Statistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/319
|
|
- Hannah Sauer
- vor 7 Jahren
- Abrufe
Transkript
1 VO Februar /319
2 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Teil 4: Parameterschätzung 2/319
3 Übersicht über die Vorlesung Teil 5: Testen von Hypothesen Teil 6: Regressionsanalyse Teil 7: Simulation von Experimenten 3/319
4 Diskrete Stetige bedingte Wichtige Rechnen mit Teil 3 165/319
5 Übersicht Teil 3 Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 166/319
6 Abschnitt 8: Diskrete Stetige bedingte Wichtige Rechnen mit 8 Diskrete Stetige 9 10 Wichtige Rechnen mit 167/319
7 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit 8 Diskrete Stetige 9 10 Wichtige Rechnen mit 168/319
8 Diskrete Stetige bedingte Wichtige Rechnen mit Definition () Eine Abbildung X: ω Ω x = X(ω) R die jedem Element ω des Ereignisraums Ω eine reelle Zahl zuordnet, heißt eine (eindimensionale). Ist Ω endlich oder abzählbar unendlich, ist jede beliebige Abbildung X zugelassen. Ist Ω überabzählbar unendlich, muss X eine messbare Abbildung sein. Da der Wert einer n vom Ausgang des Experiments abhängt, kann man den möglichen Werten Wahrscheinlichkeiten zuschreiben. 169/319
9 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel Nimmt die X nur endlich oder abzählbar unendlich viele Werte an, heißt sie diskret. Nimmt die X ein Kontinuum von Werte an, heißt sie kontinuierlich. Die Abbildung, die beim Würfeln dem Elementarereignis e i die Augenzahl i zuordnet, ist eine diskrete. Natürlich wäre auch die Abbildung e i : 7 i eine diskrete. Beispiel Die Abbildung, die dem Zerfall eines Teilchens die Lebensdauer x zuordnet, ist eine kontinuierliche. 170/319
10 Unterabschnitt: Diskrete Diskrete Stetige bedingte Wichtige Rechnen mit 8 Diskrete Stetige 9 10 Wichtige Rechnen mit 171/319
11 Diskrete Diskrete Stetige bedingte Wichtige Rechnen mit Diskrete sind oft das Resultat von Zählvorgängen. In der physikalischen Praxis kommen diskrete häufig vor: man denke an das Zählen von Ereignissen in einem festen Zeitintervall (Poissonverteilung), an das Abzählen von Alternativversuchen (Binomialverteilung), oder auch an die Besetzungshäufigkeit der diskreten Energieniveaus des Wasserstoffatoms. Im folgenden nehmen wir an, dass die Werte einer diskreten n nichtnegative ganze Zahlen sind. Dies ist keine Einschränkung, weil jede abzählbare Menge von reellen Zahlen bijektiv auf (eine Teilmenge von) N 0 abgebildet werden kann. Die Ereignisalgebra ist die Potenzmenge (Menge aller Teilmengen) P von N /319
12 Diskrete Diskrete Stetige bedingte Wichtige Rechnen mit Ist auf der Ereignisalgebra Σ(Ω) ein Wahrscheinlichkeitsmaß W definiert, so kann man mit Hilfe der n X auf der Potenzmenge P von N 0 ebenfalls ein Wahrscheinlichkeitsmaß definieren. Definition (Verteilung einer diskreten n) Es sei Σ(Ω) eine diskrete Ereignisalgebra. Die diskrete X : Ω N 0 induziert ein Wahrscheinlichkeitsmaß auf N 0 mittels W X ({k}) = W (X 1 (k)) = W ({ω}) X(ω)=k W X wird als die Verteilung von X bezeichnet, und zwar als diskrete oder Spektralverteilung. 173/319
13 Diskrete Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel Wir ordnen den geraden Augenzahlen des Würfels die Zahl 0 zu, den ungeraden die Zahl 1: X : ω mod (ω, 2) Die Verteilung von X ist dann gegeben durch W X(0) = W (X 1 (0)) = W ({2, 4, 6}) = 1 2 W X(1) = W (X 1 (1)) = W ({1, 3, 5}) = /319
14 Diskrete Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel Wir ordnen dem Ausgang eines Doppelwurfs die Summe der Augenzahlen zu: X : (i, j) i + j Die Werte von X sind die natürlichen Zahlen von 2 bis 12. Die Verteilung von X ist dann gegeben durch W X(k) = W (X 1 (k)) = i+j=k W ({(i, j)}) = k 1 36, k 7 13 k, 36 k 7 175/319
15 Diskrete Diskrete Stetige bedingte Wichtige Rechnen mit Die Zahlen W X (k) können als Funktionswerte einer Spektralfunktion f X angesehen werden: { W X (k), wenn x = k f X (x) = 0, sonst Definition (Diskrete Dichtefunktion) Die Funktion f X (k) wird als Wahrscheinlichkeitsdichtefunktion oder kurz Dichte der n X bezeichnet. 176/319
16 Diskrete Die Dichte der n X = i + j: Diskrete Stetige bedingte Wichtige Rechnen mit f(x) Dichtefunktion x 177/319
17 Diskrete Diskrete Stetige bedingte Wichtige Rechnen mit Die Wahrscheinlichkeit W X (E) eines Ereignisses E lässt sich bequem mit Hilfe der Dichte von X berechnen: W X (E) = k E f X (k) Definition (Diskrete Verteilungsfunktion) Ist X eine diskrete, so ist die Verteilungsfunktion F X von X definiert durch: Es gilt offenbar: F X (x) = k x F X (x) = W (X x) f X (k) = k x W X ({k}) 178/319
18 Diskrete Diskrete Stetige bedingte Wichtige Rechnen mit Eigenschaften einer diskreten Verteilungsfunktion F 1 F hat eine Sprungstelle in allen Punkten des Wertebereichs 2 Die Sprunghöhe im Punkt k ist gleich f X (k) 3 0 F (x) 1 x R 4 x y = F (x) F (y) x, y R 5 lim x F (x) = 0; lim x F (x) = 1 6 Die Wahrscheinlichkeit, dass r in das Intervall (a, b] fällt, ist F (b) F (a): W (r a) + W (a < r b) = W (r b) = W (a < r b) = F (b) F (a) 179/319
19 Diskrete Die Verteilungsfunktion der n X = i + j: Diskrete Stetige bedingte Wichtige Rechnen mit F(x) Verteilungsfunktion x 180/319
20 Unterabschnitt: Stetige Diskrete Stetige bedingte Wichtige Rechnen mit 8 Diskrete Stetige 9 10 Wichtige Rechnen mit 181/319
21 Stetige Diskrete Stetige bedingte Wichtige Rechnen mit Bisher wurden nur solche behandelt, die auf diskreten Ereignisalgebren definiert waren. Diese Beschränkung soll nun fallengelassen werden, d.h es werden jetzt überabzählbar viele Elementarereignisse zugelassen. Das ist notwendig, wenn nicht nur Zählvorgänge, sondern beliebige Messvorgänge zugelassen werden. Eine Funktion X, die auf einer solchen überabzählbaren Menge von Elementarereignissen definiert ist, kann beliebige reelle Werte annehmen. 182/319
22 Stetige Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Stetige Verteilungsfunktion) Es sei (Σ, W ) ein Wahrscheinlichkeitsraum über einer überabzählbaren Ergebnismenge Ω. X sei eine, also eine (messbare) Funktion von Ω in R. Die Funktion F X, definiert durch: F X (x) = W (X x) heißt die Verteilungsfunktion von X. Die Wahrscheinlichkeit, dass X in ein Intervall (x, x + x] fällt, ist dann: W (x < X x + x) = F X (x + x) F X (x) = F X. 183/319
23 Stetige Diskrete Stetige bedingte Wichtige Rechnen mit Eigenschaften einer stetigen Verteilungsfunktion 1 0 F (x) 1 x R 2 x 1 x 2 = F (x 1 ) F (x 2 ) x 1, x 2 R 3 lim x F (x) = 0; lim x F (x) = 1 Definition (Quantil) Es sei F X (x) eine stetige Verteilungsfunktion. Der Wert x α, für den F X (x α ) = α, 0 < α < 1 gilt, heißt das α-quantil der Verteilung von X. Die Funktion x = F 1 X (α), 0 < α < 1 heißt die Quantilsfunktion der Verteilung von X. 184/319
24 Stetige Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Quartil) Die Quantile zu den Werten α = 0.25, 0.5, 0.75 heißen Quartile. Das Quantil zum Wert α = 0.5 heißt Median der Verteilung. Quantile können auch für diskrete definiert werden, jedoch sind sie dann nicht immer eindeutig. 185/319
25 Stetige Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Stetige Dichtefunktion) Ist F X differenzierbar, heißt X eine stetige. Für die Verteilung von X gilt nach dem Hauptsatz der Integralrechnung: W X (x 1 < X x 2 ) = F X (x 2 ) F X (x 1 ) = x2 x 1 f X (x) dx wobei f X (x) = F X (x) ist. Die Ableitung der Verteilungsfunktion, die Funktion f X, wird als Wahrscheinlichkeitsdichtefunktion oder wieder kurz Dichte von X bezeichnet. 186/319
26 Stetige Diskrete Stetige bedingte Wichtige Rechnen mit Das Wahrscheinlichkeitsmaß W X heißt die Verteilung von X. Es ist auf einer Ereignisalgebra Σ definiert, die aus Mengen reeller Zahlen besteht und zumindest alle Intervalle und deren Vereinigungen als Elemente enthält. Ähnlich wie bei diskreten n lässt sich die Wahrscheinlichkeit W X einer Menge M Σ leicht mit Hilfe der Dichte angeben: W X (M) = f X (x) dx Die Wahrscheinlichkeit eines einzelnen Punktes ist immer gleich 0: W X ({x}) = x x M f X (x) dx = 0 187/319
27 Stetige Diskrete Stetige bedingte Wichtige Rechnen mit Daher ist auch W X ((x 1, x 2 ]) = W X ((x 1, x 2 )) = W X ([x 1, x 2 ]). Ganz allgemein erhält man eine Aussage über stetige dadurch, dass man in einer Aussage über diskrete die Summation durch eine Integration ersetzt. Gilt zum Beispiel für eine diskrete Dichte f: k N 0 f(k) = 1 so gilt für eine stetige Dichte f: f(x) dx = 1 188/319
28 Stetige Diskrete Stetige bedingte Wichtige Rechnen mit f(x) Dichtefunktion x F(x) Verteilungsfunktion x 189/319
29 Abschnitt 9: Diskrete Stetige bedingte Wichtige Rechnen mit 8 9 bedingte 10 Wichtige Rechnen mit 190/319
30 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit 8 9 bedingte 10 Wichtige Rechnen mit 191/319
31 Diskrete Stetige bedingte Wichtige Rechnen mit Definition () Eine Abbildung X: ω Ω x = X(ω) R d die jedem Element ω des Ereignisraums Ω einen reellen Vektor x R d zuordnet, heißt eine d-dimensionale. n können diskret oder stetig sein. 192/319
32 Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Verteilungsfunktion) Ist X = (X 1,..., X d ) eine d-dimensionale, so ist die Verteilungsfunktion F X durch definiert. F X (x 1,..., x d ) = W (X 1 x 1... X d x d ) Definition (Dichtefunktion) Ist X = (X 1,..., X d ) eine d-dimensionale diskrete, so ist die Dichtefunktion f X durch definiert. f X (x 1,..., x d ) = W (X 1 = x 1... X d = x d ) 193/319
33 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel Die zweidimensionale X = (X 1, X 2) ordnet dem Ergebnis des Wurfs mit zwei Würfeln die Augenzahlen (i, j) zu. Sind alle Ausgänge gleichwahrscheinlich, so ist W X gegeben durch: W X ( {(i, j)} ) = 1 36 Die Dichte f X lautet: { 1, x1 {1,..., 6} x2 {1,..., 6} f X (x 1, x 2) 36 = 0, sonst 194/319
34 Diskrete Stetige bedingte Wichtige Rechnen mit w(x 1,x 2 ) x 1 2 x 1 195/319
35 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Fortsetzung) Die Verteilungsfunktion F ist daher: F (x 1, x 2) = W (X 1 x 1 X 2 x 2) = Beispielsweise ist F (3, 4) = i 3 j = = 1 3. i x 1 j x 2 f(i, j) Wegen der Abzählbarkeit der Elementarereignisse können diese auch durch eine eindimensionale Y eindeutig in R abgebildet werden, z. B.: Y : (e i, e j ) 6i + j 6 Der Wertevorrat von Y sind die natürlichen Zahlen zwischen 1 und 36, und W s ist gegeben durch: W s ( {k} ) = 1 36, 1 k /319
36 Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Dichtefunktion) Ist X = (X 1,..., X d ) eine d-dimensionale stetige, so ist die Dichtefunktion f X durch definiert. d F X f X (x 1,..., x d ) = x 1... x d 197/319
37 Unterabschnitt: bedingte Diskrete Stetige bedingte Wichtige Rechnen mit 8 9 bedingte 10 Wichtige Rechnen mit 198/319
38 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Sind X 1 und X 2 zwei (diskrete oder stetige) 1-dimensionale, so ist X = (X 1, X 2 ) eine zweidimensionale. Die Verteilung (Verteilungsfunktion, Dichte) von X heißt auch die gemeinsame Verteilung (Verteilungsfunktion, Dichte) von X 1 und X 2. Es stellt sich nun das folgende Problem: Kann man die Verteilung von X 1 bzw. X 2 aus der gemeinsamen Verteilung berechnen? 199/319
39 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Es sei F die Verteilungsfunktion und f die Dichte der stetigen n X = (X 1, X 2 ). Dann ist die Verteilungsfunktion F 1 von X 1 gegeben durch: F 1 (x 1 ) = W (X 1 x 1 ) = W (X 1 x 1 < X 2 < ) = = Daraus folgt: x1 f(x 1, x 2 ) dx 2 dx 1 f 1 (x 1 ) = ist die Dichte von X 1. f(x 1, x 2 ) dx 2 200/319
40 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Randverteilung) Es sei X = (X 1, X 2 ) eine zweidimensionale stetige mit der Verteilungsfunktion F und der Dichte f. Die Verteilung von X 1 heißt die Randverteilung von X 1 bezüglich X. Ihre Dichte f 1 lautet: f 1 (x 1 ) = f(x 1, x 2 ) dx 2. Ist X = (X 1, X 2 ) diskret mit der Dichte f, so ist analog die Dichte f 1 der Randverteilung von X 1 bezüglich X gegeben durch: f 1 (k 1 ) = k 2 f(k 1, k 2 ) 201/319
41 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Die von X 1 und X 2 lassen sich also aus der gemeinsamen Verteilung von X 1 und X 2 berechnen. Der umgekehrte Vorgang ist im allgemeinen nicht möglich, da die gemeinsame Verteilung auch Information über mögliche Zusammenhänge (Kopplung) zwischen X 1 und X 2 enthält. Es seien X 1 und X 2 zwei diskrete mit der gemeinsamen Dichte f(k 1, k 2 ) und den Randverteilungsdichten f 1 (k 1 ) und f 2 (k 2 ). Dann ist die bedingte Wahrscheinlichkeit des Ereignisses X 1 = k 1 unter der Bedingung X 2 = k 2 gegeben durch: W (X 1 = k 1 X 2 = k 2 ) = W (X 1 = k 1 X 2 = k 2 ) W (X 2 = k 2 ) = f(k 1, k 2 ) f 2 (k 2 ) 202/319
42 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Bedingte Dichte) Es sei X = (X 1, X 2 ) eine 2-dimensionale diskrete mit der Dichte f(k 1, k 2 ) und den Randverteilungsdichten f 1 (k 1 ) bzw. f 2 (k 2 ). Die Funktion f(k 1 k 2 ), definiert durch: f(k 1 k 2 ) = f(k 1, k 2 ) f 2 (k 2 ) heißt die durch X 2 bedingte Dichte von X 1. Die bedingte Dichte ist für festes k 2 die Dichte eine Verteilung, der durch X 2 = k 2 bedingten Verteilung von X /319
43 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Ist X = (X 1, X 2 ) stetig, so ist analog f(x 1 x 2 ) definiert durch: f(x 1 x 2 ) = f(x 1, x 2 ) f 2 (x 2 ) (f 2 (x 2 ) 0) f(x 1 x 2 ) ist für festes x 2 die Dichte einer Verteilung, der durch X 2 = x 2 bedingten Verteilung von X 1. Dass f(x 1 x 2 ) tatsächlich eine Dichte ist, läßt sich leicht nachprüfen: f(x 1 x 2 ) dx 1 = und analog für diskretes X. f(x 1, x 2 ) f 2 (x 2 ) dx 1 = f 2(x 2 ) f 2 (x 2 ) = 1 204/319
44 bedingte Es gilt: Diskrete Stetige bedingte Wichtige Rechnen mit f(x 1, x 2 ) = f(x 1 x 2 ) f 2 (x 2 ) f 1 (x 1 ) = und analog für diskrete. f(x 1 x 2 ) f 2 (x 2 ) dx 2 Definition (Unabhängigkeit von n) Ist die (unbedingte) Dichte der Randverteilung von X 1 gleich der durch X 2 bedingten Dichte, so heißen X 1 und X 2 unabhängig. X 1 und X 2 unabhängig f(x 1 x 2 ) = f 1 (x 1 ) 205/319
45 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Für unabhängige n X 1 und X 2 gilt: f(x 1 x 2 ) = f 1 (x 1 ) f(x 2 x 1 ) = f 2 (x 1 ) und analog für diskretes X. f(x 1, x 2 ) = f 1 (x 1 ) f 2 (x 2 ) Für unabhängige X 1,X 2 ist also die Dichte der gemeinsamen Verteilung gleich dem Produkt der einzelnen. Ist X = (X 1,..., X d ), d > 2, so müssen die Definitionen der Randverteilung, der bedingten und der Unabhängigkeit entsprechend verallgemeinert werden. 206/319
46 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Die Dichte der Randverteilung von X i1,..., X im ist gegeben durch: f i1,...,i m (x i1,..., x im ) =... f(x 1,..., x n ) dx im+1... dx in Die durch X j bedingte Dichte von X i ist gegeben durch: f(x i x j ) = f i,j(x i, x j ) f j (x j ) wobei f i,j (x i, x j ) die Randverteilungsdichte von X i, X j ist. 207/319
47 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit X i1,..., X ik heißen unabhängig, wenn die Dichte der Randverteilung von X i1,..., X ik das Produkt der der Randverteilungen der einzelnen X ij ist. 208/319
48 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die Akzeptanz oder Nachweiswahrscheinlichkeit) X sei eine mit der Dichte f(x). Nimmt X den Wert x an, so gibt es eine Wahrscheinlichkeit a(x) dafür, dass x auch tatsächlich beobachtet wird. Man definiert nun eine I, die 1 ist, wenn x beobachtet wird, und 0 sonst. Dann ist I unter der Bedingung X = x alternativ nach A a(x) verteilt: W (I = 1 X = x) = a(x) W (I = 0 X = x) = 1 a(x) Die gemeinsame Dichte von X und I ist daher: f(x, 1) = a(x)f(x) f(x, 0) = [1 a(x)]f(x) 209/319
49 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Fortsetzung) Da der Experimentator nur mit beobachteten Größen arbeiten kann, schränkt er seine Grundgesamtheit auf die nachgewiesenen Ereignisse ein, d.h. er braucht die Dichte von X unter der Bedingung, dass X beobachtet wird: f A(x) = f(x I = 1) = f(x, 1) f 2(1) = a(x)f(x) a(x)f(x) dx Als konkretes Beispiel diene die Messung einer Lebensdauer. Die Messung möge bei t min beginnen und bei t max enden. Dann hat a(t) die folgende Gestalt: 0, für t t min a(t) = 1, für t min < t t max 0, für t > t max 210/319
50 bedingte Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Fortsetzung) Für die gemessene Wahrscheinlichkeitsdichte gilt: 0, t t min 1 f A(t) = exp( t/τ) τ, tmin t < tmax exp( t min/τ) exp( t max/τ) 0, t > t max Der Faktor 1/[exp( t min/τ) exp( t max/τ)] korrigiert für jene Teilchen, die vor t min oder nach t max zerfallen. Die Nachweiswahrscheinlichkeit a(t) kann auch von der Geometrie des Detektors oder deren Ansprechwahrscheinlichkeit bestimmt werden und eine komplizierte Abhängigkeit von t haben. So kann es etwa von der Konfiguration der Zerfallsprodukte abhängen, ob ein Zerfall bei t beobachtet werden kann oder nicht. 211/319
51 Abschnitt 10: Wichtige Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 212/319
52 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 213/319
53 Die diskrete Gleichverteilung auf n Punkten, Gl(n) Diskrete Stetige bedingte Wichtige Rechnen mit Die Verteilung einer n X, die die Werte 1,..., n mit gleicher Wahrscheinlichkeit annimmt.. Die Dichte f X lautet: f X = { 1 n, x {1,..., n} 0, sonst Die Verteilungsfunktion F X ist eine Stufenfunktion mit Sprüngen der Größe 1 n in den Punkten 1,..., n. 214/319
54 Die Alternativ- oder Bernoulliverteilung Al(p) Diskrete Stetige bedingte Wichtige Rechnen mit Die Verteilung einer n, die den Ausgängen eines Alternativversuchs die Werte 1 (Erfolg) bzw. 0 (Misserfolg) zuordnet. Die Dichte f X lautet: f X (0) = 1 p, f X (1) = p oder f X (x) = p x (1 p) 1 x, 215/319
55 Diskrete Stetige bedingte Wichtige Rechnen mit Die Binomialverteilung Bi(n, p) Wird der Alternativversuch n mal unabhängig durchgeführt, so gibt es 2 n Elementarereignisse, nämlich die Folgen der Form e = (e i1,..., e in ), i j = 0 oder 1. Die diskrete X bildet die Folge e auf die Häufigkeit von e 1 ab: r(e) = n j=1 Der Wertebereich von X ist die Menge {0, 1,..., n}. Auf die Zahl k (0 k n) werden alle Folgen abgebildet, bei denen e 1 genau k-mal eintritt. Es gibt Ck n solche Folgen, und jede hat die Wahrscheinlichkeit p k (1 p) n k. i j 216/319
56 Diskrete Stetige bedingte Wichtige Rechnen mit Die Dichte f ist daher: ( ) n f(k) = p k (1 p) n k, 0 k n k Die Verteilung von X wird als Binomialverteilung Bi(n, p) mit den Parametern n und p bezeichnet. Es gilt n f(k) = k=0 ( ) n n p k (1 p) n k = 1 k k=0 Das ist gerade der binomische Lehrsatz. 217/319
57 Diskrete Stetige bedingte Wichtige Rechnen mit P(k) P(k) Bi(10,0.3) k Bi(10,0.7) k P(k) P(k) 0.4 Bi(10,0.5) k 0.4 Bi(10,0.9) k 218/319
58 Die Multinomialverteilung Mu(n, p 1,..., p d ) Diskrete Stetige bedingte Wichtige Rechnen mit Der Alternativversuch kann dahingehend verallgemeinert werden, dass man nicht nur zwei, sondern d Elementarereignisse e 1,..., e d zulässt, denen die Wahrscheinlichkeiten p 1,..., p d zugeordnet werden, die nur erfüllen müssen. d p i = 1 i=1 Führt man den verallgemeinerten Alternativversuch n-mal durch, so sind die Elementarereignisse die Folgen der Form: (e i1,..., e in ), 1 i j d 219/319
59 Diskrete Stetige bedingte Wichtige Rechnen mit Sind die n Teilversuche unabhängig, gilt: W (e i1,..., e in ) = n W (e ij ) = j=1 n p ij = j=1 d i=1 p ni i wobei n i die Anzahl des Eintretens von e i ist. Die Summe der n i ist daher n. Die d-dimensionale X = (X 1,..., X d ) bildet die Folge (e i1,..., e in ) auf den Vektor (n 1,..., n d ) ab. Dabei werden n!/(n 1! n d!) Folgen auf den gleichen Vektor abgebildet. Die Dichte von X lautet daher: f(n 1,..., n d ) = n! n 1!... n d! d i=1 p ni i, d n i = n, i=1 d p i = 1 i=1 220/319
60 Diskrete Stetige bedingte Wichtige Rechnen mit Die Verteilung von X wird als Multinomialverteilung mit den Parametern n und p 1,..., p d bezeichnet: W X = Mu(n, p 1,..., p d ) Das klassische Beispiel einer multinomialverteilten n ist das Histogramm (gruppierte Häufigkeitsverteilung), das zur graphischen Darstellung der (absoluten) experimentellen Häufigkeit verwendet wird. X i ist die Anzahl der Fälle, in denen die R, das experimentelle Ergebnis, in Gruppe i fällt. Die Wahrscheinlichkeit, dass R in Gruppe i fällt, sei gleich p i. Werden in das Histogramm n Ergebnisse eingefüllt, so sind die Gruppeninhalte (X 1,..., X d ) multinomial nach Mu(n, p 1,..., p d ) verteilt. 221/319
61 Diskrete Stetige bedingte Wichtige Rechnen mit n i Ein Histogramm x 222/319
62 Die Poissonverteilung Po(λ) Diskrete Stetige bedingte Wichtige Rechnen mit Die Poissonverteilung entsteht aus der Binomialverteilung durch den Grenzübergang n unter der Bedingung n p = λ. Das klassische Beispiel einer Poissonverteilten n ist die Anzahl der Zerfälle pro Zeiteinheit in einer radioaktiven Quelle. Allgemein gilt: Ist die Wartezeit zwischen zwei Ereignissen eines Zufallsprozesses exponentialverteilt, so ist die Anzahl der Ereignisse pro Zeiteinheit Poissonverteilt. 223/319
63 Diskrete Stetige bedingte Wichtige Rechnen mit Die Dichte der Poissonverteilung folgt aus der Berechnung des Grenzwertes: P λ (k) = lim B n n; n λ (k) = lim n = lim n λ k = lim n k! = λk k! e λ n! k!(n k)! ( ) k ( λ 1 λ ) n k = n n ( 1 λ n(n 1)... (n k + 1) n k [ k ( ) ] 1 i 1 n ( ) 1 λ i=1 n λ k k! n ( 1 λ n ( 1 λ ) n = n ) n ) k = 224/319
64 Diskrete Stetige bedingte Wichtige Rechnen mit w(k) w(k) Po(1) k Po(5) k w(k) w(k) 0.4 Po(2) k 0.2 Po(10) k 225/319
65 Diskrete Stetige bedingte Wichtige Rechnen mit Die hypergeometrische Verteilung Hy(N, M, n) Grundgesamtheit von N Objekten, davon haben M eine bestimmte Eigenschaft E. Es werden n Objekte gezogen, wobei jedes Objekt die gleiche Wahrscheinlickeit hat, gezogen zu werden. Einmal gezogene Objekte werden nicht zurückgelegt. Die Anzahl der gezogenen Objekte mit der Eigenschaft E ist eine X. Die Verteilung von X wird hypergeometrische Verteilung Hy(N, M, n) genannt. Ihre Dichte lautet: f(m) = ( M m )( ) N M n m ( ) N, 0 m min(n, M) n 226/319
66 Diskrete Stetige bedingte Wichtige Rechnen mit P(k) P(k) Hy(20,12,10) k Hy(100,40,10) k P(k) P(k) Bi(10,0.6) k Bi(10,0.4) k Zwei Hypergeometrische und die entsprechenden Binomialverteilungen 227/319
67 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Wiederholung eines Alternativversuchs.) Die Ereignisalgebra hat 2 n Elementarereignisse, nämlich die Folgen der Form f = (e i1,..., e in ), i j = 0 oder 1. Die diskrete X bildet die Folge f auf die Häufigkeit von e 1 ab: r(f) = Der Wertebereich von X ist die Menge {0, 1,..., n}. Auf die Zahl k, 0 k n werden alle Folgen abgebildet, bei denen e 1 genau k-mal eintritt. Es gibt Ck n solche Folgen, und jede hat die Wahrscheinlichkeit p k (1 p) n k. Es gilt daher ( ) n W X(k) = f(k) = p k (1 p) n k, 0 k n k n j=1 i j 228/319
68 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Wiederholung eines Alternativversuchs) Die Wahrscheinlichkeit, dass e 1 höchstens einmal eintritt, ist gleich W X(k 1) = f(0) + f(1) = (1 p) n + np(1 p) n 1 229/319
69 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 230/319
70 Diskrete Stetige bedingte Wichtige Rechnen mit Die stetige Gleichverteilung Un(a, b) f(x) Die stetige Gleichverteilung auf dem Intervall [a, b] hat die Dichte: f(x a, b) = 1 0, x < a b a I [a,b] = 1/(b a), a x b 0, b < x Dichtefunktion der Gleichverteilung Un(0,1) x F(x) Verteilungsfunktion der Gleichverteilung Un(0,1) x 231/319
71 Diskrete Stetige bedingte Wichtige Rechnen mit Die Gauß- oder Normalverteilung No(µ, σ 2 ) ist eine der wichtigsten in Wissenschaft und Technik. Ihre Dichte lautet: f(x µ, σ 2 ) = 1 e (x µ)2 2σ 2 2πσ Im Fall von µ = 0, σ = 1 heißt sie Standardnormalverteilung. Die Verteilungsfunktion Φ(x) ist nicht durch elementare Funktionen darstellbar. 232/319
72 Diskrete Stetige bedingte Wichtige Rechnen mit f(x) Dichtefunktion der Standardnormalverteilung x F(x) Verteilungsfunktion der Standardnormalverteilung x 233/319
73 Diskrete Stetige bedingte Wichtige Rechnen mit Die Exponentialverteilung Ex(τ) Die Exponentialverteilung ist die Wartezeitverteilung des radioaktiven Zerfalls von Atomen und allgemein des Zerfalls von Elementarteilchen. Ihre Dichte lautet: f(x τ) = 1 τ e x/τ I [0, ) (x) Ihre Verteilungsfunktion lautet: ( ) F (x τ) = 1 e x/τ I [0, ) (x) 234/319
74 Dichtefunktion der Exponentialverteilung Ex(2) Verteilungsfunktion der Exponentialverteilung Ex(2) Diskrete Stetige bedingte Wichtige Rechnen mit f(x) F(x) x x 235/319
75 Diskrete Stetige bedingte Wichtige Rechnen mit Der Poissonprozess Wir beobachten einen Prozess, bei dem gewisse Ereignisse zu zufälligen Zeitpunkten eintreten. Ist die Anzahl der Ereignisse pro Zeiteinheit unabhängig und Poisson-verteilt gemäß Po(λ), sprechen wir von einem Poissonprozess mit Intensität λ. Eigenschaften eines Poissonprozesses 1 Die Anzahl der Ereignisse in einem Zeitintervall der Länge T ist Poisson-verteilt gemäß Po(λT ). 2 Die Wartezeit zwischen zwei aufeinanderfolgenden Ereignissen ist exponentialverteilt gemäß Ex(1/λ). 3 Sind die Wartezeiten eines Prozesses unabhängig und exponentialverteilt gemäß Ex(τ), so ist der Prozess ein Poissonprozess mit Intensität λ = 1/τ. 236/319
76 Diskrete Stetige bedingte Wichtige Rechnen mit Die Gammaverteilung Ga(a, b) Die Exponentialverteilung ist eine Spezialfall einer allgemeineren Familie von, der Gammaverteilung. Die Dichte der Gammaverteilung lautet: f(x a, b) = xa 1 e x/b b a Γ(a) I [0, ) (x) Ihre Verteilungsfunktion ist die regularisierte unvollständige Gammafunktion: F (x a, b) = x 0 x a 1 e x/b b a Γ(a) dx = γ(a, x/b Γ(a) 237/319
77 Diskrete Stetige bedingte Wichtige Rechnen mit f(x) f(x) Ga(2,1) x Ga(5,1) x f(x) f(x) Ga(3,1) x Ga(10,1) x 238/319
78 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 239/319
79 Die eindimensionale Normalverteilung Diskrete Stetige bedingte Wichtige Rechnen mit Ihre Dichte ist die bekannte Glockenkurve: f(x) = 1 σ (x µ) 2 2π e 2σ 2 Das Maximum ist bei x = µ, die Wendepunkte bei x = µ ± σ. Die halbe Breite auf halber Höhe (HWHM) ist gleich σ 2 ln 2 1, 177σ. 240/319
80 Diskrete Stetige bedingte Wichtige Rechnen mit f((x µ)/σ) f max = HWHM (x µ)/σ Normalverteilung, gelber Bereich = 68.2% 241/319
81 Diskrete Stetige bedingte Wichtige Rechnen mit Es gilt: W ( r µ σ) = 31.8% W ( r µ 2σ) = 4.6% W ( r µ 3σ) = 0.2% Eigenschaften der Normalverteilung 1 Die Faltung zweier Normalverteilungen ist wieder eine Normalverteilung. 2 Ist die Faltung von zwei eine Normalverteilung, so sind auch die beiden Summanden Normalverteilungen. 242/319
82 Diskrete Stetige bedingte Wichtige Rechnen mit Die d-dimensionale Normalverteilung No(µ, V) Ihre Dichte lautet: ( 1 f(x) = exp 1 ) (2π) d 2 V 2 (x µ)t V 1 (x µ) V und V 1 sind symmetrische positiv definite d d-matrizen. Ist X normalverteilt gemäß No(µ, V) und H eine m d Matrix, so ist Y = HX normalverteilt gemäß No(Hµ, HVH T ). Jede Randverteilung einer Normalverteilung ist wieder eine Normalverteilung. Mittelwert und Matrix der Randverteilung entstehen durch Streichen der Spalten und Zeilen der restlichen Variablen. 243/319
83 Diskrete Stetige bedingte Wichtige Rechnen mit Jede bedingte Verteilung einer Normalverteilung ist wieder eine Normalverteilung. Ist X normalverteilt gemäß No(µ, V), so kann V als positiv definite symmetrische Matrix mittels einer orthogonalen Transformation auf Diagonalform gebracht werden: UVU T = D 2 Alle Digonalelemente von D 2 sind positiv. Die Y = DU(X µ) ist dann standardnormalverteilt. Die Drehung U heißt Hauptachsentransformation. 244/319
84 Diskrete Stetige bedingte Wichtige Rechnen mit Die zweidimensionale Normalverteilung Für d = 2 und µ = 0 kann die Dichte folgendermaßen angeschrieben werden: [ ( )] 1 f(x 1, x 2 ) = exp 1 x 2 2πσ 1σ 2 1 ρ 2 2(1 ρ ρ x1 x2 ) σ1 2 σ 1 σ 2 + x2 2 σ2 2 ρ = σ 12 /(σ 1 σ 2 ) ist der Korrelationskoeffizient. Sind X 1 und X 2 unkorreliert, also ρ = 0, folgt: [ 1 f(x 1, x 2 ) = exp 1 ( )] x 2 1 2πσ 1 σ 2 2 σ1 2 + x2 2 σ2 2 = f 1 (x 1 ) f 2 (x 2 ) Zwei unkorrelierte normalverteilte mit gemeinsamer Normalverteilung sind daher unabhängig. 245/319
85 Diskrete Stetige bedingte Wichtige σ 1 =1, σ 2 =1, ρ= Rechnen mit 246/319
86 Diskrete Stetige bedingte Wichtige Rechnen mit Die bedingte Dichte f(x 1 x 2 ) ist gegeben durch f(x 1 x 2 ) = f(x 1, x 2 ) f(x 2 ) 1 = exp 1 [ 2πσ1 1 ρ 2 2 σ1 2 (1 ρ2 ) = ( x 1 ρ x ) ] 2 2 σ 1 σ 2 X 1 X 2 = x 2 ist also eine normalverteilte mit der E[X 1 X 2 ] = ρx 2 σ 1 /σ 2 E[X 1 X 2 ] heißt die bedingte. 247/319
87 Diskrete Stetige bedingte Wichtige Rechnen mit Je nach Vorzeichen von ρ fällt oder wächst die bedingte von X 1, wenn X 2 wächst. Ist ρ = 1, sind X 1 und X 2 proportional: X 1 = X 2 σ 1 /σ 2. Die Höhenschichtlinien der Dichtefunktion sind Ellipsen. Die Hauptachsentransformation ist jene Drehung, die die Ellipsen in achsenparallele Lage bringt. Sie hängt im Fall d = 2 nur von ρ ab. Ist ρ = 0, sind X 1 und X 2 bereits unabhängig, und der Drehwinkel ist gleich 0. Ist ρ 0, ist die Drehmatrix U gleich U = ( cos ϕ sin ϕ ) sin ϕ cos ϕ mit ϕ = 1 2 arccot σ2 2 σ 2 1 2ρσ 1 σ 2 248/319
88 Die t-verteilung t(n) Diskrete Stetige bedingte Wichtige Rechnen mit Die Dichte der t-verteilung mit n Freiheitsgraden lautet: f(x n) = Die χ 2 -Verteilung χ 2 (n) Γ( n+1 2 ) nπ Γ( n 2 ) ) (n+1)/2 (1 + x2 n Die Dichte der χ 2 -Verteilung mit n Freiheitsgraden lautet: f(x n) = 1 2 n/2 Γ( n 2 ) xn/2 1 e x/2 I [0, ) (x) Sie ist die Gammaverteilung Ga(n/2, 2). Ist X standardnormalverteilt, so ist Y = X 2 χ 2 -verteilt mit einem Freiheitsgrad. 249/319
89 Die F-Verteilung F(n, m) Diskrete Stetige bedingte Wichtige Rechnen mit Die Dichte der F-Verteilung (Fisher-Snedecor-Verteilung) mit n bzw. m Freiheitsgraden lautet: f(x n, m) = Γ( n+m 2 )n n/2 m m/2 Γ( n 2 )Γ( m 2 ) x n/2 1 (m + nx) (n+m)/2 I [0, )(x) Sind X und Y unabhängig und χ 2 -verteilt mit n bzw. n Freiheitsgraden, so ist verteilt gemäß F(n, m). F = X/n Y/m 250/319
90 Abschnitt 11: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 251/319
91 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 252/319
92 Diskrete Stetige bedingte Wichtige Rechnen mit Definition () Es sei X eine (diskrete oder stetige) mit der Dichte f(x). Ferner sei g eine beliebige stetige reelle oder komplexe Funktion. Man definiert E X [g] = E[g(X)] durch: E[g(X)] = k N 0 g(k)f(k) bzw. E[g(X)] = g(x)f(x) dx E X [g] = E[g(X)] heißt die von g(x). Ist g ein k-dimensionaler Vektor von Funktionen, dann ist auch E[g(X)] ein k-dimensionaler Vektor. 253/319
93 Diskrete Stetige bedingte Wichtige Rechnen mit Definition ( einer n) Ist g(x) = x, so heißt E[g(X)] = E[X] die oder der Mittelwert von X. E[X] = xf(x) dx bzw. E[X] = k N 0 k f(k) Ist X = (X 1,..., X d ), wird die entsprechend verallgemeinert: E X [g] =... g(x 1,..., x d ) f(x 1,..., x d ) dx 1... dx d 254/319
94 Diskrete Stetige bedingte Wichtige Rechnen mit Die ist ein Lageparameter. Die braucht nicht zu existieren. Ein Beispiel ist die Cauchy-Verteilung (t-verteilung mit einem Freiheitsgrad) mit der Dichte f(x) = Eigenschaften der 1 E[c] = c, c R 2 E[aX + b] = ae[x] + b 3 E[X 1 + X 2 ] = E[X 1 ] + E[X 2 ] 1 π(1 + x 2 ), x R 4 X 1 und X 2 unabhängig = E[X 1 X 2 ] = E[X 1 ] E[X 2 ] 255/319
95 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der Alternativverteilung) Es sei X alternativverteilt nach Al(p). Dann gilt E[X] = 1 p + 0 (1 p) = p Beispiel (Die der Binomialverteilung) Es sei X binomialverteilt nach Bi(n, p). ( ) n n E[X] = k p k (1 p) n k = k k=0 Mit k = k 1 und n = n 1 folgt E[X] = n k =0 ( ) n n k p k (1 p) n k k k=1 ( ) n np p k (1 p) n k = np k 256/319
96 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Fortsetzung) Da X die Anzahl des Eintretens von e 1 in n unabhängigen Alternativversuchen angibt, kann X auch als die Summe von n alternativverteilten n X 1,..., X n betrachtet werden: r = n X i. i=1 Dann folgt E[X] = np aus der Additivität der Ewartung. Beispiel (Die der Poissonverteilung) Es sei X nach Po(λ) poissonverteilt: E[X] = k=0 k λk k! e λ = k=1 λ k (k 1)! e λ = λ k =0 λ k k! e λ = λ 257/319
97 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der hypergeometrischen Verteilung) Es sei X hypergeometrisch verteilt nach Hy(N, M, n). Dann gilt E[X] = nm N Beispiel (Die der Binomialverteilung) Es sei X binomialverteilt nach Bi(n, p). ( ) n n E[X] = k p k (1 p) n k = k k=0 Mit k = k 1 und n = n 1 folgt E[X] = n k =0 ( ) n n k p k (1 p) n k k k=1 ( ) n np p k (1 p) n k = np k 258/319
98 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der stetigen Gleichverteilung) Es sei X gleichverteilt auf dem Intervall [a, b]: E[X] = b a x b a dx = a + b 2 Beispiel (Die der Exponentialverteilung) Es sei X exponentialverteilt gemäß E τ : E[X] = 0 t τ e t/τ dt = te t/τ τe t/τ = τ 0 Beispiel (Die der Normalverteilung) Es sei X normalverteilt gemäß No(µ, σ 2 ): E[X µ] = 0 = E[X] µ = 0 = E[X] = µ 259/319
99 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der Gammaverteilung) Es sei X gammaverteilt gemäß Ga(a, b): E[X] = 0 x a e x/b b a Γ(a) Beispiel (Die der χ 2 -Verteilung) Es sei X χ 2 -verteilt mit n Freiheitsgraden: E[X] = n dx = ab 260/319
100 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der t-verteilung) Es sei X t-verteilt mit n Freiheitsgraden: E[X] = 0, n > 1 Für n = 1 (Cauchy- oder Breit-Wigner-Verteilung) existiert die nicht. Beispiel (Die der F-Verteilung) Es sei X F-verteilt mit n bzw. m Freiheitsgraden: E[X] = m m 2, m > 2 261/319
101 Diskrete Stetige bedingte Wichtige Rechnen mit Definition () Sei X eine. Die von g(x) = (x a) k, sofern sie existiert, heißt k-tes Moment von X um a. Das k-te Moment um 0 wird mit µ k bezeichnet. Das k-te Moment um den swert E[X] wird als zentrales Moment µ k bezeichnet. Die zentralen µ 1,..., µ k können aus den n um 0 µ 1,..., µ k berechnet werden, und umgekehrt. 262/319
102 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Umrechnung von zentralen n und n um 0) µ 2 = µ 2 µ 2 1 µ 3 = µ 3 3µ 1µ 2 + 2µ 3 1 µ 4 = µ 4 4µ 1µ 3 + 6µ 12 µ 2 3µ 4 1 µ 2 = µ 2 + µ 2 1 µ 3 = µ 3 + 3µ 1µ 2 + µ 3 1 µ 4 = µ 4 + 4µ 1µ 3 + 6µ 12 µ 2 + µ /319
103 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 264/319
104 Diskrete Stetige bedingte Wichtige Rechnen mit Definition () Das zweite zentrale Moment µ 2 heißt die von X, bezeichnet mit var[x]. Die Wurzel aus der heißt die Standardabweichung von X, bezeichnet mit σ[x]. Die Standardabweichung ist ein Skalenparameter, der die Breite der Verteilung beschreiben. Die Standardabweichung hat die gleiche Dimension wie die. und Standardabweichung sind (wie alle zentralen ) invariant gegen Translationen. Die braucht nicht zu existieren. Ein Beispiel ist die t-verteilung mit zwei Freiheitsgraden mit der Dichte f(x) = 1 (2 + x 2 ) 3/2, x R 265/319
105 Diskrete Stetige bedingte Wichtige Rechnen mit Die Tschebyscheff sche Ungleichung Es sei X eine mit der E[X] = µ und der var[x] = σ 2. Für g > 0 gilt: W ( X µ > gσ) 1 g 2 266/319
106 Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Kovarianz) Sei X = (X 1,..., X n ) eine n-dimensionale und E[X i ] = µ i. cov[x i, X j ] = E[(X i µ i)(x j µ j)] = = (x i µ i)(x j µ j) f(x 1,... x n ) dx 1... dx n = R n = (x i µ i)(x j µ j) f ij (x i, x j ) dx i dx j heißt die Kovarianz von X i und X j, auch σ ij geschrieben. Die Matrix V mit V ij = cov[x i, X j ] heißt die Kovarianzmatrix von X, bezeichnet mit Cov[X]. 267/319
107 Diskrete Stetige bedingte Wichtige Rechnen mit Eigenschaften der bzw. der Kovarianz 1 var[x] = E[r 2 ] (E[X]) 2 2 cov[x 1, X 2 ] = E[X 1 X 2 ] E[X 1 ] E[X 2 ] 3 var[ax + b] = a 2 var[x] 4 var[a 1 X 1 + a 2 X 2 ] = a 2 1 var[x 1 ] + a 2 2 var[x 2 ] + 2a 1 a 2 cov[x 1, X 2 ] [ n ] n n 5 var X i = cov[x i, X j ] = i=1 n n var[x i ] + 2 i=1 j=1 n cov[x i, X j ] i=1 i=1 j=i+1 268/319
108 Für unabhängige Zufallsgrößen gilt: Diskrete Stetige bedingte Wichtige Rechnen mit 1 X 1, X 2 unabhängig = cov[x 1, X 2 ] = 0 2 X 1,..., X n unabhängig: [ n ] n var X i = var[x i ] i=1 i=1 269/319
109 Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Korrelationskoeffizient) Die Größe ρ ij = σ ij heißt der Korrelationskoeffizient von X i σ i σ j und X j. Eigenschaften des Korrelationskoeffizienten 1 1 ρ ij 1 2 Ist ρ ij = 1, so sind X i und X j linear abhängig. 270/319
110 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der Alternativverteilung) Es sei X alternativverteilt nach Al(p). var[x] = E[X 2 ] p 2 = 1 2 p (1 p) p 2 = p(1 p) Beispiel (Die der Binomialverteilung) Ist X nach Bi(n, p) verteilt, so ist X die Summe von n unabhängigen alternativverteilten n. Es gilt daher: var[x] = np(1 p) Ist Y = X/n die relative Häufigkeit des Eintretens von e 1, so gilt E[Y ] = p, var[y ] = p(1 p)/n 271/319
111 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der hypergeometrischen Verteilung) Es sei X hypergeometrisch verteilt nach Hy(N, M, n). Dann gilt var[x] = nm(n n)(n M) N 2 (N 1) 272/319
112 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die Kovarianzmatrix der Multinomialverteilung) Sei X = (X 1,..., X d ) nach Mu(n; p 1,..., p d ) verteilt (d 2). Da X i binomialverteilt ist, gilt var[x i] = np i(1 p i) Für ein Histogramm ist also die des Gruppeninhaltes gleich np i(1 p i). Für p i 1 (viele Gruppen) ist das ungefähr gleich np i, der des Gruppeninhaltes. cov[x i, X j] =E[X ix j] E[X i] E[X j] = =n(n 1)p ip j np inp j = = np ip j 273/319
113 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der Poissonverteilung) E[X 2 ] = k 2 λ k k! e λ = = = = k=0 λ k 1 k λ (k 1)! e λ = k=0 k =0 k =0 =λ 2 + λ (k + 1) λ λk k! e λ = λ 2 λ k k! e λ + λ = var[x] =E[X 2 ] λ 2 = λ 274/319
114 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der stetigen Gleichverteilung) E[X 2 ] = 1 b a b var[x] = b3 a 3 3(b a) a x 2 dx = b3 a 3 3(b a) ( ) 2 b + a = Beispiel (Die der Exponentialverteilung) E[X 2 ] = 1 τ 0 2 t 2 e t/τ dt = 2τ 2 var[x] = E[X 2 ] τ 2 = τ 2 (b a) /319
115 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der Normalverteilung) Es gilt: 1 2π σ [ exp 1 2 ] (x µ) 2 dx = 1 für alle µ. Nach zweimaligem Differenzieren nach µ, wobei Differentiation und Integration vertauscht werden dürfen, erhält man: [ 1 1 ] [ (x µ)2 + exp 1 ] (x µ) 2 dx = 0 2π σ σ2 σ 2 2 σ 2 [ 1 (x µ) 2 exp 1 ] (x µ) 2 dx = σ 2 2π σ 2 σ 2 σ 2 var[x] = σ 2 276/319
116 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der Gammaverteilung) Es sei X gammaverteilt gemäß Ga(a, b): E[X 2 ] = 0 var[x] = ab 2 x a+1 e x/b b a Γ(a) Beispiel (Die der χ 2 -Verteilung) Es sei X χ 2 -verteilt mit n Freiheitsgraden: var[x] = 2 n dx = a(a + 1)b 2 277/319
117 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der t-verteilung) Es sei X t-verteilt mit n Freiheitsgraden: var[x] = Für n 2 existiert die nicht. n n 2, n > 2 Beispiel (Die der F-Verteilung) Es sei X F-verteilt mit n bzw. m Freiheitsgraden: var[x] = 2m2 (n + m 2) n(m 2) 2 (m 4), m > 4 278/319
118 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 279/319
119 Diskrete Stetige bedingte Wichtige Rechnen mit Definition () Das reduzierte dritte zentrale Moment γ = µ 3 /σ 3 heißt die. Die misst die Asymmetrie einer Verteilung. Ist die positiv (negativ), heißt die Verteilung rechtsschief (linksschief). Für symmetrische ist sie 0. Beispiel (Die der Exponentialverteilung) µ 3 = E[(X E[X]) 3 ] = Die ist daher gleich γ = 2. 0 (t τ) 3 e t/τ dt = 2τ 3 τ 280/319
120 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Die der Gammaverteilung) µ 3 = E[(X E[X]) 3 ] = 0 (x ab) 3 b a Γ(a) x a 1 e x/b dx = 2ab 3 Die ist daher gleich γ = 2/ a und strebt für a gegen 0. Selbst wenn alle einer Verteilung existieren, ist sie dadurch nicht eindeutig bestimmt. Zum Beispiel haben die mit den f(x) = 1 4 π2 e x ln x [1 λ sin(4π ln x)], 0 x, 0 λ 1 dieselben µ k = ek(k+2)/4, unabhängig von λ. 281/319
121 Abschnitt 12: Rechnen mit Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 282/319
122 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 283/319
123 Diskrete Stetige bedingte Wichtige Rechnen mit Definition (Faltung) Es seien X 1 und X 2 zwei unabhängige n. Die Summe X = X 1 + X 2 heißt die Faltung von X 1 und X 2. Satz Sind X 1 und X 2 zwei unabhängige mit der gemeinsamen Dichte f(x 1, x 2 ) = f 1 (x 1 ) f 2 (x 2 ), so hat ihre Summe X = X 1 + X 2 die Dichte g(x) = = f 1 (x x 2 ) f 2 (x 2 ) dx 2 = f 1 (x 1 ) f 2 (x x 1 ) dx 1 284/319
124 Diskrete Stetige bedingte Wichtige Rechnen mit Die Dichte g wird als Faltungsprodukt von f 1 und f 2 bezeichnet: g = f 1 f 2. Beispiel (Faltung von zwei Exponentialverteilungen) Es seien X 1 und X 2 exponentialverteilt gemäß E τ. Die Summe X = X 1 + X 2 hat die folgende Dichte: g(t) = = t 0 f 1(t t 2)f 2(t 2) dt 2 = 1 τ 2 e(t 2 t)/τ e t 2/τ dt 2 = = 1 τ 2 te t/τ 285/319
125 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Faltung von zwei Gleichverteilungen) Es seien X 1 und X 2 gleichverteilt im Intervall [0, 1]. Die Summe X = X 1 + X 2 hat die folgende Dichte: g(x) = f 1(x x 2)f 2(x 2) dx 2 Das Produkt der ist nur ungleich 0, wenn 0 x x 2 1 und 0 x 2 1 gilt. Die effektiven Integrationsgrenzen sind daher x min = max(0, x 1) und x max = min(x, 1). Ist 0 x 1, ist x min = 0 und x max = x; ist 1 x 2, ist x min = x 1 und x max = 1. Die Dichte g(x) lautet daher: x, wenn 0 x 1 g(x) = 2 x, wenn 1 x 2 0, sonst Die Summenverteilung heißt Dreiecksverteilung. 286/319
126 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Der Messfehler) Es wird eine Zufallsgröße X beobachtet. Der Messfehler wird durch eine bedingte Dichte b(x x) beschrieben, die die Wahrscheinlichkeit angibt, dass x bei der Messung registriert wird, wenn X den Wert x annimmt. Für die gemessene Verteilung gilt dann: f M (x ) = b(x x)f(x) dx = f(x, x) dx Im günstigsten Fall hängt b nur von der Differenz x x ab, oder eine weitere explizite Abhängigkeit von x ist vernachlässigbar. Dann wird aus dem Integral ein Faltungsintegral. Dies ist genau dann der Fall, wenn der Messfehler und die Messung unabhängig sind. 287/319
127 Diskrete Stetige bedingte Wichtige Rechnen mit Die Faltung von zwei n X 1 und X 2 kann auch mit Hilfe ihrer charakteristischen Funktionen berechnet werden. Definition (Charakteristische Funktion) Es sei X eine. Die charakteristische Funktion von X ist definiert durch: Satz ϕ X (t) = E[ exp(itx) ], t R Ist X = X 1 + X 2 die Faltung von X 1 und X 2, so gilt: ϕ X (t) = ϕ X1 (t) ϕ X2 (t) 288/319
128 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Faltung von zwei Poissonverteilungen) Es seien X 1 und X 2 Poisson-verteilt gemäß Po(λ 1) bzw. Po(λ 2). Die charakteristische Funktion von X i lautet: e ikt λ k i e λ i ϕ Xi (t) = = exp[λ i(e it 1)] k! k=0 Die charakteristische Funktion von X = X 1 + X 2 ist daher gleich ϕ X(t) = exp[λ 1(e it 1)] exp[λ 2(e it 1)] = exp[(λ 1 + λ 2)(e it 1)] X ist also Poisson-verteilt gemäß Po(λ) mit λ = λ 1 + λ /319
129 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Faltung von zwei χ 2 -) Es seien X 1 und X 2 χ 2 -verteilt mit n 1 bzw. n 2 Freiheitsgraden. Die charakteristische Funktion von X i lautet: ϕ Xi (t) = 1 (1 2it) n i/2 Die charakteristische Funktion von X = X 1 + X 2 ist daher gleich ϕ X(t) = 1 (1 2it) n 1/2 (1 2it) n 2/2 = 1 (1 2it) (n 1+n 2 )/2 X ist also χ 2 -verteilt mit n = n 1 + n 2 Freiheitsgraden. 290/319
130 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 291/319
131 Diskrete Stetige bedingte Wichtige Rechnen mit Im folgenden Abschnitt sollen Linearkombinationen von nicht notwendig unabhängigen n betrachtet werden. Es sei X = (X 1,..., X n ) eine n-dimensionale und H eine m n - Matrix. Dann ist Y = (Y 1,... Y m ) = HX wie jede deterministische Funktion einer n wieder eine. Wie ist Y verteilt? Es gilt exakt: Lineare und 1 E[Y ] = H E[X] 2 Cov[Y ] = H Cov[X] H T 292/319
132 Diskrete Stetige bedingte Wichtige Rechnen mit Es soll nun statt der linearen Abbildung H eine allgemeine Funktion h = (h 1,..., h m ) betrachtet werden. Es wird angenommen, dass h in jenem Bereich, in dem die Dichte von X signifikant von 0 verschieden ist, genügend gut durch eine lineare Funktion angenähert werden kann. Entwickelt man h an der Stelle E[X], so gilt in 1. Näherung: Lineare Fehlerfortpflanzung 1 E[Y ] = h(e[x]) ( h 2 Cov[Y ] = x ) Cov[X] ( ) T h x 293/319
133 Diskrete Stetige bedingte Wichtige Rechnen mit Ist h = (h 1,..., h n ) eine umkehrbar eindeutige Abbildung h : R n R n, so läßt sich die Dichte von Y = (Y 1,..., Y n ) = h(x 1,..., X n ) berechnen. Es sei X = (X 1,..., X d ) eine d-dimensionale mit der Dichte f X (x 1,..., x d ), h eine umkehrbare Abbildung h : R d R d, g die Umkehrfunktion von h, Y = h(x) und f Y (y 1,..., y d ) die Dichte von Y. Dann gilt: Transformation der Dichte f Y (y 1,..., y d ) = f X (g(y 1,..., y d )) g y wobei g y der Betrag der Funktionaldeterminante ist. 294/319
134 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Transformation unter einer affinen Abbildung) Es sei X eine d-dimensionale mit Dichte f X(x) und Y = AX + b. Ist A regulär, ist die Dichte von Y gegeben durch: f Y (y) = f X(A 1 (y b)) 1 A Beispiel (Transformation mit der Verteilungsfunktion) Es sei X eine stetige mit der Dichte f(x) und der Verteilungsfunktion F (x), und Y = F (X). Dann ist die Dichte von Y gegeben durch: g(y) = f(x) df 1 dy = f(x)/f(x) = 1 Y ist also gleichverteilt im Intervall [0, 1]. Y wird als p-wert (probability transform) von X bezeichnet. 295/319
135 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Transformation mit der inversen Verteilungsfunktion) Es sei U gleichverteilt im Intervall [0, 1], F (x) (f(x)) die Verteilungsfunktion (Dichtefunktion) einer stetigen Verteilung, und X = F 1 (U). Dann ist die Dichte von X gegeben durch: g(x) = 1 df dx = f(x) X ist also verteilt mit der Verteilungsfunktion F und der Dichte f. Beispiel Es sei X gleichverteilt im Intervall [0, 1] und Y = ln(x). Dann ist g(y) = exp( y) und f Y (y) = f X(exp( y)) dg dy = e y Y ist daher exponentialverteilt mit τ = /319
136 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Transformation auf Polarkoordinaten) Es seien (X, Y ) unabhängig und standardnormalverteilt. Wir suchen die Verteilung der Polarkoordinaten (R, Φ), definiert durch: X = R cos(φ), Y = R sin(φ) Die Funktionaldeterminante lautet: (x, y) (r, ϕ) = r Die Dichte ist daher f(r, ϕ) = 1 2 /2 2π re r R und Φ sind unabhängig mit den Randdichten f 1(r) = re r2 /2, f 2(ϕ) = 1 2π 297/319
137 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Transformation auf Kugelkoordinaten) Es seien (X, Y, Z) unabhängig und standardnormalverteilt. Wir suchen die Verteilung der Kugelkoordinaten (R, Θ, Φ), definiert durch: X = R sin(θ) cos(φ), Y = R sin(θ) sin(φ), z = R cos(θ) Die Funktionaldeterminante lautet: (x, y, z) (r, θ, ϕ) = r2 sin(θ) Die Dichte ist daher f(r, θ, ϕ) = 1 e r 3/2 (2π) 2 /2 r 2 sin(θ) 298/319
138 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Fortsetzung) R, θ und ϕ sind unabhängig mit den Randdichten 2 f 1(r) = r 2 e r2 /2, f 2(θ) = 1 1 sin(θ), f3(ϕ) = π 2 2π Beispiel (Geschwindigkeitsverteilung im idealen Gas) Im idealen Gas sind die Komponenten (V x, V y, V z) der Molekülgeschwindigkeit in guter Näherung normalverteilt, mit Mittelwert 0 und σ 2 = kt/m, wobei m die Molekülmasse, k die Boltzmannkonstante und T die Temperatur ist. 299/319
139 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel (Fortsetzung) Der Betrag V der Geschwindigkeit hat dann die Dichte 2m 3/2 f(v) = π(kt ) 3/2 v2 e mv2 /2kT Die Verteilung wird Maxwell-Verteilung genannt. Mittelwert und Standardabweichung sind 8 kt 3 kt E[V ] = πm, σ[v ] = m Die häufigste Geschwindigkeit (das Maximum der Dichte) ist bei 2 kt V max = m 300/319
140 0.7 Diskrete Stetige bedingte Wichtige Rechnen mit f(v) v max E[v] Maxwell Verteilung mit kt=m v Maxwell-Verteilung, kt = m 301/319
141 Unterabschnitt: Diskrete Stetige bedingte Wichtige Rechnen mit Wichtige Rechnen mit 302/319
142 Diskrete Stetige bedingte Wichtige Rechnen mit Kann der Messfehler durch eine mit Mittel 0 beschrieben werden, hat die Messung nur einen statistischen Fehler. Die Messung kann jedoch durch eine falsche Kalibration (z.b. Skalenfehler oder Nullpunktfehler) des Messgeräts verfälscht sein. Solche Fehler werden systematische Fehler genannt. werden durch Vergrößerung der Stichprobe nicht kleiner! Die Korrektur von systematischen Fehlern erfordert solgfältige Kalibaration der Messaparatur, Überprüfung von theoretischen Annahmen, etc. Das Gesetz der Fehlerfortpflanzung gilt nicht für systematische Fehler! 303/319
143 Diskrete Stetige bedingte Wichtige Rechnen mit Beispiel Wir messen zwei Spannungen U 1, U 2 mit dem gleichen Messgerät. Durch fehlerhafte Kalibration misst das Gerät statt der wahren Spannung U die Spannung U m = au + b + ε, mit a = 0.99, b = 0.05, σ[ε] = 0.03 V. Der Mittelwert Ū der beiden Spannungen hat dann einen statistischen Fehler von 0.02 V. Der systematische Fehler des Mittelwerts wird beschrieben durch Ū m = aū + b, ist also der der Einzelmessung. Der systematische Fehler der Differenz U wird beschrieben durch U m = a U. Der Nullpunktfehler ist verschwunden. 304/319
Wirtschaftsmathematik
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
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
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
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........................
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.
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
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrKapitel 9. Verteilungsmodelle. 9.1 Diskrete Verteilungsmodelle Die Gleichverteilung
Kapitel 9 Verteilungsmodelle Es gibt eine Reihe von Verteilungsmodellen für univariate diskrete und stetige Zufallsvariablen, die sich in der Praxis bewährt haben. Wir wollen uns von diesen einige anschauen.
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
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
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
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrStatistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
Übersicht über die Vorlesung Teil : Deskriptive fru@hephy.oeaw.ac.at VO 42.090 http://tinyurl.com/tu42090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 200 Teil 4:
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrWahrscheinlichkeiten. Verteilungen
Wahrscheinlichkeiten. Verteilungen 2 2.1 Wahrscheinlichkeitsrechnung Das Ergebnis eines mit Zufälligkeit behafteten Versuchs nennen wir ein Ereignis. Beim Wurf einer Münze sind zwei Ereignisse möglich.
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
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
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,...)
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrSatz 104 (Skalierung exponentialverteilter Variablen)
2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/453
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/453 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
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
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
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
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
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrVERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
KAPITEL 15 VETEILUNGEN VON FUNKTIONEN EINE ZUFALLSVAIABLEN In diesem Kapitel geht es darum, die Verteilungen für gewisse Funktionen von Zufallsvariablen zu bestimmen. Wir werden uns auf den Fall absolut
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
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
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,
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrÜbungen zu Wahrscheinlichkeitstheorie und Statistik
Übungen zu Wahrscheinlichkeitstheorie und Statistik SS 2012 (Vorlesung von Prof. Reinhard Bürger) 1) Man gebe für die folgenden Experimente Wahrscheinlichkeitsmodelle an: (a) Wurf mit einer homogenen Münze,
MehrProf. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker
Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
Mehr