Kovarianz und Korrelation
|
|
- Frauke Brandt
- vor 7 Jahren
- Abrufe
Transkript
1 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 Kovariaz- ud Korrelatiosmatrix Multivariate Normalverteilug Erzeuge vo multiormalverteilte Zufallsvektore Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 2 / 41 Erwartugswert eier Liearkombiatio Der Erwartugswert eier Liearkombiatio vo ZVe ist die Liearkombiatio der eizele Erwartugswerte: E(a X + b Y + c = a E(X + b E(Y + c Allgemei E ( a i X i = a i E(X i Voraussetzug: alle Erwartugswerte existiere. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 3 / 41
2 Variaz eier Liearkombiatio Die Variaz eier Liearkombiatio vo ZVe ist icht die Liearkombiatio der eizele Variaze. Es gilt: V(a X + b Y + c = a 2 V(X + 2 a b Cov(X, Y + b 2 V(Y Die Kostate c beeiflusst die Variaz icht. Bei der Variaz eier Summe tritt ei gemischter Term auf: die Kovariaz der beide ZVe. Nur we die Kovariaz der beide ZVe Null ist, also beide ukorreliert sid, gilt: Die Variaz der Summe ist gleich die Summe der Variaze. Voraussetzug: alle Variaze existiere. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 4 / 41 Kovariaz Die Kovariaz zwische zwei ZV X ud Y ist defiiert als Cov(X, Y = E[(X E(X(Y E(Y] = x,y (x µ x (y µ y P(X = x, Y = y Hier gilt auch ei Verschiebugssatz: E[(X E(X(Y E(Y] = E[X Y] E(X E(Y Bemerkug: Ist Cov(X, Y = 0, folgt E[X Y] = E(X E(Y Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 5 / 41 Normalverteilte Zufallsvariable Reproduktioseigeschaft der Normalverteilug: Seie die ZVe X ud Y ormalverteilt mit X N(µ x, σ 2 x, Y N(µ y, σ 2 y ud Cov(X, Y = σ xy Da ist Z = a X + b Y + c N(µ z, σ 2 z µ z = a µ x + b µ y + c σ 2 z = a2 σ 2 x + 2 a b σ xy + b 2 σ 2 y Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 6 / 41
3 Korrelatio Die Korrelatio zwische zwei ZV X ud Y ist defiiert als Corr(X, Y = ρ(x, Y = ρ = Cov(X, Y V(X V(Y Es gilt immer 1 Corr(X, Y 1 Cov(X, Y = Corr(X, Y V(X V(Y Corr(X, Y = 0 Cov(X, Y = 0 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 7 / 41 Ukorrelierte Zufallsvariable Sid X ud Y ukorreliert, so gilt V(X + Y = V(X + V(Y aber auch V(X Y = V(X + V(Y Allgemei gilt für ukorrelierte ZV X i V ( a i X i = a 2 i V(X i Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 8 / 41 Uabhägige Zufallsvariable Zwei Zufallsvariable X ud Y heiße (stochastisch uabhägig we P(X = x, Y = y = P(X = x P(Y = y für all mögliche Merkmalsauspräguge x ud y. Uabhägige Zufallsvariable sid immer ukorreliert, i.e. X, Y uabhägig Corr(X, Y = Cov(X, Y = 0 Die Umkehrug gilt jedoch icht! Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 9 / 41
4 Beispiel 1 2-dimesioale Verteilug Wir suche für Y = X 1 + X 2 Erwartug ud Variaz. Die ZVe X 1 ud X 2 besitze die gemeisame Verteilug P(X 1 = x 1, X 2 = x 2 X 2 = 1 X 2 = 1 P(X 1 = x 1 X 1 = X 1 = P(X 2 = x Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 10 / 41 Beispiel 1 / Summe Die Werte vo Y = X 1 + X 2 erhält ma über die Tabelle Y = X 1 + X 2 X 2 = 1 X 2 = 1 X 1 = X 1 = mit der Verteilug Y = 0 Y = 1 Y = 2 Y = 3 P(Y = y Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 11 / 41 Beispiel 1 / Erwartugswert E(Y Für de Erwartugswert vo Y erhalte wir E(Y = y P(Y = y = = 2.0 Nach usere Regel ergibt sich E(Y = E(X 1 + X 2 = E(X 1 + E(X 2 = = 2.0 E(X 1 = x 1 P(X 1 = x 1 = = 1.4 E(X 2 = x 2 P(X 2 = x 2 = ( = 0.6 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 12 / 41
5 Beispiel 1 / Variaz V(Y Für die Variaz vo Y erhalte wir V(Y = E[(Y E(Y 2 ] = E[Y 2 ] [E(Y] 2 = = = 0.88 Nach usere Regel ergibt sich V(Y = V(X 1 + X 2 = V(X Cov(X 1, X 2 + V(X 2 = = = 0.88 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 13 / 41 Beispiel 1 / Variaz V(Y V(X 1 = x 2 1 P(X 1 = x 1 [E(X 1 ] 2 = = ( = 0.24 V(X 2 = x 2 2 P(X 2 = x 2 [E(X 2 ] 2 = = ( = 0.64 Cov(X 1, X 2 = E[X 1 E(X 1 ][X 2 E(X 2 ] = = E[X 1 X 2 ] E(X 1 E(X 2 = = x1,x 2 x 1 x 2 P(X 1 = x 1, X 2 = x 2 E(X 1 E(X 2 = = 1 ( = = 0 (eifacher: X 1 ud X 2 sid uabhägig Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 14 / 41 Beispiel 2 2-dimesioale Verteilug Die ZVe X 1 ud X 2 besitze die gleiche Radverteiluge wie i Beispiel 1. Die gemeisame Verteilug sei higege P(X 1 = x 1, X 2 = x 2 X 2 = 1 X 2 = 1 P(X 1 = x 1 X 1 = X 1 = P(X 2 = x Wir suche für Y = X 1 + X 2 Erwartug ud Variaz. Y = 0 Y = 1 Y = 2 Y = 3 P(Y = y Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 16 / 41
6 Beispiel 2 / Erwartugswert E(Y Für de Erwartugswert vo Y erhalte wir E(Y = y P(Y = y = = 2.0 Erwartugswert vo X 1 ud X 2 sid dieselbe wie i Beispiel 1. Nach usere Regel ergibt sich daher wie i Beispiel 1 E(Y = E(X 1 + X 2 = E(X 1 + E(X 2 = = 2.0 E(X 1 = x 1 P(X 1 = x 1 = = 1.4 E(X 2 = x 2 P(X 2 = x 2 = ( = 0.6 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 17 / 41 Beispiel 2 / Variaz V(Y Für die Variaz vo Y erhalte wir V(Y = E[(Y E(Y 2 ] = E[Y 2 ] [E(Y] 2 = = = 0.48 Variaze vo X 1 ud X 2 sid dieselbe wie im Beispiel 1. Die Kovariaz ist aber eu zu bereche. Nach usere Regel ergibt sich daher V(Y = V(X 1 + X 2 = V(X Cov(X 1, X 2 + V(X 2 = = ( = 0.48 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 18 / 41 Beispiel 2 / Variaz V(Y V(X 1 = 0.24 (Bsp. 1 V(X 2 = 0.64 (Bsp. 1 Cov(X 1, X 2 = E[X 1 E(X 1 ][X 2 E(X 2 ] = = E[X 1 X 2 ] E(X 1 E(X 2 = = x1,x 2 x 1 x 2 P(X 1 = x 1, X 2 = x 2 E(X 1 E(X 2 = = 1 ( = = 0.24 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 19 / 41
7 Beispiel 2 / Korrelatio Durch die Additio der Variable X 1 zu X 2 wird die Variaz vo X 1 + X 2 gegeüber der vo X 2 alleie deutlich reduziert. Die Kovariaz ist egativ, Cov(X 1, X 2 = 0.24, ud daher auch die Korrelatio: Corr(X 1, X 2 = Cov(X 1, X 2 V(X1 V(X 2 = = Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 21 / 41 Beispiel 3 Ukorrelierte Zufallsvariable Gegebe seie ukorreliert Zufallsvariable, X 1,..., X, die die gleiche Erwartugswerte, E(X 1 =... = E(X = µ ud die gleiche Variaze, V(X 1 =... = V(X = σ 2 besitze. V ( X i = V(X i = σ 2 = σ 2 Die Variaz steigt proportioal mit der Azahl der Summade. Die Stadardabweichug steigt ur mit der Wurzel der Azahl der Summade: V ( X i = σ 2 = σ Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 22 / 41 Beispiel 4 Diversifikatio Die beide ZVe R 1 ud R 2 sid die Redite vo zwei verschiedee Wertpapiere. Der aktuell Tageskurs sei bei beide gleich. Ageomme die ZVe R 1 ud R 2 sid ukorreliert ud habe gleiche Erwartugswert ud gleiche Variaze: E(R 1 = E(R 2 = µ, V(R 1 = V(R 2 = σ 2 Wir stelle 3 Portfolios zusamme: A. Nur Papier 1, B. Nur Papier 2, C. Papier 1 ud Papier 2 je mit eiem Ateil vo 1/2. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 23 / 41
8 Beispiel 4 Diversifikatio Wir bereche vo de 3 Portfolios Erwartugswert ud Variaz. E(A = E(R 1 = µ, V(A = V(R 1 = σ 2 E(B = E(R 2 = µ, V(B = V(R 2 = σ 2 E(C = E( 1 2 R R 2 = 1 2 E(R E(R 2 = µ, V(C = V( 1 2 R R 2 = ( V(R 1 + ( V(R 2 = 1 2 σ2 Wir sid idifferet zwische de Papiere 1 ud 2. Portfolio C liefert higege mit derselbe erwartete Redite ur die halbe Variaz. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 24 / 41 Risikostreuug ud Korrelatio Die Reduktio der Variaz durch Diversifikatio (Risikostreuug ist auch bei icht zu stark positive Korrelatioe sivoll. Besoders iteressat wird sie bei egative Korrelatioe. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 25 / 41 Risikostreuug ud ρ = +1 Bei starker positiver Korrelatio zwische de Redite ist die Variaz auch im Portfolio C hoch. Aus Corr(R 1, R 2 = 1 erhalte wir Cov(R 1, R 2 = Corr(R 1, R 2 V(R 1 V(R 2 = σ 2 E(C = E( 1 2 R R 2 = 1 2 E(R E(R 2 = µ V(C = V( 1 2 R R 2 = = ( V(R Cov(R 1, R 2 + ( V(R 2 = σ 2 Portfolio C ist u gleich schlecht wie A oder B. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 26 / 41
9 Risikostreuug ud ρ = 1 Bei starker egativer Korrelatio zwische de Redite verschwidet die Variaz im Portfolio C (fast. Aus Corr(R 1, R 2 = 1 erhalte wir Cov(R 1, R 2 = Corr(R 1, R 2 V(R 1 V(R 2 = σ 2 E(C = E( 1 2 R R 2 = 1 2 E(R E(R 2 = µ V(C = V( 1 2 R R 2 = = ( V(R Cov(R 1, R 2 + ( V(R 2 = 0 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 27 / 41 Optimale Risikostreuug Ageomme zwei Redite R 1 ud R 2 mit E(R 1 = µ 1, E(R 2 = µ 2 ud V(R 1 = σ 2 1, V(R 2 = σ 2 2 ud Kovariaz σ 12 liege vor. Wir suche die Kombiatio α 1 R 1 + α 2 R 2 mit miimaler Variaz uter der Eischräkug, dass die Summe der Gewichte 1 sei. mi α1,α 2 V[α 1 R 1 + α 2 R 2 ] NB: α 1 + α 2 = 1 Lagrage-Asatz: L(α 1, α 2 ; λ = V[α 1 R 1 + α 2 R 2 ] + λ (1 α 1 α 2 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 28 / 41 Optimale Risikostreuug L(α 1, α 2 ; λ = α 2 1 σ α 1 α 2 σ 12 + α 2 2 σ2 2 + λ (1 α 1 α 2 Notwedige Bediguge (statioäre Pukte: L α1 : 2 α 1 σ α 2 σ 12 λ = 0 L α2 : 2 α 1 σ α 2 σ2 2 λ = 0 L λ : 1 α 1 α 2 = 0 Mit α 2 = 1 α 1 ergibt die Lösug des Gleichugssystems α 1 = σ 2 2 σ 12 σ σ 12 + σ 2 2 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 29 / 41
10 Variaz eier Liearkombiatio Allgemei Gegebe seie Zufallsvariable, X 1,..., X, wobei die X i die Erwartugswerte µ i, die Stadardabweichuge σ i ud die Kovariaze σ ij besitze, E(X i = µ i, V(X i = σ 2 i = σ ii Cov(X i, X j = E[(X i µ i (X j µ j ] = σ ij Die Variaz eier Liearkombiatio dieser ZVe, a i X i, ist ( a i X i V = j=1 a i a j σ ij Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 30 / 41 Variaz eier Liearkombiatio: = 2 Setze wir = 2, so erhalte wir V ( 2 a i X i = 2 2 j=1 a i a j σ ij = = 2 j=1 a 1 a j σ 1j + 2 j=1 a 2 a j σ 2j = = (a 1 a 1 σ 11 + a 1 a 2 σ 12 + (a 2 a 1 σ 21 + a 2 a 2 σ 22 = = a 2 1 σ a 1 a 2 σ 12 + a 2 2 σ2 2 = = a 2 1 V(X a 1 a 2 Cov(X 1, X 2 + a 2 2 V(X 2 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 31 / 41 Variaz eier Liearkombiatio: = 3 Setze wir = 3, so erhalte wir V ( 3 a i X i = 3 3 j=1 a i a j σ ij = = 3 j=1 a 1 a j σ 1j + 3 j=1 a 2 a j σ 2j + 3 j=1 a 3 a j σ 3j = = a 2 1 σ a 1 a 2 σ a 1 a 3 σ 13 + a 2 2 σ a 2 a 3 σ 23 + a 2 3 σ2 3 Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 32 / 41
11 Kovariazmatrix Sei X ei Spaltevektor der ZVe X i ud µ der zugehörige Vektor der Erwartugswerte. X = (X 1,..., X, µ = (µ 1,..., µ Wir multipliziere (X µ (X µ ud erhalte eie ( -Matrix, i Elemetschreibweise [(X i µ i (X j µ j ]. Dere Erwartugswert heißt Kovariazmatrix Σ vo X, Σ = E[(X µ(x µ ] = [E((X i µ i (X j µ j ] bzw. mittels Kovariaze σ ij = E[(X i µ i (X j µ j ] Σ = [σ ij ] Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 33 / 41 Variaz i Matrixschreibweise Die Variaz eier Liearkombiatio vo ZVe i Matrixschreibweise ist V ( a i X i = j=1 a i a j σ ij = a Σ a wobei a = (a 1,..., a der Spaltevektor der Koeffiziete a i ist. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 34 / 41 Eigeschafte der Kovariazmatrix Die wichtigste Eigeschafte der Kovariazmatrix sid: Σ ist symmetrisch. Da σ ij = E[(X i µ i (X j µ j ] = E[(X j µ j (X i µ i ] = σ ji gilt, ist Σ = [σ ij ] = [σ ji ] = Σ Σ ist positiv semidefiit. a Σ a 0 für alle Vektore a. Das heißt, die Variaz eier Summe vo ZVe ist immer größer oder gleich Null. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 35 / 41
12 Korrelatiosmatrix Die Korrelatio, ρ ij, zwische X i ud X j erhält ma aus ρ ij = σ ij σii σ jj wobei σ ij = Cov(X i, X j ud σ ii = Cov(X i, X i = V(X i. Die Korrelatiosmatrix R des Vektors X ist R = [ρ ij ] = diag{σ 11,..., σ } 1/2 Σ diag{σ 11,..., σ } 1/2 Die Hauptdiagoale der Korrelatiosmatrix besteht ur aus Eise. diag{σ 11,..., σ } 1/2 = diag{ σ 11,..., σ } 1 ist Diagoalmatrix mit Stadardabweichuge als Diagoalelemete. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 36 / 41 Multivariate Normalverteilug Sei X eie Spaltevektor vo Zufallsvariable, X = (X 1,..., X, die gemeisam ormal verteilt sid. X N(µ, Σ µ = (µ 1,..., µ ist der Vektor der Erwartugswerte der X i. µ i = E(X i Σ = [σ ij ] ist die Kovariazmatrix des Vektors X. σ ij = E[(X i µ i (X j µ j ] Ma schreibt auch X MN(µ, Σ. (multivariat ormal Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 37 / 41 Beispiel Bivariate Normalverteilug Sei X ei Spaltevektor vo Zufallsvariable, X = (X 1, X 2, die gemeisam ormal verteilt sid ( = 2. X N(µ, Σ Die Erwartugswerte seie µ = (3, 5, die Kovariazmatrix Σ = [σ ij ] ist gegebe durch σ 11 = V(X 1 = 4, σ 22 = V(X 2 = 9 ud σ 12 = Cov(X 1, X 2 = 3. ( X 1 X 2 (( ( N, Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 38 / 41
13 Cholesky-Zerlegug der Kovariazmatrix Jede symmetrische, positiv defiite ( -Matrix Σ ka als Produkt eier utere Dreiecksmatrix L mit sich selbst zerlegt werde. Σ = L L Es gibt auch die Zerlegug Σ = L D L Hier ist L eie utere Dreiecksmatrix mit Eiser i der Hauptdiagoale. D ist eie Diagoalmatrix. Es gilt: L D = L. (Utere Diagoalmatrix heißt, dass die Elemete oberhalb der Hauptdiagoale sid Null. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 39 / 41 Erzeugug vo Normalverteilte Zufallsvektore Gesucht ist ei Vektor X mit X N(µ, Σ mit gegebeem µ ud Σ. Der Asatz ist X = L ǫ + µ mit Σ = L L ud ǫ N(0, I. 1 Bereche Cholesky-Faktor L der Kovariazmatrix Σ. 2 Geeriere beliebig viele Vektore ǫ der Läge mit de übliche Zufallszahlegeeratore für stadard-ormalverteilte uivariate Zufallszahle. 3 Eisetze i X = L ǫ + µ liefert multivariat ormalverteilte Vektore mit der gewüschte Kovariaz- bzw. Korrelatiosstruktur. Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 40 / 41 Erzeugug vo Normalverteilte Zufallsvektore Warum fuktioiert die Methode? Der Erwartugswert vo X ist der gewüschte: da E(ǫ = 0 gilt. E(X = E(L ǫ + µ = L E(ǫ + µ = µ Die Kovariazmatrix vo X ist Σ: V(X = E[(X µ (X µ ] = E[(L ǫ (L ǫ ] = = E[(L ǫ (ǫ L ] = L E[ǫ ǫ ] L = L I L = L L = Σ X ist ormalverteilt, da jedes X i aus eier Liearkombiatio der ormalverteilte ǫ j gebildet wird. (Vgl. die Reproduktioseigeschaft Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 41 / 41
Musterlösung 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
MehrFür eine n n-matrix A müssen wir die Gleichung. lösen. Falls (A λi) invertierbar ist, dann ist. Dann ist aber λ kein Eigenwert.
Geschlossees Leotief-Modell Ei Leotief-Modell für eie Volkswirtschaft heißt geschlosse, we der Kosum gleich der Produktio ist, d.h. we Kapitel 5 Eigewerte V x = x Es hadelt sich dabei um eie Spezialfall
MehrHerleitung der Parameter-Gleichungen für die einfache lineare Regression
Herleitug der Parameter-Gleichuge für die eifache lieare Regressio Uwe Ziegehage. März 03 Historie v.0 6.03.009, erste Versio hochgelade v.0 0.03.03, eie Vorzeichefehler beseitigt, diverse Gleichuge ud
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
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
MehrLineare Transformationen
STAT 4 FK Herleituge Lieare Trasformatioe Sei eie lieare Trasformatio vo, so gilt Allgemei: a b, () Lieare Trasformatio des arithmetische Mittels y a+b x i () Da a eie additiv verküpfte Kostate ist, ka
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
Mehrund wird als n-dimensionaler (reeller) Vektorraum bezeichnet. heißt der von v 1,..., v k aufgespannte Unterraum des R n.
Reeller Vektorraum Kapitel Vektorräume Die Mege aller Vektore x mit Kompoete bezeiche wir mit x R =. : x i R, i x ud wird als -dimesioaler (reeller) Vektorraum bezeichet. Defiitio Ei Vektorraum V ist eie
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
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
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
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
MehrKapitel 2: Stochastische Prozesse. Copyright M. Gross, ETH Zürich 2006, 2007
Kaitel 2: Coyright M. Gross, ETH Zürich 2006, 2007 Bedigte Verteiluge Ebeso a die Verbudwahrscheilicheit vo Zufallsvariable über bedigte Wahrscheilicheite ausgedrüct werde i i,, i,, Wiederum ommt eie Produtregel
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
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
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.
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
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
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,...,
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
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
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
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
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
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
MehrÜbung 11. Stochastische Signale Prof. Dr.-Ing. Georg Schmitz
Übug Aufgabe : Ukorrelierte, statistisch uabhägige Prozesse Es sid zwei stochastische Prozesse gegebe mit X = cos(z ), Y = cos(z φ). Hierbei sei Z auf [ π, π] gleichverteiltes weißes Rausche mit E{Z }
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
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
Mehr6 Vergleich mehrerer unverbundener Stichproben
6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die
MehrVorbereitung auf 6. Übungsblatt (Präsenzübungen) - Lösungen
Prof. Dr. Raier Dahlhaus Statisti Witersemester 06/07 Vorbereitug auf 6. Übugsblatt Präsezübuge - Lösuge Aufgabe P0 Bereche vo UMVU-Schätzer. Gegebe sei jeweils ei statistisches Modell R, B R, P θ, θ Θ
MehrFormelsammlung Statistik 29. Januar 2019
Formelsammlug Statistik Seite 1 Formelsammlug Statistik 9. Jauar 019 Witersemester 018/19 Adreas Löpker, HTW Dresde 1. Deskriptive Statistik (F1) Stichprobe x vom Umfag, Stichprobe y vom Umfag m x = (x
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrKapitel 2. Terme. oder (x + 1)(x 1) = x 2 1
Kapitel 2 Terme Josef Leydold Auffrischugskurs Mathematik WS 207/8 2 Terme / 74 Terme Ei mathematischer Ausdruck wie B R q q (q ) oder (x + )(x ) x 2 heißt eie Gleichug. Die Ausdrücke auf beide Seite des
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
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
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
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
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
MehrBesprechung: S. 1/1
Übug 8 Aufgabe 8.1 Sei P R ei Polytop mit P Z =vert(p ). Zeige Sie, dass vert(p ) 2. Aufgabe 8.2 Sei P V ei ratioales Polyeder. Zeige Sie, dass P ebefalls ei ratioales Polyeder ist. Aufgabe 8.3 Sei u 1,...,u
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
MehrKapitel XI - Korrelationsrechnung
Istitut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökoometrie ud Statistik Kapitel XI - Korrelatiosrechug Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Seska Carlo Siebeschuh Aufgabe der Korrelatiosrechug
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
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
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
Mehr4. Vektorräume mit Skalarprodukt
4. Vektorräume mit Skalarprodukt Wiederholug: V=R x, y R: x= x x i x, y= y y, :R R R Skalarprodukt Stadardskalarprodukt lieare Abbildug mit 2 Argumete 4. Eigeschafte vo Skalarprodukte Def.: Es sei V ei
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrMethode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
MehrShrinkage Estimators for Covariance Matrices
Shrikage Estimators for Covariace Matrices Floria Forster wwwforster-floriade 9 Jui 003 Daiels, M J ad Kass, R E (00) Shrikage Estimators for Covariace Matrices Biometrics 57, 73-84 Geerelles Problem Zu
MehrMultivariate Analysemethoden und Multivariates Testen
Multivariate Aalysemethode ud Multivariates Teste Stude im Mai Güter Meihardt Johaes Guteberg Uiversität Maiz Priziie des statistische Schliesses Samlig - Modellvorstellug Poulatio Samlig Stichrobe Kewerte
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
MehrKapitel 5: Gemeinsame Verteilung und Unabhängigkeit von Zufallsvariablen
- 39 (Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable 5 Deiitio : : Ω Ω,, seie Abbilduge über derselbe Mege Ω Die Abbildug
MehrStreukreisberechnungen bei ballistischen Versuchen unter der zweidimensionalen Normalverteilungsannahme
Streukreisberechuge bei ballistische Versuche uter der zweidimesioale Normalverteilugsaahme Prof. Dr. Adreas Rudolph Uiversität der Budeswehr Müche WE Mathematik ud Iformatik FB BW Werer-Heiseberg-Weg
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
MehrStatistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.
Statistik, Abschitt.. Schätzmethode.. Mometemethode Für Parameter, die sich i bekater Weise aus de Momete zusammesetze, erhält ma Schätzuge, idem ma die theoretische Momete durch die sogeate empirische
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
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
MehrÜbungen mit dem Applet erwartungstreu
Übuge mit dem Applet erwartugstreu Visualisierug vo erwartugstreu Begriffe ud statischer Hitergrud. Visualisieruge mit dem Applet..3. Zufallsstreuug der Eizelwerte...3. Mittelwerte 3.3 Variaz. 4.4 Variaz
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechug vo Eigewerte 4.6 Berechug vo Eigewerte I diesem Abschitt befasse wir us mit dem Eigewertproblem: zu gegebeer Matrix A R sid die Eigewerte (ud gegebeefalls Eigevektore) gesucht. Wir erier a
MehrParameter von Häufigkeitsverteilungen
Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige
MehrLGÖ Ks VMa 12 Schuljahr 2017/2018
LGÖ Ks VMa Schuljahr 7/8 Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud ugleichuge 6 Für Experte 8 Polyomgleichuge ud -ugleichuge
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
MehrAnwendungen der Wahrscheinlichkeit II. Markovketten
Aweduge der Wahrscheilichkeit II 1. Fragestelluge Markovkette Markovkette sid ei häufig verwedetes Modell zur Beschreibug vo Systeme, dere Verhalte durch eie zufällige Übergag vo eiem Systemzustad zu eiem
Mehr(a) Richtig, die Varianz ist eine Summe quadratischer Größen.
Aufgabe 1 (10 Pukte) Welche der folgede Aussage sid richtig? (a) Richtig, die Variaz ist eie Summe quadratischer Größe. (b) Falsch, die Abweichug ordialer Merkmale vom Media ist icht defiiert - also auch
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
Mehr4-1 Elementare Zahlentheorie
4-1 Elemetare Zahletheorie 4. Dirichlet s Satz über Primzahle i arithmetische Progressioe. Satz (Dirichlet 1837). Seie a, k atürliche Zahle. Sid die Zahle a, k teilerfremd, so gibt es uedlich viele Primzahle
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrAuszüge der nichtparametrischen Statisik
Empirische Wirtschaftsforschug - 1 - Auszüge der ichtparametrische Statisik Kapitel 1: Räge ud lieare Ragstatistike Aahme, Defiitioe ud Eigeschafte (1.1) Aahme: (a) (b) Die Date x 1,, x sid midestes ordial.
MehrÜbungen zur Linearen Algebra 1
Übuge zur Lieare Algebra 1 Lösuge Witersemester 009/010 Uiversität Heidelberg Mathematisches Istitut Lösuge Blatt 8 Dr D Vogel Michael Maier Aufgabe 33 Gehe wir aalog zu Algorithmus vor: v 1 M(4,K) A :=
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
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
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
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik für Naturwisseschafte Modul 0 Regressiosgerade ud Korrelatio Has Walser: Modul 0, Regressiosgerade ud Korrelatio ii Ihalt Die Regressiosgerade.... Problemstellug.... Berechug der
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,
MehrZinsratenmodelle in stetiger Zeit: Teil II
Zisratemodelle i stetiger Zeit: Teil II Simoe Folty 1.11.006 1. Vasicek Modell (1977) 1.1 Eiführug Vasicek schlug das folgede Modell für die risikofreie Zisrate r(t) vor, basiered auf der SDGL d r t α
Mehr2. Zeitdiskrete Signale
Uiversity of Applied Sciece 2. Zeitdiskrete Sigale Defiitioe Elemetarsigale Impuls-Folge δ(): (Dirac-Folge, Delta-Folge, Eiheitsimpuls) δ ( ) : : MATLAB-Erzeugug: 5; ; (-:)'; d[zeros(++,)]; d(+); Prof.
MehrAlgebra. (R1) Die Summe zweier Endomorphismen ist punktweise definiert, daher ist es leicht einzusehen, daß End(A) eine abelsche Gruppe bildet.
Fachbereich Mathemati Prof. Dr. Nils Scheithauer Walter Reußwig TECHNISCHE UNIVERSITÄT DARMSTADT WS 08/09 14. Otober 2008 Algebra 1. Übug mit Lösugshiweise Aufgabe 1 Es seie R,S Rige ud ϕ : R S ei Righomomorphismus.
MehrEvaluation & Forschungsstrategien
Evaluatio & Forschugsstrategie WS2/2 Prof. Dr. G. Meihardt Johaes Guteberg Uiversität Maiz Prizipie des statistische Schliesses Samplig - Modellvorstellug Populatio Samplig Stichprobe Kewerte x Theoretische
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik 2 für Naturwisseschafte 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Modul 209 Tabelle Has Walser: Modul 209, Tabelle ii Ihalt Fakultäte... 2 Biomialkoeffiziete... 2 3 Biomische Verteilug... 3
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
MehrDer Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß
Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug 9. Vorlesug Joche Köhler 1 Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 9 1 Ihalt der heutige Übug Statistik ud Wahrscheilichkeitsrechug Iformatioe zur Testatprüfug Besprechug der der Hausübug
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
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
Mehr9. Übungsblatt Aufgaben mit Lösungen
9. Übugsblatt Aufgabe mit Lösuge Aufgabe 1: Gegebe sei die folgede Differetialgleichug 15u(x) + 3xu (x) + x u (x) = 8x 3, x > 0. (a) Gebe Sie ei reelles Fudametalsystem der zugehörige homogee Differetialgleichug
Mehr1 Das Skalarprodukt und das Kreuzprodukt
Das Skalarprodukt ud das Kreuzprodukt Wir betrachte zu x = de Ausdruck y t x : = x Grud: Die rechte Seite der Gleichug ist: y t x = (y tx +... + (y ty { t x } y +... + x y x + x y (x y +... + x y x x t
Mehr9. ENDLICH ERZEUGTE MODULN UND GANZHEIT
Algebra 2 Daiel Plauma Techische Uiversität Dortmud Sommersemester 2017 9. ENDLICH ERZEUGTE MODULN UND GANZHEIT Arbeitsblatt: Der Satz vo Cayley-Hamilto ud Aweduge Lese Sie de Text sorgfältig ud löse Sie
MehrHarmonisches Mittel. Streuungsmaße. Die mittlere Abweichung. Die Standardabweichung. Die Varianz. Statistik 3. Vorlesung, März 11, ,...
Statistik. Vorlesug, März, 9 Harmoisches Mittel xh = w wk +... + x x k Wobei w, w,... w k sid die gewichte (w + w + w +...+ w k = Beispiel: wir habe km mit eier Geschwidigkeit vo km/h, ud eie adere km
MehrBayessches Lernen (II)
Uiversität Potsdam Istitut für Iformatik Lehrstuhl Maschielles Lere Bayessches Lere (II) Christoph Sawade/Niels Ladwehr Jules Rasetahariso Tobias Scheffer Überblick Wahrscheilichkeite, Erwartugswerte,
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
Mehr