Kapitel IX - Mehrdimensionale Zufallsvariablen
|
|
- Eugen Möller
- vor 5 Jahren
- Abrufe
Transkript
1 Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IX - Mehrdimensionale Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
2 Mehrdimensionale Zufallsvariablen Häufig: Beobachtung mehrerer zufallsbehafteter Größen Beispiele: Mehrere Aktienindices (z.b. Dax, Dow Jones, Nikkei) Wechselkurs und Aktienindex Anzahl der Sonneneruptionen und Konjunkturdaten Kapitel IX - Mehrdimensionale Zufallsvariablen 2
3 Mehrdimensionale Zufallsvariablen Häufig: Beobachtung mehrerer zufallsbehafteter Größen Beispiele: Körpergröße und Körpergewicht einer zufälligen aus der Population herausgegriffenen Person Genstruktur und Krankheitsgeschichte Medikamentöse Behandlung und Krankheitsverlauf (gemessen durch verschiedene Größen)... Kapitel IX - Mehrdimensionale Zufallsvariablen 3
4 Wichtig für die induktive Statistik: n Stichprobe vom Umfang Wiederholte Durchführung eines Zufallsvorganges (Experiments) unter gleichen Bedingungen. n Durchführungen: n Beobachtungswerte Kapitel IX - Mehrdimensionale Zufallsvariablen 4
5 Formale Darstellung bei einer zufallsbehafteteten Größe Wahrscheinlichkeitsraum zur Beschreibung der Gesetzmäßigkeit des Zufallsvorgangs Zufallsvariable zur Darstellung des Beobachtungswerts bei der Durchführung des Zufallsvorgangs Kapitel IX - Mehrdimensionale Zufallsvariablen 5
6 Formale Darstellung bei mehreren zufallsbehafteten Größen Zielsetzung: Wahrscheinlichkeitsraum zur Beschreibung der Gesetzmäßigkeit sämtlicher Zufallseinflüsse Mehrere Zufallsvariablen auf diesem Wahrscheinlichkeitsraum zur Darstellung der Beobachtungswerte bei Durchführung des Zufallsgeschehens. Damit: Zufallsvariablen X 1,..., X k auf einem Wahrscheinlichkeitsraum (Ω, A(Ω), P) X 1,..., X k : Ω R Kapitel IX - Mehrdimensionale Zufallsvariablen 6
7 Bemerkung: Gemeinsame Untersuchung der Zufallsvariablen ist nur möglich, wenn sie auf demselben Wahrscheinlichkeitsraum definiert sind (d.h. von demselben Zufallsprozess abhängen) X 1,..., X k können zu einem Vektor zusammengefasst werden: X i : Ω R, X i (ω) Funktionswert an der Stelle ω. X (ω) = (X 1 (ω),..., X k (ω)) X : Ω R k Vektor der Funktionswerte an der Stelle ω (beim Ablauf ω) k-dimensionale Zufallsvariable ( Zufallsvektor ) Kapitel IX - Mehrdimensionale Zufallsvariablen 7
8 Eine eindimensionale Zufallsvariable Y liefert ein Wahrscheinlichkeitsmaß P Y auf R. B R : P Y (B) = P({ω Y (ω) B}) = P(Y 1 (B)) = P( Y B ) Analog: Eine k-dimensionale Zufallsvariable ( Zufallsvektor ) liefert ein Wahrscheinlichkeitsmaß auf R k : B Borelsche Teilmenge des R k X 1 (B) = {ω Ω X (ω) B} Urbildmenge von B bei X P X (B) = P(X 1 (B)) = P( X B ) Wahrscheinlichkeit für einen Wert der ZV X in B. Kapitel IX - Mehrdimensionale Zufallsvariablen 8
9 Spezielle Wahl von B führt zur Verteilungsfunktion: eindimensional: B = (, α] P X (B) = P ( X 1 (B) ) = P(X α) = F X (α) Kapitel IX - Mehrdimensionale Zufallsvariablen 9
10 k-dimensional: α = (α 1,..., α k ) R k B = {(x 1,..., x k ) R k x i α i für i = 1,..., k}. P X (B) = P(X 1 (B)) = P({ω Ω X i (ω) α i für i = 1,..., k}) = P(X 1 α 1,..., X k α k ) = P(X α) = F X1,...,X k (α 1,..., α k ) = F X (α) hier: k = 2 Kapitel IX - Mehrdimensionale Zufallsvariablen 10
11 Die Verteilungsfunktion F X beschreibt das Wahrscheinlichkeitsmaß P X vollständig. Aber: Berechnung von Wahrscheinlichkeiten mit Hilfe der Verteilungsfunktion ist mühsamer als im eindimensionalen Fall. Kapitel IX - Mehrdimensionale Zufallsvariablen 11
12 Beispiel - Wahrscheinlichkeiten aus Verteilungsfunktion Sei X : (Ω, A(Ω), P) R 2 zweidimensionale Zufallsvariable (k = 2) mit Verteilungsfunktion F. Beispiel: B = ((a 1, a 2 ), (b 1, b 2 )] = {(x 1, x 2 )a 1 < x 1 b 1, a 2 < x 2 b 2 } Kapitel IX - Mehrdimensionale Zufallsvariablen 12
13 Beispiel - Wahrscheinlichkeiten aus Verteilungsfunktion P (((a 1, a 2 ), (b 1, b 2 )]) Kapitel IX - Mehrdimensionale Zufallsvariablen 13
14 Beispiel - Wahrscheinlichkeiten aus Verteilungsfunktion P((, (b 1, b 2 )]) Kapitel IX - Mehrdimensionale Zufallsvariablen 14
15 Beispiel - Wahrscheinlichkeiten aus Verteilungsfunktion P((, (a 1, b 2 )]) Kapitel IX - Mehrdimensionale Zufallsvariablen 15
16 Beispiel - Wahrscheinlichkeiten aus Verteilungsfunktion P((, (b 1, a 2 )]) Kapitel IX - Mehrdimensionale Zufallsvariablen 16
17 Beispiel - Wahrscheinlichkeiten aus Verteilungsfunktion P((, (a 1, a 2 )]) Kapitel IX - Mehrdimensionale Zufallsvariablen 17
18 Rechnerisch: P X (((a 1, a 2 ), (b 1, b 2 )]) = P((, (b 1, b 2 )]) P(, (a 1, b 2 )]) P(, (b 1, a 2 )]) + P(, (a 1, a 2 )]) = F ((b 1, b 2 )) F ((a 1, b 2 )) F ((b 1, a 2 )) + F ((a 1, a 2 )) Kapitel IX - Mehrdimensionale Zufallsvariablen 18
19 Eigenschaften der Verteilungsfunktion 1.) F (x) 0 2.) F ist monoton 3.) α i für jedes i = 1,..., k F X (α 1,..., α k ) 0 α i + für jedes i = 1,..., k F X (α 1,..., α k ) 1 4.) F ist von oben stetig, d.h. α n α(α n,i α i für i = 1,..., k) α n α F (α n ) F (α) Kapitel IX - Mehrdimensionale Zufallsvariablen 19
20 Eigenschaften der Verteilungsfunktion Diese Eigenschaften sind notwendig, aber nicht hinreichend: Sei F eine Funktion mit F (b 1, b 2 ) = F (a 1, b 2 ) = F (b 1, a 2 ) = 1 und so ist F (a 1, a 2 ) = 0, F (b 1, b 2 ) F (a 1, b 2 ) F (b 1, a 2 ) + F (a 1, a 2 ) = 1. F ist also keine Verteilungsfunktion, kann aber 1.) - 4.) erfüllen. Kapitel IX - Mehrdimensionale Zufallsvariablen 20
21 X diskret: Es gibt endlich oder abzählbar unendlich viele Werte von X : x i R k, i I, x i x j für i j, P(x i ) = p i > 0 und i I p i = 1 Eine k-dimensionale ZV ist diskret, wenn jede Komponente x i von X diskret ist. Kapitel IX - Mehrdimensionale Zufallsvariablen 21
22 Beispiel 9.7: Wochenproduktion Wir betrachten die Gesamtproduktion an den Wochentagen Mo, Di,... eines Konsumartikels einer Firma über einen bestimmten Zeitraum. Sei Ω wie oben das Laplace-Experiment mit der Menge aller produzierten Exemplare als Grundgesamtheit. Kapitel IX - Mehrdimensionale Zufallsvariablen 22
23 Sei X 1 : Ω R definiert durch 1 ω wurde am Mo produziert 2 ω wurde am Di produziert X 1 (ω) = 3 ω wurde am Mi produziert 4 ω wurde am Do produziert 5 ω wurde am Fr produziert und X 2 : Ω R definiert durch 0 ω ist in Ordnung X 2 (ω) = 1 ω ist Ausschuss. Kapitel IX - Mehrdimensionale Zufallsvariablen 23
24 X stetig: Es gibt eine integrierbare Funktion f : R k R mit ( ) F (α 1,..., α k ) = α k... α 1 f mit ( ) heißt Dichtefunktion von X, wenn 1.) f (x 1,..., x k ) 0 f (x 1,..., x k )dx 1... dx k 2.) k F α 1 α 2... α k α = f (α), wenn die linke Seite existiert. Kapitel IX - Mehrdimensionale Zufallsvariablen 24
25 Wegen der Gesamtwahrscheinlichkeit 1 muss für eine Dichte gelten (notwendige Bedingung): f (x 1,..., x k )dx 1... dx k = 1 Bemerkung: Wenn einige der Komponenen diskret und die übrigen stetig sind, ist X weder diskret noch stetig. (Kombination von diskreten und stetigen Zufallsvariablen.) Kapitel IX - Mehrdimensionale Zufallsvariablen 25
26 Beispiele für 2-dimensionale stetige Zufallsvariablen 1.) Gleichverteilung auf einem Rechteck: Gegeben sei ein Rechteck mit den Koordinaten (a, c), (b, c), (a, d), (b, d) Kapitel IX - Mehrdimensionale Zufallsvariablen 26
27 Als Dichtefunktion f : R 2 R verwenden wir analog zur eindimensionalen Gleichverteilung { C a x1 b, c x 2 d f (x 1, x 2 ) = 0 sonst wobei C noch geeignet zu bestimmen ist. Kapitel IX - Mehrdimensionale Zufallsvariablen 27
28 Da + + f (x 1, x 2 )dx 2 dx 1 = 1 gelten muss, ergibt sich für C die Forderung 1 = + + f (x 1, x 2 )dx 2 dx 1 = b a C(d c)dx 1 = C(d c)(b a). 1 Damit ist C = (d c)(b a), also der Kehrwert des Flächeninhalts des Rechtecks. Kapitel IX - Mehrdimensionale Zufallsvariablen 28
29 Man erhält damit 1 (d c)(b a) (α 1 a)(α 2 c) a α 1 b, c α 2 d F (α 1, α 2 ) = 1 b a (α 1 a) a α 1 b, d α 2 1 d c (α 2 c) b α 1, c α 2 d 1 b α 1, d α 2 0 sonst Kapitel IX - Mehrdimensionale Zufallsvariablen 29
30 2.) X = (X 1, X 2 ) habe die Dichte mit q(x 1, x 2 ) = 1 1 ρ 2 f (x 1, x 2 ) = [ (x1 µ 1 1 2πσ 1 σ q(x 1,x 2 ) 2 1 ρ 2 e 2 σ 1 ) 2 ( ) x1 µ 1 2ρ x2 µ 2 σ 1 σ 2 + ( ) ] 2 x2 µ 2 +. Dabei sind µ 1, µ 2 R, σ 1, σ 2 R +, ρ ( 1, 1) Parameter, durch die die Gestalt der Dichte variiert werden kann. Die Wahrscheinlich- keitsverteilung, die durch diese Dichte festgelegt ist, heißt bivariate Normalverteilung. σ 2 Kapitel IX - Mehrdimensionale Zufallsvariablen 30
31 Diese Dichte kann dadurch graphisch veranschaulicht werden, dass man die Funktion dreidimensional darstellt oder dass man Höhenlinien wie in einer geographischen Karte wiedergibt. Eine Höhenlinie verbindet die Punkte (x 1, x 2 ) mit übereinstimmender Höhe c : c = f (x 1, x 2 ). f (x 1, x 2 ) = c ist damit gleichwertig mit q(x 1, x 2 ) = c ; die dadurch festgelegte geometrische Figur ist eine Ellipse, man erhält also als Höhenlinien eine Schar von Ellipsen mit übereinstimmenden Hauptachsen. Kapitel IX - Mehrdimensionale Zufallsvariablen 31
32 Abbildung: Dichtegebirge einer bivariaten Normalverteilung mit µ 1 = 1, µ 2 = 2, σ 1 = 1, σ 2 = 3, ρ = 0, 5. Kapitel IX - Mehrdimensionale Zufallsvariablen 32
33 Abbildung: Höhenliniendiagramm zu obiger bivariater Normalverteilung. Kapitel IX - Mehrdimensionale Zufallsvariablen 33
34 Übungsaufgabe X = (X 1, X 2 ) habe die Dichte { 6 5 f (x, y) = x 1 x 2 0 < y x 1 0 sonst Wie lautet die Verteilungsfunktion? Kapitel IX - Mehrdimensionale Zufallsvariablen 34
35 α 2 α 1 F (α 1, α 2 ) = f (x, y)dxdy Kapitel IX - Mehrdimensionale Zufallsvariablen 35
36 In I: F (α 1, α 2 ) = 0 (I: α 1 1 oder α 2 0) In II: 1 α 1 2, 0 < α 2 α 1 1 F (α 1, α 2 ) = = α 2 α 1 α 2 0 ( 6 f (x, y)dxdy = 5 x 2 2 α 1 y+1 ) dy α 2 α 1 0 y xdxdy Kapitel IX - Mehrdimensionale Zufallsvariablen 36
37 = = α 2 0 α 2 0 ( 3 5 α2 1 3 ) (y + 1)2 dy 5 ( 3 5 α y y 3 ) dy 5 = 3 5 α2 1α 2 3 α α α 2 = 3 5 α2 1α α α α 2 ( ) Kapitel IX - Mehrdimensionale Zufallsvariablen 37
38 Kapitel IX - Mehrdimensionale Zufallsvariablen 38
39 In III: 1 α 1 2, α 1 1 < α 2 α 2 = α 1 1 einsetzen in ( ) ergibt F (α 1, α 2 ) = 2 5 α α Notiz: für Werte x 2 > α 1 1 : Dichte = 0 α 2 = α 1 1 setzen Kapitel IX - Mehrdimensionale Zufallsvariablen 39
40 Kapitel IX - Mehrdimensionale Zufallsvariablen 40
41 In IV: 2 < α 1, α 2 < 1 α 1 = 2 einsetzen in ( ) ergibt F (α 1, α 2 ) = 1 5 α α α 2 Kapitel IX - Mehrdimensionale Zufallsvariablen 41
42 Kapitel IX - Mehrdimensionale Zufallsvariablen 42
43 In V: 2 < α 1, 1 < α 2 α 1 = 2, α 2 = 1 einsetzen F (α 1, α 2 ) = = 1 Kapitel IX - Mehrdimensionale Zufallsvariablen 43
44 Fragen Wie lautet die Verteilung(-sfunktion) der Zufallsvariable separat betrachtet? Wie beeinflusst ein fixierter Wert bei einer Komponente die Verteilung der übrigen? Gibt es einen wahrscheinlichkeitstheoretischen Zusammenhang zwischen den Komponenten des Zufallsvektors? Kapitel IX - Mehrdimensionale Zufallsvariablen 44
Kapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrKapitel XI - Die n-fache unabhängige Wiederholung eines Experiments
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Die n-fache unabhängige Wiederholung eines Experiments Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig
MehrKapitel II - Wahrscheinlichkeitsraum
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel II - Wahrscheinlichkeitsraum Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
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
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrKapitel VI - Maximum-Likelihood-Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Maximum-Likelihood-Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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 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
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
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
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 III - Grundannahmen der schließenden Statistik
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel III - Grundannahmen der schließenden Statistik Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
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
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........................
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,
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........................
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
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
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
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
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
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
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
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
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
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrKapitel IX - Neyman-Pearson-Tests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IX - Neyman-Pearson-Tests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Ausgangssituation:
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
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,
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
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...........................
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)
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
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
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
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrMustererkennung: Wahrscheinlichkeitstheorie. D. Schlesinger () ME: Wahrscheinlichkeitstheorie 1 / 10
Mustererkennung: Wahrscheinlichkeitstheorie D. Schlesinger () ME: Wahrscheinlichkeitstheorie 1 / 10 Definitionen (axiomatisch) Wahrscheinlichkeitsraum (Ω, σ, P), mit Ω Die Grundmenge, die Menge der elementaren
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)
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,
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
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/...
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
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
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
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
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 Unabhängigkeit von Ereignissen A, B unabhängig:
MehrWahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele
Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Wahrscheinlichkeitstheorie Agenda:
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrKapitel IV - Stichprobenfunktionen (Statistiken)
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IV - Stichprobenfunktionen (Statistiken) Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
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
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
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
MehrWahrscheinlichkeitsrechnung und Statistik
7. Vorlesung - 2018 Bemerkung: Sei X = X 1,..., X n Zufallsvektor. Der n dimensionale Vektor EX = EX 1,..., EX n ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N0, 1. X, Y sind die Koordinaten
MehrW-Rechnung und Statistik für Ingenieure Übung 8
W-Rechnung und Statistik für Ingenieure Übung 8 Aufgabe 1 : Motivation Anhand von Daten soll eine Aussage über die voraussichtliche Verteilung zukünftiger Daten gemacht werden, z.b. die Wahrscheinlichkeit
MehrMultivariate Zufallsvariablen
Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse.
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
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
Mehr2.2 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
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
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
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
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
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
MehrKapitel XIV - Grenzwertsätze
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel XIV - Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie und Mathematische
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
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
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
MehrKapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D.
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
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
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
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
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
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
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)
MehrKapitel II - Entscheidungen bei Informationen über den wahren Zustand
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Entscheidungen bei Informationen über den wahren Zustand Induktive Statistik Prof. Dr. W.-D. Heller Hartwig
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:
MehrWahrscheinlichkeitsrechnung
i Dominique Foata Aime Fuchs Wahrscheinlichkeitsrechnung Aus dem Französischen von Volker Strehl Birkhäuser Verlag Basel Boston Berlin INHALTSVERZEICHNIS Vorwort zur deutschen Ausgabe Liste der benutzten
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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
MehrSprechstunde zur Klausurvorbereitung
htw saar 1 Sprechstunde zur Klausurvorbereitung Mittwoch, 15.02., 10 12 + 13.30 16.30 Uhr, Raum 2413 Bei Interesse in Liste eintragen: Max. 20 Minuten Einzeln oder Kleingruppen (z. B. bei gemeinsamer Klausurvorbereitung)
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
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
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrKapitel V - Erwartungstreue Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
Mehr