( X µ > ε) Var(X) ε. Die Ungleichung von Tschebyscheff gibt eine Aussage darüber, wie groß die Wahrscheinlichkeit für X [µ ε, µ + ε] ( X µ ε) mindestens ist. Die untere Schranke wird durch die Varianz bestimmt. Je kleiner die Varianz ist, desto mehr konzentriert sich die Verteilung um den Erwartungswert. Ostap Okhrin 19 of 3
20 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1. Ungleichung von Tschebyscheff Wählt man ε = kσ mit k > 0, so erhält man P ( X [µ k σ, µ + k σ]) = P( X µ k σ) 1 1/k. k untere Schranke P( X µ kσ) für Normalverteilung Ostap Okhrin 0 of 3
21 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze 1.3 Grenzwertsätze Ziel: Aussage über das Verhalten des Mittelwertes bei wachsendem Stichprobenumfang Beispiel: Würfelspiel { 1 falls beim i-ten Wurf eine Sechs; X i = 0 falls beim i-ten Wurf keine Sechs. Die relative Häufigkeit für eine Sechs ist gleich X = 1 n n i=1 X i. Wegen X i B(1, 1/6) ist E( X) = 1/6 und Var( X) = 1 n Var(X 1) = 5 36 n. Ostap Okhrin 1 of 3
22 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Beispiel: Mit der Tschebyscheff Ungleichung folgt Folglich ist etwa P ( X 1/6 > ε ) Var( X) ε = 5 36 n ε. Insbesondere gilt P ( X 1/6 > 0.01 ) { für n = für n = für alle ε > 0. lim P ( X 1/6 > ε ) = 0 n Ostap Okhrin of 3
23 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Experiment mit Würfelwürfen X n Ostap Okhrin 3 of 3
24 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Das schwache Gesetz der großen Zahlen (SGGZ) SGGZ: Es seien X 1, X,... unabhängige und identisch verteilte (d.h. X 1, X,... haben die gleiche Verteilungsfunktion) Zufallsvariable mit E(X i ) = µ und X n = 1 n X i. n Dann gilt für alle ε > 0 i=1 lim P ( X n µ > ε ) = 0. n Man schreibt hierfür kurz X p µ und spricht von der stochastischen Konvergenz (convergence in probability). Ostap Okhrin 4 of 3
25 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Beispiel: Empirische Verteilungsfunktion (a) Es seien X 1, X,... unabhängige und identisch verteilte Zufallsvariable mit X i F ; (b) Y i = I (,x] (X i ); (c) Y 1, Y,... sind wiederum unabhängig und identisch verteilt; (d) Y i B(1, p) mit p = P(Y i = 1) = P(X i x) = F (x); (e) = µ = E (Y i ) = p = F (x); (f) die empirische Verteilungsfunktion ˆF n (x) = Ȳn = 1 n (g) SGGZ = lim n P ( Ȳn µ > ε ) = 0; (h) lim n P ( ˆF n (x) F (x) > ε ) = 0; (i) ˆF n (x) p F (x). n Y i ; i=1 Ostap Okhrin 5 of 3
26 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Verteilung der Zufallsvariablen X, n = 1 E(X) E(X) E(X) E(X) Verteilung der Zufallsvariablen X, n = E(X) E(X) E(X) E(X) Ostap Okhrin 6 of 3
27 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Verteilung der Zufallsvariablen X, n = 4 E(X) E(X) E(X) E(X) Verteilung der Zufallsvariablen X, n = 30 E(X) E(X) E(X) E(X) Ostap Okhrin 7 of 3
28 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Der zentrale Grenzwertsatz (ZGWS) ZGWS: Es seien X 1, X,... unabhängige und identisch verteilte Zufallsvariable mit E(X i ) = µ und Var(X i ) = σ. Dann gilt für alle x IR ( ) n lim P X µ x = Φ ( x ). n σ Dieses Ergebnis lässt sich auch folgendermaßen formulieren: ( ) X E( lim P X) x n Var( X) = Φ ( x ). Man schreibt hierfür kurz n X µ d σ Z, wobei Z Φ (weak convergence oder convergence in distribution). Der ZGWS gibt eine Aussage über die asymptotische Verteilung eines Mittelwertes, weshalb die Normalverteilung eine zentrale Rolle einnimmt. Der ZGWS geht auf Lindeberg(19) und Feller(1935) zurück. Ostap Okhrin 8 of 3
29 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Beispiel: Empirische Verteilungsfunktion (a) Es seien X 1, X,... unabhängige und identisch verteilte Zufallsvariable mit X i F ; (b) Y i = I (,x] (X i ); (c) Y 1, Y,... sind wiederum unabhängig und identisch verteilt; (d) Y i B(1, p) mit p = P(Y i = 1) = P(X i x) = F (x); (e) = µ = E (Y i ) = p = F (x), und σ = Var (Y i ) = p(1 p) = F (x){1 F (x)}; (f) die empirische Verteilungsfunktion ˆF n (x) = Ȳn = 1 n (g) ZGWS = ˆF n (x) N [F (x), nf (x){1 F (x)}]. n Y i ; i=1 Ostap Okhrin 9 of 3
30 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Eine unmittelbare Konsequenz aus dem ZGWS ist das folgende Ergebnis. Folgerung: Für a < b gilt ( lim P a < n X ) µ b n σ = Φ(b) Φ(a). Dies ist äquivalent zu ( P X (µ + a n σ, µ + b n σ ]) Φ(b) Φ(a). n Ostap Okhrin 30 of 3
31 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Beispiel: Würfelexperiment: Wie groß ist die Wahrscheinlichkeit, dass bei 100 Würfen die Anzahl der auftretenden Sechsen größer als 10, aber kleiner gleich 0 ist? ( ) 100 P 10 < X i 0 i=1 = B 100,1/6 (0) B 100,1/6 (10) = 0 i=11 ( 100 i ) ( ) 1 i ( ) i 6 6 Problem: explizite Bestimmung von B 100,1/6 (x) für 1 < x < 100! Ostap Okhrin 31 of 3
32 Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie 1.3 Grenzwertsätze Beispiel: Approximation n = 100, E(X i ) = 1/6, Var(X i ) = 5/36 ( ) 100 P 10 < X i 0 = P ( 0.1 < X 0. ) i= /6 = P 100 5/36 }{{} = < 100 X 1/6 5/ /6 5/36 } {{ } = Φ(0.8944) Φ( ) = Φ(0.8944) 1 + Φ(1.7888) = = (exakte Wahrscheinlichkeit: ). Ostap Okhrin 3 of 3
Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
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
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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/...
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
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
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
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
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/...
MehrSeminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze
Seminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie - Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze Klaus Kuchler 0. Januar 03 Zentraler Grenzwertsatz. Grundlagen,
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
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
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
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Dezember 2011 1 Definition Binomialverteilung Geometrische Verteilung Poissonverteilung 2 Standardisierte Verteilung
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:
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)
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
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
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/
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
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
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
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
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
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 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
MehrÜbungsrunde 10, Gruppe 2 LVA , Übungsrunde 10, Gruppe 2, Markus Nemetz, TU Wien,
Übungsrunde, Gruppe 2 LVA 7.369, Übungsrunde, Gruppe 2, 9..27 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 9..27 Anmerkung: Viele dieser Lösungsvorschläge stammen aus dem Informatik-Forum, Subforum
MehrSind f X bzw. f Y die wie auf Folie 242 definierten Dichtefunktionen zur N(µ X, σx 2 )- bzw. N(µ Y, σy 2 )-Verteilung, so gilt (genau) im Fall ρ = 0
Beispiel: Zweidimensionale Normalverteilung I Beispiel: Zweidimensionale Normalverteilung II Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale multivariate Normalverteilung Spezifikation am
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)
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
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
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
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
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.
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........................
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
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
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
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
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
MehrKapitel 2.9 Der zentrale Grenzwertsatz. Stochastik SS
Kapitel.9 Der zentrale Grenzwertsatz Stochastik SS 07 Vom SGGZ zum ZGWS Satz.4 (Schwaches Gesetz großer Zahlen) Sei (X i ) i eine Folge unabhängiger, identisch verteilter Zufallsvariablen mit E[X ]
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas 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
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
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
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
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
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
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) =
MehrWiederholung Analysis
Wiederholung Analysis F( x) sei Stammfunktion zu f( x) f( x) dx = F( x) F ( x) = f( x) Bestimmtes Integral b a f ( x) dx = F( b) F( a) Uneigentliche Integrale x x x f() t 0 F( x) = f() t dt ist monoton
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
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
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
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
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
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
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
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)
MehrKapitel XIV - Konvergenz und Grenzwertsätze
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Konvergenz und Grenzwertsätze Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
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
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,
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
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
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
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.
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
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,
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:
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
MehrWirtschaftswissenschaftliches Prüfungssekretariat Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2015
Wirtschaftswissenschaftliches Prüfungssekretariat Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 205 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrWichtige 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
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
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die Klausurteilnehmer
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 17. November 2010 1 Gesetze Das Gesetz der seltenen Ereignisse Das schwache Gesetz der großen Zahl 2 Verteilungsfunktionen
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
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
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
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
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
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:
Mehr0, sonst. heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X Po(λ). Es gilt. x! e λ, x {0, 1,...} 1 Wahrscheinlichkeitsrechnung 164
1.6.2 Poisson Verteilung (vgl. z.b. Fahrmeir et. al)) 1.6 Wichtige Verteilungsmodelle Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse
Mehr