Inhaltsverzeichnis. IV. Statistische Tests 40 IV.1. Hypothesentests IV.2. Neyman-Pearson-Lemma... 41
|
|
- Erwin Böhler
- vor 7 Jahren
- Abrufe
Transkript
1 Stochastik Prof. Reiß Sommersemester 202 Vorlesugsmitschrifte Paul Boeck 2 Zuletzt geädert am 4. Oktober 202 Fehler bitte a boeck@math.hu-berli.de Ihaltsverzeichis I. Wahrscheilichkeitsräume 2 I.. Ereigisse, Wahrscheilichkeite ud Zufallsvariable I.2. Diskrete Verteiluge I.3. Wichtige diskrete Verteiluge I.4. Maßtheorie ud W-Maße i R d II. Bedigte Wahrscheilichkeite ud Uabhägigkeit 6 II.. Bedigte Wahrscheilichkeit ud Bayesformel II.2. Uabhägigkeit II.3. Uabhägige Zufallsvariable Zur Existez uabhägiger Zufallsvariable II.4. Faltug III. Erwartugswert, Variaz ud Kovariaz 29 III.. Der Erwartugswert ud Momete III.2. Variaz, Kovariaz ud Korrelatio III.3. Mehrdimesioale Normalverteilug IV. Statistische Tests 40 IV.. Hypothesetests IV.2. Neyma-Pearso-Lemma V. Grezwertsätze 43 V.. Gesetze der große Zahle V.2. Kovergez i Verteilug V.3. Charakteristische Fuktioe V.4. Zetraler Grezwertsatz Iterpretatio des ZGWS VI. Eiführug i die Schätztheorie 60 VI.. Grudbegriffe VI.2. Cramér-Rao-Ugleichug ud Maximum-Likelihood-Prizip VI.3. Likelihood-Quotiete-Tests Idex 68 Literatur 70 Nicht vo Prof. Reiß korrigiert 2 mit Hilfe vo Stephaie Bradl, Jae Köchel ud Sori Pascu
2 I. Wahrscheilichkeitsräume I. Wahrscheilichkeitsräume I.. Ereigisse, Wahrscheilichkeite ud Zufallsvariable Wir widme us zuächst der mathematische Modellierug des Zufalls ud werde erst später kurz auf Iterpretatioe eigehe. Beispiel I. a) Das Würfel mit zwei uterscheidbare Würfel. Jeder Würfel wird eie der Zahle {, 2, 3, 4, 5, 6} zeige. Als Ergebis ach dem Würfel erhalte wir so ei Tupel (, 2 ) mit, 2 {, 2, 3, 4, 5, 6}. Iterpretatio: ist die Augezahl vo Würfel ud 2 etspreched vo Würfel 2. Vor dem Würfelexperimet werde wir uter der Aahme zweier fairer Würfel, die sich icht gegeseitig beeiflusse, sage, dass jeder Versuchsausgag mit gleicher Wahrscheilichkeit (W-keit) eitritt. Weitere Frage sid da beispielsweise Wahrscheilichkeite für folgede Ereigisse A Es wird ei Pasch gewürfelt. A 2 Die Augesumme ist 7. A 3 Es tritt keie auf. Mathematisch werde Ereigisse als Teilmege der Mege Ω = {, 2, 3, 4, 5, 6} 2 aller Versuchsausgäge modelliert, also hier: A = {(, 2 ) Ω = 2 } = {(, ),..., (6, 6)} A 2 = {(, 2 ) Ω + 2 = 7} = {(, 6), (2, 5),..., (6, )} A 3 = {(, 2 ) Ω ( ) ( 2 )} Sid alle Versuchsausgäge gleich wahrscheilich, erhalte wir die Wahrscheilichkeit für ei Ereigis A, idem wir die Zahl aller für A güstige Ausgäge durch die Zahl aller mögliche Ausgäge teile, also hier P(A ) = A Ω = 6 36 = 6 P(A 2 ) = A 2 Ω = 6 36 P(A 3 ) = A 3 Ω = b) -facher Müzwurf. Wir werfe eie Müze -mal hitereiader. De Versuchsausgag codiere wir mit eiem -Tupel (b,..., b ) {0, } mit der Iterpretatio: b k = heißt, k-ter Wurf ist Kopf ud b k = 0 heißt k-ter Wurf ist Zahl. Uter faire Bediguge werde wir jede Versuchsausgag wieder dieselbe Wahrscheilichkeit zuweise (= 2 ). Betrachte zu Ω = {0, }. A -mal Kopf = {(b,..., b ) = b = Ω b = b 2 = = b = } P(A ) = A Ω = 2 = 2 2
3 I. Wahrscheilichkeitsräume A 2 ( )-mal Kopf = {(0,,,..., ), (, 0,,,..., ),..., (,,...,, 0)} P(A 2 ) = A 2 Ω A 3 midestes eimal Zahl = {b Ω b (,,..., )} = A C P(A 3) = A 3 Ω = 2 = 2 2 = 2 = P(A C 3 ) c) beliebig häufiger Müzwurf. Es ist atürlich zu frage, was passiert, we eie faire Müze beliebig häufig ( oft ) geworfe wird. Da erhalte wir Ω = Mege aller 0--Folge = {0, } N Also b Ω ist eie Folge b = (b, b 2,... ) = (b ) N mit Werte i {0, }. Betrachte u die Ereigisse A immer ur Kopf = {b Ω k b k = } = k {b Ω b k = } = {(,,,... )}. Aufgrud vo Beispiel b) würde wir aus Stetigkeitsgrüde A die Wahrscheilichkeit lim 2 = 0 zuorde. Formal köe wir hier icht mit eier Gleichverteilug argumetiere, weil Ω =. Bereits ituitiv sid Wahrscheilichkeite für adere Ereigisse sehr uklar. A 2 : für jedes M N gibt es eie Kopfru der Läge M = {b {0, } N M N k N b k = b k+ = = b k+m = } Ω Beachte, dass hier Ω = {0, } N die Kardialität ℵ, d.h. die Kardialität der reelle Zahle besitzt, die P(Ω) = {A A Ω} sogar och größere Kardialität besitzt ud es daher icht eifach ist, eie Wahrscheilichkeit jeder Teilmege (jedem Ereigis) zuzuorde. Dies ist aber meist auch gar icht beabsichtigt ud wir beschräke us auf iteressierede Ereigisse. (siehe ute Satz vo Vitali I.4). Defiitio I.2 Mit Ω werde die (ichtleere) Mege der mögliche Versuchsausgäge bezeichet. Ei Teilmegesystem F P(Ω) heißt σ-algebra oder Mege der iteressierede Ereigisse, falls gilt (A ) Ω F (A 2 ) A F A C = Ω A F (A 3 ) A F, N N A F Jedes Elemet vo F ee wir Ereigis. Ei Wahrscheilichkeitsmaß (W-Maß) ist eie Abbildug P F [0, ] mit (B ) P(Ω) = (B 2 ) Für A F, N, die paarweise disjukt sid ( i j A i A j = ) gilt P( N A ) = N P(A ) σ-additivität. 3
4 I. Wahrscheilichkeitsräume Ei W-Raum ist ei Tripel (Ω, F, P) mit Ω ichtleere Mege, F σ-algebra über Ω ud P W-Maß auf F. Bemerkug Axiome (B ), (B 2 ) heiße Kolmogorovsche Axiome (Kolmogorov, 933). Lemma I.3 Für jede σ-algebra F gilt: (a) F (b) A, A 2 F A A 2, A A 2 F (c) A F, N N A F Beweis: klar (beachte A A 2 = (A C AC 2 )C ) Beispiel I.4 Die triviale σ-algebre sid {, Ω} ud P(Ω). Lemma I.5 Für jedes W-Maß P auf F gilt (a) P( ) = 0 (b) A, B F, A B P(A) P(B) (c) A, B F P(A B) = P(A) + P(B) P(A B) (d) A F, beliebig P( A ) = P(A ) (Subadditivität, Boferroi- Ugleichug) (e) A F, mit A A F (d.h. A A + ud A = A): P(A) = lim P(A ) σ-stetigkeit Beweis: (a)-(d) ud die Umkehrug vo (e) als Übug. (e) Setze B = A, B 2 = A 2 A, B 3 = A 3 A 2,... B = A A. Da sid die (B ) paarweise disjukt mit B = A. Daher gilt P(A) = P( A ) = P( B ) σ-add. = P(B ) N N = = lim P(B ) N = B =A N = lim N P(A N) Häufig iteressiere us icht die Versuchsausgäge selbst, soder begleitete Größe, z.b. ur die Augesumme beim Würfel mit zwei Würfel. I dem Beispiel würde ma also modelliere: Ω = {,..., 6} 2, F = P(Ω), P(A) = A A F, A Ω (das ist ei W-Raum!) 36 ud Augesumme S(ω) = S(ω, ω 2 ) = ω + ω 2, ω Ω. 4
5 I. Wahrscheilichkeitsräume Wie groß ist die Wahrscheilichkeit dafür, dass die Augesumme gleich k ist für k aus der Mege {2, 3,..., 2}? S(ω) = k ω S ({k}). Also P({ω Ω S(ω) = k}) = P(S ({k})) = 36 k = k = k = k = k = k = k = 8 Wir habe mittels S eie eue W-Raum kostruiert! Ω = {2,..., 2}, F = P( Ω) ud P S (A) = P(S (A)), A Ω. I der Maßtheorie heißt P X Bildmaß vo X uter P. Defiitio I.6 Es sei (Ω, F, P) ei W-Raum ud (S, S) ei Messraum. Da heißt eie Abbildug X Ω S S-wertige Zufallsvariable, falls X messbar bezüglich (F, S) ist ( d.h. A S X (A) F). Im Fall (S, S) = (R, B) (Borel-σ-Algebra) spricht ma bloß vo reellwertige Zufallsvariable oder Zufallsgröße, im Fall (S, S) = (R d, B R d) vo eiem Zufallsvektor. Das W-Maß (check!) P X (A) = P(X (A)), A S heißt Verteilug der Zufallsvariable X. Ma schreibt statt P X auch L(X) ( law of X ) sowie {X A} = {ω Ω X(ω) A} = X (A), {X = x} = {ω Ω X(ω) = x} = X ({x}) P(X A) = P({X A}) = P(X (A)) = P X (A); P(X = x) = P({X = x}) = P X ({x}). Beispiel I.7 (a) Ist F = P(Ω), so ist jede Abbildug X Ω S messbar, also eie Zufallsvariable. Das gilt isbesodere also für die Augesumme S vo obe sowie diskrete W-Räume (siehe ute)., falls ω A (b) Für ei Ereigis A F ist A (ω) = (Idikatorfuktio) eie Zufallsvariable auf (Ω, F, P) mit Werte i ({0, }, P({0, })) oder auch i (R, B R ). Isbeso- 0, falls ω A dere ist jede kostate Fuktio X(ω) = c für c R d eie Zufallsvariable. Beispiel I.8 (Geburtstagsproblem) Wie groß ist die Wahrscheilichkeit, dass ( 365) Persoe a verschiedee Tage Geburtstag habe? Wir gehe davo aus, dass das Jahr geau 365 Tage hat ud jeder Tag mit gleicher Wahrscheilichkeit Geburtstag eier Perso ist (ud diese Geburtstage uabhägig für alle Persoe gewählt werde). Die Mege aller Geburtstagskombiatioe ka als Ziehe vo Kugel eier Ure mit 365 Kugel mit Zurücklege ud mit Beachtug der Reihefolge modelliert werde. Es ergebe sich 365 Kombiatioe. Die güstige Ereigisse (a verschiedee Tage Geburtstag) etspreche dem Ziehe ohe Zurücklege. Dafür ergebe sich (365 + ) Kombiatioe. Die gesuchte Wahrscheilichkeit ist also 365! 365 (365 )! = = ( 365 ) ( 365 ) = exp( k= log ( k 365 )) 5
6 I. Wahrscheilichkeitsräume Für kleie x gilt log( + x) x, stets gilt log( + x) x exp( k= k 365 ) = exp( ( )/2 365) I.2. Diskrete Verteiluge Defiitio I.9 Ist Ω eie edliche oder abzählbar uedliche Mege F = P(Ω) ud ei W-Maß auf F, so heißt (Ω, F, P) diskreter W-Raum. Eie S-wertige Zufallsvariable heißt diskret verteilt, falls (S, S = P(S), P S ) ei diskreter W-Raum ist. Beispiel I.0 -facher Müzwurf, Würfelwurf, Geburtstagsproblem, aber icht der beliebig häufige Müzwurf. Lemma I. (a) Ist (Ω, F, P) diskreter W-Raum, so ist P eideutig durch seie Zähldichte p(ω) = P({ω}), ω Ω festgelegt. Ebeso legt bei eier diskret verteilte Zufallsvariable X (mit Werte i S) die Verteilug P X vo X eideutig fest. p X (s) = P X ({s}) = P(X = s) (b) Ist Ω adererseits edlich oder abzählbar uedlich ud p Ω [0, ], so dass ω Ω p(ω) = gilt, da wird durch P(A) = ω A p(ω), A Ω ei W-Maß P auf (Ω, P(Ω)) defiiert, desse Zähldichte p ist. Beweis: (a) Seie P, Q W-Maße auf (Ω, F) mit p(ω) = P({ω}) = Q({ω}) für alle ω Ω. Wege σ-additivität gilt da für alle A Ω: P(A) = P( {ω}) σ-add. = P({ω}) = p(ω) = Q({ω}) ω A ω A ω A ω A = Q( {ω}) = Q(A) P = Q ω A Geauso für Zufallsvariable. (b) Es gilt P(Ω) Def = ω Ω p(ω) Vor. = sowie für A Ω paarweise disjukt P( A ) Def = p(ω) = p(ω) ω A ω A Def = P(A ) P ist σ-additiv Also ist P ei W-Maß. Natürlich gilt P({ω}) = p(ω) ach Defiitio. 6
7 I. Wahrscheilichkeitsräume I.3. Wichtige diskrete Verteiluge Gleichverteilug/Laplaceverteilug Ist Ω edlich, so beschreibt die Zähldichte p(ω) =, ω Ω, die Gleichverteilug auf Ω. Es gilt also Ω P(A) = p(ω) = A ω A Ω, A Ω Das hatte wir bereits bei Müzwurf ud Würfelwurf verwedet. Hypergeometrische Verteilug Beroulli-Schema/Beroulli-Kette : Wir spiele ei Spiel -mal hitereiader, bei dem jeweils mit Wahrscheilichkeit p Erfolg eitritt ud die eizele Spielausgäge icht voeiader abhäge. ( Müzwurf ). Setze für Erfolg ud 0 für Misserfolg ud modelliere Ω = {0, } mit Zähldichte p(ω) = p(ω,..., ω ) = p ω i ( p) ( ω i) Ma spricht vo eiem Beroulli-Schema der Läge mit Erfolgswahrscheilichkeit p. Biomialverteilug: Es bezeiche N die Azahl der Erfolge i eiem Beroulli-Schema der Läge mit Erfolgswahrscheilichkeit p. N ist also die Zufallsvariable ω i N Ω Beroulli {0,,..., } mit N(ω) = N(ω,..., ω ) = Was ist die Verteilug P N vo N? Betrachte die Zähldichte p N. p N (k) = P(N = k) = ( k ) pk ( p) k = Bi,p (k) Die durch Bi,p ( ) beschriebee Verteilug heißt Biomialverteilug der Läge mit Wahrscheilichkeit p. Beispiele sid Azahl Kopf beim Müzwurf, Gewie beim regelmäßige Lotto, Heilugserfolg eies Medikamets bei Patiete etc. Bi,p ka durch ei sogeates Stabdiagramm visualisiert werde. Geometrische Verteilug Es bezeiche K de Zeitpukt des erste Erfolgs i eiem Beroulli-Schema. Für k gilt P(K = k) = ( p) k p = Geo p (k) Ma ka die Zähldichte Geo p ( ) der geometrische Verteilug mit Wahrscheilichkeit p auf N = {, 2,... } als Zähldichte der Zufallsvariable K bei eiem beliebig lage Beroulli-Schema ( = ) auffasse. Beachte k= Geo p (k) = k= ( p) k p = p = für p (0, ] ( p) Beispielawedug ist z.b. die Azahl vo Tage bis zum Ausfall eies techische Geräts ( Glühbire ). 7
8 I. Wahrscheilichkeitsräume Multiomialverteilug : Oft gibt es icht ur zwei Versuchsausgäge (Erfolg, Misserfolg), soder r > 2. I der Geetik werde z.b. weiß-, rosa- ud rotblühede Auspräguge eier Pflaze modelliert ud gezählt. Auf der Mege Ω = {k {0,..., } r r k i = }, wobei k = (k,..., k r ) ist ud k i die Azahl der Versuchsausgäge mit Merkmal i {,..., r} (oder i Klasse i) bezeichet, betrachte die Zähldichte! Mult,p,...,p r (k) = p k k!k 2! k r! pk 2 2 pk r r für p i 0, p i = Multiomialkoeffiziet p i gibt dabei die Wahrscheilichkeit für Merkmal/Klasse i a. Bei zwei Klasse, d.h. r = 2, ergibt sich Mult,p,p 2 (k) = da i der erste Koordiate Bi,p (k ) Poissoverteilug Auf Ω = N 0 defiiert für λ > 0! k!k 2! pk pk 2 2 =! k!( k )! pk ( p ) k Poiss λ (k) = e λ λ k k!, k 0 die Zähldichte der Poissoverteilug. Die Wichtigkeit ergibt sich aus dem Poissosche Grezwertsatz: Satz I.2 (Poissoscher Grezwertsatz) Es seie p [0, ] mit lim p = λ > 0. Da gilt für alle k N 0 lim Bi,p (k) = Poiss λ (k) Beweis: Schreibe A B falls lim A B =. Da gilt ( ( ) ( k + ) ) = k k k k! k k! Bi,p (k) = ( k )pk ( p ) k k k! pk ( p ) k k! pk ( p ) Aalysis (p ) k ( p ) k k! = k p p r e p λk k! e λ Bemerkug Später werde wir mit stoch. Methode folgede Kovergezgeschwidigkeit erhalte: Bi,p (k) Poiss λ (k) 2p 2 = 2λp für λ = p k=0 Auf Grud dieses Grezwertsatzes heißt die Poissoverteilug auch Verteilug der seltee Ereigisse 8
9 I. Wahrscheilichkeitsräume Beispiel I.3 (a) I eiem Lad gibt es 730 Geburte pro Eiwoher im Jahr. Wie ist die Azahl X der Geburte pro Tag i eier Stadt mit Eiwoher verteilt? (wichtig z.b. für Geburtsstatio im Krakehaus.) Approximative Modellierug p: Wahrscheilichkeit, dass ei Eiwoher a eiem feste Tag ei Kid bekommt. p = = = uabhägige Wiederholuge dieses Experimets groß, p klei, das heißt Poisso-Approximatio mit λ = p = 5.6. Die Zufallsvariable X ist also approximativ Poiss(5, 6) verteilt, d.h. P(X = k) = Poiss 5,6 (k) mit k N 0. (b) Radioaktiver Zerfall: Azahl N der Zerfälle i eier feste Zeiteiheit wird kaoisch mit der Poissoverteilug modelliert (Atomzahl groß, Wkeit für Zerfall eies Atoms sehr klei). Folgedes Beispiel zeigt u, dass wir bei überabzählbare Mege Ω icht mehr verüftig defiiere köe, weshalb wir us da auf σ-algebre (wie Borel-σ-Algebra) beschräke werde. Satz I.4 (Vitali, 905) Sei Ω = {0, } N die Ergebismege des beliebig lage Müzwurfs. Da gibt es keie Abbildug P P(Ω) [0, ], die de Kolmogorovsche Axiome (eies W-Maßes) geügt ud folgede Ivariazeigeschafte besitzt: A Ω, P(T (A)) = P(A) wobei T (ω) = T ((ω, ω 2,..., ω,... )) = (ω, ω 2,..., ω, ω, ω +,... ) das Ergebis des -te Wurfes umkehrt. Beweis: Defiiere Äquivalezrelatio auf Ω: ω ω N N ω = ω (ω ud ω uterscheide sich ur i edlich viele Glieder). Nach dem Auswahlaxiom existiert eie Mege A Ω, die aus jeder Äquivalezklasse geau eie Repräsetate ethält. Nu sei S = {S N S edlich} = {S N max S = m} m edliche Kardialität so dass S abzählbar ist. Setze T S = S T = T T 2 T k für S = {, 2,..., k } ( T S diskret, dreht also die Ergebisse a alle Idizes i S um). Da gilt: (a) Ω = S S T S (A) (zu jedem ω Ω existiert ω A mit ω ω, also auch ei S N, S < mit T S (ω ) = ω) (b) Die Mege (T S (A)) S S sid paarweise disjukt, da sost für ω, ω A ud S, S S T S (ω) = T S (ω ) ω T S (ω) = T S (ω ) ω aber ω, ω A ω = ω σ-additivität zeigt: = P(Ω) = P( S S T S (A)) = S S P(T S (A)) A. = S S P(A) {0, } Also ka ei solches P icht existiere. 9
10 I. Wahrscheilichkeitsräume I.4. Maßtheorie ud W-Maße i R d Zuächst rekapituliere wir die Grudlage der Maßtheorie. Für jedes E P(Ω) gibt es eie kleiste σ-algebra σ(e), die E ethält. Ist (S, d) ei metrischer Raum (wie (R d, )), so heißt B S = σ({o S O offe}) Borel-σ-Algebra vo S. B R wird z.b. erzeugt vo E = {(a, b] a, b R} oder F = {(, b] b R}. B R d aalog durch E = {(a, b ] (a d, b d ] a,..., a d, b,... b d R} (Quader, Rechtecke) g Ω S ist (F P(Ω), S P(S))-messbar, we für eie Erzeuger E vo S gilt: A E g (A) F jede stetige Fuktio zwische metrische Räume ist Borel-messbar (d.h. messbar bzgl. der jeweilige Borel-σ-Algebre). Jede Fuktio g Ω R mit {g y} F für alle y R ist (F, B R )-messbar. Falls g Ω R (F, B R )-messbar sid, so auch (sofer existet) if g, sup g, lim if g, lim sup g, lim g g,..., g d Ω R, (F, B R )-messbar, da ist ω (h(g (ω),..., g d (ω)) mit h R d R k Borelmessbar ist (F, B R k)-messbar. Isbesodere gilt: (g,..., g d ), g + g 2, g g 2, g g 2, g /g 2, max(g,..., g d ), mi(g,..., g d ) sid da messbar. 3 g Ω S, (F, S)-messbar, h S T (S, T )-messbar h g Ω T ist (F, T )- messbar. Defiitio I.5 Sei Ω ichtleere Mege. Da heißt A P(Ω) Algebra über Ω, falls Ω A A A A C A A, B A A B A. µ A [0, +] heißt Prämaß über A, falls µ( ) = 0 A A paarweise disjukt mit A A µ( A ) = µ(a ). µ heißt Maß, falls A bereits eie σ-algebra ist. Ei Maß µ heißt σ-edlich, falls es A A gibt mit µ(a ) < ud A = Ω. Ei Maß µ mit µ(ω) = ist ei W-Maß (s.o.). 3 g /g 2 ur falls sie wohldefiiert ist. 0
11 I. Wahrscheilichkeitsräume Beispiel I.6 Auf Ω = R ist A = { k= (a k, b k ], a k R { }, b k R {}} eie Algebra (wobei (a k, ] = (a k, ). Setze λ((a, b]) = b a für b a. Für paarweise disjukte (a k, b k ] λ( k= (a k, b k ]) = k= (b k a k ). Ute werde wir zeige, dass dieses λ ei Prämaß auf A defiiert. Mit Hilfe des folgede Satzes wird dies zu eiem Maß auf B R fortgesetzt, dem Lebesguemaß: Satz I.7 (vo Caratheodory, 97) Jedes Prämaß µ auf A ka zu eiem Maß µ auf σ(a) fortgesetzt werde, d.h. µ(a) = µ(a) für alle A A. Eideutigkeitssatz: Es seie µ, ν σ-edliche Maße auf (Ω, F) mit (A ) F A = Ω, µ(a ) = ν(a ) <. Ist da E ei Erzeuger vo F, der -stabil (d.h. A, B E A B E) ud gilt µ(a) = ν(a) für alle E, so folgt µ = ν auf F. (Isbesodere gilt Eideutigkeit der Maßerweiterug bei W-Maße). Defiitio I.8 Für ei W-Maß P auf (R, B R ) ist seie Verteilugsfuktio F R [0, ] gegebe durch F(x) = P((, x]). Für reellwertige Zufallsvariable X setzt ma etspreched F X (x) = P X ((, x]) = P(X x), x R. Lemma I.9 Jede Verteilugsfuktio F ist mooto wachsed, rechtsstetig ud erfüllt lim x F(x) = 0 ud lim x F(x) =. Beweis: Mootoie für x < y gilt Add. v. P F(y) F(x) = P((, y]) P((, x]) = P((x, y]) 0 Rechtsstetigkeit Es gelte x x (x x, x x, x mooto falled) F(x ) F(x) s.o. = P((x, x ]). Nu gilt (x, x ] (x, x + ] mit (x, x ] = ud lim (x, x ] = σ-stetigkeit lim P((x, x ]) = P( lim (x, x ]) = P( ) = 0 lim F(x ) = F(x) (F ist rechtsstetig) σ-stetigkeit: A = (x, x ] C, A A +, A = R Da ist P((x, x ]) = P(A C ) = P(A ) 0. s.o. P(A ) P(R) = σ Stet. lim F(x) = lim P((, x]) = P( lim (, x]) = P( ) = 0 x x x lim x F(x) = lim P((, x]) = P(R) = x Satz I.20 Es sei F R R eie mooto wachsede, rechtsstetige Fuktio. Da existiert ei Maß µ auf (R, B R ) mit µ((a, b]) = F(b) F(a) für alle a < b R µ ist eideutig durch F defiiert ud heißt Lebesgue-Stieltjes-Maß zu F.
12 I. Wahrscheilichkeitsräume Korollar I.2 Es gibt geau ei Maß λ auf (R, B R ) mit λ((a, b]) = b a ( a < b R). λ heißt Lebesguemaß (wähle F(x) = x) Korollar I.22 Zu jedem F R [0, ] mooto wachsed, rechtsstetig ud lim x F(x) = 0, lim x F(x) = gibt es geau ei W-Maß P, desse Verteilugsfuktio F ist. Beispiel I.23 Für alle Itervalle berechet ma da leicht P((a, b]) = F(b) F(a). Beweis: (des Satzes) Eideutigkeit folgt, weil die Mege {(a, b] a < b R} ei - stabiler Erzeuger vo B R ist ud [, ] = R gilt, aus dem Eideutigkeitssatz. Auf der Algebra (s.o) A = { K k= (a k, b k ] K, a < b a k < b k } defiiere µ( K (a k, b k ]) = k= K k= Da ist µ offesichtlich additiv mit µ( ) = 0. (F(b k ) F(a k )) Zu zeige ist σ-additivität für µ Prämaß: A = K k= (a k, b k ] mit A paarweise disjukt ud A A, d.h. A = K K (a k, b k ], K N, a b... a K b K k= (F(bk ) F(a k )) =! K k= Dafür reicht es, für ei Itervall zu zeige: K (F(bk ) F(a k )) k= (a, b ] = (a l, b l ] µ((a, b ]) = µ((a l, b l ]) l Natürlich gilt µ( L l= (a l, b l ]) µ((a, b ]), also Subadditivität vo µ, da L l= (a l, b l ] (a, b ]) L l> L µ((a l, b l ]) µ((a, b ]) l= l= µ((a l, b l ]) µ((a, b ]) Für betrachte O l = (a l, b l + δ l ) (a l, b l ] mit µ((a l, b l + δ l ]) µ((a l, b l ]) + ε 2 l, was wege Rechtsstetigkeit vo F immer möglich ist. Da ist (O l ) l eie offee Überdeckug vo [a + δ, b ], wobei µ((a, a + δ ]) ε gelte (F rechtsstetig!). Nach dem Satz vo Heie-Borel gilt wege Kompaktheit vo [a + δ, b ], dass es ei L existiert mit [a + δ, b ] L l= (a l, b l + δ l ]. µ((a, b ]) = µ((a + δ, b ]) + µ((a, a + δ ]) µ((a l, b l ]) + 2ε l L l= Dies gilt für beliebiges ε > 0. Mit ε 0 folgt l µ((a l, b l ]) µ((a, b ]). (µ((a l, b l ]) + ε 2 l ) + ε 2
13 I. Wahrscheilichkeitsräume Defiitio I.24 Ist f R d [0, ) eie (Lebesgue)-itegrierbare Fuktio mit R d f (x) dx =, so heißt f Lebesgue-Dichte oder auch (Wahrscheilichkeits)-Dichte auf R d. Lemma I.25 Jede W-Dichte f auf R erzeugt mittels P f ((a, b]) = b a f (x) dx ei W-Maß P f auf (R, B R ). Beweis: Betrachte F(x) = x f (y) dy. Da ist F mooto wachsed, stetig ud erfüllt lim F(x) = 0, lim F(x) = f (x) dx = x x Der Satz/Korollar liefert, dass F die Verteilugsfuktio eies W-Maßes P f ist, so dass gilt P f ((a, b]) = F(b) F(a) = b a f (x) dx. Bemerkug (a) Aus der Itegratiostheorie folgt da für jede Borelmege B, dass P f (B) = B f (x) dx (b) Ma ka Dichte auch bezüglich beliebiger σ-edlicher Maße defiiere, icht ur bzgl. des Lebesguemaßes. Lemma I.26 (a) Ist f die Dichte eies W-Maßes P auf (R, B R ) mit Verteilugsfuktio F, so gilt x R F(x) = x f (s) ds (b) Ist die Verteilugsfuktio F auf R (schwach) differezierbar, so ist f (x) = F (x), x R, die zugehörige W-Dichte. Bemerkug F heißt schwach differezierbar (oder absolut stetig), falls es eie Fuktio F gibt mit der Eigeschaft F(b) F(a) = b a F (y) dy für alle a < b. Beispiel I.27 F(x) = x ist schwach differezierbar mit F (x) = (0,) (x) (,0) (x). Beispiel I.28 (a) W-Dichte f (x) = b a [a,b](x), x R für a < b. Da ist P f ([a, b]) = ud P f = b a λ [a,b] (das Lebesguemaß auf [a, b]). P f heißt gleichmäßige Verteilug auf [a, b], Notatio U([a, b]) für uiform. (b) Expoetialverteilug für λ > 0 setze f λ (x) = λe λx [0,) (x), x R ist W-Dichte. Das zugehörige W-Maß P λ heißt Expoetialverteilug mit Parameter λ, Notatio Exp(λ). Die Verteilug Exp(λ) wird häufig zur Modellierug vo Wartezeite (Bediezeite, Atomzerfall etc) verwedet. λ etspricht z.b. Stärke der Radioaktivität (siehe Übug) (c) Normalverteilug Parameter µ R, σ > 0. W-Dichte ϕ µ,σ 2(x) = e (x µ) 2σ 2, x R 2π σ 2 3
14 I. Wahrscheilichkeitsräume Das zugehörige W-Maß heißt Normalverteilug, Notatio N (µ, σ 2 ). Zeige ϕ µ,σ 2(x) dx =! e (x µ) 2 2σ 2 2πσ z= x µ σ = subst. 2π σ e z2 2 σ dz ϕ µ,σ 2 = ϕ 0, Reduktio auf Fall µ = 0, σ = ( e z 2 Fubii 2 dz)2 = e z 2 2 e y2 2 dz dy = dλr 2 = R 2 e y2 +z 2 2 dy dz Polar = R + [0,2π] e r2 2 r dr dϕ = 2π 0 re r2 2 dr = 2π ( e r2 2 ) = 2π ϕ 0, = r=0 (d) Produktdichte im R d. Sid f,..., f d R [0, ) W-Dichte i R, so ist f (x,..., x d ) = d f i (x i ) (x,..., x d ) R d eie W-Dichte i R d die Produktdichte vo f,..., f d. Beachte R d Fubii f (x) dx = ( f (x ) f d (x d ) dx... ) dx d d-mal = (d )-mal f 2 (x 2 ) f d (x d ) dx 2... dx d = = (e) Mehrdimesioale Stadard-Normalverteilug: f (x) = (2π) d 2 e x 2 2, x R d mit x 2 = x x 2 d ist Produktdichte der eidimesioale Stadard-Normalverteiluge f i(x i ) = e x2 i 2. Notatio: N (O, E 2π d ) mit E d = ( 0 0 ) Rd d. Beachte: f ist rotatiosivariat. Bemerkug (Resultate für W-Maße i (R d, B R d)) Betrachte die d-dim. Verteilugsfuktio F(x) = F(x,..., x d ) = P((, x ] (, x d ]) F hat wiederum Eigeschafte wie im Eidimesioale, ur die Mootoie wird ersetzt durch die Nichtegativität eies komplexere Ausdrucks. Im R 2 z.b. gilt F(x, x 2 ) F(x, y 2 ) F(y, x 2 ) + F(y, y 2 ) 0, y x, y 2 x 2. Da ka ma umgekehrt zeige, dass eie d-dim. Verteilugsfuktio (d.h. Fuktio mit diese 4
15 I. Wahrscheilichkeitsräume Eigeschafte) eideutig ei W-Maß auf (R d, B R d) bestimmt. Ist f R d [0, ) eie W- Dichte, so ist F(x,..., x d ) = x d x f (z) dz... dz d eie Verteilugsfuktio, so dass es ei etsprechedes W-Maß P f gibt mit P f (B) = B f (x) dx für alle B B. Satz I.29 (Dichtetrasformatio) Es sei X eie reellwertige Zufallsvariable mit stetiger Dichte f X (d.h. f X ist W-Dichte vo P X ) sowie Y = ϕ(x) mit ϕ R R mooto wachsed, so dass die Liksiverse ϕ stetig differezierbar ist. Da hat Y ebefalls eie Dichte ud zwar f Y (y) = f X (ϕ (y)) (ϕ ) (y), y R. Beachte: Für beliebiges ϕ muss Y keie Dichte besitze, z.b. falls ϕ(x) cost. Beweis: Es gilt F Y (y) = P Y ((, y]) = P(Y y) = P(ϕ(X) y) = P(ϕ ϕ(x) ϕ (y)) = P(X ϕ (y)) = F X (ϕ (y)) f Y (y) = (F Y ) (y) = f X (ϕ (Y)) (ϕ ) (y) Korollar I.30 Im voragegage Satz gilt für Y = ax + b mit a 0, b R Beweis: klar wege ϕ (y) = y b a f Y (y) = f X ( y b a ) a Beispiel I.3 (a) X N (0, ) d.h. (P X = N(0, )) Y = σx + µ N (µ, σ 2 ). f Y (y) = ϕ 0, ( y µ σ ) σ = e 2 ( y µ σ )2 2π σ = ϕ µ,σ 2(y) (b) X Exp() λ>0 X = λ X Exp(λ). f Y (y) = f X (λy) λ = λ e λy R +(y) (gilt trotz Sprugs vo f X bei Null) (c) X N (0, ) Y = X 2 χ 2 () (chi-quadrat-verteilug mit eiem Freiheitsgrad) Problem: ϕ(x) = x 2 icht mooto. Argumet über Verteilugsfuktio y 0 P(Y y) = P(X 2 y) = P(X [ y, + y]) = ϕ 0,(z) dz y f Y (y) = d P(Y y) = d dy y y dy ϕ 0,(z) dz = 2ϕ 0, ( 2) y 2 y = e y 2 y 0 2πy Der Dichtetrasformatiossatz lässt sich etspreched im Mehrdimesioale formuliere (s. Kregel), isbesodere gilt für eie affie Abbildug ϕ R d R d, ϕ(x) = Ax + b mit 5
16 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit A R d d ivertierbar, b R d ud eiem d-dim. Zufallsvektor X mit Dichte f X, dass Y = ϕ(x) = AX + b die Dichte Awedug: X N (0, E d ), Y = AX + b: f Y (y) = f X (A (y b)) det(a ) besitzt. f Y (y) = f X (A (y b)) det(a ) = (2π) d 2 exp ( A (y b) 2 ) 2 det(a) Y = (2π) d 2 exp ) A (y b), (y b) (A 2 det(aa ) 2 = (2π) d 2 det(σ) 2 exp (y b), y b Σ 2 ist N (b, Σ)-verteilt mit Σ = AA (siehe III.3) mit Σ = AA II. Bedigte Wahrscheilichkeite ud Uabhägigkeit II.. Bedigte Wahrscheilichkeit ud Bayesformel Beispiel II. (Motivatio) Ei eu etwickelter Test auf eie Krakheit ergibt bei 000 Versuchspersoe, davo 900 gesud ud 00 krak, folgede Ergebisse: Test positiv Test egativ Summe gesud krak Summe Kotigeztafel Wkeit Was würde der Arzt eiem Patiete sage, desse Test positiv ausfällt. Atwort: für krak, d.h. ca 80% der Fälle ist der Patiet wirklich krak. Adererseits liegt bei eiem egativem Testergebis i ur % der Fälle doch eie Krakheit vor K P =, P 8 K N = 893 N Dieser Asatz führt auf de Begriff der bedigte Wahrscheilichkeit; hier würde dies im Sie relativer Häufigkeite der bedigte Wahrscheilichkeite für krak uter der Bedigug Test positiv bzw. Test egativ etspreche. Defiitio II.2 Es seie A ud B Ereigisse mit P(B) > 0. Da bezeichet P(A B) = P(A B) die bedigte P(B) Wahrscheilichkeit vo A uter B (oder A gegebe B). Beispiel II.3 (Wurf zweier fairer Würfel) A = Pasch, B = beide Augezahle ugerade P(A B) = P(A B) P(B) = = 3 > 6 = P(A) 6
17 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Satz II.4 Es sei B ei Ereigis mit P(B) > 0. Da gilt (a) A Q(A) = P(A B) ist ei W-Maß. (b) Formel vo der totale Wahrscheilichkeit: Für B = N B i die Vereiigug paarweise disjukter Ereigisse B i mit P(B i ) > 0 ud Ereigis A gilt N P(A B) = P(B i )P(A B i ) (c) Bayesformel Für Ereigisse A mit P(A) > 0 ud paarweise disjukte Ereigisse B,..., B N mit P(B i ) > 0 i ud N B i = Ω gilt I (b) ud (c) ka N = gesetzt werde. P(B P(B i A) = i ) P(A B i ) N j= P(B j) P(A B j ) B Beweis: (a) Q(Ω) = P(Ω B) = P( Ω B) =, A i paarweise disjukt: P(B) Q( A i ) = P(( i A i ) B i ) = P( (A i B)) P(A = i B) i P(B) P(B) i P(B) (b) P(A B) = P( N (A B i )) = (c) Nach (b) folgt N (A B i ) = P(A B i ) P(B i ) N = Q(A i ) i P(B i ) P(A B i ) N j= P(B j)p(a B j ) = P(A B i) = P(B i A) P(A) Bemerkug (a) Beachte de Uterschied zwische P(A B) ud P(A B). Es gilt stets P(A B) P(A B). (b) Iterpretatio: a) frequetistisch: Bei häufiger Wiederholug ist P(A B) der Ateil der Fälle, i dee A eitritt, i der Gesamtheit der Fälle, i dee B eitritt. b) subjektiv: Ist P meie Eischätzug der Lage vor Begi des Experimets, so ist P( B) meie Eischätzug, achdem ich vom Eitrete vo B erfahre habe. Beispiel II.5 (Test auf eie seltee Krakheit) Eie Krakheit komm bei ca 0.5% der Bevölkerug vor. Ei Test führt bei 99% der Krake zu eier Reaktio, aber auch bei 2% der Gesude. Wie groß ist die Wahrscheilichkeit, dass bei positiver Reaktio eie Perso wirklich krak ist. A = Reaktio positiv, B = krak P(B A) Bayes = P(B) P(A B) P(B)P(A B) + P(B C )P(A B C ) = = Diese Wahrscheilichkeit beträgt also ur ca. 20%! 7
18 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Lemma II.6 (Multiplikatiosformel) Für Ereigisse A,... A mit P(A... A ) > 0 gilt P(A... A ) = P(A ) P(A 2 A )P(A 3 A A 2 ) P(A A A 2 A ) Beweis: rechte Seite: P(A ) P(A A 2 ) P(A A 2... A ) = P(A... A ) P(A ) P(A... A ) Dies führt auf die sogeate Pfadregel. Betrachte z.b. ei Uremodell mit Ziehe ohe Zurücklege ud Beachtug der Reihefolge sowie W weiße ud S schwarze Kugel, N = S + W II.2. Uabhägigkeit Falls Ketis über das Ereigis B die Wahrscheilichkeit des Ereigisses A icht beeiflusst (ud umgekehrt), so bezeichet ma A ud B als (stochastisch) uabhägig P(A B) = P(A) ud P(B A) = P(B) P(A B) P(B) = P(A) P(A B) P(A) = P(B) Allgemeier defiiert ma auch im Fall vo P(A) = 0 oder P(B) = 0 Defiitio II.7 (a) Zwei Ereigisse A ud B sid (stochastisch) uabhägig, falls P(A B) = P(A) P(B) gilt. (b) Eie Familie (A i ) i I, I beliebige Idexmege vo Ereigisse heißt uabhägig, falls für jede edliche Teilmege J I gilt P( j J A j ) = j J P(A j ). Satz II.8 (Lemma vo Borel-Catelli) Sei (A ) eie Folge vo Ereigisse i (Ω, F, P) sowie Da gilt A = lim sup A = m m (a) Aus P(A ) < folgt P(A) = 0. A = {ω Ω ω A gilt für uedlich viele } (b) Gilt P(A ) = ud ist (A ) uabhägig, so folgt P(A) =. Beweis: (a) Es gilt A m A für alle m, weshalb P(A) if P( A ) if P(A ) = lim P(A ) P(A )< = 0 m m m m m m 8
19 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit (b) Betrachte A C = m m A C : P(A C ) P( A C ) σ-stet. = lim P( N A C ) m m m N =m UE = m N lim P(A C ) N =m P(A ) N lim m N =m = exp( lim m N exp( P(A )) N =m x e x, x 0 P(A )) = 0 = 0 m Beispiel II.9 (a) I Teil (b) ka icht auf die Uabhägigkeit verzichtet werde: Betrachte z.b. ei Ereigis A mit P(A ) (0, ) ud setze A = A, 2. Da ist lim sup A = A ud somit P(lim sup A ) <, obwohl P(A ) = + ist. (b) Rus im beliebig lage Müzwurf: Es sei A M das Ereigis Kopf i de Würfe, +,..., + M (M-Ru ab -te Müzwurf). Frage: P(lim sup A (M) ) =?. Da (A (M) ) icht uabhägig ist, betrachte wir die Teilfolge (A (M) km+ ) k. Diese ist uabhägig, weil für k < k 2 < < k gilt P (A (M) k M+... A(M) k M+ ) = = P (A (M) k M+ ) P (A (M) k M+ ) 2 M 2 M Borel-Catelli (b) k P(A (M) P (lim sup km+ )= Es gilt sogar och mehr: ω A (M) k M+... A(M) k M+ A (M) ) lim ( 2 ) k P (lim sup k (k+) M ( ω i ) A (M) km+ ) B-C = = 2 M P( für jedes M gibt es -viele M-Rus ) = P ( lim sup A (M) ) = M weil der Schitt vo -Mege wieder eie -Mege ist, d.h.: P(E ) =, P( E ) = P( E C ) P(E C ) = Defiitio II.0 Seie M i F i, i I Mege vo Ereigisse. Da heißt (M i ) i I uabhägig, falls für jede beliebige Auswahl vo A i M i, die Familie (A i ) i I uabhägig ist. 9
20 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit II.3. Uabhägige Zufallsvariable Defiitio II. Eie Familie (X i ) i I vo (S i, S i )-wertige Zufallsvariable heißt uabhägig, falls für beliebige Ereigisse A i S i die Ereigisse ({X i A i }) i I uabhägig sid. Äquivalet ist (X i ) i I uabhägig geau da, we die vo de X i erzeugte σ-algebre F X i = {Xi (A) A S i }, i I uabhägig sid. Satz II.2 Es seie (X i, i I) Zufallsvariable auf (Ω, F, P) mit Werte i (S i, S i ) ud E i seie -stabile Erzeuger der S i. Damit ist (X i ) i I bereits uabhägig, falls ({X i A i }) i I uabhägig sid für beliebige Wahle vo A i i E i. Beweis: Es reicht, diese Satz für beliebige edliche Idexmege J I zu beweise. Wege J < gibt es da ei mit {j J A j E j } bei eier beliebige Wahl vo A i S i. Iduktiosbehauptug: Es gilt P ( j J {X j A j }) ( ) = j J P ({X j A j }) für beliebige A j S j, sofer {j J A j E j }. Iduktiosafag ( = 0): Das ist gerade die Aahme. Iduktiosschritt ( + ): Sei o.b.d.a. J 2 ud seie die A j so, dass {j J A j E j } = + gilt. Setze J = J {j} für ei j mit A j E j. Nach Aahme gilt ( ) für J. O.B.d.A. sei dabei P ( j J {X j A j }) > 0 (sost gilt ( ) trivialerweise auch für J 0 = 0). Betrachte u auf S j die W-Maße (!!) A P {X j A} i J {X i A i } = Q (A) A P(X j A) = Q 2 Für A E j gilt ach Iduktiosaahme Q (A) = P ({X j A} i J {X i A i }) P ( i J {X i A i }) = P(X j A) i J P(X i A i ) = Q 2 i J P(X i A i ) I.A. Eideutig- keitssatz Q = Q 2 ( ) gilt für J Korollar II.3 Es seie X,..., X Zufallsvariable auf (Ω, F, P). (a) Sid alle X k diskret verteilt, so sid X,..., X geau da uabhägig, we gilt P(X = s,..., X = s ) = p X (s,..., s )! = p X (s ) p X (s ) = P(X = s ) P(X = s ) falls alle s i S i, i =..., (b) Sid die X k reellwertig, so sid X,..., X geau da uabhägig, we gilt P(X x,..., X x ) = F X (x,..., x ) = F x (x ) F x (x ) = P(X x ) P(X x ) 20
21 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Beweis: (a) Die Richtug ist klar (wähle A i = {s i } i der Defiitio). Adererseits ist E k = {{s j } s k S k } { } ei -stabiler Erzeuger vo S k = P(S k ). Die triviale Ereigisse {X k } = erfülle stets die Uabhägigkeitsbedigug P( ) = 0). Nach Voraussetzug gilt u P(X A,... X A ) = k= P(X k A k ) für die -stabile Erzeuger E k ud alle A k E k Satz 2.2 X,..., X sid uabhägig. (b) Wir schließe wie i (a) mit de -stabile Erzeuge E k = {(, x] x R}. Satz II.4 Es sei X = (X,..., X ) ei Zufallsvektor auf (Ω, F, P) mit W-Dichte f X R [0, ). Da gilt: (a) Jedes X k besitzt eie Dichte, die sogeate Raddichte f X k (x k ) = f X (x,..., x ) dx... dx k dx k+... dx (b) Die Zufallsvariable X,..., X sid uabhägig geau da, we für Lebesgue-fast alle x,..., x R. f X (x,..., x ) = f X (x ) f X (x ) Beweis: (a) Es gilt Fubii P(X k b k ) = P(dx) = f X k (ξ k ) dξ k {(ξ...,ξ ) R ξ k b k } für alle b k R ud daher f X k ist Dichte vo X k. (b) Es bleibt zu zeige (wege Satzes): b k P(X b,..., X b ) = f X (x,..., x ) = k= f X k (x k ) k= P(X k b k ) λ-f.ü. b,..., b folgt durch Itegratio b P(X b,..., X b ) = f X (x,..., x ) dx... dx Fubii = k= b b k f X k (x k ) dx k = k= P(X k b k ) 2
22 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit : Die selbe Rechug zeigt hier b b f X (x,..., x ) dx... dx = k= b k f X k (x k ) dx k b,..., b R Maßtheorie f X (x,..., x ) = f X k (x k ) λ-f.ü. Hauptsatz der k= Diff/It-Rechug Beispiel II.5 (a) Besitzt X = (X,..., X ) eie Produktdichte f X R [0, ) (d.h. f X (x,..., x ) = f i(x i )), so sid X,..., X, uabhägig mit de Raddichte f X i(x) = f i (x): f X i (x i ) = f X (x,..., x ) ( )-mal ( j i f j (x j )) f i (x i ) dx... dx i dx i+... dx = f i (x i ) ud obiger Satz zur Uabhägigkeit fidet Awedug. Bei der -dimesioale Stadardormalverteilug X N (O, E ) mit Dichte f X (x) = (2π) 2 e x 2 2, x R hat eidimesioale Radverteiluge N (0, ) f X (x) = x 2 2π e i 2 Außerdem sid die Koordiate X,... X uabhägig. (b) Es sei X = (X, X 2 ) gleichverteilt auf G = {(x, x 2 ) R 2 x 2 + x2 2 }, d.h. f X (x) = G G(x), x R 2. Schreibe u X i Polarkoordiate R = X 2 + X2 2, Φ = arcta( X 2 X ) [0, 2π). Es gilt für beliebige r [0, ], ϕ [0, 2π] P(R r, Φ ϕ) = ϕ r2 2 π = P(R r) P(Φ ϕ) r 2 ϕ 2π R, Φ uabhägig. Also ist f R (r) = 2r [0,] (r) ud f Φ (ϕ) = 2π [0,2π)(ϕ). Mit dem Satz ergibt sich die gemeisame Dichte als Produktdichte: f (R,Φ) (r, ϕ) = r π [0,](R) [0,2π) (ϕ) Alterative Herleitug: Dichtetrasformatio im R 2 (X, X 2 ) (R, Φ). (c) Falls X,..., X Dichte f X i R [0, ) besitze, so braucht der Zufallsvektor X = (X,... X ) keie Dichte zu besitze. Eifachstes Beispiel ist der Fall X (ω) = X 2 (ω) =... = X (ω) ω Ω. Da gilt für die Diagoale D = {(x,..., x ) R x = x 2 =... = x }, dass P(X D) = P(X = X 2 = = X ) = ud adererseits besitzt D Lebesguemaß Null im R, 2. Hätte X eie Dichte f X, so wäre P(X D) = D f X (x) dx = 0. Also gibt es keie Dichte f X. Dies heißt isbesodere, dass für X,..., X N (0, )-verteilt icht otwedigerweise X = (X,..., X ) als Vektor ormalverteilt ist (P = N (0, E ) gilt ur bei Uabhägigkeit). 22
23 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Zur Existez uabhägiger Zufallsvariable Frage: Gegebe Verteiluge P i auf (S i, S i ), gibt es uabhägige Zufallsvariable (X i ) i I mit P X i = P i? Gesucht ist also ei W-Raum (Ω, F, P) ud messbare Abbilduge X i Ω S i. Defiitio II.6 Es seie (Ω i, F i, P i ) i W-Räume. Setze Ω = Ω Ω, F = F F 2 F = σ ({A A 2 A A F,..., A F }) Da heißt F Produkt σ-algebra auf Ω der F,... F. Gilt für ei W-Maß P auf F P(A A ) = P(A ) P(A ) für alle A F,..., A F, s heißt P Produktmaß der P,..., P Notatio P = P P 2 P. Bemerkug Da die Rechteckmege A A 2 A ei -stabiler Erzeuger vo F sid, ist das Produktmaß auf jede Fall eideutig bestimmt. I der Maßtheorie wird gezeigt, dass ei solches Produktmaß stets existiert ( Prizip vo Cavalieri ). Beispiel II.7 Sid f,..., f d R [0, ) W-Dichte vo W-Maße P,..., P d, auf B R, so hat das Produktmaß P = P P d die Produktdichte f (x,..., x d ) = f (x ) f d (x d ) de: P(A A d ) = f (x) dx Fubii = A A d = d k= P k (A k ) A A 2 A d f (x ) f d (x d ) dx d dx 2 dx = Ei aderes Beispiel ist das Beroulli-Schema, wofür für die Zähldichte gilt p( ω {0,},... ω ) = p ω i ( p) ( ω i) = p ω i ( p) ω i d f k (x) dx Ak k= P k (A k ) Wir erhalte also ei Produktmaß auf dem Produktraum {0, }, F = P(Ω)! = P({0, }). Lemma II.8 Ist (Ω Ω, F F, P P ) ei Produkt-W-Raum, so sid die Koordiateabbildug X i (ω,..., ω ) = ω i vo Ω Ω auf Ω i uabhägige (Ω i, F i )-wertige Zufallsvariable mit Verteilug P i. Beweis: X i ist (F F, F i )-messbar wege Xi (A) ( ) = Ω Ω i A Ω i+ Ω F F für alle A F i. Außerdem gilt (P P ) X i (A) = P P (Xi (A)) Produktmaß = ud ( ) Also besitzt X i die Verteilug P i. P (Ω ) P i (Ω i ) P i (A) P i+ (Ω i+ ) P (Ω ) = P i (A) = 23
24 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Uabhägigkeit folgt aus (P P )(X A,..., X A ) = P P (A A ) = P (A ) P (A ) s.o. = (P P )(X A ) (P P )(X A ) Für uedliche Produkträume gelte bei W-Maße aaloge Resultate, für dere Beweis wir auf Stochastik II verweise (dort allg. für stochastische Prozesse). Defiitio II.9 Es seie (Ω i, F i, P i ) i I, I beliebige Idexmege, eie Familie vo W-Räume. Setze Ω = i I Ω i = i I Ω i (kartesisches Produkt), π j ((ω i ) i I ) = ω j (j-te Koordiateprojektio), F = i I F i = σ({πi (A i ) i I, A i F i }). (Produkt-σ-Algebra) Da heißt P Produktmaß der (P i ) i I auf F, falls P i J gilt für alle J I edlich ud A i F i. πi (A i ) = P i (A i ) i J Beachte: Ist I = {,..., } so ist die Produkt-σ-Algebra gerade gleich σ({a A A F,..., A F }), weil A A = π (A )... π (A ) gilt ud σ-algebre -stabil sid. Die Defiitio des Produktmaßes ist ebeso wie vorher. Satz II.20 Es solches Produktmaß existiert stets ud ist eideutig. Korollar II.2 Zu gegebee W-Maße P i auf (Ω i, F i ), i I, existiert stets eie Familie uabhägiger Zufallsvariable X i mit P X i = P i, i I, ämlich Ω = Ω i, i I Beweis: wie obe F = F i, i I P = P i ud X i (ω) = π i (ω) = ω i i I Beispiel II.22 Ma ka ei uedlich lages Müzwurfexperimet auf kostruiere (Siehe Vitali). Ω = {0, } N, F = P({0, }) N P({0, } N ) Satz II.23 (0--Gesetz vo Kolmogorov) Seie (X k ) k uabhägige Zufallsvariable auf (Ω, F, P). Da gilt für jedes bezüglich (X k ) k asymptotische Ereigis A: P(A) = 0 oder P(A) = Defiitio II.24 Ei Ereigis A heißt asymptotisch bezüglich (X k ) k, falls es für alle N ur vo (X k, k ) abhägt, geauer falls A ist der asymptotische σ-algebra A X = σ( k F X k) (mit F X k = {X (B) B S}) liegt. k 24
25 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Lemma II.25 Sid (X i ) i I (S i, S i )-wertige uabhägige Zufallsvariable ud ϕ i S i T i (S i, T i )-messbar, so sid auch die (T i, T i )-wertige Zufallsvariable (ϕ i (X i )) i I uabhägig. Beweis: Zu zeige ist, dass für A i T i die ({ϕ i (X i ) A i }) i I uabhägig sid. Wege {ϕ i (X i ) A i } = {ω Ω ϕ i (X i (ω)) A i } = {ω Ω X i (ω) ϕ (A i )} = {X i ϕ i (A i )} = B i ud B i S i (da ϕ i messbar) sid die Ereigisse {ϕ i (X i ) A i } = {X i B i } uabhägig auf Grud der Uabhägigkeit der (X i ) i I. Beispiel II.26 I obige Beispiel der Gleichverteilug auf dem Eiheitskreis ware R, Φ uabhägig. Da sid zum Beispiel auch (R 2, Φ) oder (R, cos Φ) uabhägig, aber icht (R cos Φ, R si Φ). Frage: Betrachte die harmoische Reihe k= k, wähle aber die Vorzeiche jedes Summade rei zufällig. Wie groß ist die Wahrscheilichkeit, dass diese zufällige Reihe kovergiert? Wir wisse: k= k = = + ( ) k+ = log 2 < + k= k Nu betrachte k= X k k mit P(X k = ) = P(X k = ) ud (X k ) k uabhägig. Zur Erierug: A ist asymptotisches Ereigis bzgl. (X k ) k falls A A X = σ( F X k ) k X Hier: A = { k k= k kovergiert} = ε>0 ( N N m, N m { k= X k k < ε}) C = N N m, N ε Q m X { k k= k < ε} σ( m k= F X k )=F X,...,Xm σ( k N F X k ) N m, N σ( k N F X k ) m { k= X k k ε} A X σ( k N F X k ) A C A X A A X, also ist A asymptotisches Ereigis. Das 0--Gesetz vo Kolmogorov impliziert daher P(A) {0, } d.h. mit Wahrscheilichkeit kovergiert diese zufällige Reihe oder divergiert. Es ka also icht sei, dass z.b. beides mit Wahrscheilichkeit 0.5 eitritt. Zum Beweis des 0--Gesetzes beötige wir Lemma II.27 Es seie (X i ) i I eie Familie uabhägiger Zufallsvariable mit Werte i (S i, S i ) ud I = I I 2 eie Zerlegug der Idexmege I. Da sid die σ-algebre F = σ ( i I F X i) ud F 2 = σ ( i I2 F X i) uabhägig. 25
26 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Beweis: Ma betrachte die Zufallsvariable Y = (X i ) i I, Y 2 = (X i ) i I2 mit Werte i ( i I S i, i I S i ) beziehugsweise ( i I2 S i, i I2 S i ). [Messbarkeit folgt, weil i I S i vo {πi (A) i I, A S i } erzeugt wird.] Wege dieses Erzeugers ist die Uabhägigkeit der σ-algebre F, F 2 auch äquivalet zur Uabhägigkeit der Zufallsvariable Y, Y 2 (d.h. F = F Y, F 2 = F Y 2). Nach obigem Satz reicht es, für die -stabile Erzeuger E j = { i J πi (A i ) J I j, edlich, A i S i } für j =, 2 zu zeige. B E, B 2 E 2 P(Y B, Y 2 B 2 ) = P(Y B 2 ) P(Y 2 B 2 ) Dies folgt u aus der Uabhägigkeit der (X i ) i I Betrachte B = i J πi (A i ), B 2 = i J2 πi (A i ) mit J, J 2 I edlich, J J 2 =, A i S i. Da gilt P(Y B, Y 2 B 2 ) = P( i J, X i A i ud i J 2 X i A i ) Uabh. = der X i = ( i J P(X i A i ))( i J 2 P(X i A i )) P(X i A i ) i J J 2 X = i P( i J X i A i )P( i J 2 X i A i ) uabh. = P(Y B ) P(Y 2 B 2 ) Beweis: (des 0--Gesetzes) Betrachte die σ-algebre F = σ ( k= F X k) sowie F+ = σ ( k=+ F X k). Nach dem Lemma sid F, F + uabhägig. Für die Zufallsvariable X = (X k ) k mit Werte i ( k S k, k S k ) ud für A (ω) gilt wege, B i S i P( X π i (B i ) ={X B,...,X B } F, A = ) = P(X F + π i (B i ))P( A = ) Nu ist { π i (B i ) N, B i S i } ei σ-stabiler Erzeuger vo i S i. Also folgt ach obigem Satz, dass X ud A uabhägige Zufallsvariable sid [beachte F A = {A, A C, Ω, } + Übug]. Adererseits gilt A X σ ( k F X k) = F X. Also gibt es für A A X ei B k S k mit A = X (B). Sid A ud X uabhägig, so sid auch B (X) ud A ach obigem Lemma uabhägig ud daher ist A vo sich selbst uabhägig. P(A) = P( A = ) P({ A = } { A = }) = P( A = )P( A = ) = P(A) 2 P(A) {0, } II.4. Faltug Defiitio II.28 Sid P ud Q W-Maße auf (R, B R ), so defiiere die Faltug P Q vo P ud Q als das W-Maß auf (R, B R ) mit (P Q)(B) = P(B {x})q( dx), B B R 26
27 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Bemerkug (a) Dabei ist B {x} = {b x b B}, z.b. [0, ] {x} = [ x, x]. (b) R f (x)q( dx) bezeichet das Maß-Itegral (Lebesgue-Itegral) vo f bzgl. dem Maß Q. Isbesodere ist im Fall, dass Q eie W-Dichte q auf R besitzt, R f (x)q( dx) = R f (x)q(x) dx Alterative Schreibweise sid f (x)q( dx) = f (x) dq(x) = f dq (c) Dass P Q i der Tat ei W-Maß ist (ud dass x P(B {x}) messbar ist), wird sich aus dem folgede Lemma ergebe: Lemma II.29 Es seie X ud Y uabhägige reellwertige Zufallsvariable. Da besitzt X + Y die Verteilug P X+Y = P X P Y. Beweis: Wir zeige, dass die Verteilugsfuktioe übereistimme, d.h. b R P(X + Y b) = P X P Y ((, b]) P X+Y ((,b]) P(X + Y b) = {(x,y) x+y b} P (X,Y) ( dx, dy) = {(x,y) x+y b} (P X P Y )( dx, dy) Fubii = ( (x + y b)p X ( dx))p Y ( dy) = P X ((, b y])p Y ( dy) = P X ((, b] {y})p Y ( dy) = P X P Y ((, b]) Korollar II.30 Die Faltug ist kommutativ, also P Q = Q P ud assoziativ P (Q R) = (P Q) R. Beweis: Das folgt sofort aus de Eigeschafte der Zufallsvariable: X + Y = Y + X bzw. (X + Y) + Z = X + (Y + Z) für uabhägige Zufallsvariable mit P X = P, P Y = Q, P Z = R. Bemerkug Die Faltug ist allgemei auch für (sigierte) Maße defiiert, womit ma sogar eie Faltugs-Algebra im Sie der Algebra erhält. Lemma II.3 Es seie X ud Y uabhägige reellwertige Zufallsvariable ud X besitze eie W-Dichte f X. Da besitzt X + Y die Dichte f X+Y (z) = R f X (z y)p Y ( dy). Falls auch Y eie Dichte f Y besitzt, so gilt f X+Y = f X f Y, wobei die Faltug zweier itegrierbarer Fuktioe f, g defiiert ist als ( f g)(y) = R f (y x)g(x) dx. 27
28 II. Bedigte Wahrscheilichkeite ud Uabhägigkeit Beweis: b R (P X P Y )((, b]) Def. = P X ((, b y])p Y ( dy) = ( R R Fubii = R R Substitutio = z=x+y R R = b ( R (x b y) f X (x)p Y ( dy) dx (z b) f X (z y)p Y ( dy) dz f X (z y)p Y ( dy)) dz Wege P X+Y = P X P Y besitzt X + Y also die Verteilugsfuktio b F X+Y (b) = ( f X (z y)p X ( dy)) dz R b y f X (x) dx)p Y ( dy) ud somit Dichte f X+Y (z) = R f X (z y)p Y ( dy). Im Fall, dass Y die Dichte f Y besitzt, gilt ach Itegratiostheorie P Y ( dy) = f Y (y) dy d.h. f X+Y (z) = f X (z y) f Y (y) dy = f X f Y (z) Beispiel II.32 Es seie X ud Y uabhägig mit X N (µ x, σ 2 x), Y N (µ y, σ 2 y). Wie ist X + Y verteilt? Es ist u klar, dass X + Y wieder eie Dichte hat, ämlich f X+Y = f X f Y. f X f Y (z) = exp ( (z y µ x) 2 ) 2πσ 2 x 2σ 2 x c i >0 = c kost. exp ((z µ x) y) 2 2σx 2 2πσy 2 (y µ y) 2 2σy 2 dy exp (y µ y) 2 dy 2σ 2 y = c exp (z µ x µ y ) 2 2σx 2 exp (z µ x µ y ) 2 σ 2 y (σx 2 + σy) 2 σx 2 exp y σ 2 y σx 2 (z µ x µ y ) 2 +σ2 y 2 σ2 x σ2 y σ 2 x +σ2 y = c 2 exp 2 (z µ x µ y ) 2 σx 2 σx(σ 2 x 2 + σy) 2 = c 2 exp (z µ x µ y ) 2 2 σx 2 + σy 2 Da f X f Y wieder eie W-Dichte sei muss, ist die Normierugskostate c 2 = ud es gilt X + Y N (µ x + µ y, σ 2 x + σ 2 y). σ 2 y dy 2π(σx 2+σ2 y ) 28
29 III. Erwartugswert, Variaz ud Kovariaz III. Erwartugswert, Variaz ud Kovariaz III.. Der Erwartugswert ud Momete Wir wolle für reellwertige Zufallsvariable eie Mittelwert als Kegröße agebe. Dafür gibt es mehrere Möglichkeite, aber wie bei determiistische Größe ist das Aalogo des arithmetische Mittels, ämlich der Erwartugswert, die gägigste Wahl. Beispiel III. Beim Würfel vo zwei Würfel erwarte wir als Augesumme X im Mittel E[X] = P(X = 2) 2 + P(X = 3) P(X = 2) 2 = 7 gewichtetes Mittel der mögliche Werte vo X. Defiitio III.2 Eie reellwertige Zufallsvariable X heißt eifach, falls sie ur edlich viele Werte aimmt, d.h. X ist vo der Form X(ω) = m α i Ai (ω) mit m N, α i R, A i F geeiget. Für eie solche Zufallsvariable defiiere wir ihre Erwartugswert m E[X] = EX = α i P(A i ) Lemma III.3 Für eifache Zufallsvariable X auf (Ω, F, P) gilt: (a) E[X] = xp(x = x); isbesodere hägt der Erwartugswert ur vo der Verteilug P X x X(Ω) vo X ab. (b) Der Erwartugswert ist liear ud mooto: Ist Y eie weitere eifache Zufallsvariable ud sid α, β R, so gilt E[αX + βy] = αe[x] + βe[y] ud aus X Y (d.h. ω Ω X(w) Y(ω)) folgt E[X] E[Y]. (c) Falls X ud Y uabhägige eifache Zufallsvariable sid, so gilt E[XY] = E[X]E[Y]. (d) A F P(A) = E[ A ] Beweis: (a) o.b.d.a. A i paarweise disjukt E[X] Def. = m α i P(A i ) = α i P(A i X = α i ) = m = xp(x = x) = P X (x) x X(Ω) hägt dies ur vo der Verteilug P X ab. x X(Ω) m x {x=αi }P(A i X = α i ) (b) Zu X = m α i Ai, Y = j= β j Bj wähle eie gemeisame Verteilug (C k ) k r der (A i ), (B i ), sodass X = r k= α k Ck, Y = r β k= k Ck. Da ach a) der Erwartugs- 29
30 III. Erwartugswert, Variaz ud Kovariaz wert icht vo der Darstellug vo X abhägt, gilt: r E[αX + βy] =E (α α k + β β k ) Ck = k= r r k= (α α k + β β k )P(C k ) =α α k P(C k ) + β β k P(C k ) = αe[x] + βe[y] k= r Geauso folgt E[X] = α k P(C k ) k= (C k ) paarweise disjukt α k β k r k= r k= β k P(C k ) = E[Y] für X Y ud o.b.d.a (c) E[XY] (a) = zp(xy = z) = z (XY)(Ω) Uabhägig = x X(Ω) x 0 = x X(Ω) x 0 = x X(Ω) x 0 (d) klar ach Def. z (XY)(Ω) z 0 y Y(Ω) y 0 z (XY)(Ω) z 0 zp(x = x)p(y = z x ) xyp(x = x)p(y = y) xp(x = x) yp(y = y) = E[X]E[Y] y Y(Ω) y 0 z P(XY = z, X = x) x X(Ω) x 0 Beispiel III.4 Sei X eie Bi(, p)-verteilte Zufallsvariable E[X] Def. = kp(x = k) = k=0 = k= =p l=0 k=0 k( k )pk ( p) k = ( k )pk ( p) k = l=k l=0 ( )p l ( p) ( ) l = p l k=! ( k)!(k )!) pk ( p) k ( )p l+ ( p) l l Zweite Möglichkeit: es gilt ja X = Z i mit uabhägige Z i Bi(, p). Liearität liefert E[X] = E[ Z i] = E[Z i] = k=0 kp(z i = k) = p = p Defiitio III.5 Für eie icht egative Zufallsvariable X setze mittels approximiereder Folge (X ) eifacher Zufallsvariable mit X X E[X] = lim E[X ] [0, ] Betrachte für eie Wahrscheilichkeitsraum (Ω, F, P) die Mege L = L (Ω, F, P) = {X ω R messbar, E[ X ] < } 30
31 III. Erwartugswert, Variaz ud Kovariaz Defiiere für X L mit X + (ω) = max(x(ω), 0) ud X (ω) = max( X(ω), 0) de Erwartugswert E[X] = E[X + ] E[X ] R Wege E[X + ] E[ X ] < ud E[X ] E[ X ] < gilt für X L stets E[X] <. Ma schreibt auch E[X] = Ω XdP = Ω X(ω)P(dω) = Ω X(ω)dP(ω) ud setzt A XdP = Ω X( A )dp für A F. Satz III.6 Für X L (Ω, F, P) gilt (a) E[X] = Ω xp X (dx) ud E[X] hägt ur vo der Verteilug vo X ab. (b) Der Erwartugswert ist liear ud mooto auf L. (c) Falls X, Y L uabhägig sid, so gilt XY L ud E[XY] = E[X]E[Y] Beweis: (a),(b) folge aus der Maßtheorie (Lemma + Approximatio). Für (c) betrachte E[ XY ] (a) = R 2 xy P(XY) (dx, dy) XY = R 2 x y (PX P Y )(dx, dy) Toelli = R R x y P X (dx)p Y (dy) = ( R x P X (dx)) ( R y P Y (dy)) =E[ X ]E[ Y ] X,Y L < XY L Dieselbe Rechug ohe Betrag zeigt da E[XY] = E[X]E[Y] (Fubii!) Korollar III.7 (a) Ist X eie Zufallsvariable mit Wahrscheilichkeitsdichte f X R [0, ), so gilt X L x f X dx < ud i diesem Fall E[X] = x f X dx (b) Ist X eie Zufallsvariable mit Zähldichte p X, so gilt X L x p X (x) < ud i diesem Fall E[X] = xp X (x) x X(Ω) x X(Ω) Beweis: (a) Sei X 0, d.h. f X (x) = 0 für x < 0. Da gilt für k2, falls k2 X < (k + )2, 0 k 2 X =, falls X 3
32 III. Erwartugswert, Variaz ud Kovariaz mit X X, X eifach ud mo. Kov. 2 E[X ] = k=0 2 = k=0 = Beppo-Levi E[X] = 0 0 k2 P(k2 X (k + )2 ) + P(X ) (k+)2 k2 2 k=0 x f X (x)dx k2 f X (x)dx + f X (x)dx k2 [k2,(k+)2 )(x) + [,) (x) f X (x)dx Dies zeigt isbesodere E[ X ] = 0 x f X (x)dx = 0 x( f X (x) + f X ( x))dx ud dies ist edlich geau da, we x f X (x)dx <. Ist u X L, so folgt (b) Setze E[X + ] = E[X ] = 0 0 x f X+ (x)dx = x f X (x)dx = 0 0 x f X (x)dx E[X] =E[X + ] E[X ] = x f X (x)dx x f X ( x)dx = x f X (x)dx k2, k2 X < (k + )2, k = 0,..., 2 X =, X 0, X < 0 also eie eifache Zufallsvariable. Da ist E[X + ] = = 2 k=0 2 k=0 k2 P(X [k2, (k + )2 )) + P(X ) + 0 k2 x [k2,(k+)2 ) X(Ω) 2 p X (x) + x [,) X(Ω) 0 p X (x) = p X (x)[ k2 (k2 x < (k + )2 ) + (x ) ] x X(Ω) k=0 mooto wachsed i mit Limes max{x, 0} max{x, 0} p X (x) x X(Ω) Also gilt E[X + ] x X(Ω) max(x, 0)p X (x) ud wege X + max{x, 0} = X + 32
Empirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrKompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0
Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
Mehr1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A
1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrDer Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist
Maßtheorie (Versio 0.3) 1. σ-algebra Ist M eie Mege, so et ma ei System vo Teilmege A M eie σ-algebra (auf M ), we gilt: A A A A c A Ist A N eie Familie vo Mege i A, so ist N A A A ist damit stabil uter
MehrStochastik I TU Dortmund, Sommersemester 2014
Stochastik I TU Dortmud, Sommersemester 204 Dieses Vorlesugsskript ist aus meier persöliche Mitschrift der Vorlesug Stochastik I bei Professor Dr. M. Voit im Sommersemester 204 etstade. Ich habe versucht
Mehr2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33
2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33 2. Zufallsvariable ud ihre Verteiluge 2.1. Defiitio der Zufallsvariable Defiitio 2.1. Seie (Ω, F) ud (Ω, F ) messbare Räume ud IIP ei Wahrscheilichkeitsmass
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrMetrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan
Metrisierbarkeit Techische Uiversität Wie Semiararbeit aus Aalysis WS 04 Sia Özcaliska Ihaltsverzeichis Eileitug 3 Der Metrisierbarkeitssatz vo Alexadroff-Urysoh 3 3 Der Metrisierbarkeitssatz vo Nagata-Smirov
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrStochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014
Stochastik I Adrej Depperschmidt Vorlesugsskript Uiversität Maiz Sommersemester 2014 Versio: 12. Mai 2016 Vorwort Bei diesem Skript hadelt es sich um Vorlesugsotize, die parallel zur Vorlesug Stochastik
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrStochastik im SoSe 2018 Übungsblatt 2
Stochasti im SoSe 2018 Übugsblatt 2 K. Paagiotou/ L. Ramzews / S. Reisser Lösuge zu de Aufgabe. Aufgabe 1 Eie Ure ethält B blaue, R rote ud G grüe Bälle. Wir ziehe eie Teilmege mit geau Bälle aus der Ure,
MehrElemente der Maß- und Integrationstheorie
Elemete der Maß- ud Itegratiostheorie Götz Kerstig 8. Dezember 2004 1 c Götz Kerstig 1 1 Meßbarkeit Maße ud Itegrale behadelt ma im Rahme vo meßbare Räume ud Fuktioe. Defiitio. Ei System B vo Teilmege
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
Mehrf X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability ad Statistics FS 208 Prüfug 3.08.208 Dauer: 80 Miute Name: Legi-Nummer: Diese Prüfug ethält 4 Seite (zusamme mit dem Deckblatt) ud 0 Aufgabe. Das Formelblatt wird separat verteilt. Begrüde
MehrLösungen zur Klausur Maß- und Integrationstheorie WS 2012/13
Lösuge zur Klausur 45 Maß- ud Itegratiostheorie S 22/3 Lösug zu Aufgabe I der Aufgabestellug ist kei Tippfehler. Es steht dort fx, y, x dλ 3 x, y, z. z fx, y, x ist kostat i z. Falls jemad fx, y, z dλ
MehrFormelsammlung Statistik 29. Januar 2019
Formelsammlug Statistik Seite 1 Formelsammlug Statistik 9. Jauar 019 Witersemester 018/19 Adreas Löpker, HTW Dresde 1. Deskriptive Statistik (F1) Stichprobe x vom Umfag, Stichprobe y vom Umfag m x = (x
MehrStochastik. Vorlesung aus dem Wintersemester 2010/11. Prof. Dr. Franz Merkl. Inhaltsverzeichnis
Vorlesug aus dem Witersemester 200/ Stochastik Prof. Dr. Fraz Merkl getext vo Viktor Klee & Floria Stecker Ihaltsverzeichis Wahrscheilichkeitstheorie 3. Wahrscheilichkeitsmodelle.................................
MehrWahrscheinlichkeitstheorie Gliederung zur Vorlesung im Wintersemester 2005/06
Wahrscheilichkeitstheorie Gliederug zur Vorlesug im Witersemester 2005/06 Markus Reiß Uiversität Heidelberg reiss@statlab.ui-heidelberg.de VORLÄUFIGE FASSUNG: 25. Juli 2006 Ihaltsverzeichis 1 Maßtheorie
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
MehrAnalysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),
Aalysis 1, Woche 2 Reelle Zahle A1 2.1 Ordug Defiitio 2.1 Ma et eie Ordug für K, we 1. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a,
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete
MehrKapitel 3 Folgen von reellen Zahlen
Wolter/Dah: Aalysis Idividuell 4 Kapitel 3 Folge vo reelle Zahle Wir befasse us i diesem Abschitt mit Zahlefolge, die u.a. zur Eiführug ud 3/0/0 Behadlug des für die Aalysis äußerst wichtige Grezwertbegriffes
MehrAnalysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),
Aalysis, Woche 2 Reelle Zahle A 2. Ordug Defiitio 2. Ma et eie Ordug für K, we. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a, b, c K
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheilichkeitstheorie ud Statistik Fraz Hofbauer Diese Vorlesug brigt eie elemetare Eiführug i die Wahrscheilichkeitstheorie ohe Verwedug der Maßtheorie. Sie besteht aus drei Teile. Im erste Teil wird
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrKapitel 2: Laplacesche Wahrscheinlichkeitsräume
- 12 - (Kapitel 2 : Laplacesche Wahrscheilicheitsräume) Kapitel 2: Laplacesche Wahrscheilicheitsräume Wie beim uverfälschte Müzewurf ud beim uverfälschte Würfel spiele Symmetrieüberleguge, die jedem Elemetarereigis
MehrEinführung in die Wahrscheinlichkeitstheorie und Statistik
Uiversität Regesburg Fakultät Mathematik Vorlesugsmitschrift Eiführug i die Wahrscheilichkeitstheorie ud Statistik Prof. Helmut Abels Sommersemester 009 L A TEX: Frak Reihold Ihaltsverzeichis 0 Eileitug
MehrKonvergente Folgen. Kapitel Reelle Folgen und Reihen. Motivation: Ein einem Kreis K einbeschriebenes (regelmäßiges) n-eck E n 19/11/99.
Kapitel Kovergete Folge.0 Reelle Folge ud Reihe Motivatio: Ei eiem Kreis K eibeschriebees (regelmäßiges) -Eck E 9//99 approximiert die Fläche des Kreises: =6 Fläche (E ) Fläche(K) falls 0. Die mathematisch
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
MehrKreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
MehrX n = 10 j Y j. i.w. i.w. i.v.
3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9},
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrReihen. Konvergenz. Folgen besonderer Art sind unendliche Summen. a k = a 1 + a 2 +..
6 Reihe Folge besoderer Art sid uedliche Summe a k = a + a 2 +... reeller oder komplexer Zahle, dee wir bereits i eiige Beispiele des Abschitts 5.4 begeget sid. Da ma icht sämtliche Glieder eier Folge
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
MehrMathematik für Maschinenbauer, Bauingenieure und Umwelttechniker III. R. Verfürth
Mathematik für Maschiebauer, Bauigeieure ud Umwelttechiker III Vorlesugsskriptum WS 001/0 - WS 00/03 überarbeitet September 008 R. Verfürth Fakultät für Mathematik, Ruhr-Uiversität Bochum Ihaltsverzeichis
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
MehrKapitel 6 Differenzierbarkeit
Kapitel 6 Differezierbarkeit Ihalt 6.1 6.1Die Defiitio 6.2 6.2Die Eigeschafte 6.3 6.3Extremwerte Seite 2 Was heißt differezierbar? Differezierbare Fuktioe sid sid glatte Fuktioe. Wir Wir beschreibe diese
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrStochastik A. Prof. Dr. Barbara Gentz
Stochastik A Prof. Dr. Barbara Getz Zusammefassug. Diese Mitschrift basiert auf Frau Prof. Getz Vorlesug Stochastik A aus dem Witersemester 2010/2011, welche sich i weite Teile a [Mee03] orietiert. Wer
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
MehrStochastik für Informatiker. In L A TEX von: Manuel Albert
Stochastik für Iformatiker I L A TEX vo: Mauel Albert Stad: 11.07.2011 Ihaltsverzeichis 1 Wahrscheilichkeitstheorie 2 1.1 Wahrscheilichkeit.................................... 2 1.2 Laplace sche Wahrscheilichkeitsräume........................
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8
Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir
MehrÜbung 11. Stochastische Signale Prof. Dr.-Ing. Georg Schmitz
Übug Aufgabe : Ukorrelierte, statistisch uabhägige Prozesse Es sid zwei stochastische Prozesse gegebe mit X = cos(z ), Y = cos(z φ). Hierbei sei Z auf [ π, π] gleichverteiltes weißes Rausche mit E{Z }
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. D. Castrigiao Dr. M. Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik 3 für Physik (Aalysis 2) http://www-hm.ma.tum.de/ss10/ph2/ 23. Charakterisierug vo Cauchy-Folge
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
MehrGaußsches Integral und Stirling-Formel
Gaußsches Itegral ud Stirlig-Formel Lemma. Gaußsches Itegral Es gilt für alle a > : e ax dx π a Beweis: Wir reche: e dx ax e ax dx e ay dy e ax e ay dx dy mit dem Satz vo Fubii e ax +y dx dy. Nu verwede
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
Mehr4 Andreas Gathmann. x 2 +y 2 x 2 +y 2 x 2 +y 2
4 Adreas Gathma 1. Komplexe Zahle Bevor wir mit der komplexe Aalysis begie, wolle wir uächst die grudlegede Defiitioe ud Eigeschafte der komplexe Zahle och eimal kur wiederhole. Defiitio 1.1. Die Mege
MehrVorlesungsmitschrift Stochastik II. gehalten von Prof. Dr. Silke Rolles im Sommersemester 2008 an der Technischen Universität München
Vorlesugsmitschrift Stochastik II gehalte vo Prof. Dr. Silke Rolles im Sommersemester 2008 a der Techische Uiversität Müche Dieses Dokumet ist die digitalisierte Versio meier persöliche Mitschrift vo obe
Mehr