Stochastische Prozesse
|
|
- Axel Burgstaller
- vor 6 Jahren
- Abrufe
Transkript
1 INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein stochastischer Prozess auf (Ω, A) mit Werten in einem metrischen Raum (E, d) mit Borel-σ-Algebra B E. X habe von rechts stetige Pfade. Zeigen Sie, dass X messbar ist, d.h. ist ( A B [0, ), B E ) -messbar. (ω, t) X t (ω), (ω, t) Ω [0, ), Lösung: Für n N definiere den stochastischen Prozess X n wie folgt: X n t := X (k(t,n)+1)2 n falls k(t, n)2 n < t (k(t, n) + 1)2 n mit k(t, n) N 0 für festes t > 0 und X n 0 := X 0. Wegen (k(t, n) + 1)2 n t < 2 n und (k(t, n) + 1)2 n t gilt lim n (k(t, n) + 1)2 n = t und da X von rechts stetige Pfade besitzt lim n Xn t (ω) = X t (ω) ω Ω, t 0 im metrischen Raum E. Wir zeigen nun, dass jedes X n messbar ist. Sei für B B E B k := {X k2 n B} A für k N 0. Es ist dann {X B} = B B k ((k 1)2 n, k2 n ] A B [0, ) k=1 Zu zeigen bleibt, dass X als Limes einer Folge messbarer Funktionen wieder messbar ist. (Für den reellwertigen Fall ist dies wohlbekannt, vergl. SII, 2.17.) Sei U E eine beliebige offene Menge und U ɛ := {x U : d(x, U c ) > ɛ} für festes ɛ > 0 die Menge der Punkte aus U, die vom abgeschlossen Komplement U c von U einen größeren Abstand als ɛ haben. U ɛ selbst ist wieder offen (ist d(x, U c ) = δ > ɛ, so gilt für y B δ ɛ (x) auch d(y, U c ) > ɛ wegen der Dreiecksungleichung). Da U offen ist, gilt U ɛ U für ɛ 0. Sei für festes ɛ > 0 A ɛ := n=1 l=n {X l U ɛ } = {(ω, t) Ω R + : Xt n (ω) U ɛ bis auf endlich viele n}. Wegen der Messbarkeit der X n gilt dann A ɛ A B+. 1 Für (ω, t) A ɛ gilt dann X t (ω) = lim n Xt n (ω) U ɛ U, U ɛ der Abschluss von U ɛ. Man erhält schließlich {(ω, t) Ω R + : X t (ω)} = A ɛ = A 1/m A B+ 1. ɛ>0 m=1
2 Aufgabe 41: (Brownsche Brücke) Sei B = (B t ) t 0 eine Brownsche Bewegung mit B 0 0 und X t := B t t B 1 für 0 t 1. a) Begründen Sie, dass X, die so genannte Brownsche Brücke, ein stochastischer Prozess mit stetigen Pfaden ist. b) Sei 0 < t 1 <... < t d 1. Berechnen Sie die Kovarianzmatrix von (X t1, X t2 X t1,..., X td X td 1 ). Besitzt die Brownsche Brücke unabhängige Zuwächse? c) Sei 0 < t 1 <... < t d < 1. Bestimmen Sie die gemeinsame Verteilung des Zufallsvektors Lösung: (X t1, X t2,..., X td ). a) Jedes X t ist eine Zufallsvariable und daher X ein stochastischer Prozess. Sei ω Ω fest. Da t B t (ω) und t t B 1 (ω) beides stetige Funktionen sind, ist auch t X t (ω) stetig. b) Wir erweitern die Aufgabenstellung, indem wir exemplarisch dazu noch die gemeinsame Verteilung von Y := (X t1, X t2 X t1,..., X td X td 1 ) berechnen. Wir könnten hier wie in Aufgabe 39 vorgehen. Einfacher ist die Aufteilung in zwei Schritte: Zeige, dass Y eine d-dimensionale Normalverteilung besitzt und Berechne direkt die Kovarianzen der einzelnen Komponenten (nur dies wird für die eigentliche Aufgabenstellung benötigt). Zum Nachweis der ersten Aussage verwenden wir Satz 9.7 c). Sei a R d beliebig. Dann gilt a Y = a 1 X t1 + a 2 (X t2 X t1 ) a d (X td X td 1 ) = a 1 B t1 + a 2 (B t2 B t1 ) a d (B td B td 1 ) (a 1 t 1 + a 2 (t 2 t 1 ) a d (t d t d 1 )) B 1 Dies ist eine Linearkombination des Zufallsvektors (B t1,..., B td, B 1 ), der nach Aufgabe 39 eine (d + 1)-dimensionale Normalverteilung besitzt. Anwenden von Satz 9.7 ergibt, dass dann auch a Y normalverteilt ist. Wir berechnen zuerst die Varianzen. V (X ti X ti 1 ) = V ((B ti B ti 1 ) (t i t i 1 )B 1 ) = V (B ti B ti 1 ) + (t i t i 1 ) 2 V (B 1 ) 2C(B ti B ti 1, (t i t i 1 )B 1 ) = (t i t i 1 ) + (t i t i 1 ) 2 2 (t i t i 1 ) (C(B ti, B 1 ) C(B ti 1, B 1 )) = (t i t i 1 ) (t i t i 1 ) 2 = (t i t i 1 ) (1 (t i t i 1 )) Sei nun 0 s < t u < v 1. Wegen der Unabhängigkeit von B t B s und B v B u gilt dann C(X t X s, X v X u ) = C((B t B s ) (t s)b 1, (B v B u ) (u v)b 1 ) = C(B t B s, B v B u ) (v u) C(B t B s, B 1 ) (t s) C(B v B u, B 1 ) + (t s) (v u) C(B 1, B 1 ) = 2 (v u) (t s) + (t s) (v u) = (t s) (v u)
3 Damit ergibt sich die Kovarianz-Matrix von (X t1, X t2 X t1,..., X td X td 1 ) zu t 1 (1 t 1 ) t 1 (t 2 t 1 ) t 1 (t 3 t 2 )... t 1 (t d t d 1 ) t 1 (t 2 t 1 ) (t 2 t 1 )(1 (t 2 t 1 )) (t 2 t 1 )(t 3 t 2 )... (t 2 t 1 )(t d t d 1)) t 1 (t d t d 1 ) (t 2 t 1 )(t d t d 1 ) (t 3 t 2 )(t d t d 1 )... (t d t d 1 )(1 (t d t d 1 )) Wegen (t s) (v u) < 0 für 0 s < t u < v 1 besitzt die Brownsche Brücke auch keine unabhängigen Zuwächse. c) Mit t t 2 A := t t d gilt (X t1,..., X td ) = A (B t1,..., B td, B 1 ), wobei nach Aufgabe 39 (B t1,..., B td, B 1 ) die Kovarianzmatrix t 1 t 1 t 1 t 1... t 1 t 1 t 1 t 2 t 2 t 2... t 2 t 2 Σ = t 1 t 2 t 3 t 3... t 3 t t 1 t 2 t 3 t 4... t d t d t 1 t 2 t 3 t 4... t d 1 besitzt. Nach Satz 9.9 gilt dann (X t1,..., X td ) N d (0, AΣA ) und es bleibt AΣA auszuwerten. Es ergibt sich t 1 t 2 1 t 1 t 1 t 2 t 1 t 1 t 3... t 1 t 1 t d 0 t 1 t 1 t 2 t 2 t 2 2 t 2 t 2 t 3... t 2 t 2 t d 0 AΣ = t 1 t 1 t 3 t 2 t 2 t 3 t 3 t t 3 t 3 t d t 1 t 1 t d t 2 t 2 t d t 3 t 3 t d... t d t 2 d 0 und hieraus sofort t 1 (1 t 1 ) t 1 (1 t 2 ) t 1 (1 t 3 )... t 1 (1 t d ) t 1 (1 t 2 ) t 2 (1 t 2 ) t 2 (1 t 3 )... t 2 (1 t d ) AΣA = t 1 (1 t 3 ) t 2 (1 t 3 ) t 3 (1 t 3 )... t 3 (1 t d ) , t 1 (1 t d ) t 2 (1 t d ) t 3 (1 t d )... t d (1 t d ) da die letzte Spalte von AΣ die Nullspalte ist und die ersten d Zeilen von A Einheitsmatrix sind. Einfacher erhält man die Kovarianzmatrix aus die C(X s, X t ) = C(B s sb 1, B t tb 1 ) = C(B s, B t ) sc(b 1, B t ) tc(b s, B 1 ) + stc(b 1, B 1 ) = s 2st + st = s (1 t) für 0 s t 1.
4 Aufgabe 42: Es seien B, B unabhängige Brownsche Bewegungen und q ( 1, 1). Sei X t := qb t + 1 q 2 B t, t 0. Ist (X t ) t 0 wieder eine Brownsche Bewegung? Lösung: Bevor die Aufgabe gelöst werden kann, muss zuerst geklärt werden, was die Unabhängigkeit von B und B bedeutet. Gemeint ist damit präzise, dass die σ-algebren A := σ(b t : t 0) und à := σ( B t : t 0) unabhängig sind, d.h. dass P(A A ) = P(A) P(A ) für alle A A und A à gilt. Nur dieses dürfen wir für die nachfolgende Bedingung (iii) verwenden. Wir haben für X die Bedingungen (i) - (iv) aus Definition 1.6 nachzuweisen. (i) X 0 = qb q 2 B 0 = 0 wegen B 0 = B 0 0. (ii) Sei 0 s < t <. Dann gilt X t X s = q (B t B s ) + 1 q 2 ( B t B s ) und q (B t B s ) N (0, q 2 (t s)), 1 q 2 ( B t B s ) N (0, (1 q 2 )(t s)). Da diese Zufallsvariablen stochastisch unabhängig sind, folgt aus der Faltungsformel X t X s N (0, q 2 (t s) + (1 q 2 )(t s)) = N (0, t s) (iii) Sei 0 s < t u < v <. Zu zeigen ist die Unabhängigkeit von X t X s und X v X u. Hinreichend dafür ist, dass die Zufallsvariablen B t B s, B v B u, B t B s und B v B u stochastisch unabhängig sind. Aus dem Blockungslemma folgt dann, dass X t X s = q (B t B s ) + 1 q 2 ( B t B s ) und X v X u = q (B v B u ) + 1 q 2 ( B v B u ) unabhängig sind. Dies folgt aber aus P(B t B s A 1, B v B u A 2, B t B s A 3, B v B u A 4 ) = P(B t B s A 1, B v B u A 2 ) P( B t B s A 3, B v B u A 4 ) = P(B t B s A 1 ) P(B v B u A 2 ) P(B t B s A 3 ) P( B v B u A 4 ) für A 1, A 2, A 3, A 4 B 1, wobei die erste Gleichheit aus der Unabhängigkeit von A und à und die zweite aus der Eigenschaft (iii) von B und B folgt. (iv) Dass X stetige Pfade besitzt, folgt sofort daraus, dass B und B diese Eigenschaft besitzen. Aufgabe 43: Sei X = (X t ) 0 t 1 eine Brownsche Brücke (vergl. Aufg. 41) mit X 0 0, X 1 0 und Y 0 eine von X stochastisch unabhängige, N (0, 1)-verteilte Zufallsvariable. Zeigen Sie: a) Sei B t := t Y 0 + X t für 0 t 1. Dann ist B := (B t ) 0 t 1 eine Brownsche Bewegung (beschränkt auf das Zeitintervall [0, 1]). b) Sei B := ( B t ) t 0 eine Brownsche Bewegung mit B 0 0. X, B und Y 0 seien stochastisch unabhängig. Wir setzen { t Y0 + X B t := t, 0 t 1, Y 0 + B t 1, t > 1. Zeigen Sie, dass B := (B t ) t 0 eine Brownsche Bewegung ist.
5 Lösung: a) Nach Satz 10.1 der Vorlesung reicht es nachzuweisen, dass B die Eigenschaften (i) und (iv) aus Definition 1.6 besitzt und dass zusätzlich für 0 t 1 < t 2 <... < t d 1 noch (B t1,..., B td ) N d (0, Σ) mit t 1 t 1 t 1 t 1... t 1 t 1 t 2 t 2 t 2... t 2 Σ = t 1 t 2 t 3 t 3... t 3 t 1 t 2 t 3 t 4... t d gilt. Nach Konstruktion gilt B 0 0. Damit gilt (i). Mit X besitzt auch B stetige Pfade, womit (iv) erfüllt ist. Nach Aufg. 41 gilt (X t1,..., X td ) N d (0, Σ) mit einer geeigneten Kovarianzmatrix Σ. Nach Satz 9.6 gibt es daher stochastisch unabhängige, N (0, 1) verteilte Zufallsvariable Y 1,..., Y d (die unabhängig von Y 0 gewählt werden können) und eine d d-matrix A mit (X t1,..., X td ) A Y mit Y = (Y 1,..., Y d ). Setzt man a 11 a a 1d t 1 Ã := a 21 a a 2d t 2 a d1 a d2... a dd t d so erhält man (B t1,..., B td ) Ã (Y 1,..., Y d, Y 0 ). Insbesondere besitzt (B t1,..., B td ) eine d-dimensionale Normalverteilung. Sei 0 s < t 1 beliebig. Wegen der Unabhängigkeit von Y 0 und X s bzw. X t gilt C(B s, B t ) = C(s Y 0 +X s, t Y 0 +X t ) = st V (Y 0 )+s C(Y 0, X t )+t C(X s, Y 0 )+C(X s, X t ) = st + s (1 t) = s, wobei wir C(X s, X t ) = s (1 t) aus Aufg. 41 verwendet haben. Hieraus folgt, dass Σ die angegebene Gestalt hat. b) Wir weisen die Eigenschaften (i) - (iv) aus Definition 1.6 nach. (i) B 0 0 gilt nach Konstruktion ebenso wie (iv), wo man nur beachten muss, dass wegen B 0 0 der stochastische Prozess B für t = 1 auch von rechts stetig ist. (ii) B t B s N (0, t s) für 0 s < t <. Dies gilt für t 1 wegen a) und für s > 1 wegen B t B s = B t 1 B s 1 N (0, t s). Für den Fall 0 s 1 < t < erhalten wir schließlich B t B s = ( B t 1 B 0 ) + (B 1 B s ) N (0, (t 1) + (1 s)) = N (0, t s) nach der Faltungsformel. (iii) B besitzt unabhängige Zuwächse. Nach Konstruktion sind (B t ) 0 t 1 und B stochastisch unabhängig. Sei 0 t 1 < t 2 <... < t k 1 < t k+1 <... < t d. Dann sind auch B t1, B t2 B t1,..., B 1 B tk, B tk+1 1 B 0,... B td 1 B td 1 1 unabhängig, also auch B t1, B t2 B t1,..., B 1 B tk, B tk+1 B 1,... B td B td 1. Mit dem Blockungslemma folgt die Unabhängigkeit von B t1, B t2 B t1,..., B td B td 1.
Stochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 1 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 1: (Verzweigungsprozess) Die
MehrAsymptotische Stochastik (SS 2010)
Institut für Stochastik PD. Dr. Dieter Kadelka Daniel Gentner Asymptotische Stochastik (SS 2010) Lösungen zu Übungsblatt 4 Aufgabe 1 (lokaler Grenzwertsatz von de Moivre und Laplace und eine Verallgemeinerung)
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
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
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
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
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
Mehr1 Elemente der Wahrscheinlichkeitstheorie
H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen
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
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
Mehr2 Multivariate Normalverteilung
2 Multivariate Normalverteilung 2. Multivariate Normalverteilung Definition 2.. Normalverteilung Eine univariat normalverteilte Zufallsvariable X besitzt ie Dichte ) (x µ)2 f (x) = exp ( x R. 2π σ 2σ 2
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
MehrTopologische Räume und stetige Abbildungen Teil 2
TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
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
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrChapter 1 : þÿ t u t b e t a t h o m e S t r o m P r e m i e r L e a g u e c h a p t e r
Chapter 1 : þÿ t u t b e t a t h o m e S t r o m P r e m i e r L e a g u e c h a p t e r þÿ k o b l e n z f e s t u n g c a s i n o j o b s q u e e n s s l o t s p i e l e b e t a t h o m e k o n t o g
MehrFraktale Geometrie. 9: Metrische äußere Maße II. Universität Regensburg Sommersemester Daniel Heiß:
Universität Regensburg Sommersemester 013 Daniel Heiß: 9: Metrische äußere Maße II I Das mehrdimensionale Lebesguemaß 1.1 Definition (i) Für reelle Zahlen a b, c d ist ein Rechteck im R die Menge R = a,
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
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
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrEiniges über die Brown sche Bewegung
Einiges über die Brown sche Bewegung Gunther Leobacher und Friedrich Pillichshammer Inhaltsverzeichnis Definition und Existenz einer Brown schen Bewegung Einige elementare Eigenschaften der Brown schen
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrKlausurenkurs zum Staatsexamen (WS 2014/15): Differential und Integralrechnung 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 204/5): Differential und Integralrechnung 6 6. (Frühjahr 2009, Thema, Aufgabe 3) Sei r > 0. Berechnen Sie die Punkte auf der Parabel y = x 2 mit dem
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 05.11.2013 Alexander Lytchak 1 / 14 Linearkombinationen Definition Es sei V ein reeller Vektorraum. Es sei (v i ) i
MehrKONSTRUKTION VON MASSEN
KONSTRUKTION VON MASSEN MARCUS HEITEL 1. Einleitung Wir wollen im Folgenden das Lebesguemaß konstruieren. Dieses soll die Eigenschaft λ ( [a, b = b a für a, b R besitzen. Nun ist ein Maß aber auf einer
Mehr3 Topologische Gruppen
$Id: topgr.tex,v 1.2 2010/05/26 19:47:48 hk Exp hk $ 3 Topologische Gruppen Als letztes Beispiel eines topologischen Raums hatten wir die Zariski-Topologie auf dem C n betrachtet, in der die abgeschlossenen
MehrEtwas Topologie. Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann
Etwas Topologie Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann Literatur Abraham, Marsden, Foundations of Mechanics, Addison Wesley 1978, Seiten 3 17 Definition. Ein topologischer
MehrAppendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie
Appendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie Vorbemerkung: Die folgenden Seiten sind nicht zur Abschreckung gedacht, sondern als Ergänzung zu den Darstellungen, die
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
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
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 ]
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrÜbungsaufgaben zur Vorlesung ANALYSIS I (WS 12/13) Lösungsvorschlag Serie 12
Humboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen Übungsaufgaben zur Vorlesung ANALYSIS I (WS 2/3) Lösungsvorschlag
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
MehrChapter 1 : þÿ s i s t e m a b e t a c h a p t e r
Chapter 1 : þÿ s i s t e m a b e t a c h a p t e r þÿ 3. M a i 2 0 1 2 a b g e f ü h r t u n d f l i e ß e n g r ö ß t e n t e i l s i n d i e F ö r d e r u n g d e s B r e i t e n s p o r t s. f o l g
MehrTerminologie Stochastischer Prozesse
Terminologie Stochastischer Prozesse Nikolai Nowaczyk 2014-03-31 Dieses Script ist die Ausarbeitung zum einem Vortrag, gehalten im Seminar zur Wahrscheinlichkeitstheorie im SS 14 an der Uni Regensburg.
MehrÜbungen zur Wahrscheinlichkeitstheorie und Statistik
Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils
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
MehrPrüfung zur Vorlesung Mathematik I/II
Dr. A. Caspar ETH Zürich, August 2011 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Legi-Nr.: Nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
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
MehrKlausurenkurs zum Staatsexamen (SS 2015): Differential und Integralrechnung 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Differential und Integralrechnung 6 6. (Frühjahr 2009, Thema, Aufgabe 3) Sei r > 0. Berechnen Sie die Punkte auf der Parabel y = x 2 mit dem
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,
MehrGrundlagen der Mathematik 1
Fachbereich Mathematik Sommersemester 2010, Blatt 14 Thomas Markwig Stefan Steidel Grundlagen der Mathematik 1 Die Lösungen müssen nicht eingereicht werden und werden auch nicht korrigiert. Die Aufgaben
MehrAufgabe 3 Was ist der Erwartungswert der größten gezogenen Zahl M beim Zahlenlotto 6 aus 49 (ohne Zusatzzahl)?
Erwartungswert Aufgaben Aufgabe Bei der Flugplatz Party haben Sie die Wahl ob Sie 3 Euro Eintritt bezahlen, oder Sie würfeln den Eintrittspreis mit einem normalen Würfel. Die Frage die sich dabei stellt
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
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
MehrChapter 1 : þÿ M o b i l e b e t a t h o m e A p p c h a p t e r
Chapter 1 : þÿ M o b i l e b e t a t h o m e A p p c h a p t e r þÿ f i n d e n, i s t d e r E r g e b n i s -, L i v e s c o r e - u n d d e r S t a t i s t i k b e r e i c h. w e i t e r e. 1 4. J a
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
MehrChapter 1 : þÿ b e t a t h o m e k e i n e a u s z a h l u n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e k e i n e a u s z a h l u n g c h a p t e r þÿ L e o f r e c e u n f l e x i b l e s i s t e m a i n t e g r a d o d e p i n z a y b r a z o d e t i p o f l e x o, p a
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrLösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik II für biw/ciw/mach/mage/vt
Karlsruher Institut für Technologie Institut für Algebra und Geometrie PD Dr. F. Hettlich Dr. S. Schmitt Dipl.-Math. J. Kusch Karlsruhe, den 09.06.20 Lösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
Mehr2 Brownsche Bewegung. Wahrscheinlichkeitstheorie III Teil Der Wienerraum
8 Wahrscheinlichkeitstheorie III Teil 3 Brownsche Bewegung Wir haben die Brownsche Bewegung bereits als Grenzwert reskalierter Irrfahrten in der VL WTH II kennengelernt siehe dazu Abschnitt 5.. In diesem
MehrLineare Algebra Weihnachtszettel
Lineare Algebra Weihnachtszettel 4..008 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet
MehrMartingale und Brownsche Bewegung
Martingale und Brownsche Bewegung Martin G. Riedler Institute for Stochastics, Johannes Kepler University 44 Linz, Austria martin.riedler@jku.at 2 Die vorliegenden Unterlagen sind ein Skriptum zur Vorlesung
MehrÜbungsblatt 2 - Analysis 2, Prof. G. Hemion
Tutor: Martin Friesen, martin.friesen@gmx.de Übungsblatt 2 - Analysis 2, Prof. G. Hemion Um die hier gestellten Aufgaben zu lösen brauchen wir ein wenig Kentnisse über das Infimum bzw. Supremum einer Menge.
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
MehrKorrektur, Änderungen sowie Ergänzungen zu den Vorlesungsskripten: Statistik-I SS-2015
Korrektur, Änderungen sowie Ergänzungen zu den Vorlesungsskripten: Statistik-I SS-05!"!## x 8 0 8 0 8 0 0, 0, 3 0 0, 05 $ $ % 3, 75 $ Geben Sie für das vorige Beispiel. (Bsp. ) die Anteile der jeweiligen
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrMathematik III. Vorlesung 74. Folgerungen aus dem Satz von Fubini. (( 1 3 x3 1 2 x2 y +2y 3 x) 1 2)dy. ( y +2y y +4y3 )dy
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 74 Folgerungen aus dem Satz von Fubini Beispiel 74.1. Wir wollen das Integral der Funktion f :R 2 R, (x,y) x 2 xy +2y 3, über dem Rechteck
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
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrLösungsvorschläge Blatt 4
Theoretische Informatik Departement Informatik Prof. Dr. Juraj Hromkovič http://www.ita.inf.ethz.ch/theoinf16 Lösungsvorschläge Blatt 4 Zürich, 21. Oktober 2016 Lösung zu Aufgabe 10 (a) Wir zeigen mit
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrZufallsvariablen: Die allgemeine Definition
KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrÜ b u n g s b l a t t 10
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrWahrscheinlichkeitsrechnung
Grundstudium Mathematik Wahrscheinlichkeitsrechnung Bearbeitet von Dominique Foata, Aime Fuchs 1. Auflage 1999. Taschenbuch. xv, 383 S. Paperback ISBN 978 3 7643 6169 3 Format (B x L): 17 x 24,4 cm Gewicht:
MehrSpickzettel Mathe C1
Spickzettel Mathe C1 1 Mengenlehre 1.1 Potenzmenge Die Potenzmenge P (Ω) einer Menge Ω ist die Menge aller Teilmengen von Ω. Dabei gilt: P (Ω) := {A A Ω} card P (Ω) = 2 card Ω P (Ω) 1.2 Mengenalgebra Eine
MehrStochastik Praktikum Simulation stochastischer Prozesse
Stochastik Praktikum Simulation stochastischer Humboldt-Universität zu Berlin 15.10.2010 Übersicht 1 Brownsche Bewegung und Diffusionsprozesse 2 Brownsche Brücke 3 Ornstein Uhlenbeck 4 Zusammengesetzte
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
Mehr