Mathematische Ökonometrie
|
|
- Holger Hase
- vor 7 Jahren
- Abrufe
Transkript
1
2 Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany Skriptum zur LV im SoSe Diese erste Rohversion erhebt keinen Anspruch auf Korrektheit.
3 KAPITEL 1 Grundlagen In diesem Kapitel stellen wir einige Grundresultate der Wahrscheinlichkeitstheorie zusammen, die in der asymptotischen Statistik für unabhängige Daten benötigt werden. 1. Konvergenzbegriffe {X n } sei eine Folge von R-wertigen Zufallsvariablen. X n konvergiert fast sicher gegen eine Zufallsvariable X, wenn X n (ω) X(ω) im Sinne der reellen Analysis gilt, für alle ω einer Menge vom Maß 1, d.h.: P ( lim n X n = X) = 1 Wir schreiben dafür: X n f.s. X, n. Man spricht von stochastischer Konvergenz und notiert wenn für jedes ε > 0 gilt: X n P X, n, lim P ( X n X > ε) = 0, n d.h. die Wahrscheinlichkeit, dass der Abstand von X n zu X höchstens ε beträgt, konvergiert für n gegen 0. Seien nun X, X 1, X 2,... Zufallsvariablen mit E X p, E X i p <, p N. {X n } konvergiert im p-ten Mittel gegen X, falls In Zeichen: E(X n X) p 0, n. L p X n X, n. 3
4 Die Menge der Zufallsvariablen (genauer: Äquivalenzklassen P -f.s. äquivalenter Zufallsvariablen) mit E X p < bildet einen linearen normierten Raum. Die Norm ist durch X Lp = (E X p ) 1/p, X L p, gegeben. Konvergenz im p-ten Mittel ist also gerade die Normkonvergenz im Raum L p. Für die Anwendungen ist die Konvergenz im quadratischen Mittel besonders wichtig. Es gilt f.s. P und L p P Ferner erzwingt L p -Konvergenz auch die Konvergenz bzgl. niederer Mittel, d.h. L p L q, falls p q 1.1. Konvergenz von Summen, Produkten, Summen: Aus der f.s., stochastischen oder L p -Konvergenz von Summanden darf man auf die Konvergenz der Summen schließen: Satz 1.1. Seien X, X n, Y, Y n Zufallsvariablen. Dann gilt X n X, Y n Y X n + Y n X + Y, wenn n, für die Konvergenzbegriffe f.s., P und Lp Produkte: Bei der Produktbildung folgt aus der L 2 -Konvergenz der Faktoren lediglich die L 1 -Konvergenz, da mit X und Y das Produkt nicht in L 2 sein muss (jedoch auf jeden Fall in L 1 ). Satz 1.2. Seien X, X n, Y, Y n Zufallsvariablen. Dann gilt X n X, Y n Y X n Y n XY, wenn n, für die Konvergenzbegriffe f.s. und P. Ferner gilt wenn n. L X 2 L n X, 2 L Yn Y Xn Y 1 n XY, 4
5 Stetige Abbildungen: Fast sichere und stochastische Konvergenz respektieren stetige Abbildungen. Satz 1.3. Sei g : R R stetig. Dann gilt X n X g(x n ) g(x), wenn n, für die Konvergenzbegriffe f.s. und P Satz von der dominierten Konvergenz. Die f.s. Konvergenz X n X zieht nicht automatisch die Konvergenz der Erwartungswerte nach sich. Für integrable Zufallsvariablen hat man den folgenden wichtigen Satz. Satz 1.4. (Satz v.d. dominierten Konvergenz) X, X 1, X 2,... seien integrabel. Es gelte für alle ω Ω X n (ω) X(ω), n. Ferner gebe es eine integrable Majorante Y L 1, d.h. X n Y für alle n, sowie EY <. Dann folgt Konvergenz der Erwartungswerte: lim E(X n) = E(X). n L Die L 1 -Konvergenz X 1 n X, n, zieht wegen E(Xn ) E(X) E X n X die Konvergenz der Erwartungswerte nach sich: E(X n ) E(X), n. Somit konvergieren L p die Erwartungswerte erst recht, wenn X n X. 2. Verteilungskonvergenz {X n } sei eine Folge von R-wertigen Zufallsvariablen. Die zugehörigen Verteilungsfunktionen seien mit bezeichnet. F n (x) = P (X n x), x R, Die Folge {X n } konvergiert in Verteilung gegen X, wenn lim F n(x) = F (x), n 5
6 für alle x R, in denen F stetig ist. Man schreibt hierfür F d n F, X d n X, oder X d n F. Beispiel 1.1. Es sei X n U(1/2 1/n, 1/2 + 1/n) und X = 1/2. Dann ist { 0 t < 1/2 F X (t) := P (X t) = 1 t 1/2 Also ist F X stetig in [0, 1/2) sowie (1/2, 1], aber unstetig in 1/2. Es gilt F n (x) F (x) für x [0, 1/2) und x (1/2, 1], aber für alle n gilt: F n (1/2) = 1/2 F (1/2) = 1. Es ist wichtig festzuhalten, dass Konvergenz in Verteilung nichts über die Konvergenz der Zufallsvariablen X n besagt, sondern über die Konvergenz der zugehörigen (nichtstochastischen) Verteilungsfunktionen. Die stochastische Konvergenz von X n gegen eine Zufallsvariable X ist jedoch hinlänglich für die Verteilungskonvergenz: Proposition 1.1. Aus X P n X, n, folgt X d n X, n Konvergenz von Summen und Produkten. Im Allgemeinen ist der Schluss X d n X, Y d n Y X n + Y d n X + Y falsch. Er ist jedoch richtig, wenn einer der beteiligten Grenzwerte eine Konstante ist: Satz 1.5. (Slutzky) Gilt X d n X und Y d n c R, so folgt X n + / / Y d n X + / / Y, wenn n. Eine Standardsituation, in der man den Satz von Slutzky anwendet ist die folgende: X n = Y n + R n, mit R n P 0, n Kann man nun zeigen, dass Y n in Verteilung gegen Y konvergiert, so ist dies auch für X n richtig: X n 6 d Y
7 Satz 1.6. (Cauchy-Schwarz-Ungleichung). 3. Einige Ungleichungen Für Zufallsvariablen X, Y L 2, d.h. E(X 2 ) < und E(Y 2 ) < gilt: d.h. XY L1 X L2 Y L2. Satz 1.7. (Jensen-Ungleichung). E XY E(X 2 ) E(Y 2 ), X sei eine integrable Zufallsvariable, d.h. E(X) R. g : R R sei eine konvexe Funktion, so dass Eg(X) R. Dann gilt Ist g hingegen konkav, so gilt g(e(x)) E(g(X)) g(e(x)) E(g(X)) Satz 1.8. (Tschebyscheff-Ungleichung). X sei eine positive Zufallsvariable und g positiv und monoton wachsend auf R +. Dann gilt für jedes a > 0 P (X > a) E(g(X)). g(a) 4. Gesetz der großen Zahl Der Umgang mit arithmetischen Mitteln als Schätzung für den Erwartungswert gehört gewissermaßen zum Alltag des Ökonometrikers. Es stellt sich die Frage, unter welchen Bedingungen Konvergenz vorliegt. Seien X 1,..., X n unabhängig und identisch verteilt mit existierendem Erwartungswert µ = E(X). Sei X n = 1 n X i. Das schwache Gesetz besagt, dass X n gegen µ konvergiert, wenn n, im Sinne der stochastischen Konvergenz X P n µ, n. 7
8 Gilt σ 2 = E(X1) 2 <, so folgt dies sofort aus der Tschebyscheff-Ungleichung (mit g(z) = z 2 ), da P ( X n µ > ε) E X n µ 2 mit E X n µ 2 = Var (X n ) = σ 2 /n. Das starke Gesetz liefert die f.s. Konvergenz. Wir formulieren das Ergebnis ohne Beweis. Satz 1.9. (Starkes Gesetz der großen Zahl) X 1,..., X n seien unabhängig und identisch verteilt. Dann gilt ε 2 X n = 1 n X i f.s. µ = E(X 1 ) für n genau dann, wenn E X 1 <. 5. Zentraler Grenzwertsatz Sind X 1,..., X n unabhängig und identisch normalverteilt mit µ = E(X 1 ) und 0 < σ 2 = Var (X 1 ) <, so ist das arithmetische Mittel ebenfalls normalverteilt: X n N(µ, σ 2 /n). Anders geschrieben: n(xn µ) N(0, σ 2 ). Es stellt sich die Frage, ob solch ein Ergebnis zumindest näherungsweise für große n auch dann gilt, wenn die X i nicht normalverteilt sind. Wir formulieren den zentralen Grenzwertsatz für unabhängige, aber nicht notwendigerweise identisch verteilte Zufallsvariablen, die von n abhängen dürfen. Es sei also {X ni : i = 1,..., n, n 1} ein Schema von zeilenweise unabhängigen Zufallsvariablen, d.h., für alle n sind X n1,..., X nn unabhängig verteilt. Setze S n = und σ 2 n = Var (S n ) = X ni 8 Var (X ni )
9 Satz (ZGWS unter Lindeberg-Bedingung). Für jedes n seien X n1,..., X nn seien unabhängig verteilt mit E(X ni ) = 0 und E(X 2 ni) < für alle i = 1,..., n. Ist die Lindeberg-Bedingung 1 ε > 0 : lim E(X n σ ni1( X 2 n 2 ni > εσ n )) = 0 erfüllt, dann folgt wenn n. S n E(S n ) Var (Sn ) Wir betrachten einige wichtige Spezialfälle: d N(0, 1), (1) Sind die X i (f.s.) gleichmäßig beschränkt, d.h. P ( X i K) = 1, für alle i und gilt σ 2 n = Var (X i ), dann ist die Lindeberg-Bedingung erfüllt: Wähle n so groß, dass εσ n > K. Dann gilt { X i > εσ n } = für i = 1,..., n, so dass n E(X2 i 1( X i > εσ n )) = 0. (2) Sind X 1,..., X n i.i.d. mit gemeinsamer Varianz σ 2, so gilt σ 2 n = nvar (X i ) = nσ 2. Die Lindeberg-Bedingung hat dann die Gestalt 1 E( X i 2 1( X i > εσ n )) = 1 σ E( X 1 2 1( X 2 1 > ε nσ)). σ 2 n Man hat für alle ω Ω X i (ω) 2 1( X i (ω) > ε nσ) 0, n, also ω-punktweise Konvergenz gegen 0. Wegen X i (ω) 2 1( X i (ω) > ε nσ) X i (ω) 2 ist Xi 2 ist eine integrierbare Dominante. Nach dem Satz von der dominierten Konvergenz folgt daher: E( X i 2 1( X i > εσ n)) 0, n. 9
10 Wir notieren noch die folgende Varianten für Summenstatistiken mit nicht-stochastischen Gewichten. Satz (ZGWS für gewichtete Summen) X 1, X 2,... seien i.i.d. mit E(X i ) = 0 und 0 < Var (X i ) <. {a ni : i = 1,..., n, n 1} seien nicht-stochastische Gewichte mit max,...,n a ni (1) n 0, n. a2 ni Dann ist die gewichtete Summe asymptotisch normalverteilt, d.h. S n = a ni X i wobei Var (S n ) = σ 2 n a2 ni. S n Var (Sn ) d N(0, 1), n, Beweis. Wir überprüfen die Lindeberg-Bedingung für die Zufallsvariablen Dann ist E(Z ni ) = 0 und Var ( Z ni = a ni X i / n, Z ni ) = σ2 n Die Lindeberg-Bedingung nimmt die Form [ ] 1 σ 2 n E a 2 nix 2 i a2 i 1( X i > εσ a2 ni ni a ni an. Den Indikator können wir nach oben durch 1( X i > εσ i a2 ni / max i a ni ) abschätzen. Da die X i identisch verteilt sind, ist E a 2 nixi 2 1( X i > εσ a 2 ni / max a ni ) = a 2 nie [ X11( X 2 1 > εσ ]. i Somit ist i [ 1 σ E X11( X > εσ a 2 ni. i a2 ni max i a ni nachzuweisen. Dies folgt wie in 2. durch den Satz von der dominierten Konvergenz, da i a2 ni / max i a ni, wenn n. 10 ] 0
11 Korollar 1.1. Die Bedingung (1) ist insbesondere dann erfüllt, wenn und M n = max,...,n a ni 0, n, a 2 ni τ > 0, n. Dann folgt für i.i.d.-zufallsvariablen X 1, X 2,... mit E(X i ) = 0 und 0 < σ 2 = Var (X i ) < wenn n. Beispiel 1.2. Betrachte a ni X i S n = 1 n d N(0, σ 2 τ), i n X i wobei X 1, X 2,... i.i.d. mit E(X i ) = 0 und 0 < σ 2 S n = n a nix i mit Gewichtsschema a ni = i n 3/2. = Var (X i ) < seien. Dann ist Für die Gewichte a ni = (i/n)/ n 1/ n gilt offensichtlich M n = max i a ni 0, wenn n, und Somit folgt a 2 ni = 1 n 3 i 2 = n(n + 1)(2n + 1) 6n 3 1 3, n. i n X d i N(0, σ 2 /3), n. Der zentrale Grenzwertsatz liefert zunächst die punktweise Konvergenz von gegen F n (x) = P ( n(x n µ) x), x R, F (x) = Φ(x/σ), x R, wobei Φ(x) = (2π) 1 exp( x 2 /2) die Verteilungsfunktion der Standardnormalverteilung ist, da Φ(x) in allen Punkten x R stetig ist. Gilt diese Konvergenz auch gleichmäßig in x? Dies folgt aus einem allgemeinen Satz von Polya. 11
12 Satz (Polya) {F n } sei eine Folge von Verteilungsfunktionen. F sei eine stetige Verteilungsfunktion. Gelte F n (x) F (x), n, für alle x R, d.h. F n d F, für n. Dann folgt Es folgt somit sup F n (x) F (x) 0, n. x R lim sup P ( n(x n µ)/σ x) Φ(x) = 0. n x Existiert das dritte absolute Moment, so kann man die Konvergenzrate angeben. Satz (Berry-Esseen) X 1, X 2,... seien i.i.d. mit µ = E(X i ) und σ 2 = Var (X i ), i = 1,..., n. Ferner existiere Dann gilt für alle n N: ρ 3 = E X i µ 3, 0 < ρ 3 <. P ( n(x n µ)/σ x) Φ(x) cρ3 σ 3 n, wobei c eine Konstante ist, die nicht von n abhängt. 6. Verteilungskonvergenz für Zufallsvektoren X = (X 1,..., X p ), X n = (X n1,..., X np ), n N, seien unabhängige Zufallsvektoren mit Werten in R p für ein p N. Definiere F n (x) = P (X n x), x R p, sowie F (x) = P (X x), x R p. {X n } konvergiert in Verteilung gegen X, wenn F n (x) = F (x), n, für alle x, in denen F stetig ist. Das wichtigste Hilfsmittel, um die Verteilungskonvergenz von Folgen von Zufallsvektoren zu verifizieren, ist die Rückführung auf den univariaten Fall durch die sog. Cramer-Wold- Technik. 12
13 Satz (Cramer-Wold) X, X 1, X 2,... seien Zufallsvektoren mit X n d X, n, genau dann, wenn für alle λ = (λ 1,..., λ p ) Verteilung gegen λ X konvergiert, d.h. p λ k X nk für n. k=1 d R p {0} die univariate Folge λ X n in p λ k X k, k=1 Satz (Multivariater zentraler Grenzwertsatz) X 1, X 2,... seien i.i.d. Zuvallsvektoren mit Erwartungswert µ = E(X 1 ) R p und Kovarianzmatrix Σ = E(X 1 µ)(x 1 µ). Dann gilt 1 (X i µ) = n ( ) d X 1 µ 1,..., X p µ p N(0, Σ), n für n. Mitunter würde man in Formeln auftretende stochastische Terme X n gerne durch eine Konstante abschätzen. Sind die X n nicht f.s. gleichmäßig beschränkt, so kommt man oft noch zum Ziel, wenn die Folge stochastisch beschränkt ist. Definition 1.1. Man nennt eine Folge {X n } stochastisch beschränkt, i.z. X n = O P (1), wenn es zu jedem ε > 0 eine Konstante M = M(ε) > 0 und einen Index n 0 N gibt, so dass P ( X n > M) ε, n n 0. Hinreichend für stochastische Beschränktheit ist Verteilungskonvergenz. Lemma 1.1. Es gelte Dann folgt X n d X F, n, X n = O P (1) 13
14 Beweis. Sei ε > 0 und H(z) = P ( X z), x R. Man hat für n n 0 P ( X n > M) P ( X n > M) (1 H)(M) + (1 H)(M) ε, wenn M = F 1 (1 ε/2) und n 0 so groß gewählt wird, dass für n n 0 der erste Term auf der rechten Seite höchstens ε/2 ist. 7. Stetigkeitssatz (CM-Theorem) Verteilungskonvergenz bleibt unter stetigen Funktionen erhalten. Dies besagt dass häufig angewandte CM-Theorem (continuous mapping theorem). Satz (CM-Theorem) Es gelte X d n X, n. Ist ϕ eine stetige Funktion, so folgt ϕ(x n ) d ϕ(x), n Beispiel 1.3. X 1,..., X n seien i.i.d. mit E(X i ) = µ und 0 < σ 2 = Var (X i ) <. Dann gilt d.h. T n T n = n X µ d N(0, 1), n, σ d U, wenn U N(0, 1). Sei ϕ(z) = z 2, z R. Nach dem CM-Theorem folgt T 2 n = ϕ(t n ) d ϕ(u) χ 2 (1), n. Das folgende Beispiel formulieren wir lieber als Lemma, da wir es oft (ohne Hinweis) verwenden werden. Lemma 1.2. Ist X n ein Folge von Zufallsvektoren, die in Verteilung gegen eine multivariate Normalverteilung konvergieren, X n d N(µ, Σ), n, und ist {A n } eine Folge von Matrizien, die gegen eine deterministische Matrix A konvergiert, d.h. so folgt A n P A, n, A n X n d N(Aµ, AΣA ), 14
15 für n. Beweis. Zunächst ist klar, dass AN(µ, Σ) = d N(Aµ, AΣA ) Die Abbildung ϕ(x) = Ax ist stetig, also folgt nach dem CM-Theorem AX n = ϕ(x n ) d ϕ(n(µ, Σ)) = N(Aµ, AΣA ), wenn n. Wir wollen eigentlich A n X n betrachten: A n X n = AX n + (A n A)X n. Die Behauptung folgt, wenn wir (A n A)X P n 0, n zeigen. Da X n = O P (1), gibt es zu jedem ε > 0 eine Konstante M > 0, so dass P ( X n > M) ε/2 für hinreichend großes n. Somit folgt für beliebiges η > 0 P ( (A n A)X n > η) P ( A n A X n > η) P ( A n A X n > η, X n M) + P ( X n > M) P ( A n A > η/m) + ε/2. Nach Voraussetzung wird der 1. Term ε/2, wenn n hinreichend groß wird. 15
16
Klausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr1 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
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
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
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
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)
Mehr1 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
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
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrSchwache Konvergenz von W-Verteilungen auf der Zahlengeraden
Kapitel 5 Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 5.1 Schwache Konvergenz bzw. Verteilungskonvergenz Bezeichne W(, B 1 ie Menge aller W-Verteilungen auf (, B 1. Definition 5.1 (Schwache
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
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
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
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
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
MehrGegenbeispiele 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
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
Mehr4. 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
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........................
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
MehrWahrscheinlichkeitstheorie
Wahrscheinlichkeitstheorie Dr. C.J. Luchsinger 5 n (Konvergenz, LLN) 5.1 Konvergenzarten In der WT gibt es viele Konvergenzarten für Folgen von Zufallsgrössen. Sie haben alle ihre Berechtigung. In der
Mehr4 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
MehrDWT 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
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 ]
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,
MehrSatz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
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.
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
Mehr7.5 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
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrCharakteristische 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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) Literatur Kapitel 7 n heisst für uns n gross * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) n heisst für uns n gross Literatur Kapitel 7 * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrErwartungswert 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
MehrZufallsvariablen [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
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
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
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
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,...)
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
Mehr4 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
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
VARIOUS KINDS OF CONVERGENCES OF SEQUENCES OF RANDOM VARIABLES 10 Dezember, 2012 1 Bekannte Konvergenzarten 2 3 1 Bekannte Konvergenzarten 2 3 Wahrscheinlichkeitsraum Im Folgenden betrachten wir immer
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrHäufungspunkte und Satz von Bolzano und Weierstraß.
Häufungspunkte und Satz von Bolzano und Weierstraß. Definition: Sei (a nk ) k N eine konvergente Teilfolge der Folge (a n ) n N.Dannwirdder Grenzwert der Teilfolge (a nk ) k N als Häufungspunkt der Folge
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr2 Multivariate Normalverteilung
2 Multivariate Normalverteilung 2. Multivariate Normalverteilung Definition 2.. Normalverteilung Eine univariat normalverteilte Zufallsvariable X besitzt ie Dichte ) (x µ)2 f (x) = exp ( x R. 2π σ 2σ 2
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
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrSchwache Konvergenz von W-Verteilungen
Kapitel 6 Schache Konvergenz von W-Verteilungen 6. Schache Konvergenz bz. Verteilungskonvergenz Bezeichne ieer W(B k ) ie Menge aller W-Verteilungen auf er Borel schen Sigma-Algebra B k in R k soie C b
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
Mehr10 Aus der Analysis. Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit
10 Aus der Analysis Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit Zahlenfolgen Ein unendliche Folge reeller Zahlen heißt Zahlenfolge. Im Beispiel 2, 3, 2, 2 2, 2
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
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
MehrStochastische 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
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
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
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
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
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
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
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Mehr1 Reihen von Zahlen. Inhalt:
5 Kapitel 3 Reihen Reihen von Zahlen Inhalt: Konvergenz und Divergenz von Reihen reeller oder komplexer Zahlen, geometrische Reihe, harmonische Reihe, alternierende Reihen. Cauchy-Kriterium, absolute Konvergenz,
MehrAnalysis I - Einige Lösungen und Ergänzungen
Christian-Albrechts-Universität zu Kiel Mathematisch-Naturwissenschaftliche Fakultät Mathematisches Seminar Analysis I - Einige Lösungen und Ergänzungen von Dipl.-Math. Joscha Prochno Dipl.-Math. Dennis
Mehr9 Konvergenz und absolute Konvergenz von Reihen
9 Konvergenz und absolute Konvergenz von Reihen 9.2 Konvergenz von Reihen 9.5 Monotoniekriterium für Reihen 9.6 Konvergenzkriterium von Cauchy für Reihen 9.9 Rechenregeln für konvergente Reihen 9.10 Absolute
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
Mehr$Id: folgen.tex,v /05/31 12:40:06 hk Exp $ an 1 2 n 1 ist gerade, 3a n 1 + 1, a n 1 ist ungerade.
$Id: folgen.tex,v. 202/05/3 2:40:06 hk Exp $ 6 Folgen Am Ende der letzten Sitzung hatten wir Folgen in einer Menge X als Abbildungen a : N X definiert, die dann typischerweise in der Form (a n ) n N, also
Mehr2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrKapitel 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
MehrLösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Oliver Matte Max Lein Zentralübung Mathematik für Physiker 2 Analysis ) Wintersemester 200/20 Lösungsblatt 5 2..200) 32. Häufungspunkte Sei a
Mehr1 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)
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrStatistik II SoSe 2006 immer von 8:00-9:30 Uhr
Statistik II SoSe 2006 immer von 8:00-9:30 Uhr Was machen wir in der Vorlesung? Testen und Lineares Modell Was machen wir zu Beginn: Wir wiederholen und vertiefen einige Teile aus der Statistik I: Konvergenzarten
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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
Mehr