Stochastik I. Vorlesungsmitschrift
|
|
- Heiko Reuter
- vor 7 Jahren
- Abrufe
Transkript
1 Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe Wahrscheinlichkeitsräume Diskrete Modelle 3 3 Transformation von Wahrscheinlichkeitsräumen 4 4 Zufallsvariable, Erwartungswert 6 i
2 1 Grundbegriffe 1.1 Wahrscheinlichkeitsräume a Was kann alles passieren? b Mit welchen Wahrscheinlichkeiten treten diese oder jene Ereignisse auf? a Menge Ω der möglichen Ereignisse Beispiel 1.1. a Ein Münzwurf: Ω = {0, 1} b n Münzwürfe: Ω = {(X 1,..., X n : X i {0, 1}} c unendlich viele Münzwürfe: Ω = { (X i i N : X i {0, 1} } d Zufallszahl zwischen 0 und 1: Ω = [0, 1] e Stetige stochastische Prozesse, z.b. Brownsche Bewegung auf R: Ω = C ([0, 1] oder Ω = C ([0, 1] Ereignis A Ω, A tritt ein, falls auftretendes ω in A liegt elementares Ereignis: A = {ω}, ω Ω unmögliches Ereignis: A = sicheres Ereignis: A = Ω A tritt nicht ein : Ac Kombination von Ereignissen A 1 A 2 A 1 A 2 n n m n Am m n Am lim sup A n = n Beispiel 1.2. zu a 1 tritt ein : A = {1} mindestens eins der A i tritt ein, i A i jedes der A i tritt ein, i A i unendlich viele der A i treten ein bis auf endlich viele treten alle A i auf m n A m m n A m, lim inf A n = n zu b Genau k Einsen treten auf: A = {(X 1,..., X n Ω : n i=1 X i = k} zu c Relative Häufigkeit von 1 ist p: A = { (X 1,..., X n Ω : lim 1 n n i=1 X i = p } zu d Zahl zwischen a und b: A = [a, b] zu e Niveau c wird überschritten (bis zur Zeit 1: A = {ω C ([0, 1] : max 0 t 1 ω (t c} Kollektion A der im Modell zugelassenen Ereignisse soll abgeschlossen sein unter abzählbaren Mengenoperationen. Definition 1.3. A P (Ω heißt σ-algebra, falls 1. Ω A 1
3 2. A A A c A 3. A 1, A 2,... A n=1 A n A Bemerkung A sei σ-algebra. Dann A, A 1, A 2,... A n=1 A n = ( n=1 A n c A 2. P (Ω ist σ-algebra 3. A i σ-algebren, i I i I A i σ-algebra 4. Typische Konstruktion einer σ-algebra A: A 0 Klasse von Ereignissen die jedenfalls dazugehören sollen. Definiere A = B B σ-algebra A 0 B = die kleinste σ-algebra, die A 0 enthält =: σ (A 0, σ (A 0 heißt die von A 0 erzeugt σ-algebra. Beispiel 1.5. Ω topologischer Raum, A 0 die Familie der offenen Teilmengen. B (Ω = σ (A 0 heißt Borelsche σ-algebra auf Ω oder σ-algebra der Borelschen Teilmengen von Ω. B (Ω enthält im Allgemeinen nicht alle Mengen. Definition 1.6. Sei Ω, A σ-algebra auf Ω. Eine Abbildung P : A [0, ] heißt Maß auf (Ω, A, falls P ( = 0 und P ( i=1 A i = i=1 P (A i für A 1, A 2,... A, die paarweise disjunkt sind (σ-additivität. P heißt Wahrscheinlichkeitsverteilung oder Wahrscheinlichkeitsmaß, falls P (Ω = 1, (Ω, A, P heißt dann Wahrscheinlichkeitsraum. (Axiome von Kolmogorov Beispiel 1.7. zu a Ω = {0, 1}, A = {, {0}, {1}, {0, 1}} = P (Ω, faire Münze: P (0 = P (1 = 1 2 zu c X 1,..., X n {0, 1}, P ({ (X i i Ω : X 1 = X 1, X 2 = X 2,..., X n = X n } = 2 n P ist fortsetzbar auf σ (A 0 A 0 = {B Ω : B hängt nur von endlich vielen Würfen ab} = {A {0, 1} {0, 1}... : A P ({0, 1} n, n = 1, 2,...} zu e A = B (R, P ({ω C ([0, : ω (t [a, b]} = 1 b x2 e 2 2πt dx a Einfache Rechenregeln 1.8. (Ω, A, P Wahrscheinlichkeitsraum, A 1,..., A n paarweise disjunkt P ( n i=1 A i = n i=1 P (A i Insbesondere P (A c = 1 P (A A, B A, A B P (B = P (A + P (B\A A, B A P (A B = P (A + P (B\A B = P (A + P (B P (A B Mit vollständiger Induktion: P ( i I A ( i = =J I ( 1 J +1 P j J A j mit J endliche Menge. Für I = {1,..., n} gilt: P ( i I A ( n i = 1 i ( 1k i k n P k j=1 A i j 2
4 Satz 1.9. Sei A eine σ-algebra auf Ω, P : A R mit P (Ω = 1. Dann sind die folgenden Aussagen äquivalent: 1 P ist Wahrscheinlichkeitsverteilung. 2 P ist additiv (A B = P (A B = P (A + P (B und isoton stetig, d.h. A n A, A n A P (A n P (A. 3 P ist additiv und antiton stetig. Korollar A 1, A 2,... A P ( i A i n=1 P (A n Lemma [Borel-Cantelli] Sei (Ω, A, P Wahrscheinlichkeitsraum und seien A 1, A 2,... A mit i=1 P (A i <. Dann gilt ( P lim sup A n = 0. n Beispiel Ω = [0, 1], A Borelsche σ-algebra = σ ({[a, b] : 0 a b 1}, P = Lebesgue Maß [0,1], P ([a, b] = b a (Existenz und Eindeutigkeit vorausgesetzt Gleichverteilung auf [a, b] { 1, ω A 2. Ω, ω Ω, δ ω (A = ε ω (A = 0, ω / A = 1 A (ω Dirac Maß 3. Ω, I abzählbar, α i R, i=1 α i = 1, ω i Ω, P = α i δ ωi 2 Diskrete Modelle Sei Ω eine (höchstens abzählbare Menge, A = P (Ω. Satz 2.1. Sei p : Ω [0, 1], ω Ω p (ω = 1 (p Gewichtung der Fälle. P (A := ω A p (ω, A Ω definiert ein Wahrscheinlichkeitsmaß auf Ω. Jedes Maß auf Ω ist von dieser Form. Beispiel < Ω <, p (ω = const. = 1 Ω Laplace Modell: Für A Ω dann P (A = A Ω. P ist Gleichverteilung auf Ω. Zufällige Permutationen M = {1,..., n}, Ω Menge aller Permutationen von M, d.h. aller Bijektionen ω : M M. Dann Ω = n!. P sei Gleichverteilung auf Ω. Frage z.b.: P ( mindestens ein Fixpunkt, A i = {ω : ω (i = i} ( n P ( mindestens ein Fixpunkt =P A i = i=1 ( 1 k+1 1 i 1... n P (A i1... A ik 3
5 Mit P (A i1 A i2... A n = (n k! n!, gegeben ( n k Summanden, gilt: ( n ( P A i = ( 1 k+1 n (n k! = ( 1 k 1 k n! k! i=1 P ( kein Fixpunkt = n k=0 ( 1k 1 k! e 1 P ( genau k Fixpunkte = 1 n! }{{} mögliche Fälle ( n k }{{} Fixpunkte werden festgelegt = 1 n k ( 1 j j! 1 1 k! k! e 1 j=0 Poisson-Verteilung mit Parameter λ = 1. (n k! n k j=0 ( 1 j 1 j! }{{} obige Forml für n k 2. n Experimente mit Zustandsraum S: 0 < S <, Ω = {(X 1,..., X n : X i S}, Ω = S n, S 0 S Erfolg, falls S 0 auftritt. p := S0 S, A k := genau k Erfolge, p (A k = A k Ω S0 k S\S 0 n k =( n k S n ( n = p k (1 p n k k Binomialverteilung mit Parametern n, p. Für p = λ n konvergiert die Binomialverteilung für festes k gegen die Poisson-Verteilung λk e k 1 k!. 3. Meinungsumfragen,... N Kugeln, K rote, N K schwarze, Stichprobe von n Kugeln (ohne Zurücklegen, davon k rote Modell: Ω Gesamtheit aller Teilmenegen von {1,..., N} mit genau n Elementen, d.h. Ω = ( N n. P Gleichverteilung auf Ω, A k := genau k rote P (A k = A k Ω Ω = {ω P ({1,..., N} : ω = n}, = (K k( N K n k ( N n hypergeometrische Verteilung Für K N =: p fest konvergiert die hypergeometrische Verteilung für N gegen die Binomialverteilung ( n k p k (1 p n k. 3 Transformation von Wahrscheinlichkeitsräumen (Ω, A, ( Ω, Ã seien messbare Räume (jeweils Menge mit σ-algebra 4
6 Definition 3.1. Eine Abbildung { T }: Ω Ω heißt messbar (A Ã-messbar, falls à (à à T 1 A =: T Ã. Bemerkung A = P (Ω T messbar à 1. à = σ (Ã0 mit à 0 P (Ω, T : Ω Ω messbar à Ã0 : T (à 1 A Definition 3.3. Ω, Ω Mengen, à σ-algebra auf Ω, T : Ω Ω sei gegeben. Dann heißt { ( } σ (T := T 1 à : à à die von T erzeugte σ-algebra (es ist eine!. Satz 3.4. Sei P eine Wahrscheinlichkeitsverteilung auf (ω, A, ( Ω, à ein messbarer Raum und T : Ω Ω messbar. Dann ist durch P ( [ ] (à := P T (à 1 = P T Ã, à à eine Wahrscheinlichkeitsverteilung auf ( Ω, à definiert, genannt das Bildmaß von P unter der Abbildung T, oder Verteilung von T unter P. Schreibweise: T (P, P T Bemerkung Nimmt T nur abzählbar viele Werte ω 1, ω n,... an, so ist P = T (P = i P [T = ω i] δ ωi. 2. Satz 3.4 löst manche Existenzprobleme: Beispiel 3.6. Existenz des Lebesgue-Maßes auf [0, 1] vorausgesetzt, existiert exaktes Modell für unendlich viele faire Münzwürfe: Ω = [0, 1], A = B ([0, 1], P = Lebesgue-Maß [0,1], Ω = Projektion auf i-te Koordinate, { } (X 1, X 2,... : Xi {0, 1}, X i : Ω {0, 1} ({{ } } à := σ Xi = 1 : i = 1, 2,.... Die binäre Darstellung von ω [0, 1] liefert Abbildung T : Ω Ω, ω (T 1 ω 1, T 2 ω 2,..., Xi T = T i. Bei Zahlen, deren Darstellung nicht eindeutig ist, z.b. 0, 5, allgemein 2 i, wählen wir die unendliche Reihe, d.h. 0, 5 = i 2 2 i. ({ } T ist messbar: T 1 Xi = 1 = {T i = 1} ist Vereinigung von 2 i Intervallen. 5
7 Sei P das Bild von P unter T. Dann für x 1,..., x n {0, 1} [ P X1 = x 1,..., X ] n = x n =P [T 1 = x 1,..., T n = x n ] da T 1 = x 1,..., T n = x n Intervall der Länge 2 n. =T 1 (X 1 = x 1 ( 1 =T X 1 1 (x 1 = ( X1 T 1 ({x1 } =T 1 ({x 1 } =2 n, 4 Zufallsvariable, Erwartungswert Sei (Ω, A, P Wahrscheinlichkeitsraum. Definition 4.1. X : Ω R (oder R heißt Zufallsvariable, falls X messbar ist, d.h. X 1 (B A Borelschen B R. Bemerkung X : Ω R Zufallsvariable {X c} A c R, da σ ({[, c : c R} = B (R 2. A = P (Ω Jedes X : Ω R ist Zufallsvariable 3. X Zufallsvariable, h : R R messbar h X = h (X Zufallsvariable. Insbesondere ist X, X 2, X p, e X Zufallsvariable 4. Menge der Zufallsvariablen ist abgeschlossen unter abzählbaren Operationen. Seien X 1, X 2,... Zufallsvariablen α i X i Zufallsvariable (soweit sinnvoll oder sup X i, inf X i, lim inf X i, lim sup X i Wichtige Spezialfälle Indikator (charakteristische Funktion von A A: 1 A, für c < 0 {1 A c} = A c, für 0 c 1 Ω, 1 c A 2 Elementare Zufallsvariable: X = n i=1 α i1 Ai, α i R X (Ω endlich: X = α X(Ω α1 X=α Satz Jede Zufallsvariable ist von der Form X = X + + X mit X + = max (X, 0, X = max ( X, 0 = min (X, 0. Insbesondere sind X +, X Zufallsvariablen. 6
8 2. Zu jeder Zufallsvariable X 0 existiert eine isotone Folge (X n von positiven Zufallsvariablen mit sup X n = X. Definition 4.5. [Normalverteilung einer elementaren Zufallsvariablen]X 0, X = n i=1 α i1 Ai mit α i R, A i A, A i A j = i j, A i = Ω. Diese Darstellung ist nicht eindeutig, jede elementare Zufallsvariable besitzt eine solche Darstellung, z.b. X = α X(Ω α1 {X=α}. Lemma 4.6. X = m i=1 α i1 Ai = n j=1 β j1 Bj Normaldarstellung für elementare Zufallsvariable 0 m i=1 P (A i = n j=1 P (A j. Definition 4.7. Ist α i 1 Ai Normaldarstellung für elementare Zufallsvariable X 0, so definiern wir E (X := XdP := α i P (A i. Dies ist unabhängig von der Darstellung. Eigenschaften E (1 A = P (A 1 E (αx = αe (X, α R + 2 E (X + Y = E (X + E (Y 3 X Y E (X E (Y 4 E (X = α X(Ω α P [X = α]. Für X = n i=1 α i1 Ai, α i R +, A i A nicht notwendig Partition E (X = α i P (A i Lemma 4.9. Seien X n, X 0 elementare Zufallsvariablen, X n X n+1, X sup X n. Dann E (X sup E (X n. Korollar X n, Y n elementare Zufallsvariablen 0, X n X n+1, Y n Y n+1, sup X n = sup Y n sup E (X n = sup E (Y n Definition Sei X 0 eine Zufallsvariable auf Ω, X n 0 elementare Zufallsvariablen mit X n X. Dann heißt E (X = sup E (X n Erwartungswert von X unabhängig von der Folge (X n n wegen Eigenschaften X = 0 P-f.s. (d.h. P [X = 0] = 1 E (X = 0 1 E (αx = αe (X, α R + 2 E (X + Y = E (X + E (Y 3 X Y E (X E (Y 4 X (Ω abzählbar E (X = α X(Ω αp [X = α] i=1 7
9 Beispiel Fairer Münzwurf T (ω := min {k : ω (k = 1}, Zeitpunkt des ersten Auftretens von 1. T ({0, 0, 0,...} =. P [T = k] = P [X 1 = 0, X 2 = 0,..., X k 1 = 0, X k = 1] = 2 k P [T = ] 2 k k N P [T = ] = 0. Also, da X (Ω abzählbar: E (T = kp [T = k] = k2 k = 2 Satz [von der monotonen Konvergenz] Seien X n 0 Zufallsvariablen, X n X E (X n E (X. Korollar X n Zufallsvariable, X n 0. Dann E ( n=1 X n = n=1 E (X n. Definition Für Zufallsvariable X auf Ω definieren wir den Erwartungswert durch falls min (E (X +, E (X <. Es sei E (X := E ( X + E ( X, L 1 (Ω, A, P = L 1 = {X : X reelle Zufallsvariable auf Ω mit E ( X < }. X L 1 : X 1 = E ( X. X heißt integrierbar, falls E ( X <. Satz L 1 (Ω, A, P ist Vektorraum, 1 ist eine Halbnorm. Lemma [Lemma von Fatou] X n Zufallsvariable 0 E (lim inf X n lim inf E (X n, es reicht auch X n Y L 1. Bemerkung E (lim inf X n < lim inf E (X n ist möglich, auch wenn Limiten existieren: z.b. auf [0, 1] mit Gleichverteilung E (X n = 1 0 X ndλ = 1 n, X n 0, und E (lim X n = 0, lim E (X n = 1 2n X n Oder: Fairer Münzwurf: Einsatz verdoppeln, bis 1 auftritt. Einsatz in der n-ten Runde: X n = 2 n 1 1 {T >n 1} mit T Wartezeit auf die erste 1. E (X n = 2 n 1 P [T > n 1] = 2 n = 1, X n 1 n (ω 0 ω (0,..., also X n 0 P-f.s. E (lim X n = 0 Satz [Konvergenzsatz von Lebesgue] Seien X n Zufallsvariablen mit X n Y L 1 P-f.s., X n X (punktweise. Dann gilt E (X n E (X und X n X 1 0, d.h. E ( X n X = 0. 1 n 8
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........................
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
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,
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
MehrWahrscheinlichkeitstheorie und Maßtheorie
KAPITEL 7 Wahrscheinlichkeitstheorie und Maßtheorie 7.1. Vorüberlegungen Die folgenden drei Beispiele sind Spezialfälle des Oberbegriffs Maß. Beispiel 7.1.1 (Verteilung der Ladung oder der Masse). Man
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........................
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
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.
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
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
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
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,...)
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........................
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
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
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
MehrKapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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.
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrVorlesung Wahrscheinlichkeit und Statistik D-Math, ETH Überblick über den Stoff der einzelnen Stunden
Vorlesung Wahrscheinlichkeit und Statistik D-Math, ETH Überblick über den Stoff der einzelnen Stunden Hansruedi Künsch Frühlingssemester 2013 Repetition vom 19. 2. Ein Wahrscheinlichkeitsraum besteht aus
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
MehrWahrscheinlichkeitsrechnung und Statistik
1. und 2. Vorlesung - 2017 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich werde mit Sicherheit gewinnen! Ist das wirklich unmöglich?
MehrStochastik. Skript zur Vorlesung von Prof. Dr. Michael Kohler Sommersemester 2007
Stochastik Skript zur Vorlesung von Prof. Dr. Michael Kohler Sommersemester 2007 1 1. Grundbegriffe der Maßtheorie Ziel: Konstruktion von Maßzahlen (wie z. B. Wahrscheinlichkeit / Länge / Fläche / Volumen
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
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
MehrLehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler
Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik II Wahrscheinlichkeitstheorie I Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 26. November 2002
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
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...........................
MehrFreie Universität Berlin Institut für Mathematik Winter Semester 2015/16 Stochastik 1 29 Oktober Material
Freie Universität Berlin Institut für Mathematik Winter Semester 2015/16 Stochastik 1 29 Oktober 2015 Dozent: Prof. Tibor Szabó, Tutoren: Jan Corsten, Fabian Fumagalli, Yizheng Yuan Material Jede Woche
MehrEinführung 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,
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............................
MehrMusterlösung Analysis 3 - Maßtherorie
Musterlösung Analysis 3 - Maßtherorie 10. März 2011 Aufgabe 1: Zum Aufwärmen (i) Zeige, dass die Mengensysteme {, X} und P(X) σ-algebren sind. Es sind jeweils nur die Charakteristika nachzuweisen. (1)
MehrWahrscheinlichkeitsrechnung
i Dominique Foata Aime Fuchs Wahrscheinlichkeitsrechnung Aus dem Französischen von Volker Strehl Birkhäuser Verlag Basel Boston Berlin INHALTSVERZEICHNIS Vorwort zur deutschen Ausgabe Liste der benutzten
MehrVorlesung 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................
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
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit 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:
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
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
MehrMeßbare 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
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
Mehr3 Produktmaße und Unabhängigkeit
3 Produktmaße und Unabhängigkeit 3.1 Der allgemeine Fall Im Folgenden sei I eine beliebige Indexmenge. i I sei (Ω i, A i ein messbarer Raum. Weiter sei Ω : i I Ω i ein neuer Ergebnisraum. Wir definieren
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,
MehrMaße und Integrale. begleitend zur Vorlesung Stochastik I Humboldt-Universität zu Berlin SS 2008 P. Imkeller. Berlin, den 26.
Maße und Integrale begleitend zur Vorlesung Stochastik I Humboldt-Universität zu Berlin SS 2008 P. Imkeller Berlin, den 26. April 2008 Inhaltsverzeichnis 1 Konstruktion von Maßen 3 2 Konstruktion von Integralen
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
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
MehrWahrscheinlichkeitsräume und Zufallsvariablen
Kapitel 1 Wahrscheinlichkeitsräume und Zufallsvariablen 1.1 Modellierung von Zufallsexperimenten Der Begriff Zufallsexperiment steht hier für jeden realen Vorgang, der vom Zufall beeinflusst wird. Typischerweise
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
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
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
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
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrVorkurs Mathematik. Christoph Hindermann. Wahrscheinlichkeitstheorie
Kapitel 4 Christoph Hindermann Vorkurs Mathematik 1 4.0 Motivation Wenn 100 Münzen geworfen werden, wie ist dann die Wahrscheinlichkeit, dass genau 50 davon Kopf zeigen? Angenommen, es befinden sich 300
MehrA. Maß- und Integrationstheorie
A. Maß- und Integrationstheorie Im folgenden sind einige Ergebnisse aus der Maß- und Integrationstheorie zusammengestellt, die wir im Laufe der Vorlesung brauchen werden. Für die Beweise der Sätze sei
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
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
Mehr15. September 2010 Prof. Dr. W. Bley. Universität Kassel Klausur SS 2010 Diskrete Strukturen I (Informatik) Name:... Matr.-Nr.:... Viel Erfolg!
15. September 010 Prof. Dr. W. Bley Universität Kassel Klausur SS 010 Diskrete Strukturen I (Informatik) 1 3 4 5 6 Name:................................................ Matr.-Nr.:............................................
Mehr2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrStochastik I. Lehrstuhl für Mathematische Statistik. Universität Würzburg. Prof. Dr. Michael Falk
Stochastik I Lehrstuhl für Mathematische Statistik Universität Würzburg Prof. Dr. Michael Falk Inhaltsverzeichnis Das Kolmogoroffsche Axiomensystem 2 Erste Folgerungen aus dem Axiomensystem 2 3 Grundlagen
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
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
MehrStochastik I. Lehrstuhl für Mathematische Statistik. Universität Würzburg. Prof. Dr. Michael Falk
Stochastik I Lehrstuhl für Mathematische Statistik Universität Würzburg Prof. Dr. Michael Falk Inhaltsverzeichnis 1 Das Kolmogoroffsche Axiomensystem 1 2 Erste Folgerungen aus dem Axiomensystem 5 3 Grundlagen
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
Mehrσ-algebren, Definition des Maßraums
σ-algebren, Definition des Maßraums Ziel der Maßtheorie ist es, Teilmengen einer Grundmenge X auf sinnvolle Weise einen Inhalt zuzuordnen. Diese Zuordnung soll so beschaffen sein, dass dabei die intuitiven
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
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
MehrD-MATH Mass und Integral FS 2018 Prof. Dr. Urs Lang. Lösung - Serie 2. + A k = A c k Ac k 0
D-MATH Mass und Integral FS 2018 Prof. Dr. Urs Lang Lösung - Serie 2 Abgabetermin: Mittwoch, 07.03.2018 in die Fächli im HG F 28. Homepage der Vorlesung: https://metaphor.ethz.ch/x/2018/fs/401-2284-00l/
MehrBeweis. 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
MehrGesetz der großen Zahlen
Gesetz der großen Zahlen Marie Reichstein Technische Universität Wien 19. Jänner 2012 Übersicht Geschichte Fragestellung schwaches Gesetz der großen Zahlen starkes Gesetz der großen Zahlen Null-Eins-Gesetze
MehrErwartungswert. j=1. Beweis. Wegen der Voraussetzung nimmt die Zufallsvariable X nur endlich
Erwartungswert Naiv stellt man sich unter dem Erwartungswert einer Zufallsvariablen X Folgendes vor. Man führt das Experiment n-mal durch und bestimmt den Mittelwert (arithmetisches Mittel) der dabei für
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
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
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
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
Mehr2 Zufallsvariablen und deren Verteilungen
2 Zufallsvariablen und deren Verteilungen 2.1 Zufallsvariablen Zufallsvariablen sind Funktionen von Ω in die reellen Zahlen R. Beispiel 2.1.1 (Zweimaliger Münzwurf). Ω = ZZ, KK, KZ, ZK}. Sei X(ω) die Anzahl
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
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
MehrFerienkurs in Maß- und Integrationstheorie
Zentrum Mathematik Technische Universität München Dipl. Math. Wolfgang Erb WS 9/ Übungsblatt Ferienkurs in Maß- und Integrationstheorie Aufgabe. (σ-algebren Sei eine Menge und A eine σ-algebra in. Seien
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
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
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung - 2017 Bemerkung: Sei X = (X 1,..., X n ) Zufallsvektor. Der n dimensionale Vektor ( ) E(X ) = E(X 1 ),..., E(X n ) ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N (0,
MehrSammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien
Sammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien Prof. F. Merkl 23. Mai 2016 Zu Ihrer Information und als zusätzliches Übungsmaterial sind hier die Aufgaben
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrMathematische und statistische Methoden für Pharmazeuten
Mathematische und statistische Methoden für Pharmazeuten Josef Berger 11. Juni 2018 Dieses Manuskript enthält auszugsweise einige Teile der Vorlesung. Das Lesen des Manuskriptes ersetzt nicht den Besuch
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
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
Mehr3. 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
MehrMaßtheorie. Skript zur Vorlesung von Prof. Dr. Michael Kohler. Sommersemester 2005 und Wintersemester 2005/2006
Maßtheorie Skript zur Vorlesung von Prof. Dr. Michael Kohler Sommersemester 2005 und Wintersemester 2005/2006 1 1 Grundbegriffe der Maßtheorie Ziel: Konstruktion von Maßzahlen (wie z. B. Länge / Fläche
MehrKONSTRUKTION VON MASSEN
KONSTRUKTION VON MASSEN MARCUS HEITEL 1. Einleitung Wir wollen im Folgenden das Lebesguemaß konstruieren. Dieses soll die Eigenschaft λ ( [a, b = b a für a, b R besitzen. Nun ist ein Maß aber auf einer
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
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
MehrAnliegen: 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