Statistische Grundlagen (I)
|
|
- Frieda Elizabeth Morgenstern
- vor 7 Jahren
- Abrufe
Transkript
1 Statistische Grundlagen (I) Eindimensionale (stetige) Zufallsvariable: N Definition: X : t (mit Ω als Ergebnismenge des zugrunde liegenden Zufallseeriments) N Wahrscheinlichkeitsdichtefunktion: f() mit f() m 0 c und kumulierte Verteilungsfunktion: F()= f(t)dt = Pr(X [ ) 0 [ F() [ 1 ; F( )=0, F() =1 ; f() =df()/d f()d = 1 N Erwartungswert: = E(X)= f()d, Schätzung durch ˆ = = 1 n n i=1 i Varianz: = Var(X)= ( ) f()d, Schätzung durch ˆ = 1 n 1 n i=1 ( i ) Standardabweichung: Literatur: = Var(X) = E((X ) ) N Gallant, A.R. (1997), An Introduction to Econometric Theory, Princeton: Princeton Univ. Press. N McCabe, B., Tremayne, A. (1993), Elements of Modern Asymtotic Theory with Statistical Alications, Manchester: Manchester University Press. N Mittelhammer, R.C. (1996), Mathematical Statistics for Economics and Business, NY: Sringer. Statistische Grundlagen Jens Krüger Statistische Grundlagen (II) Zweidimensionale (stetige) Zufallsvariable: N Definition: (X, Y) : t N Dichtefunktion: f(, y), wobei f(, y) m 0, y ; Randdichten: f ()= f(, y)dy und f(, y) bedingte Dichten: f( y)= und f y (y) Verteilungsfunktion: y F(, y)= f(, y)ddy = 1 fy (y)= f(, y)d f(, y) f(y )= f () f(t, s)dtds = Pr(X [, Y [ y) N Erwartungswerte: = E(X)= f ()d und y = E(Y)= yfy (y)dy Varianzen: = Var(X)= ( ) f ()d und Kovarianz: Korrelation: y = Var(Y)= (y y ) f y (y)dy y = Cov(X, Y)= ( )(y y )f(, y)ddy = Cov(Y, X)= y y = Cor(X, Y)= y /( y )=Cor(Y, X)= y c [ 1, 1] N Erwartungsvektor, Kovarianzmatri = y, Korrelationsmatri R = y y 1 y y 1 Statistische Grundlagen Jens Krüger 014
2 Statistische Grundlagen (III) Zweidimensionale (stetige) Zufallsvariable: (Fortsetzung) N Unabhängigkeit von X und Y: F(, y)=f() $ F(y) f(, y)=f () $ f y (y) E(X $ Y)=E(X) $ E(Y) da E(XY)= y $ f(, y)ddy = y $ f ()f y (y)ddy = f ()d $ yfy (y)dy = E(X) $ E(Y) Cov(X, Y)=0 Cor(X, Y)=0 da Cov(X, Y)=E((X )(Y y )) = E(XY Y y X + y ) = E(XY) E(Y) y E(X)+ y = E(XY) y = E(XY) E(X) E(Y) [Verschiebungssatz für die Varianz als Sezialfall: Var(X)=Cov(X, X)=E(X ) E(X) ] Unabhängigkeit imliziert Unkorreliertheit (aber nicht umgekehrt!) N Gesetz der iterierten Erwartungen (Law of Iterated Eectations, LIE): E(Y)=E X [E(Y X)] Beweis: E X [E(Y X)] = [ yf(y )dy ]f ()d = f(,y) y f () dy f ()d = = yf(, y)dyd = y f(, y)ddy = yfy (y)dy = E(Y) Statistische Grundlagen Jens Krüger Statistische Grundlagen (IV) k-dimensionaler (stetiger) Zufallsvektor: N Definition: X =(X 1,..., X k ) : t k N Dichtefunktion: f() mit =( 1,..., k ) ; f() m 0 ; f()d 1 d k = 1 es eistieren Randdichten für jedes Verteilungsfunktion: F()= k i und ein System bedingter Dichten 1 f(t1,..., t k )dt 1 dt k = Pr(X [ ) N Erwartungsvektor: = E(X) ( 1,..., k ) =(E(X 1 ),..., E(X k )) (als k 1-Vektor) Kovarianzmatri: = Var(X) = Korrelationsmatri: R = Cor(X)= 1 1 1k 1 k k1 k k 1 1 1k 1 1 k k1 k 1 = E[(X )(X ) ] = E(XX ) (beide symmetrisch und ositiv semidefinit) Statistische Grundlagen Jens Krüger 014 4
3 Statistische Grundlagen (V) Lineare Transformationen von Zufallsvektoren: N Notationswechsel: ist ein Zufallsvektor mit Erwartungsvektor und Kovarianzmatri N Erwartungswerte: E(a )=E(a a k k )=a 1 E( 1 ) a k E( k )=a a k k = a = a E() E(A)=E a 1 a m = E a 1 a m = a 1 a m E() E() = a 1 a m = a 1 a m = A E(A + b)=e(a)+e(b)=a + b (der Erwartungswert ist ein linearer Oerator) N Kovarianzmatrizen: a i ( : i-te Zeile von A) Var(a )=E[(a a )(a a ) ] k k = E[a ( )( ) a] = a a = i=1 j=1 a i a j ij Var(A)=E[(A A )(A A ) ] = E[A( )( ) A ] = A A Var(A + b)=e[(a + b A b)(a + b A b) ] = A A N Sezialfall: für skalare Zufallsvariablen gilt E(aX + b) =a E(X)+b und Var(aX + b)=a Var(X) Statistische Grundlagen Jens Krüger Statistische Grundlagen (VI) Einige Wahrscheinlichkeitsverteilungen: N univariate Normalverteilung: i N(, ) f() =( ) 1/ e( 1 ( ) ) N k (k)-verteilung: 1,..., k i NID(0, 1) i=1 i i (k) N t(k)-verteilung: i N(0, 1) unabhängig von y i (k) N F(k, l)-verteilung: i (k) unabhängig von y i (l) y/k i t(k) /k y/l i F(k, l) N multivariate Normalverteilung: iid-fall: i i NID(, ) i = 1,..., k mit Dichte f()=( ) k/ e( 1 k i=1 (i ) ) allgemein: =( 1,..., k ) i N(, ) mit f()=( ) k/ det( ) 1/ e( 1 ( ) 1 ( )) N wichtige Beziehungen: Invarianz bzgl. linearer Transformationen: i N(, ) A + b i N(A + b, A A ) für k 1-Vektor und Σ mit vollem Rang k: i N(, ) ( ) 1 ( ) i (k) Statistische Grundlagen Jens Krüger 014 6
4 Statistische Grundlagen (VII) Asymtotische Grundbegriffe: N Konvergenzmodi: Sequenz von Zufallsvektoren 1,..., n t 0 für n dmit 0 zufällig oder deterministisch Konvergenz in Wahrscheinlichkeit: lim Pr( nd n 0 > )=0 > 0 n t 0 fast sichere Konvergenz (w1): Pr( nd lim n 0 = 0)=1 n as t 0 Konvergenz im r-ten Mittel: lim E( nd n 0 r )=0 rm n t 0 Konvergenz in Verteilung: lim F nd n ()=F 0 () d n t 0 Bemerkung: z als Norm, wie die Euklidische Norm i=1 z i oder die su-norm su i z i as Beziehungen: n t 0 u n t 0 u n t d 0 ; rm n t 0 u n t 0 u d n t 0 N Bemerkungen: Konvergenz im r-ten Mittel erfordert die Eistenz des Erwartungswertes Konvergenz in Verteilung imliziert Konvergenz in Wahrscheinlichkeit nur bei Konvergenz zu einer degenerierten Zufallsvariablen mit Varianz = 0 N Cramér-Wold-Device: n t d 0 d n t 0 Statistische Grundlagen Jens Krüger k Statistische Grundlagen (VIII) Asymtotische Grundbegriffe: (Fortsetzung) N Gesetz der großen Zahlen (Law of Large Numbers, LLN): Gegeben bestimmte Regularitätsbedingungen hinsichtlich Abhängigkeit, Heterogenität und Eistenz von Erwartungswerten (Momenten) für eine Sequenz von ZV gilt as n t (schwaches Gesetz der großen Zahlen) bzw. n t (starkes Gesetz), n wobei n = 1 n i=1 i und = E( n )<. Beisiele: Kolmogorov-LLN für iid-zufallsvariablen und Markov-LLN für inid-zv N Zentraler Grenzwertsatz (Central Limit Theorem, CLT): Gegeben bestimmte Regularitätsbedingungen hinsichtlich Abhängigkeit, Heterogenität und Eistenz von Erwartungswerten (Momenten) für eine Sequenz von ZV gilt n ( n ) d t N(0, ), n wobei n = 1 n i=1 i und = E( n )<, = Var( n ( n )) <. Beisiele: Lindeberg-Levy-CLT für iid-zufallsvariablen und Liaounov-CLT für inid-zv n n Statistische Grundlagen Jens Krüger 014 8
5 Statistische Grundlagen (IX) Asymtotische Grundbegriffe: (Fortsetzung) N Slutzky-Theorem: für stetige Funktionen g($), die nicht selbst von n abhängen: n t 0 g( n ) t g( 0 ) N Stetiges Maing-Theorem (Continuous Maing Theorem, CMT): Wenn n t d 0 für alle Punkte an denen F() stetig ist, dann gilt g( n ) t d g( 0 ) (wobei 0 deterministisch oder stochastisch sein kann) für alle stetigen Funktionen N Anwendungen: g($), die nicht selbst von n abhängen. n (k 1) mit n t c und yn (k 1) mit y n t d folgt, dass n + y n t c + d X n (k k) mit X n t C und yn (k 1) mit y n t d folgt, dass 1 Xn y n t C 1 d n (k 1) mit n t d 0 und y n (k 1) mit ( n y n ) t 0 folgt, dass y d n t 0 n (k 1) mit n t c und yn (k 1) mit y n t d y 0 folgt, dass n + y d n t c + y 0 und n y n d t c y 0 Statistische Grundlagen Jens Krüger Statistische Grundlagen (X) Multivariate Delta-Methode: N Theorem: Sei n =( 1n,..., kn ) (n = 1,, 3,...) eine Folge von k-dimensionalen Zufallsvektoren, d die asymtotisch multivariat normalverteilt ist, n ( n ) t N(0, ). Sei f() =(f 1 (),..., f m ()) eine differenzierbare Abbildung des k in den m, deren artielle Ableitungen im Punkt =( 1,..., k ) nicht sämtlich verschwinden. d Dann gilt n (f( n ) f( )) t N(0, D D ) mit. D = Øf() = J( ) Ø N Beisiel 1: n ( n ) t d N(0, ) n (A n + b A b) t d N(0, A A ) [es gilt hier ebenfalls i N(, ) A + b i N(A + b, A A )] = N Beisiel : n ( 1n 1 n ) d t N( 0 0, 1 1 ) 1 n ( 1n n ( 1 ) e( 1n ) e( 1 ) d t N( 0 0, e 1 ( 1 1 ) e 1 ( 1 1 ) e 1 ) $ 1 Statistische Grundlagen Jens Krüger
6 Statistische Grundlagen (XI) Verteilungstransformation: N Change-of-Variables: Sei =( 1,..., k ) ein stetiger Zufallsvektor mit Dichte f. () Sei y ein transformierter Zufallsvektor y =(y 1,..., y k ) =(g, wobei die Eistenz 1 (),..., g k ()) der inversen Transformation =( 1,..., k ) =(h vorausgesetzt wird. 1 (y),..., h k (y)) Die Abbildungen g i, h i (i = 1,..., k) sind stetig und die artiellen Ableitungen Øh i /Øy j (i, j = 1,..., k) eistieren und sind ebenfalls stetig. Sofern die Jacobi-Determinante der inversen Transformationen det J(y)=det Øh 1 (y)/øy 1 Øh 1 (y)/øy k Øh k (y)/øy 1 Øh k (y)/øy k von Null verschieden ist, gilt für die Dichtefunktion des Zufallsvektors y: f y (y)=f (h 1 (y),..., h k (y)) $ det J(y). Statistische Grundlagen Jens Krüger Statistische Grundlagen (XII) Verteilungstransformation: (Fortsetzung) N Intuition für den skalaren Fall: Funktion y = g() mit inverser Transformation = h(y) F y (y)=f (h(y)) N Fallunterscheidung: F y (y)=f y (y)=f (h(y)) $ h (y) Fall h ($) m 0: F y (y)=pr(y [ y)=pr(h(y) [ h(y)) = Pr(X [ )=F ()=F (h(y)) f y (y)=f (h(y)) $ h (y) Fall h ($) [ 0: F y (y)=pr(y [ y)=pr(h(y) m h(y)) = 1 Pr(X [ )=1 F ()=1 F (h(y)) f y (y)= f (h(y)) $ h (y) [0 zusammen ergibt sich: f y (y)=f (h(y)) $ h (y) Statistische Grundlagen Jens Krüger 014 1
7 Statistische Grundlagen (XIII) Verteilungstransformation: (Fortsetzung) N Beisiel 1 (univariate Zufallsvariable): i N(, ) mit f ()=( ) 1/ e( 1 (( )/ ) ) wird transformiert in y durch y = g()=( )/ (die inverse Abbildung ist folglich = h(y)=y + ) f y (y) =f (h(y)) $ y i N(0, 1) dh(y) dy N Beisiel (multivariate Zufallsvariable): =( ) 1/ e 1 y + $ =( ) 1/ e( 1 y ) i N(0, I) mit f ()=( ) k/ e( 1 ) wird transformiert in y durch y = g()=a + (die inverse Abbildung ist folglich = h(y)=(a ) 1 (y ) ) f y (y) = f (h(y)) $ det Øh(y) Øy =( ) k/ e( 1 (y ) A 1 (A ) 1 (y )) $ det(a 1 ) =( ) k/ det( ) 1/ e( 1 (y ) 1 (y )) mit h A A und det( )=det(a) y i N(, ) Statistische Grundlagen Jens Krüger Statistische Grundlagen (XIV) Statistikbefehle in R: N Berechnungen: Mittelwerte durch mean(), mit na.rm=t wenn fehlende Werte (NA) auftreten [Anwendung von mean() auf eine Matri berechnet den Mittelwert aller Matrielemente! Zeilen- und Saltenmittelwerte können über den Befehl aly() erzeugt werden] Kovarianzmatrizen durch var() Standardabweichungen durch sd() [ergibt einen Vektor, wie bei sqrt(diag(var(a)))] Korrelationsmatrizen durch cor() N Signifikanztest für Korrelation durch cor.test() [Varianten für Pearson, Searman, Kendall] N Berechnung eines t-tests durch t.test() oder des Wilcoon-Tests durch wilco.test() N Verteilungen: Dichtefunktion dnorm(), Verteilungsfunktion norm(), Quantile qnorm(), Ziehung von Zufallszahlen rnorm() [auch verfügbar für unif, t, f, chisq, lnorm, gamma, beta,...] N Ziehung von Zufallsstichroben (mit oder ohne Zurücklegen) aus einem Vektor mit samle() N Histogramme mit hist() N Bolots mit bolot() Statistische Grundlagen Jens Krüger
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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)
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,
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
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
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
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
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
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
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
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie
Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 27./29.
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 ]
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
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
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
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
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
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,
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
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
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........................
Mehr1. Die gemeinsame Dichtefunktion der Zufallsvariablen X,Y sei. 1 für 0 x 1 und 0 y 1 0 sonst. 1 Volumen über schraffierter Fläche = = 0.
Übungsbeispiele. Die gemeinsame Dichtefunktion der Zufallsvariablen X,Y sei { für und f(,) sonst (a) Skizzieren Sie die Dichtefunktion. f(,) (b) Berechnen Sie P(.5,.75) Lösung:.75 Volumen über schraffierter
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
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
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
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,
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
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
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
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
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)
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrKapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin
Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrAngewandte Statistik mit R
Reiner Hellbrück Angewandte Statistik mit R Eine Einführung für Ökonomen und Sozialwissenschaftler 2., überarbeitete Auflage B 374545 GABLER Inhaltsverzeichnis Vorwort zur zweiten Auflage Tabellenverzeichnis
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
MehrInhaltsverzeichnis. Vorwort. Abbildungsverzeichnis. Tabellenverzeichnis. 1 Einleitung Gegenstand Aufbau 4
Inhaltsverzeichnis Vorwort Abbildungsverzeichnis Tabellenverzeichnis v xv xvii 1 Einleitung 1 1.1 Gegenstand 1 1.2 Aufbau 4 2 Datenerhebung - ganz praktisch 7 2.1 Einleitung 7 2.2 Erhebungsplan 7 2.2.1
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrKapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D.
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie
Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Martin Hutzenthaler & Dirk Metzler 11. Mai 2011 Inhaltsverzeichnis 1 Deterministische und zufällige
MehrBeispiel: Zweidimensionale Normalverteilung I
10 Mehrdimensionale Zufallsvariablen Bedingte Verteilungen 10.6 Beispiel: Zweidimensionale Normalverteilung I Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale (multivariate) Normalverteilung
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
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........................
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
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
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
Mehr2.Tutorium Multivariate Verfahren
2.Tutorium Multivariate Verfahren - Multivariate Verteilungen - Hannah Busen: 27.04.2015 und 04.05.2015 Nicole Schüller: 28.04.2015 und 05.05.2015 Institut für Statistik, LMU München 1 / 21 Gliederung
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
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
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
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
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
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
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrStatistik in Geodäsie, Geoinformation und Bauwesen
Wilhelm Benning Statistik in Geodäsie, Geoinformation und Bauwesen 2., überarbeitete und erweiterte Auflage Herbert Wichmann Verlag Heidelberg Matrix-Theorie 1 1.1 Matrizen und Vektoren 1 1.2 Matrixverknüpfungen
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
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
Mehr4.1 Grundlagen: Diskrete & Stetige Zufallsvariablen. 4. Zufallsvariablen. Diskrete Zufallsvariablen (ZVn) Eine diskrete Zufallsvariable
4. Zufallsvariablen 4.1 Grundlagen: Diskrete & Stetige Zufallsvariablen Fabian Scheipl, Bernd Bischl Stochastik und Statistik SoSe 2016 1 / 143 Diskrete Zufallsvariablen (ZVn) Fabian Scheipl, Bernd Bischl
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
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrI Beschreibende Statistik 1
Inhaltsverzeichnis Vorwort ix I Beschreibende Statistik 1 Lernziele zu Teil I 2 1 Statistik, Daten und statistische Methoden 3 1.1 Statistik im Alltag, in Politik und Gesellschaft...... 3 1.2 Aufgaben
MehrFormelsammlung "Biometrie und Methodik"
Formelsammlung "Biometrie und Methodik" 1 Beschreibende Statistik Univariate Datenanalyse ( Beobachtungswerte x 1 ; :::; x n ) Absolute Häu gkeit Relative H keit/ Empirische Verteilung h k = n k =n Empirische
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Verteilungen und Zufallszahlen Übersicht Statistik-Funktionen Funktion mean() median() exp(mean(log(
MehrUnabhängigkeit von Zufallsvariablen
Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc., Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Verteilungen und Zufallszahlen Übersicht Statistik-Funktionen Funktion mean()
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
Mehr2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie
Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Noémie Becker & Dirk Metzler 15. April 2016 Inhaltsverzeichnis 1 Deterministische und zufällige Vorgänge
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
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
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
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrPrüfungsfächer: Die Prüfung erstreckt sich auf die folgenden Prüfungsfächer: Maß- und Integrationstheorie Wahrscheinlichkeitstheorie Statistik
B Zulassungsprüfung in Stochastik Zielsetzung: Durch die Zulassungsprüfung in Stochastik soll der Nachweis geführt werden, dass die Bewerber über solide Grundkenntnisse in Wahrscheinlichkeitstheorie und
Mehr