2 Zufallsvariable, Verteilungen, Erwartungswert

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "2 Zufallsvariable, Verteilungen, Erwartungswert"

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 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

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 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.

Mehr

Zufallsvariable: Verteilungen & Kennzahlen

Zufallsvariable: Verteilungen & Kennzahlen Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert

Mehr

Erwartungswert und Varianz von Zufallsvariablen

Erwartungswert 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

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität 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

Mehr

2 Zufallsvariable und Verteilungsfunktionen

2 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

Mehr

Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen

Wahrscheinlichkeitstheorie 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

Mehr

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung

2.2 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

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I 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........................

Mehr

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit 3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate

Mehr

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6

1 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

Mehr

7.2 Moment und Varianz

7.2 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

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition 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)

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel 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

Mehr

3 Bedingte Wahrscheinlichkeit, Unabhängigkeit

3 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.

Mehr

8. 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. 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

Mehr

Vorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen

Vorlesung 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

Mehr

Stetige Verteilungen Rechteckverteilung

Stetige 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

Mehr

Sabrina Kallus, Eva Lotte Reinartz, André Salé

Sabrina 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

Mehr

10 Transformation von Zufallsvariablen

10 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 :

Mehr

Erwartungswerte, Varianzen

Erwartungswerte, 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

Mehr

12 Erwartungswerte. Erwartungswerte 111. Überblick

12 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

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4

Einführung 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

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

1.3 Zufallsgrößen und Verteilungsfunktionen

1.3 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

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume

Kapitel 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

Mehr

Wichtige Definitionen und Aussagen

Wichtige 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

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

Unabhängige Zufallsvariablen

Unabhängige 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

Mehr

70 Wichtige kontinuierliche Verteilungen

70 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

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung 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

Mehr

Grundlagen der Wahrscheinlichkeitstheorie

Grundlagen 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,...)

Mehr

Die Varianz (Streuung) Definition

Die 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

Mehr

Varianz und Kovarianz

Varianz 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 ]

Mehr

Reelle Zufallsvariablen

Reelle 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

Mehr

Statistik für Informatiker, SS Verteilungen mit Dichte

Statistik 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

Mehr

12 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. 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

Mehr

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

1.3 Zufallsvariablen

1.3 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

Mehr

5 Erwartungswerte, Varianzen und Kovarianzen

5 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,

Mehr

Der Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),

Der 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

Mehr

KAPITEL 5. Erwartungswert

KAPITEL 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

Mehr

Finanzmathematische Modelle und Simulation

Finanzmathematische 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

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

13 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

Mehr

Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen

Einführung 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

Mehr

Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.

Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. 2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang

Mehr

1 Multivariate Zufallsvariablen

1 Multivariate Zufallsvariablen 1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)

Mehr

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 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

Mehr

1.5 Erwartungswert und Varianz

1.5 Erwartungswert und Varianz Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:

Mehr

Meßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :

Meßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 : 24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar

Mehr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr 1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I 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........................

Mehr

8 Verteilungsfunktionen und Dichten

8 Verteilungsfunktionen und Dichten 8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs 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

Mehr

Fit for Abi & Study Stochastik

Fit for Abi & Study Stochastik Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen

Mehr

Vorlesung 4b. Die Varianz

Vorlesung 4b. Die Varianz Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen

Mehr

Kapitel 8: Zufallsvektoren

Kapitel 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

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [random variable] Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige

Mehr

1.5 Erwartungswert und Varianz

1.5 Erwartungswert und Varianz Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.

Mehr

4 Absolutstetige Verteilungen und Zufallsvariablen 215/1

4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral

Mehr

Stochastik für Wirtschaftswissenschaftler

Stochastik für Wirtschaftswissenschaftler Stochastik für Wirtschaftswissenschaftler Hartmut Lanzinger Wintersemester 0/ Inhaltsverzeichnis Wahrscheinlichkeiten Einführung.......................................... Laplacesche Wahrscheinlichkeitsräume...........................

Mehr

7 Bedingte Erwartungswerte und Bedingte Verteilungen

7 Bedingte Erwartungswerte und Bedingte Verteilungen 7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y

Mehr

7.5 Erwartungswert, Varianz

7.5 Erwartungswert, Varianz 7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k

Mehr

Charakteristische Funktionen

Charakteristische Funktionen Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die

Mehr

Erwartungswert als Integral

Erwartungswert als Integral Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral

Mehr

Normalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.

Normalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt. Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)

Mehr

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom

Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

Übungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016

Übungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016 Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]

Mehr

Weihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.

Weihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird. Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern

Mehr

Kapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen

Kapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen

Mehr

4. Verteilungen von Funktionen von Zufallsvariablen

4. Verteilungen von Funktionen von Zufallsvariablen 4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten

Mehr

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:

Mehr

Zufallsvariablen. f(x) dx = 1. Die stetige Zufallsvariable X wird also durch seine Dichtefunktion beschrieben. P(c < X < d) =

Zufallsvariablen. f(x) dx = 1. Die stetige Zufallsvariable X wird also durch seine Dichtefunktion beschrieben. P(c < X < d) = Diskrete Sei X stetig auf (a,b), wobei a, b unendlich sein können, a x 0 < x 1 b P(X = x 0 ) = 0, P(x 0 < X < x 1 ) > 0 (wenn f > 0). Die Funktion f heißt Dichtefunktion (von X) falls: 1. f(x) 0, a < x

Mehr

Vorlesung 4b. Die Varianz

Vorlesung 4b. Die Varianz Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert als Var X := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen

Mehr

Stetige Verteilungen, Unabhängigkeit & ZGS

Stetige Verteilungen, Unabhängigkeit & ZGS Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,

Mehr

Einführung und Grundlagen

Einführung und Grundlagen Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,

Mehr

2 Zufallsvariablen. 2.1 Induzierter Raum und Verteilung

2 Zufallsvariablen. 2.1 Induzierter Raum und Verteilung 2 Zufallsvariablen 2.1 Induzierter Raum und Verteilung Wir kommen zum wichtigsten Begriff der W-Theorie. In den meisten Situationen sind wir nicht an der gesamten Verteilung interessiert, sondern nur an

Mehr

Vorlesung gehalten von Martin Aigner. Wintersemester 2008/9

Vorlesung gehalten von Martin Aigner. Wintersemester 2008/9 ELEMENTARE STOCHASTIK Vorlesung gehalten von Martin Aigner Wintersemester 28/9 Inhaltsverzeichnis 1 Grundbegriffe........................... 1 1.1 Zufall........................... 1 1.2 Wahrscheinlichkeitsräume................

Mehr

K8 Stetige Zufallsvariablen Theorie und Praxis

K8 Stetige Zufallsvariablen Theorie und Praxis K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R

Mehr

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus

Mehr

3. STOCHASTISCHE PROZESSE 73

3. STOCHASTISCHE PROZESSE 73 3. STOCHASTISCHE PROZESSE 73 3. Stochastische Prozesse 3.1. Grundlegende Begriffe bei zufälligen Prozessen. In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von

Mehr

Gegenbeispiele in der Wahrscheinlichkeitstheorie

Gegenbeispiele in der Wahrscheinlichkeitstheorie Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition

Mehr

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)

Mehr

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm. Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung

Mehr

Beweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.

Beweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457. Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf

Mehr

8. Stetige Zufallsvariablen

8. Stetige Zufallsvariablen 8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:

Mehr

Stochastik für Studierende der Informatik

Stochastik für Studierende der Informatik Stochastik für Studierende der Informatik von Peter Pfaffelhuber Version: 28. September 2013 Inhaltsverzeichnis 1 Grundlegendes 3 1.1 Häufige Modelle: Münzwurf, Würfeln, Urnen.................. 3 1.2 Kombinatorik....................................

Mehr

Stochastik - 2. Teil

Stochastik - 2. Teil Stochastik - 2. Teil Andrej Depperschmidt Vorlesungsskript Universität Freiburg Sommersemester 2016 Version: 13. Juli 2016 1 Einleitung und Wiederholung In diesem Kapitel wiederholen wir kurz einige grundlegende

Mehr

Stochastik I - Formelsammlung

Stochastik I - Formelsammlung Stochastik I - Formelsammlung Ereignis Ergebnisraum: Ω von Julian Merkert, Wintersemester 2005/06, Prof. Bäuerle Ereignisse und Wahrscheinlichkeiten Ereignis: A Ω Elementarereignis: {ω}, ω Ω A B := AB

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr