Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
|
|
- Hertha Abel
- vor 6 Jahren
- Abrufe
Transkript
1 Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
2 Einführung in die Wahrscheinlichkeitstheorie Auswertung mehrerer Beobachtungen (z.b. bei einer Stichprobe mit Zurücklegen): Beobachtungen x 1,..., x n - zur Verfügung stehende Information über eine unbekannte Größe (z.b. Messwerte, Zustand gut (0)/schlecht (1) bei Stichprobeneinheit) Auswertung: Anwendung einer Rechenvorschrift (Funktion g) Auswertungsergebnis: Funktionswert g(x 1,..., x n ) z.b. arithmetisches Mittel, Spannweite, Median, Gini-Koeffizient,... x 1,..., x n zufällig g(x 1,..., x n ) zufällig. Zufälligkeit erfasst man durch Zufallsvariablen X 1,... X n und deren Verteilungen. x 1,..., x n sind Realisationen von X 1,..., X n. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 2
3 Einführung in die Wahrscheinlichkeitstheorie Frage: Wie kann die Wahrscheinlichkeitsverteilung des Auswertungsergebnisses, also von g(x 1,..., X n ) aus den Verteilungen von X 1,..., X n berechnet werden? Beispiel: Messwerte x 1,..., x n sind Realisationen von X 1,..., X n unabhängig normalverteilt mit µ und σ 2 (identisch) Wie ist die Verteilung des arithmetischen Mittels X = 1 n n i=1 X i und der Stichprobenvarianz 1 n n i=1 (X i X ) 2? Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 3
4 Einführung in die Wahrscheinlichkeitstheorie Gegeben: Zufallsvariablen X 1,..., X n und Funktion g(x 1,..., X n ) Hinweis: Auf den folgenden Seiten des Kapitels werden, sofern nicht anders angemerkt, ausnahmslos Funktionen g : R n R betrachtet. Gesucht: Verteilungsfunktion von g(x 1,..., X n ) = g(x ) F (α) = P(g(X 1,..., X n ) α) = P ((X 1,..., X n ) {(x 1,..., x n ) g(x 1,..., x n ) α}) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 4
5 Einführung in die Wahrscheinlichkeitstheorie X = (X 1,..., X n ) diskret mit Werten x (r) R n, r = 1, 2, 3,... P(g(X ) α) = F (α) = P(X = x (r) ) r:g(x (r) ) α Summation über die Wahrscheinlichkeiten der Punkte (Werte x (r) ), die im Bereich g(x) α liegen. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 5
6 Einführung in die Wahrscheinlichkeitstheorie X = (X 1,..., X n ) stetig mit Dichtefunktion f X (x 1,..., x n ) und Realisationen x := (x 1,..., x n ): = F (α) = f X (x 1,..., x n )dx 1... dx n x:g(x) α Integration über den Teilbereich g(x) α (auf x!). Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 6
7 Einführung in die Wahrscheinlichkeitstheorie Bemerkung: Falls die Berechnung der vollständigen Verteilung zu aufwendig oder zu schwierig ist, kann die Berechnung von Kennzahlen von g(x 1,..., X n ) versucht werden. z.b. gilt: E(g(X 1,..., X n )) = g(x 1,..., x n )f X (x 1,..., x n )dx 1... dx n Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 7
8 Roulette (Beispiel 1) Einsatz von 10 e fünfmal hintereinander auf das mittlere Drittel. Wie ist die Wahrscheinlichkeitsverteilung der Auszahlung insgesamt, also der Summe der Auszahlungen? Zufälliges Ergebnis bei einmaligem Durchlauf 0 Zahl Drittel X = 2 2. Drittel 3 3. Drittel Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 8
9 Roulette (Beispiel 1) Beispiel: Roulette (y 1,..., y 5 ): Ergebnisse bei den 5 Versuchen (Y 1,..., Y 5 ): zugehöriger Zufallsvektor Indikatorfunktion des zweiten Drittels: 1 zweites Drittel (z) = { 1 z = 2 0 sonst Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 9
10 Roulette (Beispiel 1) Pro zweites Drittel : Auszahlung = 30e. Auszahlung bei (y 1,..., y 5 ): g(y 1,..., y 5 ) = zweites Drittel (y i ) i=1 Werte von g(y 1,..., y 5 ) : 0, 30, 60, 90, 120, 150 Wahrscheinlichkeitsverteilung von g(y 1,..., Y 5 ): P(g(Y 1,..., Y 5 ) = 150) = P ((Y 1,... Y 5 ) = (2, 2, 2, 2, 2)) ( ) 5 12 = = = Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 10
11 Roulette (Beispiel 1) P(g(Y 1,..., Y 5 ) = 120) : (Y 1,..., Y 5) = Wahrscheinlichkeit (Y 1,..., Y 5) = Wahrscheinlichkeit ( )4 (0,2,2,2,2) 12 ( 1 (2,2,3,2,2) 12 ) 5 37 ( (1,2,2,2,2) 12 ) 5 ( )4 (2,2,2,0,2) 12 ( (3,2,2,2,2) 12 ) 5 ( (2,2,2,1,2) 12 ) 5 ( ) (2,0,2,2,2) 12 ( 1 (2,2,2,3,2) 12 ) 5 37( (2,1,2,2,2) 12 ) 5 ( )4 (2,2,2,2,0) 12 ( (2,3,2,2,2) 12 ) 5 ( (2,2,2,2,1) 12 ) 5 ( ) (2,2,0,2,2) 12 ( 1 (2,2,2,2,3) 12 ) 5 37 ) (2,2,1,2,2) ( Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 11
12 Roulette (Beispiel 1) Damit ( ) 4 ( P(g(Y 1, Y 2, Y 3, Y 4, Y 5 ) = 120) = ( ) 4 ( 12 1 = ) 37 ( ) 4 ( 12 = ) ) 5 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 12
13 Roulette (Beispiel 1) Analog ergibt sich P(g(Y 1, Y 2, Y 3, Y 4, Y 5 ) = 90) = P(g(Y 1, Y 2, Y 3, Y 4, Y 5 ) = 60) = ( )( ( ) ( P(g(Y 1, Y 2, Y 3, Y 4, Y 5 ) = 30) = P(g(Y 1, Y 2, Y 3, Y 4, Y 5 ) = 0) = ( ) 3 ( ) 2 ( ( ) 5. ) 4 ) 2 ) 3 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 13
14 Einführung in die Wahrscheinlichkeitstheorie Generell: Für den Erwartungswert E(g(Y )) der Funktion g(y ) einer n-dimensionalen Zufallsvariable Y gilt: Im diskreten Fall: E(g(Y 1,..., Y n )) = r g(y (r) ) P(Y = y (r) ) Im stetigen Fall: E(g(Y 1,..., Y n )) = g(y 1,..., y n )f Y (y 1,..., y n )dy 1... dy n Anwendungen: Erwartungswert einer Summe: siehe Folie 27 Kovarianz einer Summe: siehe Folie 29 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 14
15 Spezielle Funktionen Beispiele von Funktionen X 1,..., X n : 1 Summe : n X i i=1 und arithmetisches Mittel : 1 n n X i i=1 2 Maximum : max{x 1,..., X n } 3 Minimum : min{x 1,..., X n } 4 Spannweite (Range): R(X 1,..., X n ) = max{x 1,..., X n } min{x 1,..., X n } 5 Produkt : X 1 X n = n i=1 X i Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 15
16 1. Summe und arithmetisches Mittel 1. Summe und arithmetisches Mittel : Auswertungsfunktion: n g(x 1,..., x n ) = x x n bzw. g(x 1,..., x n ) = 1 n i=1 x i Sukzessive Bestimmung der Verteilung von g(y 1,..., Y n ) = Y Y n : 1. Schritt: Y 1 + Y 2 2. Schritt: (Y 1 + Y 2 ) + Y 3. = Es genügt, den Fall n = 2 zu betrachten. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 16
17 1. Summe und arithmetisches Mittel Y = (Y 1, Y 2 ) diskret mit gemeinsamer Wahrscheinlichkeitsverteilung P Y P(Y 1 + Y 2 = k) = P Y (Y 1 = i, Y 2 = j) i,j:i+j=k Beispiel: Beim Würfeln mit zwei Würfeln sei Y 1 (Y 2 ) die Augenzahl beim ersten (zweiten) Würfel. Aus P(Y 1 + Y 2 = k) = folgt i,j:i+j=k i,j {1,...,6} P(Y 1 = i, Y 2 = j) = i,j:i+j=k i,j {1,...,6} 1 36 k P(Y 1 + Y 2 = k) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 17
18 1. Summe und arithmetisches Mittel Y = (Y 1, Y 2 ) stetig mit gemeinsamer Dichtefunktion f Y F Y1+Y 2 (α) = f Y (y 1, y 2 )dy 1 dy 2 = y 1+y 2 α = f (y 1, z y 1 )dy }{{} 1 dz z α y 2 + = f (y 1, z y 1 )dy 1 dz z α z α y 1+y 2=z f Y (y 1, y 2 )dy 1 dy 2 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 18
19 1. Summe und arithmetisches Mittel Dichte von Y 1 + Y 2 : Faltungsintegral + f Y1+Y 2 (z) = f Y (y 1, z y 1 )dy 1 = + Speziell: Y 1, Y 2 unabhängig mit Randdichten f 1, f 2 : f Y (y 1, y 2 ) = f 1 (y 1 )f 2 (y 2 ) + f Y1+Y 2 (z) = f 1 (y 1 )f 2 (z y 1 )dy 1 f Y (z y 2, y 2 )dy 2 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 19
20 Beispiel 2: Faltung der Normalverteilung Beispiel 2: Y 1 und Y 2 seien unabhängig und standardnormalverteilt. Dichte der Normalverteilung: f (x) = 1 e (x µ)2 2σ 2 2πσ (allg. Normalverteilung) µ = 0, σ 2 = 1 : f (x) = 1 2π e x2 2 (Standardnormalverteilung) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 20
21 Beispiel 2: Faltung der Normalverteilung f Y1 +Y 2 (z) = = = = + f Y1 (y 1)f Y2 (z y 1)dy 1 = π e 2 y π e y 1 2π 2 e z (z2 2zy 1 +y 2 1 ) dy 1 = 1 +zy 1 z2 4 e z2 4 dy1 = 1 e 1 2 y e 1 2 (z y 1) 2 dy 1 2π 2π π e y 1 +zy 1 z2 2 dy π e z π e (y 1 z 2 ) dy 1 } {{ } =1 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 21
22 Beispiel 2: Faltung der Normalverteilung Als Ergebnis erhält man damit die Dichte einer Normalverteilung mit µ = 0, σ 2 = 2, also N (0, 2). Y 1 + Y 2 ist demnach normalverteilt mit Mittelwert 0 und Varianz 2. Verallgemeinerung: Y 1 N (µ 1, σ1 2) verteilt } Y 2 N (µ 2, σ2 2) verteilt unabhängig Y 1 + Y 2 N (µ 1 + µ 2, σ σ 2 2) verteilt Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 22
23 Beispiel 2: Faltung der Normalverteilung Folgerung: Y i N (µ i, σi 2 )- verteilt für i = 1,..., n und unabhängig ( n n ) n N µ i, -verteilt Daraus folgt: 1 n i=1 n i=1 Y i Y i N ( 1 n i=1 i=1 σ 2 i n µ i, 1 n n 2 i=1 µ 1 =... = µ n = µ, σ 2 1 =... = σ 2 n = σ 2 : = 1 n n i=1 Y i N i=1 σ 2 i ) -verteilt n Y i ist N ( nµ, nσ 2) -verteilt i=1 ) (µ, σ2 -verteilt n Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 23
24 Beispiel 3: Faltung der Exponentialverteilung Beispiel 3: Y 1, Y 2 seien exponentialverteilt mit Parameter λ und unabhängig. Für z > 0 gilt: + f Y1+Y 2 (z) = f 1 (y 1 )f 2 (z y 1 )dy 1 z z = λe λy1 λe λ(z y1) dy 1 = λ 2 e λy1 e λz e λy1 dy z = λ 2 e λz dy 1 = λ 2 ze λz 0 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 24
25 Beispiel 3: Faltung der Exponentialverteilung Folgerung: Y 1 + Y 2 nicht exponentialverteilt. Übungsaufgabe: Y 1,..., Y n unabhängig, λ - exponentialverteilt Wie lautet die Dichte von Y Y n? Hinweis: Ausrechnen für n = 3, 4, 5 und mit vollständiger Induktion fortführen. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 25
26 1. Summe und arithmetisches Mittel Kenngrößen einer Summe von Zufallsvariablen Y = (Y 1,..., Y n ) E(Y Y }{{} n ) =? g(y ) Var(Y Y }{{} n ) =? g(y ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 26
27 1. Summe und arithmetisches Mittel Folgerung 1 aus : (siehe Folie 14 ) Erwartungswert einer Summe = Summe der Erwartungswerte E(Y Y n ) = = = +... n + i=1 n + i= y i (y y n )f Y (y 1,..., y n )dy 1... dy n + + y i f Y (y 1,..., y n )dy 1... dy n... + f Y (y 1,..., y n )dy 1... dy n dy i } {{ } f Yi (y i ) Randdichte von Y i Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 27
28 1. Summe und arithmetisches Mittel Daraus folgt: E(Y Y n ) = = n + i=1 n E(Y i ) i=1 y i f Yi (y i )dy i Anwendung: Additivität der Kovarianz (siehe Folie 30 ) Für Y diskret: analog Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 28
29 1. Summe und arithmetisches Mittel Folgerung 2 aus : (siehe Folie 14 ) Berechnung der Kovarianz von (Y 1, Y 2 ) Es gilt: Cov(Y 1, Y 2 ) = E[(Y 1 E(Y 1 ))(Y 2 E(Y 2 ))] Mit spezieller Funktion g(y 1, Y 2 ) = (Y 1 E(Y 1 ))(Y 2 E(Y 2 )) ist daher Cov(Y 1, Y 2 ) = E(g(Y 1, Y 2 )) Diskret: analog + + = g(y 1, y 2 )f (y 1, y 2 )dy 1 dy = (y 1 E(Y 1 ))(y 2 E(Y 2 ))f (y 1, y 2 )dy 1 dy 2 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 29
30 1. Summe und arithmetisches Mittel Folgerung aus : (siehe Folie 27 ) Kovarianz ist additiv Betrachte dazu: Y 1 = X 1 + X 2 Cov(X 1 + X 2, Y ) =E(X 1)+E(X 2) {}}{ = E (X 1 + X 2 E(X 1 + X 2 ))(Y E(Y )) = E [(X 1 E(X 1 ) + X 2 E(X 2 ))(Y E(Y ))] = E [(X 1 E(X 1 ))(Y E(Y )) + (X 2 E(X 2 ))(Y E(Y ))] = E [(X 1 E(X 1 ))(Y E(Y ))] + E [(X 2 E(X 2 ))(Y E(Y ))] = Cov(X 1, Y ) + Cov(X 2, Y ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 30
31 1. Summe und arithmetisches Mittel Für die Varianz einer Summe folgt daraus: Var(X + Y ) = Cov(X + Y, X + Y ) = Cov(X, X ) + Cov(X, Y ) + Cov(Y, X ) + Cov(Y, Y ) = Cov(X, X ) + 2 Cov(X, Y ) + Cov(Y, Y ) = Var(X ) + 2Cov(X, Y ) + Var(Y ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 31
32 1. Summe und arithmetisches Mittel Allgemein: Y 1 = X X n 1.) Kovarianz: Cov(X X n, Y 2 ) = E [(X X n E(X X n ))(Y 2 E(Y 2 ))] = E [(X 1 E(X 1 ))(Y 2 E(Y 2 )) + (X 2 E(X 2 ))(Y 2 E(Y 2 )) (X n E(X n ))(Y 2 E(Y 2 )] = E [(X 1 E(X 1 ))(Y 2 E(Y 2 )] E [(X n E(X n ))(Y 2 E(Y 2 )] = Cov(X 1, Y 2 ) Cov(X n, Y 2 ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 32
33 1. Summe und arithmetisches Mittel 2.) Varianz: Daraus folgt mit Var(X ) = Cov(X, X ) Var(X X n ) = Cov(X X n, X X n ) n n = Cov(X i, X j ) i=1 j=1 = Cov(X 1, X 1 ) Cov(X n, X n ) + n Cov(X i, X j ) i=1 j i = Var(X 1 ) Var(X n ) + 2 Cov(X i, X j ) j>i Im allgemeinen gilt nicht: Varianz einer Summe gleich Summe der Varianzen Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 33
34 1. Summe und arithmetisches Mittel Aber: Wenn gilt Cov(X i, X j ) = 0, für alle i j, also X 1,..., X n sind paarweise unkorreliert Var(X X n ) = Var(X 1 ) Var(X n ) + 2 j>i = Var(X 1 ) Var(X n ) Cov(X i, X j ) }{{} =0 Wichtiger Spezialfall: X 1,..., X n unabhängig ( unkorreliert) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 34
35 1. Summe und arithmetisches Mittel Wichtig für schließende Statistik: Folgerung für eine Stichprobe vom Umfang n mit Zurücklegen zu einer Zufallsvariablen X : Y 1,..., Y n unabhängig und identisch verteilt wie X Dann gilt für das arithmetische Mittel: ( ) 1 n E Y i = 1 n E(Y i ) = E(X ) n n i=1 i=1 ( ) 1 n Var Y i = 1 n n n 2 Var(Y i ) = n Var(X ) n 2 = 1 n Var(X ) i=1 i=1 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 35
36 1. Summe und arithmetisches Mittel Anwendung: Erwartungswert einer Summe X, Y Zufallsvariable mit P(X Y ) = 1 ( X Y fast sicher ) E(X ) E(Y ) Beweis: (unter Verwendung der Additivität des Erwartungswertes) Z = Y X P(Z < 0) = 0 = E(Z) 0 E(Z) = E(Y ) E(X ) 0 = E(Y ) E(X ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 36
37 2. Maximum von Y 1,..., Y n 2. Maximum von Y 1,..., Y n : g(y 1,..., Y n ) = max i=1,...,n Y i y i realisierte Werte der Y i Konstruktion der Verteilungsfunktion: ( ) F max Yi (α) = P max Y i α i=1,...,n = P(Y i α für i = 1,..., n) = F Y1,...,Y n (α,..., α) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 37
38 2. Maximum von Y 1,..., Y n Spezialfälle für Maximum: 1.) Y 1,..., Y n unabhängig: F max Yi (α) = F Y1 (α)... F Yn (α) 2.) Y 1,..., Y n unabhängig und identisch verteilt wie X : F max Yi (α) = F X (α)... F X (α) = (F X (α)) n (X stetig: f max Yi (α) = nf X (α) n 1 f X (α)) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 38
39 2. Maximum von Y 1,..., Y n Beispiel: Parallelschaltung : Ein Flugzeug ist mit zwei Triebwerken ausgestattet. T 1, T 2 Zeitdauer vom Anlassen des Motors bis zum ersten Störfall ( Lebensdauer ) Ein Triebwerk genügt für Flug und Landung. Die Triebwerke arbeiten unabhängig. Ein Störfall ist nicht im Flug behebbar. Überlebenswahrscheinlichkeit bei t Stunden Flugdauer: P(T 1 > t oder T 2 > t) = 1 P(T 1 t, T 2 t) = 1 P(max{T 1, T 2 } t) = 1 F T1 (t)f T2 (t) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 39
40 2. Maximum von Y 1,..., Y n T 1, T 2 λ-exponentialverteilt P(T 1 > t oder T 2 > t) = 1 (1 e λt )(1 e λt ) = e λt (2 e λt ) Sei λ = 1 24 (E(T 1 ) = E(T 2 ) = 24), t = 12 : ( ) P(T 1 > t oder T 2 > t) = e e = Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 40
41 3. Minimum von Y 1,..., Y n 3. Minimum von Y 1,..., Y n : g(y 1,..., Y n ) = min i=1,...,n Y i y i realisierte Werte der Y i Konstruktion der Verteilungsfunktion: ( ) F min Yi (α) = P min Y i α i=1,...,n ( ) = 1 P min Y i > α i=1,...,n = 1 P(Y i > α für i = 1,..., n) = 1 P(Y 1 > α, Y 2 > α,..., Y n > α) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 41
42 3. Minimum von Y 1,..., Y n Spezialfälle für Minimum: 1.) Y 1,..., Y n unabhängig: n n F min Yi (α) = 1 P(Y i > α) = 1 (1 F Yi (α)) i=1 i=1 2.) Y 1,..., Y n unabhängig und identisch verteilt wie X : F min Yi (α) = 1 (1 F X (α)) n (X stetig: f min Yi (α) = n(1 F X (α)) n 1 f X (α) ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 42
43 Beispiel 4: Lebensdauer einer Anlage Anwendungsbeispiel: Anlage mit n Komponenten. Anlage fällt aus, wenn eine der Komponenten ausfällt. T i : Lebensdauer von Komponente i, exponentialverteilt mit Parameter λ i = min T i : Lebensdauer der Anlage F min Ti (t) = 1 P(T 1 > t, T 2 > t,..., T n > t) Überlebenswahrscheinlichkeit für einen Zeitpunkt t: ( ) P(T 1 > t, T 2 > t,..., T n > t) = P min T i > t i=1,...,n ( ) = 1 P min T i t = 1 F min Ti (t) i=1,...,n Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 43
44 Beispiel 4: Lebensdauer einer Anlage Wenn Ausfallverhalten der Komponenten unabhängig ( T 1,..., T n unabhängig): F min Ti (α) = 1 = 1 n (1 F Ti (α)) = 1 i=1 n e λ i α = 1 e i=1 Also: min T i exponentialverteilt mit identisch) i=1 n λ i α i=1 n (1 (1 e λ i α )) n λ i. (nicht notwendig i=1 Überlebenswahrscheinlichkeit für einen Zeitpunkt t: P(T 1 > t, T 2 > t,..., T n > t) = e n λ i t i=1 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 44
45 Beispiel 4: Lebensdauer einer Anlage Spezielle Aspekte im Beispiel: (P(min T i > t) = 1 F min Ti (t)) 1.) Unabhängigkeit: ( ) P min T i > t = i=1,...,n n P(T i > t) = i=1 n (1 F Ti (t)) i=1 2.) unabhängig und identisch verteilt: ( ) P min T i > t = (1 F (t)) n i=1,...,n 3.) unabhängig, identisch und λ exponentialverteilt ( ) P min T i > t = e nλt i=1,...,n = Lebensdauer exponentialverteilt mit Parameter nλ. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 45
46 Beispiel 4: Lebensdauer einer Anlage z.b.: n = 5 λ = 0.1 (E(T i ) = 10), t = 8 : P(min T i > 8) = e = e λ = 0.05 (E(T i ) = 20), t = 8 : P(min T i > 8) = e = e Übungsaufgabe: Wie groß muss die mittlere Lebensdauer der Komponenten sein, damit in 8 Stunden mit Wahrscheinlichkeit 0.99 kein Störfall eintritt? Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 46
47 4. Spannweite 4. Spannweite: R(x 1,..., x n ) = max{x 1,..., x n } min{x 1,..., x n }. Berechnung der Verteilung in zwei Schritten: a) gemeinsame Verteilung von max Y i und min Y i b) Verteilung von X Y = X + ( Y ) Dann hat R(Y 1,..., Y n ) zu einer n-dimensionalen Zufallsvariablen Y = (Y 1,..., Y n ) die Verteilungsfunktion der Zufallsvariablen Z 1 Z 2 mit Z 1 = max Y i und Z 2 = min Y i i=1,...,n i=1,...,n Es ist also die Verteilungsfunktion der Differenz zweier Zufallsvariablen zu bestimmen. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 47
48 4. Spannweite Dafür gilt im diskreten Fall P(Z 1 Z 2 = z) = x i,y j x i y j =z P(Z 1 = x i, Z 2 = y j ) = x i P(Z 1 = x i, Z 2 = x i z) und im stetigen Fall f Z1 Z 2 (α) = + f Z1,Z 2 (z 1, z 1 α)dz 1. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 48
49 4. Spannweite Gemeinsame Wahrscheinlichkeitsverteilung bzw. Dichte von max Y i und min Y i : Diskreter Fall: P(max Y i x, min Y i y) = P(max Y i x) P(max Y i x, min Y i > y) = P(Y i x für i = 1,..., n) P(y < Y i x für i = 1,..., n) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 49
50 4. Spannweite Fall 1: y < x Bei Unabhängigkeit gilt: (y < Y i x für i = 1,..., n) = = n P(y Y i x) i=1 n (F Yi (x) F Yi (y)) i=1 Fall 2: x y P(y < Y i x für i = 1,..., n) = 0 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 50
51 4. Spannweite Damit = P(max Y i x, min Y i y) { P(Yi x für i = 1,..., n) x y P(Y i x für i = 1,..., n) P(y Y i x für i = 1,..., n) x > y bei Unabhängigkeit n F Yi (x) für x y i=1 = n F Yi (x) n (F Yi (x) F Yi (y)) für x > y i=1 i=1 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 51
52 Beispiel 5 (2 Würfel) Beim Werfen mit zwei Würfeln erhält man für das Maximum (Minimum) der Augenzahlen die Verteilung : z P(max{Y 1, Y 2 } = z) 1 36 P(max{Y 1, Y 2 } z) 1 36 P(min{Y 1, Y 2 } = z) P(min{Y 1, Y 2 } z) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 52
53 Beispiel 5 (2 Würfel) max{y 1, Y 2 } = min{y 1, Y 2 } = Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 53
54 Beispiel 5 (2 Würfel) Die gemeinsame Verteilung ist: P(max Y i x, min Y i y) max{y 1, Y 2 } min{y 1, Y 2 } Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 54
55 Beispiel 5 (2 Würfel) Damit erhält man als Verteilung der Spannweite R P(R = k) = 6 i=k+1 P(max{Y 1, Y 2 } = i, min{y 1, Y 2 } = i k) k P(R = k) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 55
56 Beispiel 6 (Gleichverteilung auf [0, 1]) Dichte von X f (x) = { 0 für x / [0, 1] 1 für x [0, 1] Verteilungsfunktion von X 0 für x 0 F (x) = x für 0 x 1 1 für 1 x Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 56
57 Beispiel 6 (Gleichverteilung auf [0, 1]) Y = (Y 1,..., Y n ) Stichprobe mit Zurücklegen zu X. Gemeinsame Dichte von max Y i (x) und min Y i (y): 0 für x y f (x, y) = n(n 1)(x y) n 2 für 0 y < x 1 0 sonst (Ansatz: Über Verteilungsfunktion von max Y i und min Y i ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 57
58 Beispiel 6 (Gleichverteilung auf [0, 1]) Dichte der Spannweite: f R (z) = + f (x, x z)dx = = 0 für z 0 1 n(n 1)(x (x z)) n 2 dx für 0 < z < 1 z 0 für 1 z 0 für z 0 n(n 1)z n 2 (1 z) für 0 < z < 1 0 für 1 z Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 58
59 Beispiel 6 (Gleichverteilung auf [0, 1]) Erwartungswert von R: E(R) = 1 0 = n(n 1) zn(n 1)z n 2 (1 z)dz 1 0 (z n 1 z n )dz = n(n 1) [( zn n zn+1 n + 1 ) = n 1 n(n 1) n + 1 ] 1 0 = n2 1 n 2 + n n + 1 = n 1 n + 1 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 59
60 5. Produkt von Y 1,..., Y n 5. Produkt von Y 1,..., Y n : Auswertungsfunktion: g(y 1,..., y n ) = y 1 y 2... y n = zufälliges Ergebnis: n i=1 Yi = g(y 1,..., Y n ) = Y 1 Y 2... Y n = Verteilungsfunktion von Y i : y i n i=1 n F Y i (α) = P((Y 1,..., Y n ) {(x 1,..., x n ) x i α}) i=1 Y i Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 60
61 5. Produkt von Y 1,..., Y n Y = (Y 1,..., Y n ) diskret: Wertekombinationen y (j) R n, y (j) = y (j) 1,..., y n (j), F Y i (α) = P(Y = y (j) ) y (j) mit n i=1 y (j) i α Y = (Y 1,..., Y n ) stetig mit Dichte f Y : F Y i (α) = f (y 1,..., y n )dy 1... dy n y 1,...,y n: y 1... y n α Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 61
62 5. Produkt von Y 1,..., Y n X, Y diskrete Zufallsvariablen: z 0: P(X Y = z) = x i 0 P(X = x i, Y = z x i ) z = 0: P(X Y = 0) = 1 P(X Y 0) = 1 P(X 0, Y 0) (allgemein) = 1 P(X 0)P(Y 0) (X, Y unabhängig) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 62
63 5. Produkt von Y 1,..., Y n X, Y stetige Zufallsvariablen: F X Y (α) = f (x, y)dxdy = x y α f (x, y)dx dy x y α x y α f (x, y)dx dy Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 63
64 5. Produkt von Y 1,..., Y n y > 0 : xy α x α y (y = 0 : xy α α 0 ohne Bedeutung, da P(Y = 0) = 0) y < 0 : xy α x α y F X Y (α) = 0 α y f (x, y)dxdy + 0 α y f (x, y)dxdy Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 64
65 5. Produkt von Y 1,..., Y n Substitution: z = x y, x = z y, dx = 1 y dz Integrationsgrenzen: y > 0 : x α y z y α y z α α y f (x, y)dx = α y < 0 : x α y z y α y z α α y f (x, y)dx = α f ( z y, y) 1 y dz f ( z y, y) 1 y dz Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 65
66 5. Produkt von Y 1,..., Y n F XY (α) = = α f 0 α f ( z ) 1 0 y, y y dzdy + ( z ) 1 y, y y dydz α f ( z ) 1 y, y y dzdy Dichtefunktion: f XY (α) = f ( α ) 1 y, y y dy Wenn X, Y unabhängig: f XY (α) = f X ( α y ) f Y (y) 1 y dy Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 66
67 5. Produkt von Y 1,..., Y n Bei Unabhängigkeit: E(X Y ) = = E(X ) yx f (X,Y ) (x,y) {}}{ f X (x)f Y (y) dxdy = yf Y (y)dy } {{ } E(Y ) = E(X ) E(Y ) yf Y (y) xf X (x)dx dy } {{ } E(X ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 67
68 5. Produkt von Y 1,..., Y n Generell: Es gilt für die Kovarianz Cov(X, Y ) = E((X E(X ))(Y E(Y ))) = E(XY E(X ) Y X E(Y ) + E(X ) E(Y )) = E(XY ) E(E(X )Y ) E(X E(Y )) + E(E(X ) E(Y )) = E(XY ) E(X ) E(Y ) E(X )E(Y ) + E(X ) E(Y ) = E(XY ) E(X )E(Y ) Also: Cov(X, Y ) = E(XY ) E(X ) E(Y ) bzw. E(X Y ) = E(X ) E(Y ) + Cov(X, Y ) Damit: Cov(X, Y ) = 0 E(XY ) = E(X ) E(Y ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 68
69 Beispiel 7 (Materialdisposition) Aufgabe: Beschaffung des notwendigen Produktionsmaterials (Rohstoffe, Bauteile, Betriebstoffe) Ziel: Hohe Versorgungssicherheit bei niedrigen Kosten. Bestellpunktverfahren: Bei Unterschreiten des Lagerbestands s wird eine Bestellung ausgelöst, die nach Ablauf der Lieferfrist verfügbar ist. Problem: Lieferzeit und Bedarf während der Lieferzeit nicht determiniert. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 69
70 Beispiel 7 (Materialdisposition) Vorgabe: 95% Versorgungssicherheit Aufgabe: Festlegung von s Y : täglicher Bedarf Z: Dauer der Lieferzeit Gesamtbedarf während der Lieferzeit: X = Y Z Gesucht: s mit P(Y Z s) = 0.95 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 70
71 Beispiel 7 (Materialdisposition) Y, Z stetig und unabhängig = Dichtefunktion von X = YZ f X (x) = = f ( y, x ) 1 y y dy f Y (y)f Z ( x y ) 1 y dy P(Y Z s) = P(X s) s = f X (x)dx Liefersicherheit Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 71
72 Beispiel 7 (Materialdisposition) Bedarf Y gleichverteilt auf [8, 12] Dauer Z gleichverteilt auf [3, 5] y 12 f Y (y) = 0 sonst f Z (z) = z 5 0 sonst Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 72
73 Beispiel 7 (Materialdisposition) Somit: f X (x) = f Y (y)f Z ( x y ) 1 y dy f X (x) 0 für y [8, 12] und x y [3, 5] x y [3, 5] 3 x y 5 x 5 y x 3 f X (x) = min{ x 3,12} max{ x 5,8} y dy = 1 x 8 [ln(y)]min{ 3,12} max{ x 5,8} Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 73
74 Beispiel 7 (Materialdisposition) x < 24 : x 3 < 8 = max{ x 5, 8} f X (x) = 0 24 x < > x 3 8 = max{ x 5, 8} f X (x) = 1 8 ln x ln 8 36 x 40 x 3 12, max{ x 5, 8} = 8 f X (x) = 1 8 ln ln 8 40 < x 60 x 3 12, max{ x 5, 8} = x 5 12 f X (x) = 1 8 ln ln x 5 x > 60 : x 5 > 12 f X (x) = 0 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 74
75 Beispiel 7 (Materialdisposition) Also: f X (x) = 0 x 24 ln 8) 24 x (ln x (ln 12 ln 8) 36 x (ln 12 ln x 5 ) 40 x x In der folgenden Abbildung ist die Dichtefunktion des Bedarfs X während der Lieferzeit dargestellt. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 75
76 Beispiel 7 (Materialdisposition) Dichtefunktion des Bedarfs während der Lieferzeit Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 76
77 Beispiel 7 (Materialdisposition) Als Verteilungsfunktion erhält man nach einiger Rechnung (Stammfunktion von ln x ist x ln(x) x) 0 s 24 s 8 (ln s 24 1) s 36 s F X (s) = 8 ln s 40 s 60 8 (ln s + 1) s s Wie aus folgender Abbildung ersichtlich, ist bei einer vorgegebenen Liefersicherheit von 0.95 also bei einem Lagerbestand von s 53 eine Bestellung auszulösen. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 77
78 Beispiel 7 (Materialdisposition) Liefersicherheit P(X s) in Abhängigkeit von s. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 78
79 Beispiel 7 (Materialdisposition) Jetzt: Y und Z anders verteilt Y gleichverteilt auf [7, 10] { y 10 f Y (y) = 0 sonst Z Dreieck - verteilt { (z 1) 1 z 3 f Z (z) = 0 sonst Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 79
80 Beispiel 7 (Materialdisposition) f X (x) = f Z (z)f Y ( x z ) 1 z dz mit f Z (z) 0 für 1 z 3 f Y ( x z ) 0 für 7 x z 10 oder x 10 z x 7 = f X (x) = = min{3, x 7 } (1 max{1, x 10 } 1 2 (z 1))1 3 1 z dz ( z z )dz = [( 12 ln z 16 z) ] min{3, x 7 } max{1, x 10 } Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 80
81 Beispiel 7 (Materialdisposition) f X (x) = 0 x < ln x 7 x x ln x 7 x ln x 10 + x 60 = 1 2 ln 10 7 x x ln ln x 10 + x x < x Verteilungsfunktion ausrechnen und F (s) = 0.95 setzen ergibt s. (Quantil) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 81
82 Transformationen Zur n-dimensionalen Zufallsvariablen X = (X 1,..., X n ) wird untenstehende Abbildung betrachtet g : R n R n Y = g(x ) ist also auch wieder eine n-dimensionale Zufallsvariable. Im Folgenden wird davon ausgegangen, dass es sich bei g um eine eindeutig umkehrbare Abbildung handelt. D.h. es existiert ein g 1 : R n R n mit g 1 (g(x)) = x bzw. y = g(g 1 (y)) für alle x R n bzw. y R n. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 82
83 Transformationen Bemerkung: Nimmt X nur Werte in einem Bereich D an, muss g auch nur für D definiert sein. g : D W g 1 : W D ; D, W R n Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 83
84 Transformationen Gesucht: Wahrscheinlichkeitsverteilung bzw. Dichtefunktion von Y. X diskret: Zu jedem Wert y von g(x 1,..., X n ) gibt es genau ein x mit g(x) = y und es gilt P(g(X 1,..., X n ) = y = g(x)) = P(X = x) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 84
85 Transformationen X stetig: Wiederholung: eindimensional (g : R R) f g(x ) (y) = f X (g 1 1 (y)) g (g 1 (y)) benutzt Ableitung von g. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 85
86 Transformationen Einschub: Ableitung von g : R n R n g(x 1, x 2,..., x n ) = (g 1 (x 1,..., x n ),..., g n (x 1,..., x n )) R n Ableitung von Komponente g i (x 1..., x n ) nach Variable x j g i (x 1,..., x n ) x j partielle Ableitung i, j = 1,..., n Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 86
87 Transformationen Anordnung aller partiellen Ableitungen aller Komponenten in einer Matrix: g 1(x) x 1 g (x) =.. g n(x) x 1 g 1(x) x n.. g n(x) x n Jacobi - Matrix Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 87
88 Transformationen Zunächst: Verteilungsfunktion von g(x ) an der Stelle α = (α 1,..., α n ) F g(y ) (α 1,..., α n ) = = α n α 1... f g(x ) (y)dy 1... dy n f X (t 1,..., t n )dt 1... dt n t:g(t) α=(α 1,...,α n) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 88
89 Transformationen Nach Transformationsregel für Integrale: F g(x ) (α 1,..., α n ) = α n... α 1 f X (g 1 1 (y)) det(g (g 1 dy 1... dy n (y))) }{{} : Determinante der Jacobi-Matrix an der Stelle g 1 (y) Daraus Dichtefunktion von g(y ): f g(x ) (y) = f X (g 1 1 (y)) det(g (g 1 (y))), y W Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 89
90 Transformationen Zusammenfassung: Sei X = (X 1,..., X n ) eine stetige n-dimensionale Zufallsvariable mit Dichte f X. D, W R n mit P(X D) = 1 und g : D W umkehrbar mit Umkehrfunktion g 1 : W D g und g 1 auf D bzw. W differenzierbar. Dann ist: f g(x ) (y) = { fy (g 1 1 (y)) det(g (g 1 (y))) für y W 0 für y / W Dichtefunkton der transformierten Zufallsvariablen g(x ). Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 90
91 Beispiel 8 (Anwendung bei Funktionen) 1.) Dichte eines Produktes: X 1, X 2 stetige Zufallsvariable, gesucht ist Verteilung von X 1 X 2 Transformation: g(x 1, X 2 ) = (X 1 X 2, X 2 ) g ist invertierbar: x 1 x 2 = y 1 x 1 = y1 x 2 = y1 y 2 für y 2 0 g 1 (y 1, y 2 ) = g (x 1, x 2 ) = ( y1 ), y 2 y 2 ( x2 x ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 91
92 Beispiel 8 (Anwendung bei Funktionen) Weiter: g (g 1 (y 1, y 2 )) = ( y2 y 1 y ) Jacobi-Matrix det(g (g 1 (y 1, y 2 ))) = y 2 Determinante der Jacobi-Matrix Dichte von g(x 1, X 2 ): f g(x1,x 2)(y 1, y 2 ) = f (X1,X 2)(g 1 (y 1, y 2 )) 1 y 2, y 2 0 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 92
93 Beispiel 8 (Anwendung bei Funktionen) Randdichte der 1. Komponente: (g(x 1, X 2 ) = (X 1 X 2, X 2 )) f X1 X 2 (z) = = = f g(x1,x 2)(z, y 2 )dy 2 f (X1,X 2)(g 1 (z, y 2 )) 1 y 2 dy 2 f (X1,X 2) (( )) z 1, y 2 y 2 y 2 dy 2 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 93
94 Beispiel 8 (Anwendung bei Funktionen) 2.) Dichte eines Quotienten: X 1, X 2 stetige Zufallsvariable, gesucht ist Verteilung von X2 X 1 Transformation: g(x 1, X 2 ) = ( X 2 X 1, X 2 ) Damit: y 1 = x2 x 1, y 2 = x 2, x 1 = x2 y 1 = y2 y 1, y 1 0 Setze g(x 1, x 2 ) = ( x2 x 1, x 2 ) für x 1 0, und dass (y 1, y 2 ) = ( x2 x 1, x 2 ) g(0, x 2 ) = (0, x 2 ), so = g invertierbar (y 1 0 bzw. x 2 0) für x 1 0 (s.o.) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 94
95 Beispiel 8 (Anwendung bei Funktionen) Es ergibt sich: g 1 (y 1, y 2 ) = ( y 2, y 2 ) für y 1 0 y 1 ( x 2 1 ) g (x 1, x 2 ) = x1 2 x ( ) g (g 1 y 2 1 y 1 (y 1, y 2 )) = y 2 y det(g (g 1 (y 1, y 2 ))) = y 2 1 y 2 und damit die Dichtefunktion von Y : f g(x1,x 2)(y 1, y 2 ) = f (X1,X 2)(g 1 (y 1, y 2 )) y 2 y 2 1 = f (X1,X 2)( y 2 y 1, y 2 ) y 2 y 2 1 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 95
96 Beispiel 8 (Anwendung bei Funktionen) Dichte des Quotienten ist Randdichte der 1. Komponente: f Y 2 Y 1 (z) = = f g(x1,x 2)(z, y 2 )dy 2 ( y2 ) f Y z, y y2 2 z 2 dy 2 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 96
97 Beispiel 8 (Anwendung bei Funktionen) Substitution: y 2 = zx, x = y2 z, dy 2 = zdx f Y 2 Y 1 (z) = = f Y (x, zx) zx z 2 z dx f Y (x, zx) x dx Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 97
98 Beispiel 9 (Störanfällige Komponente) Lebensdauer T = Zeit vom Einschalten bis zum Eintritt einer Störung zufällig: Beschreibbar durch Zufallsvariable T exponentialverteilt mit Parameter λ kalte Reserve : Zweite Einheit steht bereit, um die erste zu ersetzen } T 1 Lebensdauer 1. Einheit T Lebensdauer 2. Einheit 1 + T 2 Gesamtlebensdauer. T 2 Frage: Welchen Anteil an der Gesamtdauer hat die 1. Einheit? Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 98
99 Beispiel 9 (Störanfällige Komponente) T 1 und T 2 sind Zufallsvariable T 1 T 1+T 2 = Anteil von T 1 an T 1 + T 2 Welche Wahrscheinlichkeitsverteilung ergibt sich für 1. Berechnungsmöglichkeit: i.) W-verteilung von T 1 + T 2 ii.) W-verteilung von 1 T 1+T 2 iii.) W-verteilung von T 1 1 T 1+T 2 T 1 T 1+T 2? Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 99
100 Beispiel 9 (Störanfällige Komponente) 2. Berechnungsmöglichkeit: ( ) X Transformation g(x 1, X 2 ) = 1 X 1+X 2, X 2 Daraus: i.) Dichte von g(t 1, T 2 ) ii.) Randdichte von Komponente 1 von g(t 1, T 2 ) Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 100
101 Beispiel 9 (Störanfällige Komponente) T 1, T 2 unabhängig und λ-exponentialverteilt Transformation: (Y 1, Y 2 ) = g(x 1, x 2 ) = (, x 2 ) x 1, x 2 > 0 x 1 + x 2 angewandt auf (T 1, T 2 ) Inverse Abbildung: (X 1, X 2 ) = g 1 (y 1, y 2 ) = ( y 1 y 2 1 y 1, y 2 ) 0 < y 1 < 1; 0 < y 2 x 1 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 101
102 Beispiel 9 (Störanfällige Komponente) Jacobi - Matrix: g (x 1, x 2 ) = ( x 2 (x 1+x 2) 2 x1 (x 1+x 2) ) Determinante der Jacobi - Matrix: det g (x 1, x 2 ) = x 2 (x 1 + x 2 ) 2 Aus (x 1, x 2 ) = g 1 (y 1, y 2 ) = ( y1y2 1 y 1, y 2 ) folgt: det g (g 1 (y 1, y 2 )) = y 2 1 y 1 + y 2 ) 2 = y 2 ( y1y2 ( y1y2+y2 y1y2 1 y 1 ) (1 y1)2 = 2 y 2 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 102
103 Beispiel 9 (Störanfällige Komponente) Gemeinsame Dichte von T 1, T 2 (T 1, T 2 unabhängig): f T1,T 2 (x 1, x 2 ) = λ 2 e λ(x1+x2) x 1, x 2 > 0 f g(t1,t 2)(y 1, y 2 ) = λ 2 e λ( y 1 y 2 1 y 1 +y 2) y 2 (1 y 1 ) 2 0 < y 1 < 1; 0 < y 2 = λ 2 e λ y 2 1 y 1 y 2 (1 y 1 ) 2 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 103
104 Beispiel 9 (Störanfällige Komponente) Randverteilung der 1. Komponente f T 1 T 1 +T 2 (y 1 ) = = = + 0 λ 2 e λ y 2 1 y 1 y 2 (1 y 1 ) 2 dy 2, 0 < y 1 < 1 λ (1 y 1 ) + λ e λ y 2 1 y 1 1 y } 1 {{} λ 1 y 1 E(Y ) = λ 1 y 1 y 2 dy 2 1 λ 1 y 1 = 1 : Dichte einer ZV Y, exponentialverteilt mit λ 1 y 1 Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 104
105 Beispiel 9 (Störanfällige Komponente) Also: f T 1 T 1 +T 2 (y 1 ) = 1 für 0 < y 1 < 1 Der Anteil ist gleichverteilt auf [0, 1]. Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen 105
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
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
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
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
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
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........................
MehrKapitel V - Erwartungstreue Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
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
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)
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
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
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
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
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrStatistik. 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)
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 ]
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
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
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
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 VI - Maximum-Likelihood-Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Maximum-Likelihood-Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
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
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
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
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
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
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
MehrVERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
KAPITEL 15 VETEILUNGEN VON FUNKTIONEN EINE ZUFALLSVAIABLEN In diesem Kapitel geht es darum, die Verteilungen für gewisse Funktionen von Zufallsvariablen zu bestimmen. Wir werden uns auf den Fall absolut
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,
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
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
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)
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
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
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
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
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
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
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
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
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
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
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........................
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:...
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
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
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
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
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 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
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.
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
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
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
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
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
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
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
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:
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
Mehr[ 2 ] Die Zufallsvariablen X und Y haben die in der Tabelle gegebene gemeinsame Wahrscheinlichkeitsfunktion
Paare von Zufallsvariablen Kapitel : Paare von Zufallsvariablen A: Übungsaufgaben: [ ] Die Zufallsvariable X kann die Werte, 2 und die Zufallsvariable Y die Werte 0,, 2 annehmen. Die gemeinsame Verteilungsfunktion
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
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
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
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:
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
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
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
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
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 ()
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
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
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
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
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
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
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
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
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
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
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
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
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:
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
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
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
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
MehrS T A T I S T I K 2. Lösungsblätter zu den Übungen
UNIVERSITÄT KARLSRUHE (TH) Lehrstuhl für Statistik und Ökonometrie S T A T I S T I K 2 Lösungsblätter zu den Übungen Wintersemester 28/29 Dr. M. Höchstötter Dipl.-Phys. Christoph Möller Dipl.-Wi-Ing. Dirk
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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)
Mehr