2 Zufallsvariable, Verteilungen, Erwartungswert
|
|
- Hinrich Hofmeister
- vor 7 Jahren
- Abrufe
Transkript
1 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments abhängt, z.b. - Werfen zweier Würfel: X = Augensumme - Ziehen von n aus N = R + S Kugeln: Y = Anzahl der gezogenen roten Kugeln { - ω Zufallszahl in (0,): Z =, ω /2 0, ω > /2 - Ziehen von n aus N = N N k Kugeln: (X,...,X k ), wobei X i = Anzahl Kugeln der Farbe i u.s.w. Formal: Abbildung X : Ω X. Bei X - abzählbar: diskrete Zufallsvariable (ZV.) - R : reelle ZV. - R k : (k-dim.) Zufallsvektor X ist nicht beliebig, sondern so, dass die Mengen {X B} := {ω X(ω) B} = X (B) = X liegt in B für B B, B σ-algebra in X, eine Wahrscheinlichkeit besitzen; genauer: Definition 2.. Seien (Ω, A,P) ein W-Raum, X : Ω X eine Abbildung und B eine σ-algebra in X. X heißt Zufallsvariable (auf Ω mit Werten in X ), falls {X B} A B B ( Messbarkeit ) Schreibweise : X : (Ω, A) (X, B) 5
2 Bemerkung 2.. a) Das W-Maß P geht nicht in die Definition der ZV. ein, aber die Messbarkeit bewirkt, dass P(X B) für alle B B definiert ist. b) Falls A = P(Ω) (z.b. bei diskreten W-Räumen), so ist jede Abbildung X : Ω X eine ZV. c) Bei X = R, B = B = Borel-σ-Algebra, genügt es zu fordern (vgl. Wahrscheinlichkeitstheorie ), dass gilt: {X (a,b)} A (a,b) R. Durch eine ZV. X findet ein Übergang statt von einem (Urbild-) W-Raum (Ω, A,P) in einen (Bild-) W-Raum (X, B,P X ), wobei das W-Maß P X im Bildraum durch X und P wie folgt festgelegt ist: (2.) P X (B) := P(X B) = P(X (B)) B B. Satz 2.. Seien (Ω, A,P) ein W-Raum und X : (Ω, A) (X, B) eine Zufallsvariable. Dann ist durch (2.) ein W-Maß P X auf B definiert, d.h. (X, B,P X ) ist (wieder) ein W-Raum. Definition 2.2. Das durch X und P auf B induzierte W-Maß P X (W-)Verteilung der ZV. X. heißt Bemerkung 2.2. Jedes W-Maß P kann als Verteilung einer ZV. X aufgefasst werden. Man wähle, bei gegebenem (Ω, A,P), etwa X = Ω, B = A, X = id Ω [= P X = P ]. Dies führt dazu, dass anstelle von W-Modellen (Ω, A, P) häufig direkt Modelle für ZV. X angegeben werden, etwa (X, B,P X ). Beispiel 2.. a) Ziehen von n aus N = R + S Kugeln (mit Zurücklegen): X = Anzahl gezogener roter Kugeln W-Modell: (X, B,P X ), wobei X = {0,,...,n}, B = P(X) und P X (B) = ( n ( )p k ( p) n k p = R ) k N k B Es genügt die Angabe von: P X ({k}) = ( n k) p k ( p) n k (k = 0,,...,n). b) X = Anzahl von Schadenfällen in einer KFZ-Versicherungsklasse pro Jahr 6
3 W-Modell: (X, B,P X ), wobei X = N 0, B = P(N 0 ), P X ({k}) = λk k! e λ (k = 0,,... ; λ > 0, fest) c) U = Zufallszahl aus (0, ) W-Modell: (X, B,P U ), wobei X = (0, ), B = Borel-σ-Algebra und P U ( (a,b) ) = b a (a,b) (0, ) Bemerkung: Dies legt eindeutig ein W-Maß P U auf B fest (vgl. Wahrscheinlichkeitstheorie : Existenz und Eindeutigkeit von Maßfortsetzungen). d) T = Lebensdauer einer Festplatte W-Modell: (X, B,P T ), wobei X = [0, ), B = Borel-σ-Algebra, und ( ) b P T (a,b) = λe λt dt (a,b) [0, ) a (λ > 0, fest) P T =: Exp(λ) heißt Exponentialverteilung mit Parameter λ. Das Zufallsgeschehen der ZV. X wird vollständig durch P X beschrieben. Ist X reellwertig, so ist P X eindeutig durch die (so genannte) Verteilungsfunktion von X festgelegt: Definition 2.3. Sei (X, B,P X ) W-Modell einer reellen ZV. X. Die Abbildung F = F X : R [0, ] mit ( ) F(x) := P(X x) = P X (,x], x R, heißt Verteilungsfunktion (VF.) von X (bzw. zu P X ). Beispiele 2. (Fortsetzung) a) B(n,p) - Verteilung: F ist stückweise konstant mit Sprüngen in k der Höhe ( ) n p k = p k ( p) n k (k = 0,,...,n) k b) π λ - Verteilung: analog F stückweise konstant, Sprunghöhe in k : λ k k! e λ (k N 0 ) 7
4 c) R(0, ) - Verteilung: u (0, ) : F(u) = P(U u) = P(U (0,u]) = u u 0 : F(u) = 0 ; u : F(u) = d) Exp(λ) - Verteilung: t > 0 : F(t) = P(T t) = P(T [0,t]) = t 0 : F(t) = 0 t 0 λe λx dx = e λt Verteilungsfunktionen von reellen ZV. besitzen drei charakteristische Eigenschaften: Satz 2.2. Sei F VF. einer reellen ZV. X auf (Ω, A, P). Dann gilt : (i) F ist monoton wachsend ; (ii) F ist rechtsstetig ; (iii) lim F(x) = 0, x lim F(x) =. x + Weitere Eigenschaften reeller VF.: Satz 2.3. Sei F VF. einer reellen ZV. X auf (Ω, A, P). Dann gilt : (iv) F besitzt linksseitige Limiten, d.h. für x n x (n ), x n < x n, gilt : lim F(x n) =: F(x ) = P(X < x) ; n (v) P(X = x) = F(x) F(x ) x R ; (vi) Ist P X absolut-stetig mit Dichte f, d.h. gilt ( ) b P X (a,b) = f(x)dx (a,b) R, a so folgt : f(x) = F (x) Stetigkeitspunkte x von f (x C f ). Bemerkung 2.3. Die VF. F X einer ZV. X ist offenbar durch P X eindeutig festgelegt. Umgekehrt gilt (vgl. Wahrscheinlichkeitstheorie ): Jede Funktion F mit den Eigenschaften (i)-(iii) aus Satz 2.2 legt eindeutig ein W-Maß P X fest mit ( ) P X (a,b] = F(b) F(a) (a,b] R. 8
5 Mögliche Angabe von W-Modellen für ZV. X : a) X ist diskret verteilt, d.h. P(X = x i ) > 0 für abzählbar viele x i und P(X = x i ) =. Dann: i= Angabe von: X = X(Ω), etwa X = {x,x 2,...} B = P(X) p i = P(X = x i ) 0, (diskrete W-Dichte) p i = b) X ist reell und absolut-stetig mit W-Dichte f, d.h. ( ) b P X (a,b) = f(x)dx (a,b) R a i= Angabe von: X = R ( X(Ω)), B = B = Borel-σ-Algebra P X über Dichte f oder VF. F. Obige Möglichkeiten sind nicht erschöpfend, denn es gibt (z.b.) reelle ZV., die weder diskret noch absolut-stetig sind. Funktionen von Zufallsvariablen und deren Verteilungen Seien (Ω, A, P) W-Raum, X : Ω R ZV. und h : R R reelle Funktion. Ist dann Y := h(x) wieder eine reelle ZV. (Messbarkeit!), so berechnet sich deren Verteilung wie folgt: a) Y diskret verteilt mit Y (Ω) = {y,y 2,...} : P(Y = y i ) = P(h(X) = y i ) = P(X h ({y i })) b) Y besitzt VF. G, wobei G(y) = P(Y y) = P(h(X) y) = P(X h ((,y])), y R Bemerkung 2.4. Falls z.b. h stückweise stetig ist, d.h. stetig bis auf endlich viele Stellen, so ist Y = h(x) wieder eine ZV (vgl. Wahrscheinlichkeitstheorie ). 9
6 Beispiel 2.2. a) X diskret verteilt mit W-Dichte 3 2 x i P(X = x i ) Die Verteilung von Y = X 2 ergibt sich zu: 4 9 y i P(Y = y i ) b) X absolut-stetig verteilt mit Dichte { }, x 2 f(x) = 0, sonst R[, ] Verteilung Die Verteilung von Y = X 2 lässt sich z.b. über die VF. G von Y wie folgt bestimmen: { G(y) = P(Y y) = P(X 2 0, y < 0 y) = P( y X y), y 0 0, y < 0 = y, 0 y, y > G ist stückweise stetig differenzierbar mit { G 2 (y) =, 0 < y < y 0, y < 0 y > Setzt man g(y) = 2 I y (0,)(y), so gilt: G(y) = y g(v)dv, d.h. Y ist absolut-stetig verteilt mit Dichte g. 20
7 Kenngrößen von Verteilungen Betrachte ein Spiel, in dem man mit Wahrscheinlichkeiten p i einen Gewinn x i erzielen kann (i =,...,k). Was ist ein fairer Einsatz pro Spiel? Antwort (Jakob Bernoulli): Wird das Spiel n -mal gespielt ( n groß ), so erzielt man in ca. np Spielen den Gewinn x np 2 Spielen den Gewinn x np k Spielen den Gewinn x k Gesamtgewinn x np + x 2 np x k np k Durchschnittlicher Gewinn (pro Spiel) x p + + x k p k Definition 2.4. a) Sei X reell und diskret verteilt auf (Ω, A, P) mit W-Dichte x i p(x i ), i =, 2,.... Falls x i p(x i ) <, so heißt i= EX = E(X) = x i p(x i ) = i= x i P(X = x i ) i= der Erwartungswert (EW.) von X (unter P). b) Sei X reell und absolut stetig verteilt auf (Ω, A, P) mit Dichte f. Falls x f(x)dx <, so heißt EX = E(X) = xf(x)dx der Erwartungswert von X (unter P). Bemerkung 2.5. Sowohl im diskreten als auch im absolut-stetigen Fall lässt sich EX interpretieren als Schwerpunkt einer Massenverteilung auf der reellen Achse. Der Begriff des Erwartungswertes überträgt sich wie folgt auf eine reelle Funktion Y = h(x) : 2
8 Satz 2.4. (vgl. Wahrscheinlichkeitstheorie ) Sei X ZV. auf (Ω, A,P) mit Werten in (X, B) und Y = h(x) reelle ZV. Dann gilt : a) Falls X diskret verteilt ist mit Werten x i X (i =, 2,...), P(X = x i ) =, und h(x i ) P(X = x i ) <, so folgt : i= i= Eh(X) = h(x i )P(X = x i ). i= b) Falls X reell und absolut-stetig verteilt ist mit Dichte f und h(x) f(x)dx <, so folgt : Eh(X) = h(x)f(x)dx. Beispiel 2.3. a) X B(n,p) - verteilt (n N, 0 < p < ) : EX = n ( ) n k p k ( p) n k k k=0 b) X π λ - verteilt (λ > 0) : = np (p + ( p)) n = np n ( ) n = np p l ( p) (n ) l l l=0 EX = k=0 k λk k! e λ = λe λ k= λ k (k )! = λ c) X R[a,b] - verteilt (a < b): EX = b a x ( ) b a dx = b 2 b a 2 a2 2 = a + b 2 d) X Exp(λ) - verteilt (λ > 0) : EX = 0 xλe λx dx u=λx = du=λdx λ ue u du = λ 0 }{{} part.int. = 22
9 Wichtige Eigenschaften des Erwartungswertes: Satz 2.5. Seien X,Y reelle ZV. auf (Ω, A,P). Dann gilt : a) EX ist definiert ( existiert ) E X existiert, d.h. E X < ; b) EX E X, falls EX existiert ; c) X Y, EY existiert = EX existiert und E X EY ; d) X 0, EX = 0 P(X = 0) = ; e) P(X = Y ) =, EX existiert = EY existiert, EX = EY. Satz 2.6. Seien X,Y reelle ZV. mit existierenden EW. = E(aX) (a R), E(X + Y ) existieren und es gilt : } a) E(aX) = a EX b) E(X + Y ) = EX + EY Linearität Beispiel 2.4. (Qualitätskontrolle) Ziehen von n aus N = R + S Kugeln (ohne Zurücklegen) : X = Anzahl der gezogenen roten Kugeln, EX =?. Lösung: X ist H(n;N,R) - verteilt = ( n R N R ) EX = r r)( n r ) = = n R N r=0 ( N n 2. Lösung (Rechnen mit Indikatorvariablen) {, falls i - te gezogene Kugel Sei X i = 0, sonst = X = n X i, EX = i= rot n EX i = n R N, denn i= EX i = P(X i = ) + 0 P(X i = 0) R(N ) (N n + ) = = R N(N ) (N n + ) N =: p (also EX = n R N = np wie bei der B(n,p) - Verteilung) 23
10 Spezielle Erwartungswerte (falls existent): Für k N, E(X k ) - k-tes Moment von X E X k - k-tes absolutes Moment von X E(X EX) k - k-tes zentriertes Moment von X E X EX k - k-tes absolutes zentriertes Moment von X EX (k) = EX(X ) (X k + ) }{{} k Faktoren - k-tes faktorielles Moment von X Bemerkung 2.6. (Existenz obiger Momente) Seien X reelle ZV., c R, k N = a) E X k < E X ν < ν = 0,,...,k b) E(X k ) existiert E X k < E X c k < E(X c) k existiert Definition 2.5. Sei X reelle ZV. mit E(X 2 ) <. a) V ar(x) := E(X EX) 2 heißt Varianz von X; σ(x) := V ar(x) heißt Standardabweichung von X (auch Streuung von X); b) X heißt zentriert, falls EX = 0 ; X heißt standardisiert, falls EX = 0, V ar(x) =. Bemerkung 2.7. a) EX existiert = X := X EX ist zentriert; b) E(X 2 ) <, V ar(x) > 0 = X := X EX V ar(x) ist standardisiert. Es gilt der folgende Verschiebungssatz : Satz 2.7. Sei X reelle ZV. auf (Ω, A,P) mit E(X 2 ) < = V ar(x) = E(X 2 ) (EX) 2. 24
11 Weitere Eigenschaften : Satz 2.8. Sei X reelle ZV. auf (Ω, A, P). Dann gilt : a) V ar(ax + b) = a 2 V ar(x), falls E(X 2 ) <, a,b R ; b) P( X α) E X k α k, falls E X k <, α > 0 (Markov-Ungleichung), P( X EX α) V ar(x) α 2, falls EX 2 <, α > 0 (Tschebychev-Ugl.). Beispiele 2.3 (Fortsetzung) a) X B (n,p)-verteilt (n N, 0 < p < ) : EX(X ) = n ( n k(k ) k k=0 = n(n )p 2 n k=2 ) p k ( p) n k ( n 2 k 2 = E(X 2 ) = EX(X ) + EX = n(n )p 2 + np ) p k 2 ( p) (n 2) (k 2) = n(n )p 2 V ar(x) = EX(X ) + EX (EX) 2 = n 2 p 2 np 2 + np (np) 2 = np( p) b) X π λ - verteilt (λ > 0) : EX(X ) = k=0 k(k ) λk k! e λ = λ 2 e λ k=2 λ k 2 (k 2)! = λ 2 V ar(x) = EX(X ) + EX (EX) 2 = λ 2 + λ λ 2 = λ c) X R[a,b] - verteilt (a < b) : EX 2 = b a x 2 b a dx = b3 a 3 3(b a) = 3 (b2 + ab + a 2 ) V ar(x) = 3 (b2 + ab + a 2 ) 4 (a2 + 2ab + b 2 ) = d) X Exp(λ) - verteilt (λ > 0) : (b a)2 2 E(X 2 ) = 0 x 2 λe λx dx V ar(x) = 2 ( ) 2 λ 2 λ = λ 2 u=λx = du=λdx λ 2 0 = 2 λ 2 u 2 e u du }{{} part.int. = 2 (od. = Γ(3) = 2! = 2) 25
12 Beispiel 2.5. (Normalverteilung) W-Dichte f(x) = Eine reelle, absolut-stetig verteilte ZV. X mit 2πσ 2 e (x a)2 2σ 2, x R (a R, σ 2 > 0), heißt normalverteilt mit Parametern a,σ 2. Bezeichnung: N(a,σ 2 ) - Verteilung Die N(a,σ 2 ) - Verteilung spielt als Grenzverteilung von standardisierten Summenvariablen eine zentrale Rolle in der Stochastik (vgl. Zentraler Grenzwertsatz ). Man rechnet nach: f(x)dx = Ferner: ) X N(a,σ 2 ) - verteilt Z = X a σ N(0, ) - verteilt ; 2) EX = a ; 3) V ar(x) = σ 2. 26
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
Mehr2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit
2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit a) Fortsetzungssatz, Eindeutigkeit Es wird gezeigt, dass jedes Prämaß µ auf einem Ring R zu einem Maß µ auf A(R) fortgesetzt werden kann, d.h. µ kann
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrStochastik. Frank Eckert und. Thomas Huppertz Letzte Änderung:
Stochastik getext von Frank Eckert Frank.Eckert@post.rwth-aachen.de und Thomas Huppertz thuppert@fh-niederrhein.de Letzte Änderung: 4.Juli.2000 INHALTSVERZEICHNIS Inhaltsverzeichnis Kombinatorische Grundformeln
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrStatistik für Informatiker, SS Erwartungswert, Varianz und Kovarianz
Erwartungswert, Varianz und Kovarianz 1/65 Statistik für Informatiker, SS 2018 1.4 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo18/ 14.5.2018 / 28.5.2018
MehrStatistik für Informatiker, SS Erwartungswert, Varianz und Kovarianz
1/65 Statistik für Informatiker, SS 2017 1.3 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 7.6.2017 / 14.6.2017 2/65 Der Erwartungswert ist eine
MehrKapitel 2.9 Der zentrale Grenzwertsatz. Stochastik SS
Kapitel.9 Der zentrale Grenzwertsatz Stochastik SS 07 Vom SGGZ zum ZGWS Satz.4 (Schwaches Gesetz großer Zahlen) Sei (X i ) i eine Folge unabhängiger, identisch verteilter Zufallsvariablen mit E[X ]
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 10. Übung SS 18: Woche vom
Übungsaufgaben 10. Übung SS 18: Woche vom 18. 6. 22. 6. 2016 Stochastik IV: ZG (diskret + stetig); Momente von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrErwartungswerte, Varianzen
Kapitel 3 Erwartungswerte, Varianzen Wir wollen nun Zufallsvariablen eine Maßzahl zuordnen, die ihr typisches Verhalten in vager Weise angibt. Haben wir n Punkte x 1,...,x n R d, so ist der Schwerpunkt
Mehr12 Erwartungswerte. Erwartungswerte 111. Überblick
Erwartungswerte 111 12 Erwartungswerte Zur Motivation der Begrisbildung wird zunächst der Erwartungswert im diskreten Fall als Reihenwert eingeführt. Der allgemeine, auf dem Integral basierende Erwartungswert
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine diskrete reellwertige Zufallsvariable, d.h. eine ZV e mit Wertebereich R (oder einer Teilmenge davon), sodass eine
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrVertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 5.6.2013 8. Unabhängigkeit von Zufallsgrößen, Erwartungswert und Varianz 8.1
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrWahrscheinlichkeitsrechnung und Statistik
6. Vorlesung - 2018 Diskrete ZG eine diskrete ZG X wird vollständig durch ihre Wahrscheinlichkeitsverteilung beschrieben ( ) x1 x X 2... x i... = p 1 p 2... p i... P(X (a, b]) = und die Verteilungsfunktion
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrÜ b u n g s b l a t t 7
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten 1/43 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.1 Ereignisse, Zufallsvariablen und Wahrscheinlichkeiten
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
Mehr