Kapitel VII - Funktion und Transformation von Zufallsvariablen
|
|
- Gundi Brodbeck
- vor 6 Jahren
- Abrufe
Transkript
1 Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie und Mathematische Finanzwirtschaft, Universität Karlsruhe (TH) Karlsruhe, SS 2008
2 Funktionen von Zufallsvariablen Zufallsvariablen sind häufig Argument einer Funktion. Sei also g : R R eine Funktion. z.b. g(x) = e x, g(x) = x 2 + 3x + 2 Eine Zufallsvariable ist eine Abbildung von der Grundgesamtheit eines Wahrscheinlichkeitsraumes in die Menge der reellen Zahlen: X : Ω R Zu ω Ω ist X (ω) Wert der Zufallsvariablen. Wird dieser Wert eingesetzt in g, so erhalten wir: g(x (w)) Dies entspricht dem Hintereinanderausführen der beiden Funktionen: g X : Ω R mit g X (ω) = g(x (ω)) für ω Ω Kapitel VII - Funktion und Transformation von Zufallsvariablen 2
3 Funktionen von Zufallsvariablen Konsequenz: g X ist Zufallsvariable, wenn g X messbar ist (für die Borelsche Menge A ist Urbild von A bei g X ein Ereignis in Ω). Schreibweise: meist g(x ) statt g X Kapitel VII - Funktion und Transformation von Zufallsvariablen 3
4 Beispiel: Petersburg-Paradoxon Beispiel: Münzwurf (Petersburg - Paradoxon) ω Wurfserie bis zum ersten Wurf mit Ergebnis Zahl, X (ω) Anzahl der Würfe bei der Wurfserie ω. Gewinn: G = 2 Anzahl der Würfe = 2 X (ω), also mit g(x) = 2 x ist der Gewinn bei Wurfserie ω: G(ω) = g(x (ω)) Bemerkung: Nimmt X nur Werte in einem Teilbereich D von R an, so muß g auch nur für die Argumente aus D definiert sein. Kapitel VII - Funktion und Transformation von Zufallsvariablen 4
5 Beispiel Beispiel: Kontrolle einer Warenpartie Die Entscheidung über Annahme oder Ablehnung einer Warenpartie hänge ab von der Anzahl der schlechten Teile, die in der Stichprobe gefunden wurden. Z.B.: Bei einer Stichprobe vom Umfang 200 wird die Warenpartie abgelehnt, wenn mehr als 4 schlechte Teile gefunden wurden. Wie groß ist die Wahrscheinlichkeit für die Annahme einer Warenpartie mit einem Ausschußteil von 0.0? Kapitel VII - Funktion und Transformation von Zufallsvariablen 5
6 Beispiel Zur Vereinfachung: Ziehen mit Zurücklegen Die Anzahl X schlechter Teile in der Stichprobe ist binomialverteilt mit Parameter p, dem Ausschußanteil der Partie: ( n P(X = k) = k ) p k ( p) n k Kapitel VII - Funktion und Transformation von Zufallsvariablen 6
7 Beispiel Mit bedeutet g(x) = { für x = 0,, 2, 3, 4 0 für x 5 g(x ) =, dass die Partie angenommen wird und g(x ) = 0, dass die Warenpartie abgelehnt wird. Kapitel VII - Funktion und Transformation von Zufallsvariablen 7
8 Beispiel Wahrscheinlichkeit für die Annahme der Warenpartie: 4 P(g(X ) = ) = P(X 4) = P(X = i) = 4 ( n i i=0 i=0 ) p i ( p) n i Mit n = 200, p = 0.0 ist 4 ( ) n P(g(X ) = ) = p i ( p) n i i i=0 4 ( ) 200 = 0, 0 i ( 0.0) 200 i = i i=0 Kapitel VII - Funktion und Transformation von Zufallsvariablen 8
9 Beispiel Mit der Näherung durch die Poissonverteilung erhalten wir mit np = = 2 P(g(X ) = ) = 4 i=0 2 i i e 2 = aus einer Tabelle. Kapitel VII - Funktion und Transformation von Zufallsvariablen 9
10 Beispiel Wahrscheinlichkeitsverteilung von g(x ) : X diskret mit Werten (α i ) i I, α i α j für i j P(g(X ) = y) = P({ω Ω g(x(ω)) = y}) = P(X = α j ) i I für g(α i ) = y 0 falls g(α i ) y für alle i. Kapitel VII - Funktion und Transformation von Zufallsvariablen 0
11 Beispiel 2. X stetig mit Dichte f x : Verteilungsfunktion von g(x ) ist F g(x ) (α) = P(g(X ) α) = P(X {x R g(x) α}) = f X (x)dx {x g(x) α} Kapitel VII - Funktion und Transformation von Zufallsvariablen
12 Beispiel Bemerkung: Falls X stetig ist, dann ist g(x ) dennoch nicht notwendig stetig Beispiel: X Qualitätsmerkmal eines Produktes normalverteilt, mit Sollwert a als Mittelwert und Varianz σ 2. Toleranzbereich: [a 3σ, a + 3σ] gut x [a 3σ, a + 3σ] g(x) = 0 schlecht x / [a 3σ, a + 3σ] Kapitel VII - Funktion und Transformation von Zufallsvariablen 2
13 Beispiel g(x ) nimmt nur die Werte 0 und an, ist also diskret. Wahrscheinlichkeit für ein korrekt produziertes Teil: P(g(X ) = ) = a) E(g(X )) b) P(X [a 3σ, a + 3σ]) = F µ,σ 2(a + 3σ) F µ,σ 2(a 3σ) = Φ(3) Φ( 3) = = Kapitel VII - Funktion und Transformation von Zufallsvariablen 3
14 Beispiel Beispiel: g(x) = x 2 α 0 : Daher gilt: x 2 α α x α F g(x ) (α) = α f X (x)dx = α α f X (x)dx α = F X ( α) F X ( α) f X (x)dx und für die Dichte (an den Stellen, an denen F g(x ) differenzierbar ist)... Kapitel VII - Funktion und Transformation von Zufallsvariablen 4
15 Transformation von Zufallsvariablen... f g(x ) (α) = d dα (F X ( α) F X ( α))) = F X ( α) F 2 α X ( α)( ) 2 α = 2 α (f x( α) + f x ( α)) Für α < 0 ist {x R g(x) < α} = und damit F g(x ) (α) = 0 und f g(x ) (α) = 0 Kapitel VII - Funktion und Transformation von Zufallsvariablen 5
16 Beispiel. X dreiecksverteilt über dem Intervall [ a, a] (vgl. Beispiel 5.7.2) Dichte von X : f X (x) = 0 x < a a 2 (x + a) a x 0 a 2 (a x) 0 x a 0 a < x Kapitel VII - Funktion und Transformation von Zufallsvariablen 6
17 Beispiel Verteilungsfunktion von X : F X (x) = 0 x < a 2a 2 (x + a) 2 a x 0 2a 2 (a x) x a a < x Kapitel VII - Funktion und Transformation von Zufallsvariablen 7
18 Transformation von Zufallsvariablen Daraus ergibt sich für 0 α a 2 : F g(x ) (α) = F X ( α) F X ( α) = 2a 2 (a α) 2 2a 2 ( α + a) 2 Daraus folgt: = a 2 (a α) 2 = (a α)f X ( α) d dα F d g(x )(α) = dα ( a 2 (a α) 2 ) = 2 a 2 (a ( α) ) 2 α = a 2 α (a α) Kapitel VII - Funktion und Transformation von Zufallsvariablen 8
19 Transformation von Zufallsvariablen oder aus der Gleichung für die Dichte f g(x ) (α) = = = 2 α (f X ( α) + f X ( α)) ( 2 α a 2 (a α) + a 2 (a ) α) a 2 α (a α) Für α > a 2 gilt: F g(x ) (α) = F X ( α) F X ( α) = 0 = f g(x ) (α) = 2 α (f X ( α) + f X ( α)) = 0 Kapitel VII - Funktion und Transformation von Zufallsvariablen 9
20 Transformation von Zufallsvariablen 2. X gleichverteilt über [ a, +a] Dichte von X { 2a a x a f X (x) = 0 sonst Verteilungsfunktion von X F X (α) = 0 α a 2a (x + a) a a α < α < a Kapitel VII - Funktion und Transformation von Zufallsvariablen 20
21 Transformation von Zufallsvariablen Daraus ergibt sich für 0 < α < a 2 : F g(x ) (α) = F X ( α) F X ( α) und = 2a (( α + a) ( α + a)) = α a f g(x ) (α) = 2 α (f X ( α) f X ( α)) = 2 α ( 2a + 2a ) = 2a α Für α a 2 ist F g(x ) α = und f g(x ) (α) = 0. Kapitel VII - Funktion und Transformation von Zufallsvariablen 2
22 Transformation von Zufallsvariablen Transformation: Die Funktion g ist invertierbar. Es gibt eine Umkehrfunktion g. Beispiel: Währungsumrechnung, Dimensionsänderung, Logarithmieren Bemerkung: Nimmt X nur Werte im D an, so muss g auch nur auf D invertierbar sein.. X diskret mit Werten {α i } i I ; α i α j für i j. g ist Transformation, falls g(α i ) g(α j ) für i j ist. Dann gilt P(g(X ) = g(α i )) = P(X = α i ) Kapitel VII - Funktion und Transformation von Zufallsvariablen 22
23 Transformation von Zufallsvariablen 2. X stetig mit Dichte f X : F g(x ) (α) = P(G(X ) α) = f X (x)dx g(x ) α Kapitel VII - Funktion und Transformation von Zufallsvariablen 23
24 Transformation von Zufallsvariablen Mit der Substitution g(x) = y dx dy x = g (y) und damit = d dy (g (y)) = g (g (y)) folgt: F g(x ) (α) = f X (g (y)) g (g (y)) dy. y α Kapitel VII - Funktion und Transformation von Zufallsvariablen 24
25 Transformation von Zufallsvariablen Damit gilt für die Dichte von g(x ) f X (g (y)) g (g (y)) für y mit g (g (y)) existiert f g(x ) (y) = und g (g (y)) 0. 0 sonst Kapitel VII - Funktion und Transformation von Zufallsvariablen 25
26 Transformation von Zufallsvariablen Zusammenfassung: g ist bijektiv, d.h. es gibt zu g eine inverse Funktion g. X diskret mit Werten (α i ) i I, α i α j für i j. (P(g(X ) = y) = (P({ω Ω g(x (ω)) = y}). Gibt es P(g(X ein α) i = mit y) g(α = P(X i ) = = y, αso ist α i = g i ) = P(X = g (y) (y)) eindeutig bestimmt und es gilt P(X = α i ) = P(g(X ) = g(α i )) P(g(X ) = y) = P( ) = 0 2. Gibt es kein α i mit g(α i ) = y, so ist Kapitel VII - Funktion und Transformation von Zufallsvariablen 26
27 Beispiel: Münzwurf (Petersburg Paradoxon) ω Wurfserie bis zum ersten Wurf mit Ergebnis Zahl, X (ω) Anzahl der Würfe bei der Wurfserie ω Gewinn: G = 2 Anzahl der Würfe = 2 X (ω), also g(x) = 2 x P(g(X ) = 2 k ) = P(X = k) = 2 k y = 6 : P(g(X ) = 6) = P(X = 4) = 6 y = 24 : y 2 k, k = 0,, 2, 3, P(G(X ) = 24) = 0. Kapitel VII - Funktion und Transformation von Zufallsvariablen 27
28 Transformation von Zufallsvariablen Zusammenfassung: g bijektiv, d.h. es gibt zu g eine inverse Funktion g. X stetig mit Dichte f x Ist g differenzierbar mit g (g (y)) 0 bis auf endlich viele Stellen y, so gilt: F g(x ) (α) = P(g(X ) α) F g(x ) (α) = f X (x)dx = y=g(x) α f X (g (y)) (g ) (y) dy = y=g(g (y)) α α f X (g (y)) g (g (y)) dy Kapitel VII - Funktion und Transformation von Zufallsvariablen 28
29 Damit gilt für alle y mit g (g (y)) 0 die Transformationsregel für Dichtefunktionen f g(x ) (y) = f X (g (y)) g (g (y)) Kapitel VII - Funktion und Transformation von Zufallsvariablen 29
30 Beispiel - stetig g(x) = x 3 und damit g (y) = 3 y, g (x) = 3x 2, g (g (y)) = 3( 3 y) 2 = 3 3 y 2 X exponentialverteilt mit Parameter λ: { λe λx x 0 f (x) = 0 x < 0 Dichte von g(x) mit Transformationsregel { λe λ 3 y f g(x) (x) = 3 3 y > 0 y 2 0 y 0 Kapitel VII - Funktion und Transformation von Zufallsvariablen 30
31 oder (über Verteilungsfunktion für α > 0) F X 3(α) = und damit g(x) α f (x)dx = 0 x 3 α = e λx 3 α 0 = e λ 3 α f X 3(α) = d dα ( e λ 3 α ) λe λx dx = 3 α = λe λ 3 α 3 3 α 2 für α > 0. 0 λe λx dx Kapitel VII - Funktion und Transformation von Zufallsvariablen 3
32 Bemerkung: Nimmt X nur Werte in einem Teilbereich D der reellen Zahlen an, so muß g auch nur in diesem Teilbereich invertierbar sein. Beispiel: X gleichverteilt auf [0, ]. Dann haben nur Teilbereiche von [0, ] positive Wahrscheinlichkeiten (X nimmt nur Werte in [0, ] an). g(x) = x 4 ist insgesamt nicht invertierbar, aber für y [0, ] gibt es genau ein x [0, ] mit g(x) = y, nämlich x = g (y) = 4 y. Kapitel VII - Funktion und Transformation von Zufallsvariablen 32
33 Mit { für x [0, ] und g f X (x) = (g (y)) = 4( 4 y) 3 0 sonst ist die Dichte von g(x ) = X 4 nach der Transformationsregel f g(x ) (y) = = { fx (g (y)) g (g (y)) für y (0, ] 0 sonst { 4 4 für y (0, ] y 3 0 sonst Kapitel VII - Funktion und Transformation von Zufallsvariablen 33
34 Anwendungsbeispiel zur Transformation: Wechselkursrisiko Zeitpunkt: Ein Vertrag garantiere eine Auszahlung von,25 Million $ zum Dabei entstehen Kosten in Höhe von Euro Der Gewinn ist abhängig vom Wechselkurs Annahme: Der Wechselkurs zum sei normalverteilt mit Mittelwert,25 $ pro Euro (bzw. 0,80 Euro pro $) und Varianz 0.0 Wie ist die Wahrscheinlichkeitsverteilung des Gewinns? Wie groß ist die Wahrscheinlichkeit für einen Verlust? Wie groß ist der Gewinn mit 95% Wahrscheinlichkeit mindestens? Kapitel VII - Funktion und Transformation von Zufallsvariablen 34
35 Anwendungsbeispiel zur Transformation: Wechselkursrisiko Bei einem $/Euro - Wechselkurs von x (x Euro für einen $) ist der Gewinn y = G(x) = x in Euro. Damit ist G (y) = (y ) und G (x) = , G (G (y)) = Dichtefunktion von X ist f X (x) = e (x 0.8) π 0. Kapitel VII - Funktion und Transformation von Zufallsvariablen 35
36 Anwendungsbeispiel zur Transformation: Wechselkursrisiko Dichtefunktion des Gewinns G(X ) ist damit f (G (y)) G (G (y)) f G(X ) (y) = = e ( (y ) 0.8) π (y )2 e N (00 000, ) 2π Der Gewinn ist demnach normalverteilt mit Mittelwert µ = Euro und einer Varianz von σ 2 = Kapitel VII - Funktion und Transformation von Zufallsvariablen 36
37 Anwendungsbeispiel zur Transformation: Wechselkursrisiko Die Wahrscheinlichkeit für einen Verlust ist P(G(X ) < 0) = 0 (y )2 e dy 2π = F µ,σ 2(0) mit µ = , σ 2 = Diesen Wert können wir mit Hilfe einer Tabelle für die Standardnormalverteilung bestimmen. (siehe unten) In diesem Beispiel liegt eine lineare Transformation g(x) = mx + b mit m 0 vor. Die transformierte Zufallsvariable ist ebenso wie die Ausgangsvariable normalverteilt. Kapitel VII - Funktion und Transformation von Zufallsvariablen 37
38 Lineare Transformation Dann ist g(x) = mx + b, m 0 g (y) = m (y b), g (x) = m und g (g (y)) = m Sei X eine Zufallsvariable mit Dichtefunktion f X, dann gilt: f mx +b (y) = f X ( m (y b) ) m Kapitel VII - Funktion und Transformation von Zufallsvariablen 38
39 Lineare Transformation - Beispiel X normalverteilt mit Mittelwert µ und Varianz σ 2 : ( ) f mx +b (y) = f X m (y b) m = e ( (y b) µ) 2 m 2π σ = 2σ 2 m e (y (mµ+b))2 2m 2 σ 2 2π m σ mx + b ist also normalverteilt mit Mittelwert mµ + b und Varianz m 2 σ 2. Kapitel VII - Funktion und Transformation von Zufallsvariablen 39
40 Für m = σ und b = µ σ ist der Mittelwert 0 und die Varianz, mx + b also standardnormalverteilt. Damit gilt: Ist X normalverteilt mit Mittelwert µ und Varianz σ 2, so ist standardnormalverteilt. X µ σ Kapitel VII - Funktion und Transformation von Zufallsvariablen 40
41 Damit ist ( X µ F X (x) = P(X x) = P σ x µ ) = Φ σ ( ) x µ wobei Φ die Verteilungsfunktion der Standardnormalverteilung ist. Anwendung: Aus einer Tabelle für Φ können die Werte der Verteilungsfunktion von X ermittelt werden. Übungsaufgabe: Gilt auch für eine exponentialverteilte Zufallsvariable, dass nach einer linearen Transformation wieder eine exponentialverteilte Zufallsvariable vorliegt? σ Kapitel VII - Funktion und Transformation von Zufallsvariablen 4
42 zu Beispiel: Wechselkursrisiko G(X ) normalverteilt mit µ = und σ = Wie hoch ist Wahrscheinlichkeit für Verlust? ( ) G(X ) P(G(X ) < 0) = P ( ) = Φ = Φ( 0.8) = Φ(0.8) = = 0.29 (Φ(.8) = Φ(.8)) Kapitel VII - Funktion und Transformation von Zufallsvariablen 42
43 Wie hoch ist der Gewinn mit 95 % Wahrscheinlichkeit mindestens? Gesucht: x mit P(G(X ) x) = 0.95 P(G(X ) x) = P(G(X ) x) = 0.95 P(G(X ) x) = 0.05 Gesucht: 0.05-Quantil von G(X ) G(X ) ist N (00 000, )-verteilt Gesucht: q 0.05 mit Φ(q 0.05 ) = 0.05 (Tabelle) oder q 0.95 mit Φ(q 0.95 ) = 0.95 (Φ(q α ) = α Φ( q α ) = Φ(q α ) = α: q α α-quantil q α ( α)-quantil) Kapitel VII - Funktion und Transformation von Zufallsvariablen 43
44 Damit q 0.95 =.645 Symmetrie = q 0.05 =.645 ( ) G(X ) P.645 = P(G(X ) 05625) = P(G(X ) 05625) = 0.95 Kapitel VII - Funktion und Transformation von Zufallsvariablen 44
45 Beispiel Die Zufallsvariable X habe die Dichte { 2x 0 < x < f X (x) = 0 sonst Verteilungsfunktion ist damit 0 α 0 F X (α) = α 2 0 < α < α Gesucht ist die Dichte, die Verteilungsfunktion und der Erwartungswert von X. Kapitel VII - Funktion und Transformation von Zufallsvariablen 45
46 Beispiel A. Dichte und Verteilungsfunktion:. Möglichkeit F g(x ) (α) = f X (x)dx g(x ) α α > : F (α) = f X X (x)dx = X α = α 2x dx = x 2 α α f X (x)dx = α 2 Kapitel VII - Funktion und Transformation von Zufallsvariablen 46
47 Beispiel Bemerkung: X X F X nimmt nur Werte zwischen 0 und an f X nimmt nur Werte > an (α) = 0 für α (y) = 0 für y F X (α) = { 0 α α 2 < α f { 0 y (y) = 2 X < y y 3 Kapitel VII - Funktion und Transformation von Zufallsvariablen 47
48 Beispiel 2. Möglichkeit F X (α) = P ( X α ) ( = P X < α ) ( ) = P α X ) ( = P X ) α = F X ( α = α 2 Kapitel VII - Funktion und Transformation von Zufallsvariablen 48
49 Beispiel 3. Möglichkeit Transformationsregel für Dichten f g(x ) (y) = f X (g (y)) g (g (y)) y = g(x) = x ; x (0, ); g (y) = y für y > g (x) = x 2 g (g (y)) = ( y )2 = y 2 Kapitel VII - Funktion und Transformation von Zufallsvariablen 49
50 Beispiel y > : f (y) = 2 X y y 2 = 2 y 3 f { 0 y (y) = 2 X y y > 3 α > : α F (α) = f (y) dy = 2 X X α y 3 dy = y 2 { 0 α F (α) = X α α > 2 α = α 2 + Kapitel VII - Funktion und Transformation von Zufallsvariablen 50
51 Beispiel B. Erwartungswert. Möglichkeit: Bemerkung: E( X ) = y f (y) dy = y 2 X y 3 dy 2 = y 2 dy = 2 y = 0 ( 2) = 2 E(X ) = x f X (x) dx = Also E( X ) E(X ) 0 x 2x dx = 2 3 x 3 0 = 2 3 Kapitel VII - Funktion und Transformation von Zufallsvariablen 5
52 2. Möglichkeit: ( ) E = X = = y f (y) dy = y f (y) dy X X y = x, dy = x 2 dx ( ) x f X x x 2 dx 0 x 2 x 3 x 2 dx = 0 x 2x dx E(g(X )) = g(x)f X (x) dx Kapitel VII - Funktion und Transformation von Zufallsvariablen 52
53 Allgemein für stetiges X : E(g(X )) = = = E(g(X )) = y = g(x), y f g(x) (y) dy dy = g (x) dx g(x) f g(x) (g(x)) g (x) dx g(x) f X (x) g (x) g (x) dx g(x)f X (x) dx (Dies gilt auch, falls g keine Transformation ist.) Kapitel VII - Funktion und Transformation von Zufallsvariablen 53
54 Analog für diskretes X : X habe die Werte α i, i =, 2, 3,... α i α j für i j g(x ) hat die Werte g(α i ), i =, 2, 3,..., aber es gilt jetzt nicht notwendig g(α i ) g(α j ), i j y j, j =, 2, 3,... Werte von g(x ), dann ist möglicherweise y j = g(α i ) für mehrere α i und damit P(g(X ) = y j ) = P(X = α i ) α i : g(α i )=y j Kapitel VII - Funktion und Transformation von Zufallsvariablen 54
55 E(g(X )) = y j y j P(g(X ) = y j ) = y j y j α i : g(α i )=y j P(X = α i ) = y j α i : g(α i )=y j g(α i ) P(X = α i ) = α i g(α i ) P(X = α i ) Kapitel VII - Funktion und Transformation von Zufallsvariablen 55
56 Zusamenfassung Sei X eine Zufallsvariable, g : R R eine Funktion, dann gilt X diskret mit Werten α i : E(g(X )) = α i g(α i ) P(X = α i ) X stetig mit Dichte f X : E(g(X )) = g(x)f X (x) dx Bemerkung: E(g(X )) muss nicht existieren. Aus der Existenz von E(X ) folgt nicht die Existenz von g(x ) und umgekehrt. Kapitel VII - Funktion und Transformation von Zufallsvariablen 56
57 Zusammenfassung: Erwartungswert von g(x ) X diskret mit Werten (α i ) i I, α i α j für i j: E(g(X )) = i I g(α i )p(x = α i ) Kapitel VII - Funktion und Transformation von Zufallsvariablen 57
58 zu: Erwartungswert von g(x ) Beispiel: X Anzahl der Fehler bei einem Produkt. X Poisson-verteilt mit Parameter λ. Bei bis 9 Fehlern ist eine Nacharbeit erforderlich, die Kosten in Höhe von 20 unabhängig von der Anzahl der Fehler verursacht, bei mehr als 9 Fehlern muss das Teil verschrottet werden mit Kosten in Höhe von 300. Wie hoch sind die erwarteten Kosten? g(k) = 0 k = 0 20 k =, 2,..., k 0 Kapitel VII - Funktion und Transformation von Zufallsvariablen 58
59 zu Erwartungswert von g(x ) E(g(X )) = 0 P(g(X ) = 0) + 20 P(g(X ) = 20) P(g(X ) = 300) = 0 P(g(X ) = 0) + 20 P(X {, 2,..., 9}) P(X 0) 9 = 0 e λ λ k λ k + 20 k! e λ k! e λ = k=0 k= g(k) λk k! e λ k=0 Kapitel VII - Funktion und Transformation von Zufallsvariablen 59
60 zu Erwartungswert von g(x ) X stetig mit Dichte f X. Dann gilt: E(g(X )) = g(x) f X (x)dx. Folgerungen:. Mit g(x) = mx + b gilt E(mX + b) = = m (mx + b) f X (x)dx x f X (x)dx + b f X (x)dx = m E(X ) + b (Analog im diskreten Fall.) Kapitel VII - Funktion und Transformation von Zufallsvariablen 60
61 zu Erwartungswert von g(x ) 2. Mit g(x) = (x E(X )) 2 gilt E(g(X )) = E((X E(X )) 2 ) = i I g(α i ) P(X = α i ) = (α i E(X )) 2 P(X = α i ) i I = Var (X ) (Analog im stetigen Fall.) Kapitel VII - Funktion und Transformation von Zufallsvariablen 6
62 zu Erwartungswert von g(x ) 3. Varianz von g(x): Var (mx + b) = E((mX + b E(mX + b)) 2 ) = E((mX + b m E(X ) b) 2 ) = E((m(X E(X ))) 2 ) = E(m 2 (X E(X )) 2 ) = m 2 E((X E(X )) 2 ) = m 2 Var (X ) Kapitel VII - Funktion und Transformation von Zufallsvariablen 62
63 4. Standardisierung von X : Damit kann jede Zufallsvariable X durch lineare Transformation in eine Zufallsvariable Y transformiert werden mit Erwartungswert 0 und Varianz : g(x) = x E(X ) = x E(X ) Var(X ) Var(X ) Var(X ) Bemerkung: Der Typ der Verteilung bleibt bei der Transformation im Allgemeinen nicht(!) erhalten. Ausnahme: Normalverteilung. Kapitel VII - Funktion und Transformation von Zufallsvariablen 63
4. 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
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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)
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
MehrKapitel IV - Spezielle Verteilungen: Diskrete Verteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel IV - Spezielle Verteilungen: Diskrete Verteilungen Markus Höchstötter Lehrstuhl
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
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
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
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
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.
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
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
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
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.
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
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
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
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
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........................
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
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
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
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:
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
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
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.
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)
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
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
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
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
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 ]
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
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
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
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
MehrAufgabe Punkte
Institut für Mathematik Freie Universität Berlin Carsten Hartmann, Stefanie Winkelmann Musterlösung für die Nachklausur zur Vorlesung Stochastik I im WiSe 20/202 Name: Matr.-Nr.: Studiengang: Mathematik
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,...)
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
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
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
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
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 IV - Stichprobenfunktionen (Statistiken)
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IV - Stichprobenfunktionen (Statistiken) Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
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)
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
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
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
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
MehrEine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann
4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)
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,
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
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
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrInduktive Statistik Kapitel IV - Stichprobenfunktionen (Statistiken)
Induktive Statistik Kapitel IV - Stichprobenfunktionen (Statistiken) Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de 11. Januar 2007 Aufgabe der schließenden
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen
Verteilungen eindimensionaler stetiger Zufallsvariablen Einführung Stetige Verteilungen Stetige Gleichverteilung Exponentialverteilung Normalverteilung Bibliografie: Prof. Dr. Kück Universität Rostock
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
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,
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
MehrKapitel XI - Die n-fache unabhängige Wiederholung eines Experiments
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Die n-fache unabhängige Wiederholung eines Experiments Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig
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
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
Mehr1.5.4 Quantile und Modi
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.70. [Quantil, Modus] Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Beispiel 7.5.1: Es werden drei ideale Münzen geworfen, und der Gewinn sei X := Anzahl von W. In Beispiel 7.4.1 hatten wir dazu eine Wahrscheinlichkeitverteilung ermittelt: 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
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
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
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
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
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
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
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
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
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
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrKapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
Mehr