Einführung in die Wahrscheinlichkeitstheorie
|
|
- Adrian Engel
- vor 7 Jahren
- Abrufe
Transkript
1 Eiführug i die Wahrscheilichkeitstheorie Nikolai Nowaczyk <.owaczyk@web.de> Lars Wallebor <lars@wallebor.et> Mai 2011 Ihaltsverzeichis 1 Mege, Abbilduge, Notatio 1 2 Wahrscheilichkeitsräume ud Zufallsvariable 2 3 Die Uremodelle Bälle, Farbe, Ure Ziehe mit Zurücklege geordet ugeordet Ziehe ohe Zurücklege farblos farbig Literaturverzeichis 11 Idex 11 Symbolverzeichis 13 1 Mege, Abbilduge, Notatio 1.1 Defiitio (Multiidex). Ei Tupel α = (α 1,..., α k ) N k 0 heißt Multiidex. Wir defiiere ud α! := α := k α i! k α i.
2 2 Wahrscheilichkeitsräume ud Zufallsvariable Defiitio (Multiomialkoeffiziete). Für α, β N k 0 sei ( ) α α! := β β!(α β)!. Für N 0, α N k 0 ( ) := α {! α!, α =, 0, sost. 1.3 Defiitio (Azahl). Für eie edliche Mege Ω sei Ω N 0 die Azahl aller Elemete i Ω. 1.4 Defiitio (Potezmege). Für eie beliebige Mege Ω heißt die Potezmege vo Ω. 2 Ω := {A A Ω} 1.5 Bemerkug. Diese seltsame Schreibweise erklärt sich folgedermaße: Es gilt 2 Ω = 2 Ω. Das ka ma sich z.b. per Iduktio klar mache. 2 Wahrscheilichkeitsräume ud Zufallsvariable Vo u a sei Ω stets eie edliche Mege. 2.1 Defiitio (Wahrscheilichkeitsmaß). Eie Abbildug P : 2 Ω [0, 1] heißt Wahrscheilichkeitsmaß, falls gilt (i). Normierug: P (Ω) = 1 (ii). Additivität: Sid A, B 2 Ω zwei disjukte Teilmege vo Ω, da gilt P (A B) = P (A) + P (B). 2.2 Defiitio (Zähldichte). Sei Ω eie edliche Mege. Eie Abbildug ρ : Ω [0, 1], sodass ρ(ω) = 1 ω Ω heißt Zähldichte oder auch Wahrscheilichkeitsvektor auf Ω. 2.3 Lemma. Für jedes Wahrscheilichkeitsmaß P auf Ω ist ρ P : Ω [0, 1] ω P ({ω}) eie Zähldichte. Für jede Zähldichte ρ : Ω [0, 1] ist P ρ : 2 Ω [0, 1] A a A ρ(a) ei Wahrscheilichkeitsmaß. Durch diese Formel köe Zähldichte ud Wahrscheilichkeitsmaße miteiader idetifiziert werde.
3 2 Wahrscheilichkeitsräume ud Zufallsvariable Defiitio (Wahrscheilichkeitsraum). Ei Tupel (Ω, ρ) bestehed aus (i). eier edliche Mege Ω ud (ii). eier Zähldichte ρ auf Ω heißt Wahrscheilichkeitsraum. Wir ee da 2 Ω de zugehörige Ereigisraum ud jedes A 2 Ω ei Ereigis. Für jedes A 2 Ω heißt P (A) Wahrscheilichkeit vo A. Ei besoders eifacher Wahrscheilichkeitsraum wird us immer wieder begege. 2.5 Defiitio (uiforme Verteilug). Sei Ω eie edliche Mege. Defiiere ρ Ω : Ω [0, 1] ω 1 Ω. Da heißt ρ Ω die uiforme Verteilug auf Ω. Das Tupel (Ω, ρ Ω ) ist da ei Wahrscheilichkeitsraum, i dem das Eitrete eies jede Ereigisses {ω} 2 Ω, ω Ω, gleich wahrscheilich ist. 2.6 Defiitio (Zufallsvariable). Seie (Ω, ρ), ( Ω, ρ) zwei Wahscheilichkeitsräume. Da heißt eie Abbildug X : Ω Ω Zufallsvariable. Wir schreibe da auch X : (Ω, ρ) ( Ω, ρ). 2.7 Satz ud Defiitio (Iduzierte Verteilug). Sei (Ω, ρ) ei Wahrscheilichkeitsraum, Ω eie edliche Mege ud X : Ω Ω irgedeie Abbildug. Da ist ρ : Ω [0, 1] ω P ρ (X 1 ( ω)) eie Zähldichte auf Ω. Wir ee ρ die vo X iduzierte Verteilug auf Ω ud otiere das auch mit ρ X := ρ ud mit P X := P ρx das vo ρ X iduzierte Wahrscheilichkeitsmaß. Damit ist da X : (Ω, ρ) ( Ω, ρ) eie Zufallsvariable. Beweis. Wir müsse lediglich achreche, dass ρ( ω) = ω Ω P ρ (X 1 ( ω)) = ω Ω ω Ω ω Ω, X(ω)= ω ρ(ω) = ω Ω ρ(ω) = Satz ud Defiitio. Sei (Ω, ρ) ei Wahrscheilichkeitsraum ud k N. Da defiiert ρ k : Ω k [0, 1] ω = (ω 1,..., ω k ) k ρ(ω i) eie Zähldichte auf Ω k. Wir ee da (Ω, ρ) k := (Ω k, ρ k ) de k-fache Produktraum über (Ω, ρ). Beweis. Auch hier müsse wir lediglich zeige Das mache wir per Iduktio ach k. ω Ω k ρ k (ω) = 1.
4 3 Die Uremodelle 4 Schritt 1 (Iduktiosverakerug k = 1): Dies folgt ach Defiitio. Schritt 2 (Iduktiosschluss k k + 1): Wir reche ω Ω k+1 ρ k+1 (ω) = (ω1,...,ωk) Ω k = ω k+1 Ω k+1 ω k+1 Ω k+1 (ω 1,...,ω k ) Ω k ρ(ω i ) ρ(ω i ) = ρ(ω k+1) k ρ(ω i ) ω k+1 Ω (ω 1,...,ω k ) Ω k = ω k+1 Ω ρ(ω k+1) (ω 1,...,ω k ) Ω k ρk (ω 1,..., ω k ) I.V. = ω k+1 Ω ρ(ω k+1) 1 = 1. 3 Die Uremodelle 3.1 Defiitio (Uremodelle). Als Uremodelle bezeichet ma eie sehr häufig beutzte Klasse vo Zufallsexperimete. Aschaulich passiert Folgedes: I eier Ure befidet sich eie feste edliche Azahl vo Bälle. Diese Bälle sid uterscheidbar, d.h. durchummeriert vo sage wir 1 bis. Außerdem hat jeder Ball i eie Farbe f(i). Das Experimet besteht dari, dass k-mal hitereiader ei Ball aus der Ure gezoge ud seie Nummer oder Farbe otiert wird. Ma erhält so eie Folge vo Nummer bzw. Farbe. Ma uterscheidet vier Variatioe dieses Experimets: Je ach dem, ob ma eie Ball, achdem er gezoge wurde, wieder i die Ure zurück oder a die Seite legt, uterscheidet ma zwische Ziehe mit Zurücklege ud dem Ziehe ohe Zurücklege. Außerdem uterscheidet ma zwische geordetem ud ugeordetem Ziehe. Beim geordete Ziehe iteressiert wirklich die geaue Abfolge der gezogee Farbe, beim ugeordete Ziehe ur die Häufigkeit der gezogee Zahle oder Farbe. Damit erhalte wir durch Kombiatio isgesamt vier mögliche Experimete. Die stochastische Fragestellug lautet immer: Wie groß ist die Wahrscheilichkeit, dass eie gegebee Folge / Häufigkeitsverteilug vo Zahle oder Farbe gezoge wird. Diese werde wir i diesem Kapitel utersuche i dem wir vier Wahrscheilichkeitsräume kostruiere werde, die die jeweilige Situatio abbilde solle: I jedem der Fälle uterscheidet ma och, ob die Bälle eigefärbt sid oder icht. Siehe jedoch Bemerkug Ziehe mit Zurücklege ohe Zurückklege geordet Ω Ω ugeordet ˆΩ Ω Tabelle 1: Uremodelle 3.1 Bälle, Farbe, Ure 3.2 Defiitio. Für jedes N, 1, sei [] := {1, 2,..., }
5 3.1 Bälle, Farbe, Ure 5 ud [] 0 := {0,..., }. 3.3 Defiitio (Bälle ud Farbe). Sei 1. Da ee wir jede Zahl i [] eie Ball. Sei E eie edlich Mege mit l := E 1. Da ee wir jedes e E eie Farbe. Siigerweise ee wir i diesem Fall also [] die Bälle ud E die Farbe. Eie Abbildug f : [] E zwische Bälle ud Farbe heißt Farbfuktio. Für jede Ball i [] heißt f(i) die Farbe vo i. Wir defiiere da für jedes e E F e := f 1 (e), N e := F e. Es ist also F e [] die Mege aller Bälle mit Farbe e ud N e die Azahl aller Bälle mit Farbe e. Es ka für Aweduge ützlich sei, sich E z.b. als E := {rot, blau, grü} vorzustelle. Zum Reche ist es aber eifacher, die Farbe ebefalls durchzuummeriere. I diesem Fall ist da E = [l]. Falls icht ausdrücklich aders erwäht, beutze wir immer Letzteres. 3.4 Experimet (farbloser Ball). Gegebe sei eie Mege vo farblose Bälle. Das Experimet besteht u dari, dass zufällig ei Ball ausgewählt wird. Wie groß ist die Wahrscheilichkeit, dass ei vorgegebeer Ball i [] ausgewählt wurde? We wir davo ausgehe, dass jeder 1 Ball mit gleicher Wahrscheilichkeit ausgewählt wird, da lautet die Atwort wohl. Daher wolle wir diesem reale Experimet u eie Wahrscheilichkeitsraum zuweise, der geau diese Ituitio formalisiert. 3.5 Defiitio (Ballraum). Der Wahrscheilichkeitsraum ([], ρ ), wobei ρ := ρ [] die uiforme Verteilug aus Defiitio 2.5 ist, heißt Ballraum. Wir otiere das iduzierte Wahrscheilichkeitsmaß mit P := P ρ. 3.6 Experimet (farbiger Ball). Gegebe sei eie Mege vo farbige Bälle ud es sei E die Mege aller auftretede Farbe. Das Experimet besteht u ereut dari, dass zufällig ei Ball ausgewählt wird. Wie groß ist die Wahrscheilichkeit, dass der gezogeer Ball eie vorgegebee Farbe e E hat? Die Ituitio sagt us, dass dies gerade dem Verhältis aus der Azahl der Bälle mit Farbe e ud der Gesamtzahl der Bälle etspreche sollte. Auch dies ka formalisiert werde. 3.7 Defiitio (Farbraum). Sei f : [] E eie Farbfuktio auf eiem Ballraum ([], ρ ). Da heißt der Wahrscheilichkeitsraum (E, ρ f ), wobei ρ f die vo f auf E iduzierte Verteilug aus Defiitio 2.7 ist, Farbraum. Wir otiere das zugehörige Wahrscheilichkeitsmaß mit P f. Eie sehr kurze Rechug zeigt u, dass der Ballraum ud der Farbraum auch formal die gewüschte Eigeschafte habe. 3.8 Lemma (Eigeschafte vo Ball- ud Farbraum). (i). I jedem Ballraum ([], ρ ) gilt: Für jedes i [] hat das Ereigis {i} 2 [] die Wahrscheilichkeit P ({i}) = 1.
6 3.2 Ziehe mit Zurücklege 6 (ii). Sei F : [] E eie Farbfuktio. Für jedes e E hat das Ereigis {e} 2 E Wahrscheilichkeit P f ({e}) = N e. Beweis. (i). Aus de Defiitioe folgt sofort P ρ ({i}) = ρ (i) = 1 [] = 1. die (ii). Ebefalls aus de Defiitioe folgt P ρf ({e}) = P ρ (f 1 (e)) = i f 1 (e) ρ (i) (i) = i f 1 (e) 1 = F e = N e. 3.2 Ziehe mit Zurücklege geordet Da dieser Fall der mit Abstad eifachste ist, diskutiere wir ih zuerst. 3.9 Experimet (farbloses geordetes Ziehe mit Zurücklege). I eier Ure seie farblose durchummerierte Bälle. Wir ziehe u k mal zufällig eie Ball aus der Ure, otiere seie Nummer, ud lege ih zurück i die Ure. Wir erhalte eie Folge ν = (ν 1,..., ν k ) vo Nummer. Wie groß ist die Wahrscheilichkeit, dass eie vorgegebee Nummerfolge ν = (ν 1,..., ν k ) gezoge wird? 3.10 Satz ud Defiitio. Der Wahrscheilichkeitsraum ( Ω, ρ) := ([], ρ ) k heißt farbloses geordetes Ziehe mit Zurücklege. Wir otiere sei Wahrscheilichkeitsmaß mit P. Sei ν = (ν 1,..., ν k ) Ω beliebig vorgegebe. Da gilt P ({ν}) = ρ k (ν) = 1 k = 1 Ω. Der Raum Ω hat also auch die uiforme Verteilug. Beweis. Dies ergibt sich sofort aus der Defiitio 2.8 des Produktraumes Experimet (farbiges geordetes Ziehe mit Zurücklege). I eier Ure seie farbige Bälle ud es seie E alle auftretede Farbe. Wir ziehe u k mal zufällig eie Ball aus der Ure, otiere seie Farbe, ud lege ih zurück i die Ure. Wir erhalte eie Folge η = (η 1,..., η k ) vo Farbe. Wie groß ist die Wahrscheilichkeit, dass eie vorgegebee Farbfolge η = (η 1,..., η k ) gezoge wird? 3.12 Satz ud Defiitio. Sei f : [] E eie Farbfuktio. Der Wahrscheilichkeitsraum (Ω, ρ) := (E, ρ f ) k heißt farbiges geordetes Ziehe mit Zurücklege. Wir otiere sei Wahrscheilichkeitsmaß mit P := P ρ. Für jede Farbfolge η = (η 1,..., η k ) gilt P ({η}) = ρ(η) = k ρ f (η i ) = 1 k k N ηi.
7 3.2 Ziehe mit Zurücklege 7 Ist übriges F : [] k E k (ν 1,..., ν k ) (f(ν 1 ),..., f(ν k )), die Fuktio die eier Folge vo Bälle die zugehörige Folge vo Farbe zuordet, so gilt ρ F = ρ k f, falls wir F als eie Fuktio auf ([] k, ρ k ) betrachte. Beweis. Für jedes η Ω gilt P ({η}) = ρ(η) 2.8 = k ρ f (η i ) 3.8(ii) = N ηi = 1 k k N ηi. Außerdem gilt ρ F (η) = ρ k (F 1 (η)) = = 1 k ν F 1 (η) Ω ν F 1 (η) Ω ρ k (ν) = ν F 1 (η) Ω 1 k 1 = 1 k F 1 (η) = ρ(η) = ρ k f (η) Korollar. Falls i obigem Satz 3.12 jeder Ball geau eie Farbe hat, d.h. falls f : [] E bijektiv ist, so geht der farbige Fall i de farblose Fall über, d.h. es gilt da wie i Satz P ({η}) = 1 k Bemerkug. Astatt die Bälle mit Nummer i [] durchzuummeriere köe sie ja auch mit verschiedee Farbe e E durchgefärbt werde. Ist E = {1,..., }, so etspricht f lediglich eier Umummerierug. Falls f(i) = i, so ädert sich überhaupt ichts. Dies bezeiche wir im Folgede als de farblose Fall. Wir wolle daher bei de adere Experimete immer gleich de farbige Fall studiere. Der farblose folgt da direkt so wie hier. Es ist allerdigs zugegebeermaße etwas verwirred, dass der farbige Fall ausgerechet für maximal viele verschiedee Farbe i de farblose Fall übergeht ugeordet 3.15 Experimet (ugeordetes Ziehe mit Zurücklege). I eier Ure seie durchummerierte Bälle mit l uterschiedliche Farbe E. Wir ziehe u k mal zufällig eie Ball aus der Ure, otiere seie Farbe, ud lege ih zurück i die Ure. Wir erhalte eie Folge η = (η 1,..., η k ) E k vo Farbe. Für jede Farbe e E zähle wir u, wie oft sie i der Folge η vorkommt. Wir erhalte somit eie Folge ˆµ = (ˆµ 1,..., ˆµ l ) vo Häufigkeite, wobei für alle 1 e l ˆµ e (η) := {η i E i [k], f(η i ) = e}, d.h. µ e gibt a, wie oft Farbe e gezoge wurde. Wie groß ist die Wahrscheilichkeit, dass sich beim Ziehe eie vorgegebee Häufigkeitsverteilug ˆµ = (ˆµ 1,..., ˆµ l ) ergibt?
8 3.3 Ziehe ohe Zurücklege Satz ud Defiitio (ugeordetes Ziehe mit Zurücklege). Defiiere ud es sei Ω := {ˆµ [k] l 0 ˆµ = k} S : Ω Ω η (ˆµ 1 (η),..., ˆµ l (η)). Der Wahrscheilichkeitsraum ( Ω, ˆρ), ˆρ := ρ S, heißt da (farbiges) ugeordetes Ziehe mit Zurücklege. Wir otiere sei Wahrscheilichkeitsmaß mit ˆP. Sei ˆµ = (ˆµ 1,..., ˆµ l ) ˆΩ beliebig vorgegebe. Da gilt ( ) k ˆP ({ˆµ}) = ρ S (ˆµ) = ρ (e)ˆµe f. ˆµ e E Beweis. Wir reche ˆP ({ˆµ}) = ρ S (ˆµ) = P (S 1 (ˆµ)) = = η S 1 (ˆµ) l η S 1 (ˆµ) e=1 ρ f (e)ˆµe = l ρ(η) 3.12 = η S 1 (ˆµ) e=1 ρ f (e)ˆµe η S 1 (ˆµ) k 1 = ρ f (η i ) ( ) k l ˆµ ρ f (e)ˆµe, e=1 wobei ma die letzte Gleichug wie folgt eisehe ka: Für eie gegebee Häufigkeitsverteilug ˆµ müsse wir also die Azahl aller Farbfolge η bestimme, die die Häufigkeitsverteilug S(η) = ˆµ habe. Da ˆµ = k besteht die Farbfolge aus k Bälle. Es gibt k! Möglichkeite diese azuorde. Wir uterscheide aber icht zwische Bälle gleicher Farbe. Daher falle bei diese ( ) k! Möglichkeite für jede Farbe e grade ˆµ e! Möglichkeite weg. Isgesamt erhalte wir also kˆµ = k! ˆµ! viele Möglichkeite Defiitio (Multiomialverteilug). Das Wahrscheilichkeitsmaß P auf Ω aus obigem Satz 3.16 heißt auch Multiomialverteilug zu k ud ρ ud wird auch mit ( ) M k,ρ ({ˆµ}) := P k ({ˆµ}) = ρ (e)ˆµe f ˆµ otiert Korollar (farbloser Fall). Im farblose Fall gilt ( ) k ( 1 ˆP ({ˆµ}) = ρ S (ˆµ) = ˆµ l 3.3 Ziehe ohe Zurücklege farblos e E e E )ˆµe = 1 l k ( ) k = 1 ( ) ˆµ kˆµ k. Auch beim Ziehe ohe Zurücklege ist es ützlich zuächst de farblose Fall zu utersuche Experimet (farbloses geordetes Ziehe mit Zurücklege). I eier Ure seie durchummerierte Bälle. Wir ziehe u k mal zufällig eie Ball aus der Ure, otiere seie Nummer, ud lege ih icht zurück i die Ure. Wir erhalte eie Folge ν = (ν 1,..., ν k ) [] k vo Nummer. Wie groß ist die Wahrscheilichkeit, dass sich beim Ziehe eie vorgegebee Folge vo Nummer ν = (ν 1,..., ν k ) ergibt? Dieses Experimet ergibt gaz offesichtlich ur Si, falls k (im Gegesatz zum Ziehe mit Zurücklege).
9 3.3 Ziehe ohe Zurücklege Satz ud Defiitio (farbloses geordetes Ziehe ohe Zurücklege). Sei k. Defiiere Ω := {ν [] k 1 i, j k : i j ν i ν j }, (das heißt eifach ur, dass die Eiträge vo ν paarweise verschiede sei solle) ud es seie ρ, P := P ρ gegebe durch die uiforme Verteilug. Der Wahrscheilichkeitsraum (Ω, P ) heißt farbloses geordetes Ziehe ohe Zurücklege. Es gilt für jedes ν Ω P ({ν}) = ρ (ν) = 1 Ω = 1 ( 1)... ( k + 1) ( k)! =.! Beweis. Es geügt Ω zu bereche: Da die Eiträge eies jede ν Ω paarweise verschiede sei solle (was aschaulich heißt, dass ei eimal gezogeer Ball icht ochmals gezoge werde ka), gibt es für de erste Eitrag also Möglichkeite, für de zweite ( 1) Möglichkeite u.s.w. bis ma schließlich och ( k + 1) Möglichkeite für de k-te Eitrag übrig hat Experimet (farbloses ugeordetes Ziehe ohe Zurücklege). I eier Ure seie durchummerierte Bälle. Wir ziehe u k mal zufällig eie Ball aus der Ure, otiere seie Nummer, ud lege ih icht zurück i die Ure. Uter Verachlässigug der Reihefolge erhalte wir eie Mege ˇν = {ˇν 1,..., ˇν k } [] vo Nummer. Wie groß ist die Wahrscheilichkeit, dass eie vorgegebee Mege ˇν gezoge wird? 3.22 Satz ud Defiitio (farbloses ugeordetes Ziehe ohe Zurücklege). Sei k. Defiiere ˇΩ := {ˇν [] ˇν = k} ud es seie ˇρ, ˇP := Pˇρ gegebe durch die uiforme Verteilug. Der Wahrscheilichkeitsraum (ˇΩ, ˇP ) heißt farbloses ugeordetes Ziehe ohe Zurücklege. Ist so gilt ρ Y = ˇρ ud außerdem für jedes ˇν ˇΩ Y : Ω ˇΩ ν = (ν 1,..., ν k ) {ν 1,..., ν k }, ˇP ({ˇν}) = ˇρ(ˇν) = 1 ( k). Die Gleichheit ρ Y = ˇρ bedeutet aschaulich, dass es beim ugeordete Ziehe ohe Zurücklege egal ist, ob wir der Reihe ach k Bälle ziehe ud da die Reihefolge verachlässige oder alle k Bälle mit eiem Griff auswähle. Beweis. Wir reche ρ Y (ˇν) = P (S 1 (ˇν)) = ν S 1 (ˇν) ρ (ν) 3.20 ( k)! = k!! = ( 1 ) = 1 k ˇΩ = ˇρ(ˇν).
10 3.3 Ziehe ohe Zurücklege farbig 3.23 Experimet (farbiges geordetes Ziehe ohe Zurücklege). I eier Ure seie durchummerierte Bälle i l verschiedee Farbe. Wir ziehe u k mal zufällig eie Ball aus der Ure, otiere seie Farbe, ud lege ih icht zurück i die Ure. Wir erhalte eie Folge η = (η 1,..., η k ) [l] k vo Nummer. Wie groß ist die Wahrscheilichkeit, dass sich beim Ziehe eie vorgegebee Folge vo Farbe η = (η 1,..., η k ) ergibt? Dieses Experimet ergibt gaz offesichtlich ur Si, falls k (im Gegesatz zum Ziehe mit Zurücklege) Satz ud Defiitio (farbiges geordetes Ziehe ohe Zurücklege). Sei k. Defiiere Defiiere Ω := E k. F : Ω Ω ν = (ν 1,..., ν k ) (f(ν 1 ),..., f(ν k )) ud ρ := ρ F. Der Wahrscheilichkeitsraum (Ω, P ) heißt farbiges geordetes Ziehe ohe Zurücklege. Es gilt für jedes η Ω P ({η }) = ρ (η ) = ( k)! k! k N η i. Beweis. Wir reche P (η ) = ρ (η ) 3.20 = F 1 (η ( k)! ( k)! ) = k! k! k N η i Experimet (farbiges ugeordetes Ziehe ohe Zurücklege). I eier Ure seie durchummerierte farbige Bälle i l verschiedee Farbe E. Wir ziehe u k mal zufällig eie Ball aus der Ure, otiere seie Nummer ud lege ih icht zurück i die Ure. Wir erhalte eie Mege ˇν = {ˇν 1,..., ˇν k } [] vo farbige Bälle. Für jede Farbe e E zähle wir die auftretede Häufigkeit µ e (ˇν) := ˇν F e Wie groß ist die Wahrscheilichkeit, dass sich beim Ziehe eie vorgegebee Folge vo Häufigkeite µ = (µ 1,..., µ l ) ergibt? 3.26 Satz ud Defiitio (farbiges ugeordetes Ziehe ohe Zurücklege). Sei k. Defiiere Ω := Ω = { µ [k] l 0 µ = k}. Defiiere T : ˇΩ Ω ˇν (µ 1 (ˇν),..., µ l (ˇν)) = ( ˇν F 1,..., ˇν F l ). Defiiere ρ := ρ T. Der Wahrscheilichkeitsraum ( Ω, P ) heißt farbiges ugeordetes Ziehe ohe Zurücklege. Es gilt für jedes µ Ω gilt ( Ne ) e E µ P ({ µ}) = ρ( µ) = ( e. k)
11 Literatur 11 Beweis. Wir reche P ( µ) = ρ( µ) = ˇP (T 1 ( µ)) = ˇν T 1 ( µ) ˇρ(ˇν) 3.22 = T 1 ( µ) ( 1 = k) ( Ne ) µ ( e, k) wobei ma die letzte Gleichheit wie folgt eisehe ka: Für jede Farbe e E gibt es geau ( N e µ e ) viele Möglichkeite eie µ e viele Bälle der Farbe e zu ziehe. Ma erhält also die Azahl der mögliche Ballmege zu eier gegebee Häufigkeitsverteilug µ als das behauptete Produkt. e E 3.27 Defiitio (Hypergeometrische Verteilug). Das Wahrscheilichkeitsmaß P auf Ω aus Satz 3.26 obe heißt auch hypergeometrische Verteilug ud wird mit ( Ne ) e E µ H,N ( µ) = ( e k) otiert. Hier ist N := (N 1,..., N l ) der Vektor der Farbazahle ud k := µ. Stelle wir alle Ergebisse dieses Kapitels zusamme, so köe wir sämtliche Frage der Zufallsexperimete aller Uremodelle aus 3.1 beatworte Satz (Uremodelle). I eier Ure seie durchummerierte Bälle mit Farbe E, E = l. Es werde daraus k Bälle gezoge. Da wird dieses Ziehe mit/ohe Zurücklege durch die folgede Wahrscheilichkeitsräume modelliert: Ziehe mit Zurücklege ohe Zurückklege geordet Ω = E k, Ω = E k, ρ(η) = 1 k k N η i, ρ (η ) = ( k)! k k! N η, i Satz 3.12 Satz 3.24 ugeordet ˆΩ = {ˆµ [k] l 0 ˆµ = k}, Ω ˆρ(ˆµ) = M k,ρ (ˆµ) = ( = { µ [k] l 0 µ = k}, ) k ˆµ e E ρ f (e)ˆµe e E (, ρ( µ) = H,N ( µ) = µe, ( k) multiomial, Satz 3.16 hypergeometrisch, Satz 3.26 Tabelle 2: Uremodelle (farbig) Ziehe mit Zurücklege ohe Zurückklege Ω = N, k Ω = {ν [] k 1 i, j k : i j ν i ν j }, geordet ρ( ν) = 1, ρ k (ν) = ( k)!!, uiform, Satz 3.10 uiform, Satz 3.20 ugeordet ˆΩ = [] k, ˇΩ = {ˇν [] ˇν = k}, ˆρ(ˆµ) = 1 ( kˆµ), ˇρ(ˇν) = k ( 1 k), Korollar 3.18 uiform, Satz 3.22 Tabelle 3: Uremodelle (farblos) Literatur [1] Georgii, Has-Otto: Stochastik
12 Idex 12 Idex Ball, 4 Ereigis, 2 Ereigisraum, 2 Farbe, 4 Farbfuktio, 4 farbloser Fall, 6 hypergeometrische Verteilug, 10 iduzierte Verteilug, 2 Multiidex, 1 Multiomialkoeffiziet, 1 Multiomialverteilug, 7 Produktraum, 2 uiforme Verteilug, 2 Uremodelle, 3 Wahrscheilichkeit, 2 Wahrscheilichkeitsmaß, 1 Wahrscheilichkeitsraum, 2 Wahrscheilichkeitsvektor, 2 Zähldichte, 2 Ziehe ugeordet mit Zurücklege, 7 Zufallsvariable, 2
13 Idex 13 Symbolverzeichis 2 Ω Potezmege vo Ω, page 1 α Fakultät eies Multiidex, page 1 H,N ( µ) hypergeometrische Verteilug, page 10 M k,ρ Multiomialverteilug, page 8 [] atürliche Zahle 1 i, page 4 [] 0 atürliche Zahle 0 i, page 4 N atürliche Zahle N = {1, 2, 3,...}, page 1 N 0 atürliche Zahle mit Null N 0 = {0, 1, 2, 3,...}, page 1 P X vo X iduziertes Wahrscheilichkeitsmaß, page 3 ρ X die vo X iduzierte Zähldichte, page 3
Stochastik 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,
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,...,
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
MehrKombinatorik. Systematisches Abzählen und Anordnen einer endlichen Menge von Objekten unter Beachtung vorgegebener Regeln.
Systematisches Abzähle ud Aorde eier edliche Mege vo Objekte uter Beachtug vorgegebeer Regel Permutatioe Variatioe Kombiatioe Permutatioe: Eie eieideutige (bijektive) Abbildug eier edliche Mege i sich
MehrStochastik A. Prof. Dr. Barbara Gentz
Stochastik A Prof. Dr. Barbara Getz Zusammefassug. Diese Mitschrift basiert auf Frau Prof. Getz Vorlesug Stochastik A aus dem Witersemester 2010/2011, welche sich i weite Teile a [Mee03] orietiert. Wer
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
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
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
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
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
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
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
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
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
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
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
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
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
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
MehrWörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrMathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes.
Prof. Dr. H. Breer Osabrück S 2010/2011 Mathematik III Vorlesug 81 Eigeschafte des Dachprodukts Die folgede Aussage beschreibt die uiverselle Eigeschaft des Dachproduktes. Satz 81.1. Es sei K ei Körper,
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
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
MehrKreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
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
MehrZählterme (Seite 1) Aufgabe: Wie viele Nummernschilder kann es theoretisch im Raum Dresden geben? Wann müsste die 4.Ziffer eingeführt werden?
Bemerkug: I Mathematik sollte ma keie Fahrpläe verwede, i der Stochastik erst recht icht. Zitat vo S.L. Das Baumdiagramm ist aber fast immer ei geeigetes Hilfsmittel. Produktregel Aufgabe: Wie viele Nummerschilder
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
MehrElemente der Mathematik - Winter 2016/2017
4 Elemete der Mathemati - Witer 201/2017 Prof. Dr. Peter Koepe, Regula Krapf Übugsblatt 8 Aufgabe 33 ( Pute). Beweise Sie folgede Idetitäte durch vollstädige Idutio: (a) 0 2 (1)(21), N. (b) 2 (1 1 ) 1
Mehr5.3 Ergebnis- und Ereigniswahrscheinlichkeiten
5 Grudbegriffe der Wahrscheilichkeitstheorie 43 5.3 Ergebis- ud Ereigiswahrscheilichkeite Bisheriger Aufbau Wir habe die Wahrscheilichkeitstheorie aufgebaut, idem wir mit der Defiitio vo Ergebiswahrscheilichkeite
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
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
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
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,
MehrWir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
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
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-
Mehr1.3 Funktionen. Seien M und N Mengen. f : M N x M : 1 y N : y = f(x) nennt man Funktion oder Abbildung. Beachte: Zuordnung ist eindeutig.
1.3 Fuktioe Seie M ud N Mege f : M N x M : 1 y N : y fx et ma Fuktio oder Abbildug. Beachte: Zuordug ist eideutig. Bezeichuge: M : Defiitiosbereich N : Bildbereich Zielmege vo f Der Graph eier Fuktio:
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe
MehrKombinatorik und Polynommultiplikation
Kombiatorik ud Polyommultiplikatio 3 Vorträge für Schüler SS 2004 W Pleske RWTH Aache, Lehrstuhl B für Mathematik 3 Eiige Zählprizipie ud Ausblicke Wir habe bislag gesehe, was die Multiomialkoeffiziete
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
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,
Mehr1 Randomisierte Bestimmung des Medians
Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser
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
MehrAsymptotische Notationen
Foliesatz 2 Michael Brikmeier Techische Uiversität Ilmeau Istitut für Theoretische Iformatik Sommersemester 29 TU Ilmeau Seite 1 / 42 Asymptotische Notatioe TU Ilmeau Seite 2 / 42 Zielsetzug Igoriere vo
MehrBeispiel 4 (Die Urne zu Fall 4 mit Zurücklegen und ohne Beachten der Reihenfolge ) das Sitzplatzproblem (Kombinationen mit Wiederholung) Reihenfolge
1 Beispiel 4 (Die Ure zu Fall 4 mit Zurücklege ud ohe Beachte der Reihefolge ) das Sitzplatzproblem (Kombiatioe mit Wiederholug) 1. Übersicht Ziehugsmodus ohe Zurücklege des gezogee Loses mit Zurücklege
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
MehrSkriptum zur ANALYSIS 1
Skriptum zur ANALYSIS 1 Güter Lettl WS 2017/2018 1. Grudbegriffe der Megelehre ud der Logik 1.1 Naive Megelehre [Sch-St 4.1] Defiitio eier Mege ach Georg Cator (1845 1918):,,Eie Mege M ist eie Zusammefassug
Mehrso spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.
Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
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
MehrELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS
ELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS vo Rolf Waldi 1 Kapitel I. Elemetare Zahletheorie 1 Grudlegede Regel ud Prizipie Es wird vorausgesetzt, daß der Leser mit gaze Zahle reche ka ud
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrIndizieren Sie die folgenden Summen und Produkte gemäß der Vorgabe um und schreiben Sie sie einmal explizit aus: 5
FU Berli: WiSe 13-14 (Aalysis 1 - Lehr.) Übugsaufgabe Zettel 9 Aufgabe 37 Idiziere Sie die folgede Summe ud Produte gemäß der Vorgabe um ud schreibe Sie sie eimal explizit aus: 5 (a) + 1) 0( Lösug. Die
MehrStarke und schwache Einwegfunktionen
Starke ud schwache Eiwegfuktioe Daiela Weiberg weiberg@iformatik.hu-berli.de Semiar: Perle der theoretische Iformatik Dozete: Prof. Johaes Köbler, Olaf Beyersdorff Witersemester 2002/2003 2. Dezember 2002
Mehr10. Testen von Hypothesen Seite 1 von 6
10. Teste vo Hypothese Seite 1 vo 6 10.1 Eiführug i das Teste vo Hypothese Eie Hypothese ist eie Vermutug bzw. Behauptug über die Wahrscheilichkeit eies Ereigisses. Mit Hilfe eies geeigete Tests (=Testverfahre)
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
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
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
MehrFolgen und Reihen. 23. Mai 2002
Folge ud Reihe Reé Müller 23. Mai 2002 Ihaltsverzeichis 1 Folge 2 1.1 Defiitio ud Darstellug eier reelle Zahlefolge.................. 2 1.1.1 Rekursive Defiitio eier Folge......................... 3 1.2
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrGleichungen und Ungleichungen. Mathematische Grundlagen. Beispiel. Beispiel. Lösung einer quadratischen Gleichung:
Gleichuge ud Ugleichuge Mathematische Grudlage Das Hadout ist Bestadteil der Vortragsfolie zur Höhere Mathemati; siehe die Hiweise auf der Iteretseite wwwimgui-stuttgartde/lstnumgeomod/vhm/ für Erläuteruge
MehrStochastik I TU Dortmund, Sommersemester 2014
Stochastik I TU Dortmud, Sommersemester 204 Dieses Vorlesugsskript ist aus meier persöliche Mitschrift der Vorlesug Stochastik I bei Professor Dr. M. Voit im Sommersemester 204 etstade. Ich habe versucht
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 3..05 Höhere Mathemati für die Fachrichtug Physi Lösugsvorschläge zum 3. Übugsblatt Vorbemerug
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
MehrAnalysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),
Aalysis, Woche 2 Reelle Zahle A 2. Ordug Defiitio 2. Ma et eie Ordug für K, we. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a, b, c K
Mehr3 Grenzwerte. 3.1 Grenzwerte von Folgen
03-grezwerte.cdf 3 Grezwerte 3. Grezwerte vo Folge Kovergez Mache Folge zeige ei spezielles Verhalte, we der Idex sehr groß wird. Sie äher sich eier bestimmte Zahl. Betrachte wir zum Beispiel die Folge
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
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukture Prof. Dr. J. Esparza Lehrstuhl für Grudlage der Softwarezuverlässigkeit ud theoretische Iforatik Fakultät für Iforatik Techische Uiversität Müche http://www7.i.tu.de/u/courses/ds/ws0910
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
MehrDas Erstellen von Folgen mit der Last Answer Funktion
Schülerarbeitsblatt Wisseschaftlicher Recher EL-W5 WriteView Das Erstelle vo Folge mit der Last Aswer Fuktio 5 9 Die obige Folge wird ach eier eifache Regel gebildet: Zu jedem Glied wird addiert. Über
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
MehrKombinatorik. Permutationen Permutationen eines Kollektivs
Kombiatorik Permutatioe Permutatioe eies Kollektivs Kombiatorik Die Fuktio P perm_a gibt die kombiatorische Azahl der mögliche Aorduge oder Permutatioe a, die sich bei der Umordug der atürliche gaze Zahle,,...
Mehrmit (a 1 ) (0,0,,0). Dann ist die Menge,,a n,a 2 eine endliche Menge und besitzt ein grösstes Element ggt(a 1
Kapitel 1: Reste, Teiler, Vielfache Defiitio Es sei a 0. Die Zahl b 0 ist ei Teiler vo a, we es ei u 0 gibt, sodass ub= a. Ist b ei Teiler vo a, so ist a ei Vielfaches vo b. Bezeichug b a für b ist Teiler
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
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
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
MehrHilfsmittel aus der Kombinatorik, Vollständige Induktion, Reelle Zahlenfolgen
7. Vorlesug im Brückekurs Mathematik 2017 Hilfsmittel aus der Kombiatorik, Vollstädige Iduktio, Reelle Zahlefolge Dr. Markus Herrich Markus Herrich Kombiatorik, Vollstädige Iduktio, Zahlefolge 1 Hilfsmittel
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.
MehrMusterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09
Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht
MehrNormierte Vektorräume
Normierte Vektorräume Wir betrachte im Folgede ur Vektorräume über R 1. Sei also V ei Vektorraum. Wir möchte Metrike auf V betrachte, die im folgede Sie mit der Vektorraumstruktur verträglich sid:, y,
Mehrb) Alle ganzen Zahlen die auf 0 enden sind durch 5 teilbar Spezialisierung: 120 endet auf ist durch 5 teilbar
d) Die Beweismethode der vollstädige Iduktio Der Übergag vo allgemeie zu spezielle Aussage heisst Deduktio Beispiele: a) Allgemeie Aussage: Spezialisierug: Schluss: Alle Mesche sid sterblich Sokrates ist
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,
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
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
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
MehrLeitfaden Bielefeld SS 2007 III-4
Leitfade Bielefeld SS 2007 III-4 8.2. Der allgemeie Fall. Satz. Sei N 1, sei ω eie primitive -te Eiheitswurzel ud K = Q[ω ]. Da gilt: (a) [K : Q] = φ(), (b) Φ ist irreduzibel, (c) O K = Z[ω ]. (d) Eie
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
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
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
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.
MehrÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre
MehrGrenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen
. Der Grezwert vo mootoe, beschräkte Folge Der Grezwert vo mootoe, beschräkte Folge ist eifacher verstädlich als der allgemeie Fall. Deshalb utersuche wir zuerst diese Spezialfall ud verallgemeier aschliessed.
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof Dr R Köig Dr M Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik für Physiker (Aalysis ) MA90 Witersem 07/8 Lösugsblatt 4 http://www-m5matumde/allgemeies/ma90 07W (007)
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
MehrEinführung in die Stochastik. Vorlesungsskript
Eiführug i die Stochastik Vorlesugsskript Peter Mörters Uiversität zu Köl Mathematisches Istitut Witersemester 217/18 2 Ihaltsverzeichis 1 Wahrscheilichkeitsräume als stochastische Modelle für Zufallsexperimete
Mehr