Einführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
|
|
- Dagmar Fromm
- vor 4 Jahren
- Abrufe
Transkript
1 Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht vom Lehrstuhl ud wurde auch icht vo diesem kotrolliert. Demetspreched köe och Fehler ethalte sei, für die ich keie Veratwortug überehme! Uter lotte/stochastik/ ist immer die aktuellste Versio dieses Dokumets erhältlich (zumidest i der ähere Zukuft. Erstellt mit LATEX. 1 Diskrete Wahrscheilichkeitsräume Defiitio 1.1 Sei Ω abzählbar: (a Eie Abbildug p : Ω R heißt Zähldichte, falls (i p(ω 0 ω Ω (ii p(ω = 1 ω Ω (b Ist p : Ω R eie Zähldichte, so heißt das Paar (Ω, p ei diskreter Wahrscheilichkeitsraum. (c Ist (Ω, p ei diskreter Wahrscheilichkeitsraum, so heißt die Abbildug { P(Ω R P : A ω A p(ω Satz 1.1 die zu p gehörige Wahrscheilichkeitsverteilug. Sei (Ω, p ei diskreter Wahrscheilichkeitsraum ud P die zu p gehörige Wahrscheilichkeitsverteilug. Da gilt: (a P (A 0 A P(Ω ( P ist icht-egativ (b P (Ω = 1 ( P ist ormiert 1
2 (c Sid A, N, paarweise disjukt, so ist ( P A = =1 P (A =1 ( P σ-additiv Satz 1.2 Sei Ω abzählbar ud P : P(Ω R mit (a (c aus Satz 1.1; ist da { Ω R p : ω P ({ω}, so ist p Zähldichte ud P die zu p gehörige Wahrscheilichkeitsverteilug. Bemerkug 1.1 (a Ist P : P(Ω R icht-egativ, ormiert ud σ-additiv, so gilt: Satz 1.3 (i Ist I höchstes abzählbar uedlich ud sid A i, i I paarweise disjukt, so ist P ( i I A i = i I (P (A i. (ii Satz 1.1 ud 1.2 zeige, dass ei diskreter Wahrscheilichkeitsraum auch als Paar (Ω, P defiiert werde ka, wobei P icht-egativ, ormiert ud σ-additiv ist. Sei (Ω, P ei diskreter Wahrscheilichkeitsraum, da gilt: (a P (A C = 1 P (A A P(Ω (b P (A P (B A, B P(Ω, A B (c P (A = P (AB + P (AB C A, B P(Ω (d P (A B = P (A + P (B P (AB A, B P(Ω ( (e P A P (A A P(Ω, N =1 =1 ( (f P A = lim P (A =1 ( (g P A = lim P (A =1 A P(Ω, N, A A +1 N A P(Ω, N, A A +1 N 2 Grudbegriffe der Kombiatorik Zwei wichtige Prizipie der Kombiatorik (1 M = r M i M = r M i (2 M 1, M 2 : M 1 = M 2 f : M 1 M 2 bijektiv 2
3 Hilfsmittel (1 Fakultätsfuktio (erklärt für N {0} =: N 0 1, = 0! := j, 1 j=1 (2 Biomialkoeffiziet (erklärt für k Z ud N Abkürzuge ( {!, 0 k k! ( k! := k 0, sost (1 M = {1,..., },, r N (i G r (M := {(x 1,..., x r x i M, 1 i r} ( Mege der geordete r Tupel mit Kompoete aus M mit Wiederholug (ii G o r(m := {(x 1,..., x r x 1,..., x r paarw. verschiede} ( Mege der geordete r Tupel mit Kompoete aus M ohe Wiederholug (iii U r (M := {(x 1,..., x r G r (M x 1 x 2... x r } ( Mege der ugeordete r Tupel mit Kompoete aus M mit Wiederholug (iv U o r (M := {(x 1,..., x r G r (M x 1 < x 2 <... < x r } ( Mege der ugeordete r Tupel mit Kompoete aus M ohe Wiederholug (2 M 1, M 2, F(M 1, M 2 := {f : M 1 M 2 f ijektiv} (3 M beliebig, k Z Satz 2.1 (i P er(m := F(M, M (ii P k (M := {A P(M A = k} (a N, M 1, M 2 beliebige Mege: M 1 = M 2 = F(M 1, M 2 =! (b k Z, N, M beliebige Mege: M =. Da gilt: Satz 2.2 (i P er(m =! (ii P k (M = ( k (iii P(M = 2 (a r N, M 1,..., M r, M i <, 1 i r M 1... M r = r M i (b r, N, M = {1,..., } Da gilt: 3
4 (i G r (M = r (ii Gr(M o = r! ( r (iii U r (M = ( +r 1 r (iv Ur o (M = ( r Satz 2.3 ( Hypergeometrische Verteilug Seie r, s N 0, r + s > 0, N := r + s, N, M 1 := {1,..., r}, M 2 := {r + 1,..., N}, M = M 1 + M 2, Ω = U(M o = P (M, P Laplace-Verteilug auf Ω, k {1,..., }, A k ˆ= iteressates Ereigis, A k := {ω Ω ω M 1 = k}. Da gilt: ( r ( k N r P (A k = ( N k Beachte: P (A k = 0, falls k > r oder k > s = N r. Satz 2.4 ( Siebformel Sei (Ω, P ei diskreter Wahrscheilichkeitsraum, N, A 1,..., A Ω, M = {1,..., } ( ( P A i = ( 1 k 1 P A i k=1 I P k (M i I 3 Bedigte Wahrscheilichkeit, stochastische Uabhägigkeit Defiitio 3.1 Sei (Ω, P diskreter Wahrscheilichkeitsraum, A, B P(Ω mit P (B > 0. Da heißt P (A B := P (AB P (B die bedigte Wahrscheilichkeit vo A uter B ( uter der Bedigug B. Satz 3.1 Sei N, 2, (Ω, P diskreter Wahrscheilichkeitsraum, A 1,..., A P(Ω, P Da gilt: ( P A i = i 1 P (A i ρ=1 A ρ 4 ( 1 A i > 0.
5 Satz 3.2 Sei (Ω, P diskreter Wahrscheilichkeitsraum, da gilt: (a Ist B P(Ω mit P (B > 0, so ist { P(Ω R P B := A P (A B eie diskrete Wahrscheilichkeitsverteilug. (b ( Satz vo der totale Wahrscheilichkeit Sid N, A, B 1,..., B P(Ω mit P (B i > 0, 1 i ud Ω = so folgt: (i P (A = P (B i P (A B i ( Satz vo der totale Zerlegug (ii ( Formel vo Bayes Ist auch P (A > 0, so gilt Defiitio 3.2 P (B i A = P (B i P (A B i P (A B j P (B j j=1 B i ( B i B j = i, j, Sei (Ω, P diskreter Wahrscheilichkeitsraum, I (beliebige Idex-Mege, A i P(Ω, i I. Da heißt {A i i I} stochastisch uabhägig (bzgl. P, falls für jede edliche Teilmege J I gilt: ( P A j = P (A j j J j J Satz 3.3 Sei (Ω, P diskreter Wahrscheilichkeitsraum, I, A i P(Ω, i I, {A i i I} stochastisch uabhägig. Da gilt: (a Ist A P(Ω mit P (A {0, 1}, so ist auch {A i i I} {A } stochastisch uabhägig. (b Ist J I, J, so ist auch {A j j J} stochastisch uabhägig. (c Sid B i P(Ω mit B i {A i, A C i }, i I, so ist (auch {B i i I} stochastisch uabhägig. Satz 3.4 ( Modellierug vo uabhägige Zufalls-Experimete Sei N (O.B.d.A. sei 2. Weiter seie (Ω i, P i diskrete Wahrscheilichkeitsräume mit zugehöriger Zähldichte p, 1 i, Ω := Ω 1... Ω. Außerdem sei die Abb. π i : Ω Ω i defiiert durch (ω 1,..., ω ω i ( Projektio vo Ω auf die i-te Kompoete. Da sei π 1 i : Da gilt: { P(Ωi P(Ω B {(ω 1,..., ω Ω π i (ω 1,..., ω B} 5
6 (a p : Ω R, (ω 1,..., ω p i (ω i ist Zähldichte auf Ω. (b p P, B i P(Ω i, 1 i, A i := π 1 i (B i, 1 i. (i P (B 1... B = P i (B i (ii {A 1,..., A } stochastisch uabhägig bzgl. P mit P (A i = P i (B i. (c Ist Q diskrete Wahrscheilichkeitsverteilug auf Ω, so dass π1 1 (B 1,..., π 1 (B bzgl. Q stochastisch uabhägig sid mit Q ( π 1 i (B i = P i (B i, 1 i, so folgt Q = P (aus (a. ( P ist eideutig bestimmt Beispiel 3.6(a (Beroulli-Experimet, Biomialveteilug Geg. Zufalls-Experimet mit 2 mögliche Ergebisse: 0 oder 1 1 ϑ [0, 1] 0 1 ϑ N (Experimet wird -mal uabhägig durchgeführt Ω i = {0, 1}, p i (1 = ϑ = 1 p i (0, 1 i, Ω = Ω 1... Ω = {0, 1} ( Produktraum p(ω = p(ω 1,..., ω = p i (ω i = ϑ t(ω (1 ϑ t(ω mit t(ω = (Ω, P Beroulli-Experimet ω i k {0, 1,..., }, p P, A k = {ω Ω t(ω = k} (bei diese Durchführuge tritt 1 geau k-mal ei. P (A k = p(ω = ( k ϑ k (1 ϑ k ω A k Sei u Ω = {0, 1,..., }, p (k := ( k ϑ k (1 ϑ k, k Ω p (k 0 ud p (k = (ϑ + 1 ϑ = 1 = 1 k Ω Also: (Ω, p diskreter Wahrscheilichkeitsraum: p P, P heißt Biomialverteilug mit Parameter ud ϑ. Beispiel 3.6(b (Negative Biomialverteilug mit Parameter r N, ϑ (0, 1] Seie r, N, r, ϑ (0, 1]. Betrachte Beroulli-Experimet mit ud ϑ. Ω = {0, 1}, p(ω 1,..., ω = ϑ t(ω (1 ϑ t(ω, wobei t(ω := t(ω 1,..., ω = ω i. A ( r := {(ω 1,..., ω Ω t(ω = r, ω = 1} p P : P (A ( r = ( 1 ϑ r (1 ϑ r r 1 k := r, da k + r P (A (k+r r = ( k+r 1 ϑ r (1 ϑ k = ( k+r 1 ϑ r (1 ϑ k r 1 k N 0 =: Ω, p (k := ϑ r( k+r 1 k (1 ϑ k Da gilt: (1 p (k 0 k Ω ud (2 p (k = 1 p P : P heißt egative Biomialverteilug mit Parameter r ud ϑ. k 6 k=0
7 Iterpretatio: Ei 0-1-wertiges Experimet werde so lage uabhägig durchgeführt, bis geau r Eise eitrete. Die Wahrscheilichkeit vo 1 sei ϑ. Da ist die Wahrscheilichkeit, dass geau k + r Ausführuge ötig sid, gleich ϑ r( k+r 1 k (1 ϑ k. Spezialfall: Für r = 1 erhält ma die geometrische Verteilug. Satz 3.5 (Poisso scher Grezwertsatz Sei λ > 0, ϑ := λ, N, da gilt: lim ( k ϑ k(1 ϑ k = e λ λk k! k N 0 Bemerkug 3.2 Seie Ω := N 0, p(ω = e λ λω ω!, ω Ω Da gilt: (1 p(ω 0 ω Ω ud (2 k=0 p(k = 1 Also: p Zähldichte auf Ω, p P heißt Poissoverteilug mit Parameter λ. 4 Zufallsvariable Defiitio 4.1 Seie Ω, X, f : Ω X, da heißt f 1 : P(X P(Ω, B {ω Ω f(ω B} die Mege-Iverse vo f. Adere Schreibweise: ω Ω : {f(ω B} = {f B} := f 1 (B x X : {f = x} := f 1 ({x} Lemma 4.1 Seie Ω, X, f : Ω X, I (beliebige Idex-Mege, B i P(X, i I, da gilt: ( (a f 1 B i = f 1 (B i i I i I ( (b f 1 B i = f 1 (B i ( f 1 ist operatiostreu i I i I (c f 1 (B c = (f 1 (B c, B P(X Defiitio 4.2 Seie (Ω, P diskreter Wahrscheilichkeitsraum; X ud X : Ω X (a X heißt Zufallsvariable auf (Ω, P mit Werte i X. (b P X : P(X R, B P ( X 1 (B heißt die Verteilug vo X (bzgl. P. 7
8 Lemma 4.2 Seie (Ω, P diskreter Wahrscheilichkeitsraum, X, X : Ω X Da gilt: (a P X ist icht-egativ (d.h. P X (B 0 B (b P X ist ormiert (d.h. P X (X = 1 ( (c P X ist σ-additiv (d.h. sid B P(X, N, paarweise disjukt, so ist P X B P X (B =1 (d Es gibt abzählbare, icht-leere Teilmege X 0 X mit (i P X (X 0 = 1 (ii P X (B = x X 0 q(x1 B (x B P(X, dabei ist q(x := P X( {x} = P ( {X = x}, x X (Sprechweise: P X ist eie quasi-diskrete Wahrscheilichkeitsverteilug auf X =1 = Bemerkug 4.1 Ist X eie Zufallsvariable aus (Ω, P mit Werte i R 1 bzw. R, so et ma X auch eie reelle bzw. -dim. Zufallsvariable. Lemma 4.3 Seie (Ω, P diskreter Wahrscheilichkeitsraum, X 1, X 2 (beliebig, X 1, X 2 Zufallsvariable auf (Ω, P mit Werte i X 1, X 2. X : Ω X 1 X 2, ω ( X 1 (ω, X 2 (ω, X 1 := X 1 (Ω, X 2 := X 2 (Ω (! X 1 ud X 2 abzählbar! Da gilt: (a (i P X 1 (B 1 = P X(B 1 {x 2 }, B 1 P(X 1 (ii P X 2 (B 2 = x 2 X 2 x 1 X 1 P X({x 1 } B 2, B 2 P(X 2 (b X 1 = X 2 = R, Z = X 1 + X 2 P Z( {z} = P X ( {x 1, z x 1 } x 1 X ( 1 = P ( {X 1 = x 1 } {X 2 = z x 1 } = P ( {X 1 = z x 2 } {X 2 = x 2 } x 1 X 1 Defiitio 4.3 Sei (Ω, P diskreter Wahrscheilichkeitsraum; I (beliebig, X i, X i Zufallsvariable auf (Ω, P mit Werte i X i, i I. Da heißt (X i i I stochastisch uabhägig, we für jede Wahl vo B i P(X i, i I, die Ereigisse A i := {X i B i }, i I, stochastisch uabhägig sid. Bemerkug 4.2 (a Uabhägigkeit vo Ereigisse ist äquivalet mit der Uabhägigkeit jeder edliche Auswahl der gegebee Ereigisse. Daher ist die Uabhägigkeit vo (X i i I äquivalet mit der Uabhägigkeit vo (X j j J für jede edliche Mege J I. x 2 X 2 (b Im folgede betrachte wir daher zuächst de Fall I = {1,..., }, N, 2. 8
9 Satz 4.1 (Ω, P diskreter Wahrscheilichkeitsraum; N, X 1,..., X, X 1,..., X Zufallsvariable auf (Ω, P mit Werte i X 1,... bzw. X. Da sid die folgede Aussage äquivalet: (a X 1,..., X sid stochastisch uabhägig. ( (b P {X i = x i } = P ( {X i = x i } x = (x 1,..., x X 1... X ( (c P {X i B i } = P ( {X i B i } B i = (B 1,..., B P(X 1... P(X Lemma 4.4 X 1, X 2,..., X seie stochastisch uabhägige Zufallsvariable auf (Ω, P mit Werte i X 1, X 2,... bzw. X. Ferer seie X i := X i (Ω, 1 i. Außerdem seie X := X 1... X (abzählbar ud X := X 1... X. Da gilt: (a Ist B P(X, B B X, so folgt: P ( {(X 1,..., X B} = P ( {(X 1,..., X B } = P ( {X i = x i } (x 1,...,x B (b Ist J {1,..., }, J, so sid auch (X j j J stochastisch uabhägig. Satz 4.2 Mit de Bezeichuge ud Voraussetzuge aus Lemma 4.4 seie ferer k {1,..., 1}, J 1 := X 1... X k, J 2 := X k+1... X, Z 1, Z 2 ud g 1 := J 1 Z 1, g 2 := J 2 Z 2 ; defiiert ma da Z 1 : Ω Z 1, ω g 1 (X 1 (ω,..., X k (ω ud Z 2 : Ω Z 2, ω g 2 (X k+1 (ω,..., X (ω, so sid Z 1, Z 2 stochastisch uabhägig. 5 Erwartugswert, Variaz, Kovariaz, Korrelatio Defiitio 5.1 Ist X reelle Zufallsvariable auf (Ω, P mit X(ω P ({ω} < (absolute Kovergez ω Ω so heißt E(X = EX := X(ω P ({ω} ω Ω der Erwartugswert vo X (bzgl. P. Bemerkug 5.1 Ist Ω <, so ist die Bedigug X(ω P ({ω} < überflüssig. ω Ω Ist dagege Ω =, so wird durch diese Bedigug sichergestellt, dass X(ω P ({ω} u- ω Ω abhägig vo der Abzählug vo Ω ist. 9
10 Satz 5.1 ( Trasformatiossatz X Zufallsvariable auf (Ω, P mit Werte i X. Weiter seie g : X R; Y : Ω R, ω g (X(ω (also Y = g X. Ist da X abzählbar mit X X(Ω, so gilt: (a Y (ω P ({ω} < g(x P ({X = x} < ω Ω x X (b Y (ω P ({ω} < EY = g(x P ({X = x} ω Ω x X Bemerkug 5.2 (a Ma beachte, dass X icht otwedig reellwertig ist. (b Ist X reelle Zufallsvariable mit existieredem Erwartugswert, so folgt aus Satz 5.2(b: EX = x X x P ({X = x} (Wähle X := X(Ω, g : R R, x x Das heißt der Erwartugswert vo X hägt ur ab vo der Verteilug vo X. Beispiel 5.2 (a X sei b(, ϑ-verteilt ( N, ϑ [0, 1] EX = ϑ (b X sei hypergeometrisch verteilt mit Parameter r, s, N 0, 1, r + s 1 EX = r r + s (c X sei egativ biomialverteilt mit Parameter r N, ϑ (0, 1 EX = r 1 ϑ ϑ (d X sei Poisso-verteilt mit Parameter λ > 0 EX = λ Satz 5.2 X, Y seie reelle Zufallsvariable auf (Ω, P mit existierede Erwartugswerte. Da gilt: (a Ist α R, so existiert der Erwartugswert vo αx ud es gilt E(αX = αex. (b Der Erwartugswert vo X + Y exisitiert ud es gilt E(X + Y = EX + EY. (c Sid X, Y stochastisch uabhägig, so existiert der Erwartugswert vo X Y ud es gilt E(X Y = EX EY 10
11 Lemma 5.1 X, Y reelle Zufallsvariable auf (Ω, P, so dass der Erwartugswert vo X 2 ud Y 2 existiert. Da gilt: (a Es existiere Erwartugswerte vo X ud Y. (b Bezeichet a bzw. b de Erwartugswert vo X bzw. Y, so existiere Erwartugswerte vo (X a 2, (Y b 2 ud (X a(y b. (c Es existiert der Erwartugswert vo (X + Y 2. Defiitio 5.2 X, Y seie reelle Zufallsvariable auf (Ω, P mit EX 2 <, EY 2 <, ferer sei a := EX, b := EY (a V arx := E(X a 2 heißt die Variaz vo X (b Cov(X, Y := E(X a(y b heißt die Kovariaz vo X ud Y (c Ist V arx > 0 ud V ary > 0, so heißt ρ(x, Y := Cov(X, Y V arx V ary die Korrelatio zwische X ud Y. Gilt ρ(x, Y = 0, also Cov(X, Y = 0, so et ma X ud Y ukorreliert. Satz 5.3 X, Y reelle Zufallsvariable auf (Ω, P mit EX 2 <, EY 2 < ; α, β, γ, δ R. Da gilt: (a V arx = EX 2 (EX 2 (b Cov(X, Y = E(XY EX EY (c V ar(αx + β = α 2 V arx (d Cov(αX + β, γy + δ = αγ Cov(X, Y (e V ar(x + Y = V arx + V ary + 2 Cov(X, Y (f X, Y stochastisch uabhägig V ar(x + Y = V arx + V ary Satz 5.4 X, Y seie reelle Zufallsvariable auf (Ω, P mit EX 2 < ud EY 2 <, da gilt: (a ( Cauchy-Schwarz-Ugleichug ( E(X Y 2 EX2 EY 2 (b Cov(X, Y 2 V arx V ary (c Ist die Korrelatio zwische X ud Y erklärt, so ist ρ(x, Y 1 11
12 Beispiel 5.4 (a x 1,..., x R, X Zufallsvariable mit P (X = x i = 1. Da ist EX = 1 gilt: ( V arx = 1 x 2 i x 2 (b N, ϑ [0, 1]; X sei b(, ϑ-verteilt. Da ist EX = ϑ ud es gilt: V arx = ϑ(1 ϑ x i =: x ud es (c X sei hypergeometrisch verteilt mit r, s, ; N := r + s. Da ist EX = r N V arx = r ( s N N N N 1 ud es gilt: (d r N, ϑ (0, 1; X sei egativ biomialverteilt mit r ud ϑ. Da ist EX = r(1 ϑ ϑ gilt: ud es V arx = r(1 ϑ ϑ 2 (e Sei λ > 0, X Poisso-verteilt mit Parameter λ. Da ist EX = λ ud es gilt: V arx = λ Satz 5.5 ( Tschebyscheff-Ugleichgug Sei X reelle Zufallsvariable auf (Ω, P mit EX 2 < P ( { X EX ε} V arx ε 2 ε > 0 Satz 5.6 ( Markow-Ugleichug Sei Z reelle Zufallsvariable auf (Ω, P ; g : [0, + [0, + mit (1 g isoto (d.h. mooto wachsed (2 Eg( Z < g(ε P ( { Z ε} Eg( Z Bemerkug 5.3 (a Die Ugleichug i (5.5 ist relativ grob, aber vo theoretischem Nutze. (b Der Nutze wird deutlich im ächste Satz: 12
13 Satz 5.7 ( Schwaches Gesetz der große Zahle Seie N, X 1,..., X reelle stochastisch uabhägige Zufallsvariable auf (Ω, P. Alle X 1,..., X möge dieselbe Verteilug besitze (X 1,..., X seie stochastisch uabhägige idetisch verteilte Zufallsvariable. Ist da EX 2 <, a := EX 1, σ 2 := V arx 1, X( := 1 X i, so gilt: P ( { X ( a ε} σ2 ε 2 ε > 0 6 Diskrete Zufallsvariable auf allgemeie Räume Defiitio 6.1 Seie Ω, A P(Ω, da heißt A σ-algebra i Ω falls folgede Bediguge erfüllt sid: (1 Ω A (2 Für alle A A gilt auch A c A ( (3 Für jede Folge A A, N, gilt: A A Satz 6.1 Ω, A σ-algebra i Ω, da gilt: (a A (b Ist I abzählbar ud sid A i A, i I, da folgt: (i A i A i I (ii i I A i A Satz 6.2 Ω, A σ-algebra i Ω; A A, N B := A m A ( lim if A C := =1 m= =1 m= A m A ( lim sup A 13
14 Defiitio 6.2 Ω, A P(Ω, P : A R (a (Ω, A heißt Messraum, falls A σ-algebra i Ω ist. (b Ist (Ω, A ei Messraum, so heißt P ei Wahrscheilichkeitsmaß auf (Ω, A, falls P ichtegativ, ormiert ud σ-additiv ist. (c (Ω, A, P heißt ei (allgemeier Wahrscheilichkeitsraum, falls (Ω, A ei Messraum ud P ei Wahrscheilichkeitsmaß auf (Ω, A ist. Bemerkug 6.1 (a Die Sätze 1.3 ud 2.4 gelte auch, mit folgede Modifikatioe: (i Ersetze (Ω, P diskreter Wahrscheilichkeitsraum durch (Ω, A, P Wahrscheilichkeitsraum. (ii Vo alle auftretede Teilmege vo Ω wird zusätzlich verlagt, dass sie Elemet vo A sid. (b Mit de selbe Modifikatioe werde die Defiitio 3.1 ud 3.2 auf allgemeie Wahrscheilichkeitsräume übertrage. (c Mit diese Modifikatioe bleibe die Sätze 3.1 ud 3.3 gültig. (d Es gilt folgede Verallgemeierug vo Satz 3.4: Satz 6.3 ( Produktmaßsatz Seie (Ω 1, A 1, P 1, (Ω 2, A 2, P 2 Wahrscheilichkeitsräume ud Ω := Ω 1 Ω 2. Da gilt: (a Es gibt σ-algebra A i Ω ud ei Wahrscheilichkeitsmaß P auf (Ω, A mit (i A 1 A 2 A A 1 A 1, A 2 A 2 (ii P (A 1 A 2 = P (A 1 P (A 2 A 1 A 1, A 2 A 2 (b Wählt ma A als kleiste σ-algebra i Ω, die (a(i erfüllt, so ist P eideutig bestimmt. Zu Zufallsvariable: (Ω, A, P, X : Ω X. Ω ist im Allgemeie icht abzählbar ud damit ist X(Ω im Allgemeie icht abzählbar. Defiitio 6.3 (vgl. Def. 4.2 Seie (Ω, A, P Wahrscheilichkeitsraum, X (beliebig, X : Ω X (a X heißt diskrete Zufallsvariable auf (Ω, A, P mit Werte i X, falls gilt: (i X(Ω abzählbar (ii X 1 (B A B P(X (b Ist X diskrete Zufallsvariable auf (Ω, A, P mit Werte i X, so heißt P X : { P(X R B P (X 1 (B die Verteilug vo X. 14
15 Satz 6.4 Sei (Ω, A Messraum, X beliebig, X : Ω X mit X(Ω abzählbar. Da sid folgede Aussage äquivalet: (a X 1 (B A (b X 1 ({x} A B P(X x X Satz 6.5 Seie (Ω, A, P Wahrscheilichkeitsraum, X, Z, X : Ω X, g : X Z, so dass X diskrete Zufallsvariable auf (Ω, A, P ist. Da ist Y : { Ω Z ω g ( X(ω eie diskrete Zufallsvariable auf (Ω, A, P mit Werte i Z. Satz 6.6 Seie (Ω, A, P Wahrscheilichkeitsraum, X 1, X 2 X : Ω X, ω ( X 1 (ω, X 2 (ω. Da gilt:, X := X 1 X 2, X i : Ω X i, i = 1, 2 ud X ist diskrete Zufallsvariable auf (Ω, A, P mit Werte i X geau da, we X i diskrete Zufallsvariable auf (Ω, A, P mit Werte i X i ist (i = 1, 2. Bemerkug 6.2 (a Lemma 4.3 bleibt gültig mit folgede Modifikatioe: (i Ersetze (Ω, P diskreter Wahrscheilichkeitsraum durch (Ω, A, P allgemeier Wahrscheilichkeitsraum. (ii Ersetze X 1, X 2 Zufallsvariable auf (Ω, P durch X 1, X 2 diskrete Zufallsvariable auf (Ω, A, P. (b Mit de etsprechede Modifikatioe wird Defiitio 4.3 auf diskrete Zufallsvariable auf (Ω, A, P übertrage. (c Sätze 4.1 ud 4.2 gelte mit de etsprechede Modifikatioe auch für diskrete Zufallsvariable auf (Ω, A, P. (d (Ω, A, P Wahrscheilichkeitsraum, X diskrete Zufallsvariable auf (Ω, A, P mit Werte i R; X := X(Ω (! X abzählbar!. Ist die Reihe x X x P ( {X = x} <, so heißt EX := x X x P ( {X = x} der Erwartugswert vo X. (e Die Begriffe Variaz, Kovariaz ud Korrelatio werde aalog wie i 5 eigeführt. (f Alle Aussage i 5 bleibe gültig. (g Alle Voraussetzuge der im folgede Paragraphe agegebee Sätze sid icht leer. Isbesodere gilt der folgede Satz: 15
16 Satz 6.7 Für N sei (Ω, P ei diskreter Wahrscheilichkeitsraum, da gibt es eie allgemeie Wahrscheilichkeitsraum (Ω, A, P ud darauf eie Folge vo stochastisch uabhägige Zufallsvariable X, N, mit Werte i Ω, N, so dass P X = P N. 7 Gesetze der große Zahle Satz 7.1 ( Schwaches Gesetz der große Zahle Seie X, N, diskrete stochastisch uabhägige Zufallsvariable auf eiem allgemeie Wahrscheilichkeitsraum (Ω, A, P mit Werte i R; alle X möge dieselbe Verteilug besitze; ist da EX1 2 <, a := EX 1, so gilt: ({ } lim P 1 X i a ε = 0 ε > 0 Satz 7.2 Seie (Ω, A, P ei Wahrscheilichkeitsraum; Y, Y, N, diskrete Zufallsvariable auf (Ω, A, P mit Werte jeweils i R; ist da C 0 := { ω Ω lim Y (ω = Y (ω }, so gilt C 0 A. Satz 7.3 (Ω, A, P sei Wahrscheilichkeitsraum, Y, Y, N, diskrete Zufallsvariable auf (Ω, A, P mit Werte jeweils i R. Da sid folgede Aussage äquivalet: (a P ( {ω Ω lim Y (ω = Y (ω} = 1 (b N A mit P (N = 0 ud lim Y (ω = Y (ω ( { } (c P Ym Y < 1 = 1 k N k ( (d P (e lim P =1 m= =1 m= ( m= { Ym Y 1 k { Ym Y 1 k } = 0 k N } = 0 k N Satz 7.4 ( Kolmogoroff-Ugleichug ω N c Seie (Ω, A, P Wahrscheilichkeitsraum, N, X 1,, X stochastisch uabhägige diskrete Zufallsvariable auf (Ω, A, P mit Werte jeweils i R. Ferer seie EXi 2 <, a i := EX i, σi 2 := V arx i, 1 i, τ 2 := ( σi 2 = V ar X i. Ist da τ 2 > 0, so gilt ( { } j P (X ρ a ρ k τ 1 k > 0 k 2 j=1 ρ=1 16
17 Defiitio 7.1 Seie Y, Y, N diskrete Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, A, P mit Werte jeweils i R. (a (Y N heißt stochastisch koverget gege Y, falls lim P ( { Y Y ε} = 0 ε > 0 (b (Y N kovergiert (P - fast sicher gege Y, falls ({ } P lim Y = Y = 1 Satz 7.5 ( Starkes Gesetz der große Zahle X, N, seie diskrete, stochastisch uabhägige Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, A, P mit Werte jeweils i R. Es gelte EX 2 < N. Ist da a := EX, σ 2 := V arx, Y := 1 (X i a i, N, ud gilt die Kolmogoroff-Bedigug σ 2 <, so =1 2 folgt: Satz 7.6 (Y N kovergiert fast sicher gege 0 Mit de Bezeichuge ud Voraussetzuge aus Satz 7.5 gelte ferer: 1 Es gibt a R mit lim a i = a. Da folgt: ( 1 Satz 7.7 X i N kovergiert fast sicher gege a Sei (X N eie Folge vo stochastisch uabhägige diskrete Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, A, P mit Werte jeweils i R. Alle X, N, möge dieselbe Verteilug besitze (also P ({X = x} = P ({X 1 = x} x R N; gilt da EX 2 1 <, so folgt: ( 1 Satz 7.8 X i N kovergiert fast sicher gege a 1 := EX 1 Sei (X N eie Folge vo stochastisch uabhägige diskrete Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, A, P mit Werte jeweils i eier (beliebige Mege X. Alle X, N, möge dieselbe Verteilug besitze. Ist da g : X R, Y := g(x, N, ud gilt EY1 2 <, so folgt: ( 1 Y i kovergiert fast sicher gege b 1 := EY 1 N 17
Empirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
Mehr1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A
1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
Mehrso spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.
Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es
MehrInduktive Statistik. Formelsammlung. Prof. Dr. W. Assenmacher. Stichprobenraum: Ω = {ω 1, ω 2,...,ω m }
Prof. Dr. W. Assemacher Statistik ud Ökoometrie Uiversität Duisburg-Esse Campus Esse Iduktive Statistik Formelsammlug Stichproberaum: Ω = {ω 1, ω,...,ω m } Vollstädiges System vo Ereigisse {A 1,..., A
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrKompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0
Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
Mehr2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33
2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33 2. Zufallsvariable ud ihre Verteiluge 2.1. Defiitio der Zufallsvariable Defiitio 2.1. Seie (Ω, F) ud (Ω, F ) messbare Räume ud IIP ei Wahrscheilichkeitsmass
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
Mehrf X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8
Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
MehrAnalysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),
Aalysis 1, Woche 2 Reelle Zahle A1 2.1 Ordug Defiitio 2.1 Ma et eie Ordug für K, we 1. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a,
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrUbungen zur Analysis 1. Prof. Dr. Kohnen. Dr. O. Delzeith
Ubuge zur Aalysis 1 Prof. Dr. Kohe Dr. O. Delzeith SS 1996 1. Beweise Sie uter Beutzug der i der Vorlesug geate vier Axiome fur N : Sid m; ; p; q 2 N ud gilt m > sowie p > q, so gilt mp > q. (3 Pukte)
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
MehrStochastik I TU Dortmund, Sommersemester 2014
Stochastik I TU Dortmud, Sommersemester 204 Dieses Vorlesugsskript ist aus meier persöliche Mitschrift der Vorlesug Stochastik I bei Professor Dr. M. Voit im Sommersemester 204 etstade. Ich habe versucht
Mehr38 Normen und Neumannsche Reihe
168 V. Lieare Algebra 38 Norme ud Neumasche Reihe Wir erier zuächst a (vgl. 15.6) 38.1 Normierte Räume. Es sei E ei Vektorraum über K = R oder K = C. Eie Abbildug : E [0, ) heißt Norm auf E, falls gilt
MehrAnalysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),
Aalysis, Woche 2 Reelle Zahle A 2. Ordug Defiitio 2. Ma et eie Ordug für K, we. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a, b, c K
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.
3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
MehrHTBLA VÖCKLABRUCK STET
HTBLA VÖCKLABRUCK STET Folge ud Reihe INHALTSVERZEICHNIS 1. EINFÜHRUNG... 3. DARSTELLUNG EINER FOLGE... 3 3. BEISPIELE... 4 4. ENDLICHE REIHE... 4 5. ARITHMETISCHE FOLGEN UND REIHEN... 4 6. GEOMETRISCHE
MehrKapitel 3 Folgen von reellen Zahlen
Wolter/Dah: Aalysis Idividuell 4 Kapitel 3 Folge vo reelle Zahle Wir befasse us i diesem Abschitt mit Zahlefolge, die u.a. zur Eiführug ud 3/0/0 Behadlug des für die Aalysis äußerst wichtige Grezwertbegriffes
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
MehrEinführung in die Wahrscheinlichkeitstheorie und Statistik
Uiversität Regesburg Fakultät Mathematik Vorlesugsmitschrift Eiführug i die Wahrscheilichkeitstheorie ud Statistik Prof. Helmut Abels Sommersemester 009 L A TEX: Frak Reihold Ihaltsverzeichis 0 Eileitug
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
MehrInhaltsverzeichnis. IV. Statistische Tests 40 IV.1. Hypothesentests IV.2. Neyman-Pearson-Lemma... 41
Stochastik Prof. Reiß Sommersemester 202 Vorlesugsmitschrifte Paul Boeck 2 Zuletzt geädert am 4. Oktober 202 Fehler bitte a boeck@math.hu-berli.de Ihaltsverzeichis I. Wahrscheilichkeitsräume 2 I.. Ereigisse,
MehrStochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014
Stochastik I Adrej Depperschmidt Vorlesugsskript Uiversität Maiz Sommersemester 2014 Versio: 12. Mai 2016 Vorwort Bei diesem Skript hadelt es sich um Vorlesugsotize, die parallel zur Vorlesug Stochastik
Mehr6 Grenzwerte von Zahlenfolgen
6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z
MehrStochastik im SoSe 2018 Übungsblatt 2
Stochasti im SoSe 2018 Übugsblatt 2 K. Paagiotou/ L. Ramzews / S. Reisser Lösuge zu de Aufgabe. Aufgabe 1 Eie Ure ethält B blaue, R rote ud G grüe Bälle. Wir ziehe eie Teilmege mit geau Bälle aus der Ure,
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr. A. Müller-Rettkowski Dr. T. Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 4. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 2008/09 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum 4. Übugsblatt
MehrStichworte der Einführung in die Wahrscheinlichkeitstheorie
Stichworte der Eiführug i die Wahrscheilichkeitstheorie (etstade aus dem Eiführug i die Wahrscheilichkeitstheorie Skript vo Herr Prof Dr Potthof) Author: Ralf Nicklas Stad: 2. Jauar 2006 A A a posteriori
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 5. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr A Müller-Rettkowski Dr T Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrEin Steilkurs über Martingale in diskreter Zeit
Ei Steilkurs über Martigale i diskreter Zeit Matthias Birker WS 211/212 Dieser Text ist eie Eiladug, sich (i sehr kapper Form) mit der Theorie der (zeitdiskrete) Martigale zu beschäftige. Eie wesetlich
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability ad Statistics FS 208 Prüfug 3.08.208 Dauer: 80 Miute Name: Legi-Nummer: Diese Prüfug ethält 4 Seite (zusamme mit dem Deckblatt) ud 0 Aufgabe. Das Formelblatt wird separat verteilt. Begrüde
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrAnalysis I. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Aalysis I 5. Übugsstude Steve Battilaa steveb@studet.ethz.ch battilaa.uk/teachig March 9, 07 Erierug Satz. Quotietekriterium (bei!,,...) Das Quotietekriterium zeigt absolute Kovergez. lim a +
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
Mehrn gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)
Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
MehrZusammenfassung: Folgen und Konvergenz
Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 6 Für Experte 8 Defiitioe ud Beispiele für Folge Defiitio Eie
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1
D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)
Mehrmit (a 1 ) (0,0,,0). Dann ist die Menge,,a n,a 2 eine endliche Menge und besitzt ein grösstes Element ggt(a 1
Kapitel 1: Reste, Teiler, Vielfache Defiitio Es sei a 0. Die Zahl b 0 ist ei Teiler vo a, we es ei u 0 gibt, sodass ub= a. Ist b ei Teiler vo a, so ist a ei Vielfaches vo b. Bezeichug b a für b ist Teiler
MehrResultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen
26 Gleichmäßige Kovergez ud Potezreihe 129 26 Gleichmäßige Kovergez ud Potezreihe Lerziele: Kozepte: Puktweise ud gleichmäßige Kovergez Resultate: Vertauschbarkeit vo Grezprozesse, Kovergezverhalte vo
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
MehrWahrscheinlichkeit und Statistik Zusammenfassung
Wahrscheilichkeit ud Statistik Zusammefassug Fabia Hah, Dio Werli 9. September 008 Wahrscheilichkeitstheorie Grudlegede Kombiatorik Die folgede Tabelle bezieht sich auf das Uremodell: ziehe aus k geordet
MehrGNS-Konstruktion. 1 GNS-Konstruktion
Vortrag zum Semiar zur Fuktioalaalysis, 18.12.2008 Maximilia Brölsch Der Vortrag ist i zwei Teile gegliedert. Im erste Teil wird die eigeführt, ei Hilfsmittel um eie beliebige C -Algebra mit eier C -Uteralgebra
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrAnalysis I. Carsten Schütt WS 2010/11
. Falls Christa Purzelbäume schlägt, da isst Bruo Torte. Christa ist geau da übel, we Ato Likör trikt ud Christa Purzelbäume schlägt. Falls Christa übel ist, da ist Bruo besorgt ud isst Torte. Etweder
Mehr24 Komplexe Vektoren und Matrizen
Lieare Algebra II SS 011 - Prof Dr afred Leit apitel VII: Der örper der komplexe Zahle 4: omplexe Vektore ud atrie 4 omplexe Vektore ud atrie A Der komplexe Vektorraum B Der ormierte Raum C Der Skalarproduktraum
MehrÜbung zur Vorlesung Einführung in die Algebra Prof. Dr. J. H. Bruinier Stephan Ehlen
Übug zur Vorlesug Eiführug i die Algebra Prof. Dr. J. H. Bruiier Stepha Ehle Sommersemester 2009 Lösugshiweise zu Übugsblatt 3 Aufgabe G3.1 Automorphisme vo Das ist im Prizip lieare Algebra: Sei f Aut(
Mehr2 Grundlagen aus der Wahrscheinlichkeitsrechnung
2 Grudlage aus der Wahrscheilichkeitsrechug I diesem Abschitt sid die wichtigste Kozepte der Wahrscheilichkeitsrechug zusammegestellt, die für die Zwecke userer Vorlesug wichtig sid. Sie beschräke sich
MehrKAPITEL 3. Zahlenreihen. 3.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen... 80
KAPITEL 3 Zahlereihe 3. Geometrische Reihe......................... 7 3.2 Kovergezkriterie......................... 72 3.3 Absolut kovergete Reihe.................... 80 Lerziele 3 Eigeschafte der geometrische
Mehrα : { n Z n l } n a n IR
1 KAPITEL VI. ZAHLENFOLGEN UND REIHEN 1) REELLE ZAHLENFOLGEN: i) Jede Abbildug α : IN a IR heiÿt 'reelle Zahlefolge' bzw. 'Folge i IR'. Ma otiert diese i der Form α = a ) IN = a ) =0 = a 0, a 1, a 2,...)
MehrProseminar: Mathematisches Problemlösen. Ungleichungen 2. Pierre Schmidt. Vortragstermin: 19. Juni Fakultät für Mathematik
Prosemiar: Mathematisches Problemlöse Ugleichuge Pierre Schmidt Vortragstermi: 19. Jui 015 Übugsleiteri: Dr. Natalia Griberg Fakultät für Mathematik Karlsruher Istitut für Techologie Ihaltsverzeichis 1
MehrAnalysis II Sommer 2016 Prof. Dr. George Marinescu / Dr. Frank Lapp Übung
Aalysis II Sommer 06 Prof Dr George Mariescu / Dr Frak Lapp Übug Zuallererst sollt ihr die zusätzliche Übug utze um Lösuge vo Aufgabe zu bespreche, zu dere Besprechug ihr i de Übuge davor icht gekomme
MehrEinführung in die Wahrscheinlichkeitstheorie
WS 2014/15 Eiführug i die Wahrscheilichkeitstheorie Prof. Dr. Nia Gatert 7. Februar 2015 Ihaltsverzeichis 0 Eileitug 3 1 Diskrete Wahrscheilichkeitsräume 4 1.1 Grudbegriffe..................................
Mehr