Elementare Wahrscheinlichkeitsrechnung und Statistik
|
|
- Uwe Gerhardt
- vor 8 Jahren
- Abrufe
Transkript
1 CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar 29
2 INHALTSVERZEICHNIS 2 Ihaltsverzeichis Eileitug 7. Was ist Stochastik? Typische Fragestelluge ud Ergebisse Beispiel Ereigisse ud Wahrscheilichkeite 9 2. Ereigisse als Mege Ereigissysteme Wahrscheilichkeitsmaße Defiitio ud elemetare Eigeschafte Weitere Eigeschafte vo Wahrscheilichkeitsmaße Edliche Wahrscheilichkeitsräume Laplacescher Wahrscheilichkeitsraum Eifache Uremodelle Geometrische Wahrscheilichkeite Bedigte Wahrscheilichkeite Defiitio ud Multiplikatiossatz Formel der totale Wahrscheilichkeit; Bayessche Formel Stochastische Uabhägigkeit Zufallsvariable ud Zufallsvektore Defiitio vo Zufallsvariable Verteilug ud Verteilugsfuktio Diskrete Zufallsvariable; Wahrscheilichkeitsfuktio Grudlegede Klasse diskreter Verteiluge Zusammefassug Verteilugsfuktio; absolutstetige Zufallsvariable Zufallsvektore Defiitio, Verteilug ud Verteilugsfuktio Eigeschafte multivariater Verteilugsfuktioe Weitere Beispiele vo Zufallsvektore Bedigte Wahrscheilichkeitsfuktio; bedigte Verteilug; bedigte Dichte Uabhägige Zufallsvariable Beispiele: Zufallsvektore mit uabhägige Kompoete Fuktioe vo Zufallsvektore Zusammegesetzte Abbilduge Lieare Trasformatio Quadrierug Summe, Produkt ud Quotiet vo uabhägige Zufallsvariable Uabhägigkeit zusammegesetzter Abbilduge
3 INHALTSVERZEICHNIS 3 4 Weitere Charakteristike vo Zufallsvariable Erwartugswert Defiitio ud Berechugsformel Alterative Itegral Darstelluge Weitere Eigeschafte des Erwartugswertes Itegral Darstellug mittels Quatilfuktio Variaz ud höhere Momete Defiitio ud elemetare Eigeschafte Trasformatiossatz ud Berechugsformel Gemischte Momete Trasformatiossatz für Zufallsvektore Multiplikatiosformel ud Kovariaz Liearer Zusammehag vo Zufallsvariable Erwartugswertvektor ud Kovariazmatrix Ugleichuge für Momete ud Wahrscheilichkeite Ugleichuge vom L p Typ Jese Ugleichug Tschebyschew Ugleichug; Markow Ugleichug Kovergezarte ud Grezwertsätze Kovergezarte Defiitioe ud elemetare Eigeschafte Charakterisierug der Verteilugskovergez Kovergez zusammegesetzter Abbilduge; Satz vo Slutsky Gesetz der große Zahle Schwaches Gesetz der große Zahle Starkes Gesetz der große Zahle Awedugsbeispiele Zetraler Grezwertsatz Zetraler Grezwertsatz für Summe vo uabhägige Zufallsvariable Awedugsbeispiele Charakteristische Fuktioe Bediguge vo Lideberg ud Ljapuow
4 INHALTSVERZEICHNIS 4 6 Stichprobe ud Stichprobefuktioe Zufallsstichprobe Stichprobefuktioe Stichprobemittel Stichprobevariaz Beispiel: Normalverteilte Stichprobevariable Gammaverteilug ud χ 2 -Verteilug Uabhägigkeit ud Trasformatio vo Zufallsvektore Verteilug vo Stichprobemittel ud Stichprobevariaz t-verteilug Tabelle für Verteilugsfuktioe ud Quatile 55
5 Literatur H. Dehlig, B. Haupt Eiführug i die Wahrscheilichkeitstheorie ud Statistik Spriger Verlag, Berli 23 L. Dümbge Stochastik für Iformatiker Spriger Verlag, Berli 23 C. Hesse Agewadte Wahrscheilichkeitstheorie Vieweg Verlag, Brauschweig 23 H.-O. Georgii Stochastik Walter de Gruyter, Berli, New York 22 A. Irle Wahrscheilichkeitstheorie ud Statistik Teuber, Stuttgart, Leipzig, Wiesbade 2 J. Jacod ud P. Protter Probability essetials Spriger Verlag, Berli 23 A.F. Karr Probability Spriger Verlag, New York 993 U. Kregel Eiführug i die Wahrscheilichkeitstheorie ud Statistik Vieweg Verlag, Brauschweig 22 R. Meester Itroductio to Probability Theory Birkhäuser Verlag, Basel, Cambridge 23 S. Resick A probability path Birkhäuser Verlag, Basel 999 A.N. Shiryayev Probability Spriger Verlag, New York 996 deutsche Übersetzug: Wahrscheilichkeit Deutscher Verlag der Wisseschafte, Berli, 988.
6 Klassiker ud weitere Bücher zur Vertiefug des Stoffes H. Bauer Wahrscheilichkeitstheorie Verlag De Gruyter, Berli 99 P. Billigsley Probability ad Measure J. Wiley & Sos, New York 995 L. Breima Probability SIAM, Philadelphia, 993 W. Feller A itroductio to probability theory ad its applicatios. Vol I/II J. Wiley & Sos, New York 97/7 P. Gässler ud W. Stute Wahrscheilichkeitstheorie Spriger Verlag, Berli 977 O. Kalleberg Foudatios of moder probability Spriger Verlag, New York 2
7 EINLEITUNG 7 Eileitug. Was ist Stochastik? Der Begriff Stochastik stammt ursprüglich aus dem Griechische ud bedeutet dort: die Kust des geschickte Vermutes. Die mathematische Stochastik befasst sich mit der Beschreibug ud Utersuchug vo Ereigisse, zeitliche Etwickluge bzw. räumliche Strukture, die vom Zufall beeiflusst werde. Solche Ereigisse, Etwickluge bzw. Strukture werde oft durch Date dokumetiert, für dere Aalyse die Statistik ei Teilgebiet der Stochastik geeigete Methode bereitstellt..2 Typische Fragestelluge ud Ergebisse Zu de Aufgabe der Stochastik gehört die Bewertug vo Ereigisse, Etwickluge bzw. Strukture durch die Bestimmug ihrer Wahrscheilichkeit, die eie Maßzahl für die Chace ihres Eitretes ist. Das Phäome Zufall kommt i vielfältiger Weise i zahlreiche Bereiche des tägliche Lebes vor, z.b. bei der Vorhersage vo zuküftige Aktiekurse bzw. Zissätze, bei der Wettervorhersage, bei Würfel- bzw. Kartespiele, beim Zahlelotto, usw. Stochastische Modelle sid i viele Disziplie der Wisseschaft ei wichtiges Hilfsmittel, so i Iformatik ud Igeieurwisseschafte z.b. bei der Dimesioierug ud Leistugsaalyse vo Kommuikatios- ud Rechersysteme Physik, Chemie ud Materialwisseschafte z.b. bei der Strukturaalyse vo Werkstoffe, Utersuchug der Rauhheit vo techische Oberfläche Wirtschaftswisseschafte z.b. beim Risikomaagemet vo Versicheruge ud Bake, Aalyse vo Fiazmärkte Biologie ud Medizi z.b. bei der Bildaalyse zur Utersuchug mikroskopischer Gewebestrukture bzw. itrazellulärer Netzwerke Es ist üblich, die Stochastik i die folgede Teilgebiete zu uterteile: Wahrscheilichkeitsrechug Statistik stochastische Prozesse ud Felder z.b. Markov Modelle stochastische Simulatio z.b. Markov Chai Mote Carlo Typische Fragestelluge ud Ergebisse der Stochastik sid geschlossee Formel für die Wahrscheilichkeit vo Ereigisse, Etwickluge bzw. Strukture oftmals ur uter restriktive Modellaahme möglich Grezwertsätze Näherugslösuge, z.b. Gesetz der große Zahle, Zetraler Grezwertsatz Methode zur Schätzug ubekater Modellparameter; Tests hypothetischer Modellaahme Sigifikaztests Kopplug vo stochastischer Modellierug, statistischer Dateaalyse ud Computer-Simulatio
8 EINLEITUNG 8.3 Beispiel Betrachte Roulette Spiel mit 38 mögliche Ausgäge, ämlich 8 rote Felder, 8 schwarze Felder ud 2 grüe Felder. Betrachte Spieler, der auf Rot setzt. Er gewit Euro mit der Wahrscheilichkeit ud verliert Euro mit der Wahrscheilichkeit Sei u X der zufällige Gewi beim -te Spiel. Da gilt: P X 9 9, P X 9. Die Zufallsgröße X, X 2,... sid uabhägig ud idetisch verteilt. Betrachte Gesamtgewi S X +...+X aus de erste Spiele. Die Folge S, S 2,... wird Radom Walk bzw. zufällige Irrfahrt geat. Wie groß ist der erwartete Gewi E X Erwartugswert beim -te Spiel? Wie groß ist der erwartete Gesamtgewi E S aus de erste Spiele? Es gilt: E X E S E X E X Schwaches Gesetz der große Zahle Für große ist S ahe bei E X mit hoher Wahrscheilichkeit. Zetraler Grezwertsatz Für große lässt sich die Wahrscheilichkeit P a S E S b durch die Normalverteilug approximiere, wobei a, b R mit a < b beliebige, jedoch fest vorgegebee Tolerazgreze sid. Beachte De Begriffsbilduge Zufallsgröße, uabhägig, idetisch verteilt, für große, ahe bei E X, mit hoher Wahrscheilichkeit bzw. Normalverteilug liege mathematische Defiitioe zugrude. Sie gehöre zu de Grudbegriffe der Stochastik, die i de folgede Abschitte detailliert erläutert werde.
9 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 9 2 Ereigisse ud Wahrscheilichkeite 2. Ereigisse als Mege Wir modelliere Ereigisse als Mege. Dabei ist eie Mege eie Zusammefassug vo wohldefiierte ud uterscheidbare Dige Elemete zu eiem Gaze. Schreibweise Ω Grudmege, ω Elemet ω Ω: ω ist Elemet vo Ω ω / Ω: ω ist icht Elemet vo Ω A {a, b, c,...}: Die Mege A besteht aus de Elemete a, b, c,... A {ω : ω Ω, ω hat Eigeschaft E}: A besteht aus dejeige Elemete ω vo Ω, die die Eigeschaft E habe. Beispiel Ω N, A {2, 4, 6,...} { : N, ist durch 2 teilbar} Der Vergleich vo Ereigisse erfolgt durch de Vergleich der Mege, durch die die Ereigisse modelliert werde. Defiitio. A A 2 bedeutet, A ist Teilmege vo A 2, d.h., aus ω A folgt ω A 2 2. A A 2, falls A A 2 ud A 2 A. Betrachte Ereigisse, die bei eiem Zufallsexperimet z.b. Müzwurf, Werfe eies Würfels, Roulette Spiel, Erzeuge eier Pseudozufallszahl mit eiem Zufallszahlegeerator eitrete köe. Da ist Ω Mege aller mögliche Versuchsergebisse Grudmege, Grudgesamtheit, Merkmalraum, Stichproberaum; Ereigis Ω sicheres Ereigis tritt immer ei A, A 2 Ω: Ereigisse Teilmege vo Versuchsergebisse mit bestimmte Eigeschafte; {ω} Ω: Elemetarereigis ei eizeles Versuchsergebis; Ageomme: bei eiem Versuch wird das Ergebis ω erzielt. Da sage wir: Das Ereigis A tritt ei, falls ω A. Für A A 2 gilt: We A eitritt, da tritt auch A 2 ei. Beispiel eimaliges Würfel: Ω {, 2, 3, 4, 5, 6}; Elemetarereigisse {}, {2},..., {6}. Das Ereigis A {2} tritt geau da ei, we die Zahl 2 gewürfelt wird. Das Ereigis A 2 {2, 4, 6} tritt geau da ei, we eie gerade Zahl gewürfelt wird. Also gilt: A A 2, d.h., we A eitritt, da tritt auch A 2 ei. Defiitio Diejeige Teilmege vo Ω, die kei Elemet ethält, heißt leere Mege ud wird mit bezeichet. Beachte Das Ereigis tritt iemals ei ud wird deshalb umögliches Ereigis geat.
10 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 2.2 Ereigissysteme Aus gegebee Ereigisse A, A 2,... ka ma durch dere Verküpfug weitere Ereigisse bilde. Dies wird durch die folgede Megeoperatioe modelliert. Megeoperatioe ud ihre probabilistische Bedeutug. Vereiigugsmege A A 2 : Mege aller Elemete, die zu A oder A 2 gehöre. Ereigis A A 2 midestes eies der Ereigisse A oder A 2 tritt ei A i A A 2... Mege aller Elemete, die zu midestes eier der Mege A i gehöre. Ereigis A i midestes eies der Ereigisse A, A 2,... tritt ei 2. Schittmege A A 2 : Mege aller Elemete, die zu A ud A 2 gehöre Ereigis A A 2 beide Ereigisse A ud A 2 trete ei. Beachte: Zwei Ereigisse A, A 2 Ω mit A A 2 heiße uvereibar, d.h., sie köe icht gleichzeitig eitrete. A i A A 2...: Mege aller Elemete, die zu jeder der Mege A i gehöre. Ereigis A i sämtliche Ereigisse A, A 2,... trete ei 3. Differezmege A \ A 2 : Mege aller Elemete vo A, die icht zu A 2 gehöre. Spezialfall: A c Ω \ A Komplemet Ereigis A c Ereigis A tritt icht ei 4. Symmetrische Megedifferez A A 2 : Mege aller Elemete, die zu A oder A 2, jedoch icht zu beide gehöre. Beispiel Sei Ω {a, b, c, d}, A {a, b, c}, A 2 {b, d}. Da gilt A A 2 {a, b, c, d}; A A 2 {b}; A \ A 2 {a, c}; A c {d}; A A 2 {a, c, d}. Beachte Das Ereigis A A 2 tritt geau da ei, we A oder A 2 oder beide eitrete. Das Ereigis A A 2 tritt geau da ei, we A ud A 2 eitrete. Das Ereigis A \ A 2 tritt geau da ei, we A eitritt ud A 2 icht eitritt. Das Ereigis A A 2 tritt geau da ei, we A oder A 2 eitrete ud icht beide eitrete. Die Mege A, A 2,... Ω heiße paarweise disjukt, we A i A j für beliebige i j. Die Ereigisse A, A 2,... Ω heiße paarweise uvereibar, we A i A j für beliebige i j Lemma 2. Für beliebige Mege A, A 2 Ω gilt: A \ A 2 A A c 2, A A 2 A A 2 \ A A 2 A \ A 2 A 2 \ A. klar Beachte Jede beliebige Folge vo Mege A, A 2,... Ω ka ma i eie Folge vo paarweise disjukte Mege A, A 2,... überführe: Sei A A, A 2 A 2 \ A, A 3 A 3 \ A A 2,... Da gilt: A i A j für i j, ud A A
11 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN Weitere Eigeschafte Seie A, B, C Ω beliebige Teilmege. Da gelte Eideutigkeitsgesetze: A A, A, A Ω Ω, A Ω A allgemei: falls A B, da gilt A B A, A B B de Morgasche Gesetze: A B c A c B c, A B c A c B c Assoziativ Gesetze: A B C A B C, A B C A B C Distributiv Gesetze: A B C A B A C, A B C A B A C Es ist oft icht zweckmäßig, alle mögliche Teilmege vo Ω i die Modellierug eizubeziehe, soder ma betrachtet ur die Familie derjeige Teilmege vo Ω, dere Wahrscheilichkeite tatsächlich vo Iteresse sid. Diese Megefamilie soll jedoch abgeschlosse sei bezüglich der Operatioe,, \, was durch die folgede Begriffsbildug erreicht wird. Defiitio Eie ichtleere Familie F vo Teilmege vo Ω heißt Algebra, falls A A F A c F A2 A, A 2 F A A 2 F Beispiel Ω {a, b, c, d}, F {, {a}, {b, c, d}, Ω} ist eie Algebra, F 2 {, {a}, {b, c}, Ω} ist dagege keie Algebra. Lemma 2.2 Sei F eie Algebra ud A, A 2,..., A F. Da gilt., Ω F 2. A A 2 F 3. A \ A 2 F 4. A i F, A i F. Weil F icht leer ist, gibt es ei A F, A Ω. Also gilt A c F wege A bzw. A } {{ A } c F wege A2 bzw. }{{} Ω c F wege A. Ω 2. Außerdem ergibt sich aus de Gesetze vo de Morga, dass A A 2 A c A c 2 c F. 3. Auf ähliche Weise ergibt sich, dass A \ A 2 A A c 2 A c A 2 c F 4. Dies ergibt sich mit vollstädiger Iduktio aus A2 bzw. aus der zweite Teilaussage. Um Grezwerte bilde zu köe, ist es erforderlich, dass das Megesystem F icht ur abgeschlosse ist bezüglich Vereiigug bzw. Durchschitt vo edlich viele Mege, soder auch bezüglich Vereiigug bzw. Durchschitt vo abzählbar uedlich viele Mege. Dies wird durch die Hizuahme der folgede Bedigug erreicht. Defiitio A3 Eie Algebra F heißt σ Algebra, we zusätzlich gilt: A, A 2,... F A i F.
12 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 2 Beispiel eier Algebra, die keie σ Algebra ist Beachte Sei Ω N, ud sei F die Familie derjeige Teilmege A vo N, so dass etweder A oder A c ur edlich viele Elemete hat. Das Megesystem F ist eie Algebra, jedoch keie σ Algebra. Das Paar Ω, F heißt Messraum, falls F eie σ Algebra ist. Für jedes Ω ist die Potezmege P, d.h. die Familie aller Teilmege vo Ω, stets eie σ Algebra. We Ω edlich oder abzählbar uedlich ist, da ka F P gewählt werde. Bei icht abzählbarem Ω z.b. Ω R oder Ω [, ] muss eie kleiere σ Algebra betrachtet werde icht P. Außerdem beötige wir die folgede Begriffe zur Bildug vo Grezwerte. Defiitio Seie A, A, A 2,... Ω beliebige Teilmege vo Ω. Da heißt die Mege lim sup A : k k A {ω Ω : k k mit ω A } der Limes Superior der Folge {A }, ud lim if A : k k heißt der Limes Iferior der Folge {A }. A {ω Ω : k k mit ω A } Außerdem sagt ma, dass die Folge {A } gege die Mege A kovergiert, falls Def lim if A lim sup A A. 3 Schreibweise We die Folge {A } gege die Mege A kovergiert, d.h., we 3 gilt, da schreibe wir A lim A bzw. eifach A A. Lemma 2.3 Seie A, A, A 2,... Ω beliebige Teilmege vo Ω.. We A A 2..., da gilt A A : A. Schreibweise: A A 2. We A A 2..., da gilt A A : A. Schreibweise: A A Wir zeige ur die erste Teilaussage. Der der zweite Teilaussage ist aalog. Sei A A. Für jedes k gilt da k A A. Also ist lim sup A A. Adererseits gilt k A A k, d.h., lim if A k A k A Wahrscheilichkeitsmaße 2.3. Defiitio ud elemetare Eigeschafte Gegebe sei ei Messraum Ω, F. Betrachte eie Megefuktio, d.h. eie Abbildug P : F [, ], die jeder Mege A F eie Zahl P A [, ] zuordet. Da heißt P A Wahrscheilichkeit des Ereigisses A F.
13 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 3 Defiitio Axiome vo Kolmogorow Die Megefuktio P : F [, ] heißt Wahrscheilichkeitsmaß auf F, falls P P Ω Normiertheit P2 P A i P A i für paarweise disjukte A, A 2,... F σ-additivität We Ω, F ei Messraum ud P ei Wahrscheilichkeitsmaß auf F ist, da heißt das Tripel Ω, F, P Wahrscheilichkeitsraum. Theorem 2. Sei Ω, F, P ei Wahrscheilichkeitsraum ud A, A, A 2,... F. Da gilt. P A c P A 2. A A 2 P A P A 2 3. P A A 2 P A + P A 2 P A A 2 4. P A A 2 P A + P A 2. Es gilt P Ω P A A c P A A c... P A + P A c + P + P Hieraus folgt, dass P, d.h. P Ω P A + P A c. 2. Außerdem gilt P A 2 P A A 2 \ A P A A 2 \ A... P A + P A 2 \ A + P + P +... } {{ } } {{ } P A 2 P A 3. Weil P A \ B P A P B für A, B F mit A B vgl. de der Teilaussage 2 ud weil A A 2 A \ A A 2 A A 2 A 2 \ A A 2, gilt P A A 2 P A \ A A 2 A A 2 A 2 \ A A 2 P A \ A A 2 + P A A 2 + P A 2 \ A A 2 P A P A A 2 + P A A 2 + P A 2 P A A 2 P A + P A 2 P A A 2 P A + P A folgt umittelbar aus 3. Beachte Aus dem bzw. aus de Aussage vo Theorem 2. ergibt sich sofort, dass P,
14 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 4 P A i P A i für jede edliche Folge A,..., A F vo paarweise disjukte Mege, P A 2 \ A P A 2 P A, falls A A 2, P A i P A i für jede beliebige Folge A,..., A F. I Verallgemeierug der 3. Teilaussage vo Theorem 2. ergibt sich außerdem die folgede Siebformel. Korollar 2. Für jedes, 2,... ud jede Folge A,..., A F gilt P A i i k <...<k i P A k... A ki. 4 Iduktio Iduktiosafag: ist klar; für 2 ist 4 idetisch mit der 3. Teilaussage vo Theorem 2.. Iduktiosaahme: 4 gelte für ei 2. Iduktiosschritt: Wir zeige u, dass da 4 auch für + gilt. Ud zwar ist P + A i P A + \ A + A i A i P A + P A i A + + P A i Id.-aahme P A + + i i + k <...<k i i k <...<k i + P A k... A ki A + k <...<k i P A k... A ki. P A k... A ki Darüber hiaus ka ma mit Hilfe vo Theorem 2. zeige, dass Wahrscheilichkeitsmaße stetig sid bezüglich der mootoe Kovergez vo Mege. Korollar 2.2 Seie A, A 2,... F. Da gilt P A i lim i P A i, falls A A 2..., 5 ud P A i lim i P A i, falls A A
15 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 5 Sei A A Mit der zusätzliche Notatio A gilt da P A i P A i \ A i P A i \ A i lim P A i \ A i lim P A. Damit ist 5 bewiese. Der vo 6 ist aalog. Dabei ka die bereits gezeigte Formel 5 geutzt werde, we zu de Komplemete übergegage wird. Ud zwar gilt P A i P A c 5 i lim P A c i i lim i P A c i lim i P A i Weitere Eigeschafte vo Wahrscheilichkeitsmaße Die Subadditivität vo Wahrscheilichkeitsmaße, die i Teilaussage 4 vo Theorem 2. betrachtet wurde, gilt icht ur für zwei bzw. edlich viele Ereigisse, soder auch für Folge vo uedlich viele Ereigisse. Theorem 2.2 Sei Ω, F, P ei Wahrscheilichkeitsraum, ud A, A 2,... F seie beliebige Ereigisse. Da gilt P A i P A i. 7 Astelle der Folge {A } betrachte wir die Folge {A } vo paarweise disjukte Mege, wobei Da gilt P A i P A A \ A i. A i P A P A, wobei sich die letzte Ugleichug aus der Teilaussage 2 vo Theorem 2., d.h., aus der Mootoie vo Wahrscheilichkeitsmaße ergibt, de offebar gilt A A. Das folgede Korollar wird i der Literatur das Lemma vo Borel Catelli geat, vgl. auch Theorem 2.7. Korollar 2.3 Sei Ω, F, P ei Wahrscheilichkeitsraum ud A, A 2,... F eie beliebige Folge vo Ereigisse. Da gilt P lim sup A, 8 falls P A i <. 9
16 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 6 Aus Korollar 2.2 ud Theorem 2.2 ergibt sich, dass P lim sup A P 7 lim k ik k ik 6 A i lim P A i k ik P A i, wobei sich die letzte Gleichheit aus der Summierbarkeitsbedigug 9 ergibt. Wir diskutiere u de Zusammehag zwische der σ Additivität ud gewisse Stetigkeitseigeschafte vo Megefuktioe. Theorem 2.3 Sei Ω, F ei beliebiger Messraum, ud sei P : F [, ] eie beliebige additive Megefuktio, d.h. P A i P A i gelte für jede edliche Folge vo paarweise disjukte Mege A,..., A F. Außerdem gelte P Ω. Da sid die folgede Aussage äquivalet:. P ist σ additiv ud damit ei Wahrscheilichkeitsmaß, 2. P A P A, falls A A F, 3. P A P A, falls A A F, 4. P A, falls A. Wir führe eie zyklische, d.h., wir zeige, dass die folgede Implikatioe richtig sid: P sei σ-additiv, ud es gelte A A F. Die Behauptug ergibt sich da geauso wie im vo Korollar Es gelte A A F, d.h. isbesodere, dass A A. Hieraus folgt, dass A c A c F, wobei A c Ac. Also ergibt sich aus Teilaussage 2, dass P A P A c P A c P A Diese Implikatio gilt offesichtlich, weil die Teilaussage 4 ei Spezialfall vo Teilaussage 3 ist. 4.. Seie A, A 2,... F paarweise disjukte Mege. Da gilt A i für. Also ist P A i i+ P Additivität vo P Nullstetigkeit vo P A i A i i+ P A i + P P A i, i+ wobei sich die zweite Gleichheit aus der edliche Additivität vo P ergibt, die im Theorem vorausgesetzt wird. A i
17 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 7 Für Wahrscheilichkeitsmaße, d.h. für σ additive Megefuktioe lasse sich die i Theorem 2.3 betrachtete drei Stetigkeitseigeschafte wie folgt zu eier Stetigkeitseigeschaft zusammefasse. Theorem 2.4 Sei Ω, F, P ei Wahrscheilichkeitsraum, ud A, A, A 2,... F seie beliebige Ereigisse. Da gilt P A P A, falls A A. Um die Behauptug zu zeige, utze wir die folgede beide Ugleichuge: P lim if A lim if P A ud lim sup P A P lim sup A. 2 Dabei ergibt sich die Ugleichug aus Korollar 2.2 ud Theorem 2.2: P lim if A P k ik A i 5 lim P k Teilaussage 2 vo Theorem 2.2 Die Ugleichug 2 lässt sich auf aaloge Weise zeige. Weil ergibt sich u aus ud 2, dass A lim if ik A i lim if P A i k i k lim if k P A k. A lim sup A, lim sup P A P A lim if P A, ud damit, dass P A lim P A. 2.4 Edliche Wahrscheilichkeitsräume 2.4. Laplacescher Wahrscheilichkeitsraum Für jedes A Ω bezeiche A die Azahl der Elemete, die zu A gehöre. Es gelte Ω < ud damit auch A < für jedes A Ω. Ei Wahrscheilichkeitsraum Ω, F, P mit Ω < heißt edlicher Wahrscheilichkeitsraum. Defiitio Ei edlicher Wahrscheilichkeitsraum Ω, PΩ, P, bei dem alle Elemetarereigisse die gleiche Wahrscheilichkeit habe, d.h., P {ω} Ω, ω Ω, heißt Laplacescher Wahrscheilichkeitsraum.
18 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 8 Beachte Sei Ω, PΩ, P ei Laplacescher Wahrscheilichkeitsraum. Wege der σ-additivität vo Wahrscheilichkeitsmaße gilt da für jedes A Ω P A A Ω, de offebar gilt A ω A {ω} mit {ω} {ω } für ω ω ud somit P A P ω A {ω} P {ω} ω A ω A Ω A Ω. Die so gegebee Wahrscheilichkeit P A A / Ω heißt Laplacesche Wahrscheilichkeit vo A. Beispiel zweimaliges Würfel ω i, j i Augezahl beim. Wurf; j Augezahl beim 2. Wurf Ω {i, j : i, j 6}; Ω 36; F PΩ. Sei beispielsweise A {Gesamtaugezahl } {6, 6, 6, 5, 5, 6, 6, 4, 4, 6, 5, 5}. Da gilt A 6 ud somit P A Eifache Uremodelle Gegebe sei eie Ure mit N Objekte z.b. Kugel, die mit de Zahle, 2,..., N umeriert werde. Aus dieser Ure werde Objekte zufällig etomme. Ergebis des gesamte Losvorgages ist ei -Tupel i,..., i. Dabei gibt i j die Nummer des Objektes a, das bei der j-te Ziehug etomme wird. Wir betrachte vier verschiedee Arte vo Losvorgäge, die sich durch die folgede Auswahlarte ergebe: mit Zurücklege d.h., Mehrfachziehuge sid möglich ohe Zurücklege d.h., jedes Objekt ka maximal eimal gezoge werde mit Reihefolge d.h.,, 4, 2, 2, 4, ohe Reihefolge d.h.,, 4, 2, 2, 4, Sei D {, 2,..., N} die Mege der Objekte, die sich zu Begi des Zufallsexperimetes i der Ure befide. Die Grudmege Ω I Ω IV, die die vier verschiedee Arte vo Losvorgäge modelliere, habe die folgede Gestalt:. Auswahl mit Reihefolge ud mit Zurücklege ud somit Ω I N Ω I {ω ω,..., ω, ω i D für i,..., } D 2. Auswahl mit Reihefolge ud ohe Zurücklege. Ziehug: N Möglichkeite 2. Ziehug: N Möglichkeite.. -te Ziehug: N + Möglichkeite Ω II {ω ω,..., ω, ω i D, ω i ω j für i j} Also: Ω II N N... N + N! N! Wichtiger Spezialfall: N Permutatioe Ω II N!
19 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 9 3. Auswahl ohe Reihefolge ud ohe Zurücklege Ω III {ω ω,..., ω, ω i D, ω < ω 2 <... < ω } Also: Ω III Ω II! N! N!! N Biomialkoeffiziet 4. Auswahl ohe Reihefolge ud mit Zurücklege ud somit Ω IV N+ N+!! N! Auswahl vom Umfag aus {, 2,..., N} Ω IV {ω ω,..., ω, ω i D, ω ω 2... ω } mit Zurücklege Zusammefassug ohe Zurücklege mit Reihefolge Ω I N Ω II N! N! ohe Reihefolge Ω IV N+ mit Mehrfachbelegug uterscheidbare Marke Ω III N icht uterscheidbare Marke ohe Mehrfachbelegug Verteilug vo Marke auf N Zelle Beispiele. Wir werfe 4 idetische Würfel acheiader ud achte dabei auf die Reihefolge der erzielte Augezahle. Frage: Wie groß ist die Wahrscheilichkeit, dass die vier Augezahle voeiader verschiede sid? Lösug: Laplacescher Wahrscheilichkeitsraum Auswahle mit Reihefolge ud Zurücklege Ω I 6 4 Azahl der mögliche Fälle A {Auswahle, bestehed aus 4 uterschiedliche Augezahle} Ω I A Azahl der güstige Fälle P A A Ω I Zahlelotto: 6 aus N 49 ohe Reihefolge ud ohe Zurücklege Frage: Wie groß ist die Wahrscheilichkeit, midestes 4 Richtige zu habe? Lösug: D {,..., 49}, Ω III 49 6, ΩIII {ω {ω,..., ω 6 }, ω i D, ω <... < ω 6 } A i {geau i Richtige}, P A 4 A 5 A 6? Weil A i A j i j, gilt P A 4 A 5 A 6 P A 4 + P A 5 + P A 6. Dabei ist A , A , A P A Beachte Dieses Beispiel ist ei Spezialfall der hypergeometrische Verteilug.
20 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 2 Hypergeometrische Verteilug Betrachte Ure mit N Objekte, wobei zwei Type vo Objekte vorhade seie, mit de Teilazahle S ud R z.b. S schwarze Kugel, R rote Kugel; N S + R Sei Azahl der isgesamt etommee Kugel; s Azahl der etommee schwarze Kugel Sei P s, ; S, N die Wahrscheilichkeit, s schwarze Kugel bei der Etahme vo Kugel zu ziehe. Da gilt P s, ; S, N S N S s s. N 2.5 Geometrische Wahrscheilichkeite Währed bei der Defiitio der Laplace sche Wahrscheilichkeite, vgl. Abschitt 2.4., Quotiete vo Azahle gebildet werde, betrachtet ma bei geometrische Wahrscheilichkeite Quotiete vo Flächeihalte bzw. Volumia. Beispiel Sei beispielsweise Ω [, ] 2 das Eiheitsquadrat i der euklidische Ebee R 2, ud sei F B[, ] 2 die Borel σ Algebra vo Teilmege des Eiheitsquadrates [, ] 2, d.h., B[, ] 2 ist die kleiste σ-algebra vo Teilmege vo [, ] 2, die alle Recktecke a, b a, b ethält; < a < b <, < a < b <. Schreibweise: B[, ] 2 σ {a, b a, b, < a < b <, < a < b < } } {{ } Erzeugersystem. Die geometrische Wahrscheilichkeit P A vo A B[, ] 2 ist da gegebe durch de Asatz P A A [, ] 2 A, wobei A de Flächeihalt geauer: de Wert des 2-dimesioale Lebesgue-Maßes vo A bezeichet. Eie allgemeiere Variate der Defiitio der geometrische Wahrscheilichkeit lautet wie folgt. Defiitio Sei d eie beliebige, jedoch fest vorgegebee atürliche Zahl, ud sei R d der d-dimesioale euklidische Raum. Weiter sei BR d die Borel-σ-Algebra auf R d, d.h., BR d σ {a, b... a d, b d, a i, b i R d, a i < b i }.
21 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 2 Sei Ω BR d eie beliebige Borelsche Teilmege i R d mit < Ω <, wobei Ω das d-dimesioale Volume geauer: de Wert des d dimesioale Lebesgue Maßes vo Ω bezeichet. Die Wahrscheilichkeit vo A BR d Ω ist da gegebe durch P A A Ω, 3 wobei BR d Ω die Spur σ Algebra der Borel Mege i Ω bezeichet. Das Tripel Ω, BR d Ω, P heißt da geometrischer Wahrscheilichkeitsraum. Beispiel Buffosches Nadelexperimet Das Buffosche Nadelexperimet ist eie Methode zur umerische Bestimmug der Zahl π, die auf stochastische Gesetzmäßigkeite beruht. Der Erfider ist Georges Louis Leclerc Comte de Buffo Algorithmische Versioe solcher Verfahre sid uter der Bezeichug Mote-Carlo-Simulatio bekat. Betrachte das System K {x, y : x, y {...,,,,...} R} R 2 vo parallele ud äquidistate vertikale Gerade i der euklidische Ebee R 2. Werfe eie Nadel d.h. eie Strecke mit der Läge willkürlich i die Ebee R 2, wobei mit willkürlich das folgede stochastische Modell gemeit ist. Betrachte die Größe s ud t, die die relative Lage der Nadel bezüglich des Geradesystems K beschreibe, wobei s der orthogoale Abstad des Nadelmittelpuktes zur ächste liksliegede Nachbargerade vo K ist, t der Wikel ist, de die Nadel zum Lot auf die Gerade vo K bildet. Betrachte de geometrische Wahrscheilichkeitsraum Ω, BR 2 Ω, P mit Ω [, ] [ π/2, π/2]. Bestimme die Wahrscheilichkeit des Ereigisses A Ω mit A {s, t Ω : < s < } 2 cos t {s, t Ω : } 2 cos t < s <, dass die Nadel eie der Gerade vo K scheidet. Es gilt P A P s, t Ω : < s < 2 cos t π π π/2 π/2 π/2 π/2 2 cos t dt + π/2 π π/2 2 cos t dt 2 π, + P s, t Ω : 2 cos t < s < cos t dt d.h., für die geometrische Wahrscheilichkeit des Ereigisses A, dass die Nadel eie der Gerade vo K scheidet, gilt P A 2 π. 4
22 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 22 Beachte Aus der Gleichug 4 ergibt sich eie Methode zur experimetelle Bestimmug der Zahl π, die auf dem sogeate Gesetz der große Zahle beruht, vgl. Abschitt Ud zwar werfe wir die Nadel -mal, wobei eie hireiched große atürliche Zahl sei sollte. Seie s, t,..., s, t die Ergebisse der durchgeführte Experimete. Betrachte die Fuktioswerte x xs, t,..., x xs, t mit, falls s < 2 xs, t cos t oder 2 cos t < s, sost, d.h., die Idikatore der Ereigisse, ob die Nadel beim jeweilige Wurf eie der Gerade vo K scheidet oder icht. Aus 4 ud aus dem starke Gesetz der große Zahle folgt da, dass das arithmetische Mittel y x i mit großer Wahrscheilichkeit eie gute Näherug der Zahl 2/π ist. Mit adere Worte: Für große ist 2/y mit großer Wahrscheilichkeit eie gute Näherug der Zahl π. Das folgede Beispiel soll deutlich mache, dass es ählich wie bei der Laplace sche Wahrscheilichkeit auch bei der geometrische Wahrscheilichkeit sehr wichtig ist, die Grudmege Ω geeiget zu wähle. Beispiel Bertradsches Paradoxo I de Kreis Bo, R 2 mit Mittelpukt im Nullpukt ud Radius Eis werde auf gut Glück eie Sehe gelegt. Wie groß ist die Wahrscheilichkeit des Ereigisses A, dass die Sehe läger als 3 ist wobei 3 die Seiteläge des eibeschriebee gleichseitige Dreiecks ist. Beachte: Das Problem ist ikorrekt gestellt ud erfordert zuächst eie Präzisierug, was geau mit der Sprechweise auf gut Glück gemeit ist. Modell : Der Mittelpukt der Sehe werde auf gut Glück i de Kreis Bo, gelegt. Mit Ω bo, ud A {ω Ω : ω <.5}, wobei ω die Läge des Vektors ω bezeichet, ergibt sich da die Wahrscheilichkeit P A A Ω π/4 π 4. Modell 2: Ei Edpukt der Sehe sei fest vorgegebe, ud der adere Edpukt werde auf gut Glück auf die Kreisliie Bo, gelegt. Mit Ω π/2, π/2 ud A {ω Ω : π/6 < ω < π/6} ergibt sich da die Wahrscheilichkeit P A A Ω π/3 π 3. Modell 3: Die Richtug der Sehe sei fest vorgegebe o.b.d.a. vertikal, ud der Mittelpukt der Sehe werde auf gut Glück i das Itervall, gelegt. Mit Ω, ud A {ω Ω :.5 < ω <.5}, ergibt sich da die Wahrscheilichkeit P A A Ω 2.
23 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN Bedigte Wahrscheilichkeite Sei Ω, F, P ei beliebiger Wahrscheilichkeitsraum Defiitio ud Multiplikatiossatz Häufig verfüge wir bei der Durchführug vo Experimete über Voriformatioe, die bei der Berechug vo Wahrscheilichkeite iteressiereder Ereigisse berücksichtigt werde solle. Bei mache Utersuchuge wird jedoch lediglich hypothetisch ageomme, dass eie bestimmte Voriformatio vorliegt, wobei da uter dieser hypothetische Aahme gerechet wird. Diese sogeate Bayessche Methodik wird im weitere Verlauf der Vorlesug och geauer diskutiert. Beispiele. Skatspiel Die Ketis der eigee Karte soll als Voriformatio über die Verteilug der übrige 22 Karte geutzt werde. Markiere die 32 Karte mit de Zahle, 2,..., 32. Betrachte Laplacesche Wahrscheilichkeitsraum, wobei Ω die Mege aller Permutatioe vo 32 Elemete ist N 32; mit Reihefolge ud ohe Zurücklege Gesucht sei die Wahrscheilichkeit des Ereigisses A 2 A 3, wobei A 2 {Spieler 2 hat x Asse}, A 3 {Spieler 3 hat y Asse}, uter der Bedigug, dass das Ereigis A {Spieler hat die Karte mit de Nummer k,..., k } eitritt. Lösugsasatz: Beziehe die Azahl der Permutatioe, bei dee A 2 A 3 eitritt, icht auf die Gesamtazahl 32! aller mögliche Permutatioe, soder lediglich auf diejeige Permutatioe, bei dee das Ereigis A eitritt. D.h., die gesuchte Wahrscheilichkeit ist die bedigte relative Häufigkeit A 2 A 3 A / A Dabei beutze wir die Schreibweise: 2. Uremodell P A 2 A 3 A A 2 A 3 A A ud ee diese Größe bedigte Wahrscheilichkeit des Ereigisses A 2 A 3 uter der Bedigug, dass das Ereigis A eitritt. Betrachte Ure mit N Objekte S schwarze, R rote Kugel, d.h. N S+R, vgl. Abschitt 3.2.2; 2 Objekte, 2 N, solle isgesamt ausgewählt werde ohe Zurücklege; Sei A das Ereigis, beim zweite Versuch schwarz zu ziehe, ud sei B das Ereigis, beim erste Versuch rot zu ziehe. Gesucht ist die bedigte Wahrscheilichkeit P A B, beim zweite Versuch schwarz zu ziehe, falls beim erste Versuch rot gezoge wird. Es gilt P A B A B B R S R S + RR S N. Dies führt zu der folgede allgemeiere Begriffsbildug.
24 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 24 Defiitio Seie A, B F beliebige Ereigisse mit P B >. Da heißt P A B P A B P B 5 die bedigte Wahrscheilichkeit vo A uter der Bedigug B. Beachte Die Defiitiosgleichug 5 ka i der Form P A B P BP A B geschriebe werde. Durch Iteratio dieser Überlegug ergibt sich der folgede Multiplikatiossatz. Theorem 2.5 Seie A, A 2,..., A F Ereigisse mit P A A 2... A >. Da gilt: P A A 2... A P A P A 2 A P A 3 A A 2... P A A A 2... A. 6 klar Beispiel Skatspiel Betrachte das Ereigis A i {Spieler i erhält geau ei As}; i, 2, 3. Gesucht ist die Wahrscheilichkeit P A A 2 A 3, dass jeder der drei Spieler geau ei As erhält? Lösug: Es gilt 28 9 P A , P A 2 A Hieraus ud aus 6 ergibt sich , P A 3 A A 2 P A A 2 A 3 P A P A 2 A P A 3 A A Formel der totale Wahrscheilichkeit; Bayessche Formel Bei der Berechug der Wahrscheilichkeit P A eies Ereigisses A F ist es machmal ützlich, die ubedigte Wahrscheilichkeit P A als gewichtete Summe vo bedigte Wahrscheilichkeite darzustelle. Hierfür ist es erforderlich, de Grudraum Ω wie folgt i messbare Teilmege zu zerlege. Defiitio Sei N eie beliebige atürliche Zahl, ud sei B, B 2,..., B F eie edliche Folge vo Ereigisse mit de Eigeschafte Z B i B j für i j, Z2 B i Ω, Z3 P B i > für alle i,...,. Da heißt B, B 2,..., B messbare Zerlegug vo Ω. Theorem 2.6 Sei A F ei beliebiges Ereigis ud B, B 2,..., B eie messbare Zerlegug vo Ω. Da gilt Formel der totale Wahrscheilichkeit P A P B j P A B j, 7 j
25 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 25 Bayessche Formel P B i A P B ip A B i P B j P A B j für jedes i,...,, wobei i 8 vorausgesetzt wird, dass P A >. j 8 Aus Z Z3 ud aus der Additivität des Wahrscheilichkeitsmaßes P ergibt sich, dass P A P A Ω P A P A B i P B i P A B i P B i B i P A B i P B i P A B i, wobei im letzte Schritt die Defiitiosgleichug 5 beutzt wird. Damit ist 7 bewiese. Aus 5 ud 7 ergibt sich u P B i A P B i A P B i P A B i P A j P B jp A B j. Beachte Die Aussage vo Theorem 2.6 bleibe gültig, we astelle eier Zerlegug vo Ω i edlich viele Teilmege eie uedliche Folge B, B 2,... F vo Ereigisse mit de Eigeschafte Z B i B j für i j, Z 2 B i Ω, Z 3 P B i > für alle i, 2,... betrachtet wird. Die Formel 7 ud 8 sid da lediglich wie folgt zu modifiziere: P A P B j P A B j, 9 j bzw. P B i A P B i P A B i j P B jp A B j 2 Beispiel für jedes i, 2,..., wobei i 2 ereut vorausgesetzt wird, dass P A >. Betrachte eie Fußballmaschaft, dere Siegeschace je Budesliga Spiel bei 75% liegt, falls ihr Kapitä i guter Form ist. We ihr Kapitä jedoch icht i guter Form ist, da betrage ihre Siegeschace ur 4%. Bei 7% aller Budesliga Spiele seier Maschaft sei der Kapitä i guter Form. Gesucht ist die Wahrscheilichkeit, dass. die Maschaft ei Budesliga Spiel gewit, 2. der Kapitä bei eiem Budesliga Spiel i guter Form ist, obwohl die Maschaft das Spiel icht gewit. Lösug: Zerlege de Grudraum Ω auf zwei verschiedee Weise i zwei Kompoete.
26 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 26 Sei A {Maschaft gewit Budesliga Spiel}, A c {Maschaft gewit Budesliga Spiel icht} bzw. B {Kapitä ist i guter Form}, B c {Kapitä ist icht i guter Form} Da gilt P A B.75, P A B c.4, P B.7 Aus 7 bzw. 8 ergibt sich u bzw. P A P A BP B + P A B c P B c P B A c P A c BP B P A c BP B + P A c B c P B c Stochastische Uabhägigkeit Der Begriff der stochastische Uabhägigkeit zweier Ereigisse A, B F ist mit der ituitive Vorstellug verbude, dass die bedigte Wahrscheilichkeit P A B des Ereigisses A uter der Bedigug B mit der ubedigte Wahrscheilichkeit P A vo A übereistimmt, d.h. P A B P A, wobei P B > vorausgesetzt wird. Es ist jedoch zweckmäßiger, die folgede äquivalete Gleichug P A B P AP B zu betrachte, weil durch sie auch der Fall P B erfasst wird. Defiitio Beachte. Die Ereigisse A, B F heiße uabhägig, falls P A B P AP B. 2. Sei A, A 2,..., A F eie beliebige Familie vo Ereigisse. Da sagt ma, dass A, A 2,..., A uabhägige Ereigisse sid, falls für jede Teilmege {i, i 2,..., i k } {, 2,..., } gilt: P A i A i2... A ik k P A ij. 2. Der Begriff der Uabhägigkeit wird auch für uedliche Familie vo Ereigisse beötigt. Ma sagt, dass A, A 2,... F uabhägige Ereigisse sid, falls für jede edliche Teilmege {i, i 2,..., i k } {, 2,..., } die Bedigug 2 erfüllt ist. 2. Das folgede Beispiel zeigt, dass die Uabhägigkeit vo Ereigis Paare A i, A i2 im allgemeie icht die vollstädige Uabhägigkeit der gesamte Folge A, A 2,..., A impliziert. j Beispiel Sei Ω, F, P gegebe durch Ω {, 2, 3, 4}, F PΩ, P {k} 4 für jedes k Ω. Sei A k {k, 4} für k, 2, 3. Da sieht ma leicht, dass. die Paare A, A 2 bzw. A 2, A 3 bzw. A, A 3 jeweils uabhägig sid, 2. die Ereigisse A, A 2, A 3 jedoch icht uabhägig sid.
27 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 27 De es gilt bzw. Jedoch P A i A i+ P {4} 4 P A A 3 P {4} 4 P A A 2 A 3 P {4} 4 P A i P A i P A P A P A P A 2 P A 3 8. für i, 2 Die folgede Ivariazeigeschaft uabhägiger Ereigisse bezüglich der Komplemetbildug wird im weitere Verlauf der Vorlesug mehrfach beötigt. Lemma 2.4 Sei A,..., A F eie beliebige Folge vo uabhägige Ereigisse. Da sid auch die Ereigisse A c,..., A c uabhägig. Wir betrachte ur de Fall 2. Da ergibt sich aus de allgemeie Recheregel für Wahrscheilichkeitsmaße vgl. Theorem 2. ud aus der Uabhägigkeit der Ereigisse A ud A 2, dass P A c P A c 2 P A P A 2 P A P A 2 + P A P A 2 P A P A 2 + P A A 2 P A A 2 P A A 2 c P A c A c 2. Für beliebiges 2 ergibt sich die Behauptug auf ähliche Weise mit vollstädiger Iduktio. I Ergäzug vo Korollar 2.3 köe wir u de zweite Teil des Lemmas vo Borel Catelli formuliere ud beweise. Theorem 2.7 Sei A, A 2,... F eie beliebige Folge vo uabhägige Ereigisse, so dass P A i. 22 Da gilt P lim sup A. 23 Für reelle Zahle α k,..., α k+l mit k, l, 2,... gilt bekatlich log α i α i, falls α i. Hieraus folgt, dass log k+l α k+l k k α bzw. k+l α exp k k+l k α.
28 2 EREIGNISSE UND WAHRSCHEINLICHKEITEN 28 Weil mit de Ereigisse A, A 2,... auch die Ereigisse A c, A c 2,... uabhägig sid vgl. Lemma 2.4, ergibt sich somit P k+l k A c k+l P A k k+l exp k P A. Aus 22 folgt, dass bei festem k die rechte Seite für l gege strebt. Hieraus ergibt sich mit Hilfe vo Korollar 2.2, dass P k Hieraus ergibt sich, dass A c Korollar 2.2 lim P k+l l k P lim sup A P A c lim exp l k k A c k+l k P k k P A. A c.
29 3 ZUFALLSVARIABLEN UND ZUFALLSVEKTOREN 29 3 Zufallsvariable ud Zufallsvektore 3. Defiitio vo Zufallsvariable Betrachte eie beliebige Wahrscheilichkeitsraum Ω, F, P ud ei beliebiges Elemet ω Ω, wobei wir so wie bisher {ω} als Elemetarereigis bzw. Versuchsergebis iterpretiere. Beachte Häufig iteressiert icht ω selbst, soder eie quatitative oder qualitative Kezahl Xω vo ω, d.h., wir betrachte die Abbildug ω Xω. Beispiele. Ω Mege vo Eitraguge i eiem Telefobuch ω Familieame, Xω Azahl der Buchstabe vo ω oder ω Telefoummer, Xω Azahl der Ziffer i ω 2. zweimaliges Würfel Ω {ω ω ; ω 2, ω i {,..., 6}} Augesumme ω Xω ω + ω 2 Sei A {ω : Xω } {6, 4, 5, 5, 4, 6} bzw. allgemeier A {ω : Xω k}, wobei k {2,..., 2}. Gesucht ist die Wahrscheilichkeit P A. Hierfür ist es erforderlich, dass A F. Allgemei muss also {ω : ω Ω, Xω k} F für jedes k 2,..., 2 gelte. Bei diesem Beispiel ist das gleichbedeuted mit {ω : ω Ω, Xω x} F für jedes x R. Das führt zu der folgede Begriffsbildug. Defiitio Sei Ω, F, P ei beliebiger Wahrscheilichkeitsraum. Die Abbildug X : Ω R heißt Zufallsvariable bzw. Zufallsgröße, falls {ω : ω Ω, Xω x} F x R. Beachte. Die Regularitätsbedigug wird Messbarkeit der Abbildug X bezüglich der σ Algebra F geat. 2. I viele Fälle iteressiert icht ur die Wahrscheilichkeit, dass die Werte Xω der Zufallsvariable X eie vorgegebee Schwellewert x icht überschreite, d.h., dass X Werte im Itervall B, x] aimmt. 3. Oftmals iteressiert auch die Wahrscheilichkeit, dass X Werte i eier allgemeiere Teilmege B R aimmt, wobei B beispielsweise die Vereiigug vo mehrere disjukte Itervalle sei ka. 4. Deshalb wird icht ur im Grudraum Ω, soder auch im Bildraum R ei System vo Teilmege vo R betrachtet, das abgeschlosse bezüglich der Megeoperatioe,, \ ist. 5. Dabei wird oft die Borel σ Algebra BR betrachtet, die defiiert ist als die kleiste σ Algebra vo Teilmege vo R, die alle offee Itervalle a, b ethält; < a < b <. D.h. BR σ {a, b, < a < b < } } {{ } Erzeugersystem 6. Isbesodere ethält BR auch alle halboffee bzw. abgeschlossee Itervalle, de es gilt a, b] a, b+ BR, [a, b a, b BR, [a, b] a, b+ BR. 7. Für jede abzählbare Teilmege C {x, x 2,... } vo R gilt C BR, de für jedes x R gilt {x} x, x + BR ud damit auch C {x i} BR.
30 3 ZUFALLSVARIABLEN UND ZUFALLSVEKTOREN Verteilug ud Verteilugsfuktio Die Regularitätsbedigug ka durch die folgede scheibar schärfere, i Wirklichkeit jedoch äquivalete Bedigug ersetzt werde. Theorem 3. Die Abbildug X : Ω R ist geau da eie Zufallsvariable, we {ω : ω Ω, Xω B} F B BR. 2 Offebar folgt aus 2. Es geügt also zu zeige, dass auch umgekehrt 2 aus folgt. Es gelte also die Zugehörigkeitsrelatio. Wir zeige zuerst, dass das Megesystem G {B : B BR, X B F} 3 eie σ-algebra ist, wobei X B {ω : ω Ω, Xω B} das Urbild vo B bezüglich der Abbildug X ist. Es ist klar, dass R G, weil X R Ω F. Außerdem gilt B c G für jedes B G, weil X B c X B c F. Aalog ergibt sich, dass B B 2 G für beliebige B, B 2 G, weil X B B 2 X B X B 2 F, bzw., dass B B 2... G für beliebige B, B 2,... G. Also ist das i 3 gegebee Megesystem eie σ-algebra. Darüber hiaus bedeutet die Bedigug, dass, x] G für jedes x R. Hieraus folgt, dass x,, x] c G ud, x, x ] G. Deshalb gilt a, b, b a, G für < a b <. Also gehört das Erzeugersystem {a, b, < a < b < } der Borel σ Algebra BR zu G. Dies bedeutet, dass BR G. Damit ist gezeigt, dass 2 aus folgt. Dies führt zu der folgede Begriffsbildug. Defiitio Beachte Sei Ω, F, P ei beliebiger Wahrscheilichkeitsraum, ud X : Ω R sei eie beliebige Zufallsvariable. Die Verteilug der Zufallsvariable X ist die Megefuktio P X : BR [, ] mit P X B P {ω : ω Ω, Xω B} B BR. 4. Die i 4 defiierte Megefuktio P X ist ei Wahrscheilichkeitsmaß auf dem Messraum R, BR, de P X ist ormiert, weil P X R P Ω, ud σ-additiv, weil für paarweise disjukte B, B 2,... BR P X B i P X B i P X B i P X B i P X B i. 2. Die Abbildug P P X et ma Maßtrasport vom Messraum Ω, F i de Messraum R, BR. Die folgede Kurzschreibweise ist üblich: P X B P {ω : ω Ω, Xω B} Speziell: P X x P {ω : ω Ω, Xω x} x R B BR
31 3 ZUFALLSVARIABLEN UND ZUFALLSVEKTOREN Diskrete Zufallsvariable; Wahrscheilichkeitsfuktio Wir betrachte i dieser Vorlesug zwei Grud Type vo Zufallsvariable: diskrete Zufallsvariable ud absolutstetige Zufallsvariable. Defiitio Die Zufallsvariable X bzw. ihre Verteilug heißt diskret, falls es eie abzählbare Teilmege C R gibt, so dass P X C. Beachte Der Begriff der absolutstetige Zufallsvariable wird später i Abschitt eigeführt. Wir erwähe jedoch scho jetzt ei wichtiges Uterscheidugsmerkmal:. diskrete Zufallsvariable habe eie abzählbare Wertebereich, z.b. we Ω X C mit C N, Z, Q R. Sei beispielsweise X Augesumme bei zweimaligem Würfel X : Ω {2, 3,..., 2} 2. absolutstetige Zufallsvariable habe eie überabzählbare Wertebereich, z.b. [a, b], [a,,, b], R z.b. Roulette mit drehbarem Zeiger ud kotiuierlicher Skala, wobei X Wert des Spiels Wikel des Zeigers, d.h. X : Ω [, 2π Defiitio Sei X eie diskrete Zufallsvariable, d.h., es gebe eie abzählbare Mege C {x, x 2,...}, so dass P X C. Da heißt die Folge p, p 2,... mit p k P X x k Wahrscheilichkeitsfuktio bzw. Zähldichte vo X. Beachte Beispiele. Für jede Wahrscheilichkeitsfuktio {p k } gilt offebar p k [, ] für jedes k, 2,... ud p k. 2. Die Verteilug eier diskrete Zufallsvariable X wird eideutig durch die Wahrscheilichkeitsfuktio {p k } bestimmt, de es gilt da für jedes B BR P X B P X B C P X {x i } P X {x i } p i. i:x i B i:x i B 3. Für jedes x k C heißt die Zahl p k P X x k Eizelwahrscheilichkeit vo X.. zweimaliges Würfel Sei X Summe der Augezahle beim zweimalige Würfel. Da gilt P X C mit C {2, 3,..., 2}, d.h. x k k +. Die Wahrscheilichkeitsfuktio vo X ist gegebe durch: i:x i B k x k p k Beroulli-Schema Eimaliger Müzwurf: Ω {, }, Wappe, Zahl maliger Müzwurf: Für i,..., setze wir Ω i {, }, wobei P i {ω i } 2 im Fall eier faire Müze bzw. allgemei P i {} a i ud P i {} a i. Bei idetische Versuchsbediguge ehme wir a, dass a a 2... a p, p [, ]. Uabhägige Versuche modelliere wir durch de Asatz Ω, F, P mit Ω Ω... Ω {ω ω,..., ω, ω i {, }}, wobei P das Produktmaß auf F ist, für das gilt: P {ω} P i {ω i }. F PΩ,
32 3 ZUFALLSVARIABLEN UND ZUFALLSVEKTOREN 32 Sei ω ω,..., ω Ω ei beliebiges Elemetarereigis. Da gilt P {ω} a j i:ω a i j:ω j Für ω Ω mit {i : ω i } k ud a a 2... a p gilt da isbesodere P {ω} p k p k. Deute als Erfolg ud als Misserfolg. Sei X Azahl der Erfolge bei Versuche. We a a 2... a p, da gilt P X k p k p k k,,...,. k Sprechweise: X ist biomialverteilt mit de Parameter ud p. Spezialfall: We, da sage wir, dass X Beroulli verteilt ist Grudlegede Klasse diskreter Verteiluge Zusammefassug. Hypergeometrische Verteilug Uremodell Betrachte Ure mit N Objekte S schwarze, R rote Kugel, d.h. N S + R; Objekte, N, solle isgesamt ausgewählt werde; X Azahl vo schwarze Kugel bei Etahme X : Ω {,,..., mi{, S}}, p k P X k Die hypergeometrische Verteilug hat 3 Parameter: N, S N, N; S N S k k N, k,,..., mi{s, } Berechug der Eizelwahrscheilichkeite p k ist schwierig, falls N ud S groß sid; Ausweg: Biomialverteilug liefert asymptotische Näherugsformel, falls N, S, S N 2. Biomialverteilug Beroulli Schema p S,N maliger Müzwurf; idetische Erfolgswahrscheilichkeite a... a p; X Azahl der Erfolge bei Versuche X : Ω {,,..., }, p k P X k p k p k, k k,,..., Für jedes k,,..., gilt S k N S k N p k p k, k
33 3 ZUFALLSVARIABLEN UND ZUFALLSVEKTOREN 33 falls N, S, S N S k N S k N p, de S,N S! k!s k!! k! k! S k N S! k!n S + k! N!!N! SS... S k + N SN S... N S + k + NN... N + N... S k + N k + } {{ } p k p k p k. k N S N k } {{ } p k... N S k + N + Die Biomialverteilug hat 2 Parameter: ud p Schreibweise: Bi, p; Berechug der Eizelwahrscheilichkeite p k ist schwierig, falls groß ud p klei oder ahe bei ist; Ausweg: Poisso Verteilug liefert asymptotische Näherugsformel, falls ud p mit p λ, so dass < λ <. 3. Poisso-Verteilug Gesetz der seltee Ereigisse Betrachte diskrete Zufallsvariable X : Ω {,,...}; die Eizelwahrscheilichkeite p k P X k seie gegebe durch p k λk k! e λ, k,,... ; < λ < Die Poisso Verteilug hat Parameter: λ Schreibweise: Poiλ; Gesetz der seltee Ereigisse: Für jedes k,,... gilt p k p k λk k k! e λ, falls ud p mit p λ, de p k p k! k k! k! pk p k k!... k + } {{ k } k! λk e λ. p k } {{ } λ k p p } {{ k } λ e λ 4. geometrische Verteilug Sei X die Azahl der Versuche bis zum erste Erfolg im Beroulli-Schema mit, d.h. X : Ω {, 2,...}; die Eizelwahrscheilichkeite p k P X k sid da gegebe durch p k p p k, k, 2,... ; Die geometrische Verteilug hat Parameter: p,.
34 3 ZUFALLSVARIABLEN UND ZUFALLSVEKTOREN Verteilugsfuktio; absolutstetige Zufallsvariable Sei Ω, F, P ei beliebiger Wahrscheilichkeitsraum ud X : Ω R eie beliebige Zufallsvariable. Defiitio Die Fuktio F X : R [, ] mit F X x P X x x R 5 heißt Verteilugsfuktio vo X, wobei F X x P X x P X, x] P X, x]. Wir diskutiere u zuächst eiige Eigeschafte vo Verteilugsfuktioe. Theorem 3.2 Sei X : Ω R eie beliebige Zufallsvariable ud F X : R [, ] ihre Verteilugsfuktio. Da gilt. Asymptotisches Verhalte im Uedliche: F X : lim F Xx, x F X : lim x F Xx, 6 2. Mootoie: F X x F X x + h x R ud h, 7 3. Rechtsstetigkeit: F X x ist rechtsseitig stetig, d.h. für jede Folge {h } mit h ud lim h gilt lim F Xx + h F X x x R. 8 Zu 2. Weil, x], x + h], ergibt sich aus Teilaussage 2 vo Theorem 2., dass F X x P X, x] P X, x + h] F X x + h. Zu. Wir zeige ur die erste Teilaussage vo 6. Wege der Mootoie vo F X köe wir o.b.d.a. aehme, dass x mooto gege kovergiert. Aus Korollar 2.2 ergibt sich da, dass lim F Xx lim P X, x] x x P X, x] x P X. Der der zweite Teilaussage vo 6 verläuft aalog. Zu 3. Ählich wie im vo Teilaussage ergibt sich aus Korollar 2.2, dass lim F Xx + h lim P X, x + h ] P X, x + h ] P X, x] F X x.
15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Prof. Dr. Rolad Speicher M.Sc. Tobias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 01 Musterlösug zu Blatt 0 Aufgabe 1. Käpt Schwarzbart,
Mehr2 Vollständige Induktion
8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes
MehrBINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008
Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrAllgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable
Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex
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
Mehr1 Analysis T1 Übungsblatt 1
Aalysis T Übugsblatt A eier Weggabelug i der Wüste lebe zwei Brüder, die vollkomme gleich aussehe, zwische dee es aber eie gewaltige Uterschied gibt: Der eie sagt immer die Wahrheit, der adere lügt immer.
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
MehrAufgaben und Lösungen der Probeklausur zur Analysis I
Fachbereich Mathematik AG 5: Fuktioalaalysis Prof. Dr. K.-H. Neeb Dipl.-Math. Rafael Dahme Dipl.-Math. Stefa Wager ATECHNISCHE UNIVERSITÄT DARMSTADT SS 007 19. Jui 007 Aufgabe ud Lösuge der Probeklausur
MehrAuch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.
Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger
MehrStatistik I/Empirie I
Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass
MehrSatz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.
Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
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
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Istitut für tochastik Prof. Dr. N. Bäuerle Dipl.-Math.. Urba Lösugsvorschlag 9. Übugsblatt zur Vorlesug Fiazmathematik I Aufgabe Ei euartiges Derivat) Wir sid i eiem edliche, arbitragefreie Fiazmarkt,
MehrAusgangspunkt: Über einen endlichen Zeitraum wird aus einem Kapital (Rentenbarwert RBW v n,i
D. Reterechug 1.1. Jährliche Retezahluge 1.1.1. Vorschüssige Retezahluge Ausgagspukt: Über eie edliche Zeitraum wird aus eiem Kapital (Retebarwert RBW v,i ), das ziseszislich agelegt ist, jeweils zu Begi
Mehr2. Diophantische Gleichungen
2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze
MehrVersicherungstechnik
Operatios Research ud Wirtschaftsiformati Prof. Dr. P. Recht // Dipl.-Math. Rolf Wedt DOOR Versicherugstechi Übugsblatt 3 Abgabe bis zum Diestag, dem 03..205 um 0 Uhr im Kaste 9 Lösugsvorschlag: Vorbereituge
MehrInnerbetriebliche Leistungsverrechnung
Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der
MehrKorrekturrichtlinie zur Studienleistung Wirtschaftsmathematik am 22.12.2007 Betriebswirtschaft BB-WMT-S11-071222
Korrekturrichtliie zur Studieleistug Wirtschaftsmathematik am..007 Betriebswirtschaft BB-WMT-S-07 Für die Bewertug ud Abgabe der Studieleistug sid folgede Hiweise verbidlich: Die Vergabe der Pukte ehme
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
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrStatistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html
Statistik Prof. Dr. K. Melzer kari.melzer@hs-esslige.de http://www.hs-esslige.de/de/mitarbeiter/kari-melzer.html Ihaltsverzeichis 1 Eileitug ud Übersicht 3 2 Dategewiug (kurzer Überblick) 3 2.1 Plaugsphase
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
MehrKleines Matrix-ABC. Fachgebiet Regelungstechnik Leiter: Prof. Dr.-Ing. Johann Reger. 1 Elementares
4 6 Fachgebiet Regelugstechik Leiter: Prof. Dr.-Ig. Joha Reger Kleies Matrix-ABC 1 Eleetares Eie ( )-Matrix ist eie rechteckige Aordug vo reelle oder koplexe Zahle a ij (auch Skalare geat) ud besteht aus
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
MehrDie Gasgesetze. Die Beziehung zwischen Volumen und Temperatur (Gesetz von J.-L. und J. Charles): Gay-Lussac
Die Gasgesetze Die Beziehug zwische olume ud Temeratur (Gesetz vo J.-L. Gay-Lussac ud J. Charles): cost. T oder /T cost. cost.. hägt h vo ud Gasmege ab. Die extraolierte Liie scheidet die Temeratur- skala
MehrKryptologie: Kryptographie und Kryptoanalyse Kryptologie ist die Wissenschaft, die sich mit dem Ver- und Entschlüsseln von Informationen befasst.
Krytologie: Krytograhie ud Krytoaalyse Krytologie ist die Wisseschaft, die sich mit dem Ver- ud Etschlüssel vo Iformatioe befasst. Beisiel Iteretkommuikatio: Versiegel (Itegrität der Nachricht) Sigiere
MehrZahlenfolgen, Grenzwerte und Zahlenreihen
KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:
MehrEmpirische 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,...,
MehrMathematische Vorgehensweise
Kapitel 2 Mathematische Vorgehesweise Um eue Ergebisse zu erziele, ist es häufig otwedig, Aussage präzise zu formuliere ud zu beweise. Daher werde i diesem Kapitel die mathematische Begriffsbilduge ud
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
MehrKapitel 6: Statistische Qualitätskontrolle
Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle
MehrDer Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist
Maßtheorie (Versio 0.3) 1. σ-algebra Ist M eie Mege, so et ma ei System vo Teilmege A M eie σ-algebra (auf M ), we gilt: A A A A c A Ist A N eie Familie vo Mege i A, so ist N A A A ist damit stabil uter
MehrLösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I
Uiversität des Saarlades Fakultät für Mathematik ud Iformatik Witersemester 2003/04 Prof. Dr. Joachim Weickert Dr. Marti Welk Dr. Berhard Burgeth Lösuge der Aufgabe zur Vorbereitug auf die Klausur Mathematik
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
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
Mehr... a ik) i=1...m, k=1...n A = = ( a mn
Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,
MehrSUCHPROBLEME UND ALPHABETISCHE CODES
SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich
MehrAngStat1(Ue13-21).doc 23
3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also
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
MehrFundamentale Prinzipien der Kombinatorik und elementare Abzählkoeffizienten Wolfram Koepf
Fudametale Prizipie der Kombiatori ud elemetare Abzähloeffiziete Wolfram Koepf Die abzählede Kombiatori beschäftigt sich vor allem mit der Auswahl eier Teilmege, die ma häufig eie Stichprobe et (aus Wahrscheilicheitsrechug
MehrKapitel 6: Quadratisches Wachstum
Kapitel 6: Quadratisches Wachstum Dr. Dakwart Vogel Ui Esse WS 009/10 1 Drei Beispiele Beispiel 1 Bremsweg eies PKW Bremsweg Auto.xls Ui Esse WS 009/10 Für user Modell des Bremsweges gilt a = a + d a =
MehrVorlesung Informationssysteme
Saarbrücke, 2.05.205 Iformatio Systems Group Vorlesug Iformatiossysteme Vertiefug Kapitel 4: Vo (E)ER is Relatioemodell Erik Buchma (buchma@cs.ui-saarlad.de) Foto: M. Strauch Aus de Videos wisse Sie......welche
MehrAUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3
INHALTSVERZEICHNIS AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2 Datefluß ud Programmablauf 2 Vorbedigug 3 Nachbedigug 3 Schleifeivariate 3 KONSTRUKTION 4 ALTERNATIVE ENTWURFSMÖGLICHKEITEN 5 EFFEKTIVE
MehrTestumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen
Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige
MehrKlasse: Platzziffer: Punkte: / Graph zu f
Pflichtteil Mathematik I Aufgabe P Name: Vorame: Klasse: Platzziffer: Pukte: / P.0 Gegebe ist die Fuktio f mit der Gleichug (siehe Zeichug). y x8 y,25 4 mit GI IRIR Graph zu f O x P. x 8 Die Pukte C (x,25
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
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,
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
MehrArbeitsplätze in SAP R/3 Modul PP
Arbeitsplätze i SAP R/3 Modul PP Was ist ei Arbeitsplatz? Der Stadort eier Aktioseiheit, sowie dere kokrete räumliche Gestaltug Was ist eie Aktioseiheit? kleiste produktive Eiheit i eiem Produktiosprozess,
Mehrh i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert
Deskriptive Statistik dimesioale Date Date ud Häufigkeite Seite Nomial Ordial Metrisch (Kardial Metrisch klassiert Beschreibug: Date habe keie atürliche Reihefolge. Bsp: Farbe, Religio, Geschlecht, Natioalität...
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
MehrLerneinheit 2: Grundlagen der Investition und Finanzierung
Lereiheit 2: Grudlage der Ivestitio ud Fiazierug 1 Abgrezug zu de statische Verfahre Durchschittsbetrachtug wird aufgegebe Zeitpukt der Zahlugsmittelbewegug explizit berücksichtigt exakte Erfassug der
MehrStatistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.
Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste
MehrStatistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S
Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere
MehrQualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT
Qualitätskezahle für IT-Verfahre i der öffetliche Verwaltug Lösugsasätze zur Vo Stefa Bregezer Der Autor arbeitet im Bereich Softwaretest ud beschäftigt sich als Qualitätsbeauftragter mit Theme zu Qualitätssicherug
MehrStatistische Formelsammlung Begleitende Materialien zur Statistik - Vorlesung des Grundstudiums im Fachbereich IK
Statistische Formelsammlug Begleitede Materialie zur Statistik - Vorlesug des Grudstudiums im Fachbereich IK Erstellt im Rahme des studierede Projektes PROST Studiejahr 00/00 uter Aleitug vo Frau Prof.
Mehr6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis
6. Grudlage der Wahrscheilichkeitsrechug 6.. Defiitioe ud Beispiele Spiele aus dem Alltagslebe: Würfel, Müze, Karte,... u.s.w. sid gut geeiget die Grudlage der Wahrscheilichkeitsrechug darzustelle. Wir
MehrDer Additionssatz und der Multiplikationssatz für Wahrscheinlichkeiten
Der Additiossatz ud der Multiplikatiossatz für Wahrscheilichkeite Die Wahrscheilichkeitsrechug befasst sich mit Ereigisse, die eitrete köe, aber icht eitrete müsse. Die Wahrscheilichkeit eies Ereigisses
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrMonte Carlo-Simulation
Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil
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
MehrDenition 27: Die Fakultät ist eine Folge f : N N mit f(1) := 1 und f(n + 1) := (n + 1) f(n) für alle n N. Wir schreiben n! := f(n) für diese Folge.
Vorkurs Mathematik, PD Dr. K. Halupczok, WWU Müster Fachbereich Mathematik ud Iformatik 22.9.20 Ÿ3.2 Folge ud Summe (Fortsetzug) Eie wichtige Möglichkeit, wie ma Zahlefolge deiere ka, ist die über eie
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 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,
MehrKapitel 2: Laplacesche Wahrscheinlichkeitsräume
- 12 - (Kapitel 2 : Laplacesche Wahrscheilicheitsräume) Kapitel 2: Laplacesche Wahrscheilicheitsräume Wie beim uverfälschte Müzewurf ud beim uverfälschte Würfel spiele Symmetrieüberleguge, die jedem Elemetarereigis
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
Mehr5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung
Seite vo 7 5 Beroulli-Kette Jakob Beroulli 654-705 Schweizer Mathematiker ud Physiker 5. Beroulli-Exerimet 5.. Eileitug Oft iteressiert ma sich bei Zufallsexerimete icht für die eizele Ergebisse, soder
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
MehrMetrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan
Metrisierbarkeit Techische Uiversität Wie Semiararbeit aus Aalysis WS 04 Sia Özcaliska Ihaltsverzeichis Eileitug 3 Der Metrisierbarkeitssatz vo Alexadroff-Urysoh 3 3 Der Metrisierbarkeitssatz vo Nagata-Smirov
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
MehrFinanzmathematische Formeln und Tabellen
Jui 2008 Dipl.-Betriebswirt Riccardo Fischer Fiazmathematische Formel ud Tabelle Arbeitshilfe für Ausbildug, Studium ud Prüfug im Fach Fiaz- ud Ivestitiosrechug Dieses Werk, eischließlich aller seier Teile,
MehrStichproben im Rechnungswesen, Stichprobeninventur
Stichprobe im Rechugswese, Stichprobeivetur Prof Dr Iree Rößler ud Prof Dr Albrecht Ugerer Duale Hochschule Bade-Württemberg Maheim Im eifachste Fall des Dollar-Uit oder Moetary-Uit Samplig (DUS oder MUS-
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
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
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
Mehr3. Tilgungsrechnung. 3.1. Tilgungsarten
schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie
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
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
MehrGruppe 108: Janina Bär Christian Hörr Robert Rex
TEHNIHE UNIVEITÄT HEMNITZ FAULTÄT FÜ INFOMATI Hardwarepraktikum im W /3 Versuch 3 equetielle ysteme I Gruppe 8: aia Bär hristia Hörr obert ex hemitz, 7. November Hardwarepraktikum equetielle ysteme I Aufgabe
Mehr3.2 Die Schrödinger-Gleichung
3. Die Schröiger-Gleichug Oer Wie fie ich ie Wellefuktio eies Teilches Lit: Simo/McQuarrie Die S.G. ka geauso weig hergeleitet were wie ie Newtosche Gesetze (Fma). Fuametales Postulat er Quatemechaik Wir
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrKunde. Kontobewegung
Techische Uiversität Müche WS 2003/04, Fakultät für Iformatik Datebaksysteme I Prof. R. Bayer, Ph.D. Lösugsblatt 4 Dipl.-Iform. Michael Bauer Dr. Gabi Höflig 17.11. 2003 Abbildug E/R ach relatioal - Beispiel:
MehrR. Brinkmann Seite
R. Brikma http://brikma-du.de Seite 1.0.014 Lösuge zur Biomialverteilug I Ergebisse: E1 E E E4 E E E7 Ergebis Ei Beroulli-Experimet ist ei Zufallsexperimet, das ur zwei Ergebisse hat. Die Ergebisse werde
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,
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
Mehr10 Aussagen mit Quantoren und
0 Aussage mit Quatore ud 0.6. Eisatz vo (bereits bekater) Eistezaussage Bisher hatte wir Eistezbeweise geführt, idem wir ei passedes Objekt agegebe habe ( Setze... ). Stattdesse ka ma auch auf bereits
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.
MehrLektion II Grundlagen der Kryptologie
Lektio II Grudlage der Kryptologie Klassische Algorithme Ihalt Lektio II Grudbegriffe Kryptologie Kryptographische Systeme Traspositioschiffre Substitutioschiffre Kryptoaalyse Übuge Vorlesug Datesicherheit
MehrVorlesung 3. Tilman Bauer. 11. September 2007
Vorurs Mathemati 2007 Tilma Bauer Vorurs Mathemati 2007 Vorlesug 3 Tilma Bauer Mege ud Abbilduge Wiederholug ud Vollstädige Idutio Das Prizip Idex-Schreibweise! ud Aufgabe Uiversität Müster 11. September
Mehr1 Vollständige Induktion
1 Vollstädige Idutio 1.1 Idutiosbeweise Das Beweisprizip der vollstädige Idutio ist eies der wichtigste Hilfsmittel der Mathemati icht ur der Aalysis. Es fidet Verwedug bei pratische alle Aussage, die
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.
MehrZur Definition. der wirksamen. Wärmespeicherkapazität
Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč, Büro für Bauphysik, Schöberg a Kap, Österreich Zur Defiitio der wirksae Wärespeicherkapazität vo Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč Büro für Bauphysik
Mehr