Freie Universität Berlin. Fachbereich Mathematik/Informatik. Stochastik I WS 2011/12. Mitschrift von: Moritz Hoffmann (
|
|
- Edith Morgenstern
- vor 6 Jahren
- Abrufe
Transkript
1 Freie Uiversität Berli Fachbereich Mathematik/Iformatik Stochastik I WS 2011/12 Mitschrift vo: Moritz Hoffma ( cloker@googl .com ) Vorlesug vo: Bemerkug: Prof. Dr. Carste Hartma Eie Garatie auf Richtigkeit oder Vollstädigkeit wird icht überomme!
2 Ihaltsverzeichis Ihaltsverzeichis Ihaltsverzeichis 1 Grudbegriffe Systeme vo Ereigisse Wahrscheilichkeitsräume diskrete Wahrscheilichkeitsräume Hypergeometrische Verteilug Wahrscheilichkeitsräume mit Dichte Bedigte Wahrscheilichkeite Uabhägigkeit mehrerer Ereigisse Zufallsvariable Iduzierter Raum ud Verteilug Diskrete Zufallsvariable Momete vo Zufallsvariable (ZV) Eigeschafte der Momete Kovariaz ud Korrelatio Wichtige Ugleichuge für Wahrscheilichkeitsräume Zufallsvariable mit Dichtefuktio Uabhägigkeit stetiger Zufallsvariable Erwartugswert ud Variaz Eigeschafte vo Erwartugswert ud Variaz Summe vo Zufallsvariable (Faltug) Expoetialverteilug (Wartezeitmodelle) Mehr zu Uabhägigkeit Grezwertsätze Kovergez vo Zufallsvariable Borel-Catelli-Lemma(0-1-Gesetz) Starkes Gesetz der große Zahl(e) Zetraler Grezwertsatz Aweduge vo Grezwertsätze Statistik Parametrische Statistik Parameterschätzug Maximum-Likelihood-Schätzer (MLS) Parameterschätzug: Kofidezitervalle Vo Kofidezitervalle zu Hypothesetests Hypothesetests Likelihood-Ratio-Tests Aweduge Hypothesetests
3 1 GRUNDBEGRIFFE 1 Grudbegriffe Stochastik ach Georgii: Stochastik ist die Lehre vo de Gesetzmäßigkeite des Zufalls. Was ist Zufall? Nach Aristoteles: We im Bereich der Geschehisse, die im strege Sie wege etwas eitrete, ud dere Ursache außer ihe liegt, etwas geschieht, das mit dem Ergebis icht i eie Deswege-Beziehug zu brige ist, da ee wir das zufällig Beispiel[Zufallsexperimete]. Würfel, Müzwurf, Chig-Chag-Chog zufällige Augezahl /... /... Schlage a der Supermarktkasse zufällige Läge der Schlage / Verteilug, Wartezeit Zufallsprozesse, Radioaktivität zufällige Azahl der Klicks (im z.b. Geigerzähler) pro Miute Wie modelliert / formalisiert ma das? (i) Modellierugsaahme Das Zufallsexperimet ka beliebig oft wiederholt werde Das Wisse über zurückliegede Ausgäge des Zufallsexperimets ützt ichts (Uabhägigkeit) (ii) Formalisierug Stichproberaum (Mege aller mögliche Ereigisse), z.b. {1,..., 6} beim Würfel Häufigkeit bestimmter Ereigisse, z.b. P (Wurf = {1}) = 1 6 Wiederholbarkeit: Grezwert Zuächst brauche wir drei Grudbegriffe: (i) Stichproberaum (Raum der Elemetarereigisse) Ω, Elemetarereigis ω Ω (mögliches Ergebis). Bsp: 1x Würfel: Ω = {1, 2, 3, 4, 5, 6} Nx Würfel: Ω = {1, 2, 3, 4, 5, 6} N (ii) Mege vo Ereigisse E Ω, bzw System vo Ereigisse E, so dass jedem E E sivoll eie Wahrscheilichkeit P (E) zugeordet werde ka. Beispiel[Würfel]. Ω = {1, 2, 3, 4, 5, 6} E = 2 Ω = P(Ω). E = {2, 4, 6} 2 Ω. P (E) = 1 2 E = {1, 3, 5} 2 Ω. P (E) = 1 2 (iii) Wahrscheilichkeit bzw. Wahrscheilichkeitsmaß P. P ist eie Abbildug, die jedem E E eie Zahl zwische 0 ud 1 zuordet. (P : E [0, 1], E P (E)). Beispiel siehe Pukt 2. 3
4 1.1 Systeme vo Ereigisse 1 GRUNDBEGRIFFE 1.1 Systeme vo Ereigisse Frage: Welche Teilmege vo Ω sid zulässig, um sivoll über Wahrscheilichkeite spreche zu köe? Atwort: σ-algebra auf Ω Defiitio[σ-Algebra]. Es sei E 2 Ω. Da heißt E σ-algebra, we, Ω i ihr ethalte sid E E E c E (Abgeschlosseheit bzgl. Komplemet) E 1, E 2,... E E i E i Beispiel. {, Ω} ud 2 Ω sid die kleist- bzw. größtmögliche σ-algebre. 1.2 Wahrscheilichkeitsräume Defiitio[Wahrscheilichkeitsraum]. Ei Tripel (Ω, E, P ) wird Wahrscheilichkeitsraum geat, we (i) E eie σ-algebra ist, d.h. E, Ω E E E E c E E 1, E 2,... E E i E i 1 (ii) P : E [0, 1] ist ei Wahrscheilichkeits-Maß, d.h. a) P (Ω) = 1 (Normierug) b) P (E 1 E 2 ) = P (E 1 ) + P (E 2 ), we E 1 E 2 = (σ-additivität) (Axiome der Wahrscheilichkeitstheorie ach Kolmogorov, 1933) Bemerkug[zur σ-algebra]. Ist E 0 2 Ω, da gibt es eie kleiste σ-algebra [E 0 ], die E 0 ethält, d.h. we E 2 Ω eie σ-algebra mit E 0 E, da ist [E 0 ] E. [E 0 ] wird die vo E 0 erzeugte σ-algebra geat. Bsp: Ω = {1, 2, 3, 4, 5, 6}, E 0 = {1, 3, 5} [E 0 ] = {, {1, 3, 5}, {2, 4, 6}, Ω} Allgemeier: [E 0 ] = {, E 0, E c 0, Ω}. Ei wichtiges Beispiel ist die Borel-σ-Algebra auf R, die die Borelmege ethält, ud die vo de offee Itervalle auf R erzeugt wird. Praktisch alle Mege, die ma hischreibe ka, sid Borelmege, sie sid Lebesgue-Meßbar, deshalb sid sie wichtig. Zwar hat es de Aschei, als ethielte die σ-algebra icht mehr als Ω,, Komplemete ud abzählbare Vereiiguge, doch bei äherer Betrachtug ethält sie mehr: (i) edliche Vereiiguge E F = E F... 4
5 1 GRUNDBEGRIFFE 1.2 Wahrscheilichkeitsräume (ii) edliche / abzählbare Durchschitte: E 1 E 2 E 3... = (E c 1 Ec 2 Ec 3...)c (iii) Relativkomplemete: E, F E, E F F \ E = F E c Notiz[Recheregel für Wahrscheilichkeite]. Umittelbare Folgeruge aus de Kolmogorov-Axiome: (i) P ( ) = 0 (ii) P (E) + P (E c ) = 1 (iii) P (E F ) = P (E) + P (F ) P (E F ) (iv) Mootoie: E F P (E) P (F ), da P (F ) = P (E) + P (F \ E) P (E) Beispiel. Würfel: Ω = {1, 2, 3, 4, 5, 6}, E = 2 Ω, P als Gleichverteilug auf Ω. Müzwurf: Ω = {0, 1}, P ({0} = p, P ({1} = 1 p)). Ω = [0, 1] R, E = B(Ω) Borel-σ-Algebra, a, b Ω, P ([a, b]) = b a. Wahrscheilichkeit ist Läge des Itervalls, also Gleichverteilug Bemerkug. Ist Ω eie überabzählbare Mege, da ist 2 Ω zu groß, d.h. es ka i.a. kei Wahlscheilichkeitsmaß defiiert werde, das die Kolmogorov-Axiome erfüllt Beobachtug. Praktisch alle elemetare Recheregel für Wahrscheilichkeite folge aus de Axiome Lemma. Es sei E 1 E 2... eie aufsteigede Kette. Da gilt Adersrum: E 1 E 2..., so gilt P ( =1 P ( =1 E ) = lim P (E ) E ) = lim P (E ) Bemerkug[Mathematisches Zähle]. Wir kee bereits die Regel P (E F ) = P (E) + P (F ) P (E F ). Wie sieht das Gaze für Mege aus? Lemma[Eischluss-Ausschluss-Prizip]. Es gilt P (E 1 E 2... E ) = ( 1) k 1 k= Beispiel[Beispiel mit E 1, E 2, E 3 ]. 1 i 1... i k P (E i1... E ik ) P (E 1 E 2 E 3 ) = P (E 1 )+P (E 2 )+P (E 3 ) P (E 1 E 2 ) P (E 1 E 3 ) P (E 2 E 3 )+P (E 1 E 2 E 3 ) 5
6 1.3 diskrete Wahrscheilichkeitsräume 1 GRUNDBEGRIFFE 1.3 diskrete Wahrscheilichkeitsräume Defiitio[diskreter Wahrscheilichkeitsraum]. Ist Ω edlich oder abzählbar, so wird (Ω, E, P ) diskreter Wahrscheilichkeitsraum geat Bemerkug[Vorbemerkuge]. Im diskrete Fall wähle wir E = 2 Ω, d.h. jeder Teilmege E 2 Ω ist ei zulässiges Ereigis. Nu P : 2 Ω [0, 1], aber scho im edliche Fall ist 2 Ω recht groß ( 2 Ω = 2 Ω ) Die gute Nachricht ist: Nur P ({ω}) müsse gegebe sei aufgrud der σ-additivität Beispiel[Beispiele für diskrete Wahrscheilichkeitsräume]. (i) Gleichverteilug (Laplaceraum): Ω edlich mit Ω = ud alle ω Ω sid gleich wahrscheilich P ({ω}) = 1. Wahrscheilichkeit eies Ereigisses E 2 Ω : P (E) = E Ω = E Beispiele: Faire Müze ( = 2), Würfel ( = 6), Lotto ( = 49) (ii) Biomialverteilug (Beroulliraum): Experimet mit 2 mögliche Ausgäge {0, 1} (Misserfolg / Erfolg) mit P ({1}) = p ud P ({0}) = 1 p. Wahrscheilichkeit für k Erfolge bei Wiederholuge (Beroulliprozess): P ({k}) = B(k, ) = ( ) p k (1 p) k mit k ( ) = k! ( k)!k! (Biomialverteilug) Passede Mege vo Elemetarereigisse: Ω = {0, 1}, Ω = {1,..., } ( sparsamer ) Beispiel Lotto: ( 49 6 ) 14 Millioe. Spezialfall: = 1, k = 0, 1 P 1 ({k}) = Verschiedee Grezfälle für. { p, falls k = 1 1 p, falls k = 0 Beispiel Geburtstagsparadoxo 1: Wie groß ist die Wahrscheilichkeit, dass jemad der Awesede am Geburtstag hat? = 150 (# Leute), p = P 150 ({0}) 66.50%, P 150 ({1}) 27.25%, P 150 ({2}) 6% P ({midestes ei Teilehmer}) = 1 P 150 ({0}) 33.7% (iii) Poissoverteilug (Grezfall der Biomialverteilug für ud p 0): Modellierug vo seltee Ereigisse. Ω = N0 = {0, 1, 2,...}, P λ ({k}) = P (k, λ) = λ k k! e λ mit λ = p (Rate). Beispiele: Radioaktive Zerfälle, Fehler pro Vorlesug,... 6
7 1 GRUNDBEGRIFFE 1.3 diskrete Wahrscheilichkeitsräume (iv) Geometrische Verteilug (Wartezeite): Beroulli-prozess mit der Frage: Wie groß ist die Wahrscheilichkeit, dass beim -te Versuch Erfolg eitritt? Ω = N, P geo ({}) = G() = (1 q)q 1 = p(1 p) 1 mit q = 1 p (Misserfolgswahrscheilichkeit) Beispiel: Wahrscheilichkeit für gerades? P ({ gerade}) = P ({2, 4, 6,...}) σ-additivität = (1 q)q + (1 q)q = (1 q)q q 2i 1 = (1 q)q 1 q 2 i 0 = q 1 + q P ({ ugerade}) = 1 P ({ gerade}) = q > q 1 + q Bemerkug[abschließede Bemerkuge]. a) Im höchstes abzählbahre Fall reicht, die P ({ω}) zu kee. q [0, 1) b) Bei der Wahl des richtige Wahscheilichkeitsraums gibt es meist verschiedee Möglichkeite. c) Der Rest ist geschicktes Zähle Defiitio[Uremodelle (Elemetare Kombiatorik, Behreds-Skript S.55-58)]. Ure mit uummerierte Kugel {1,..., N}, vo dee N gezoge werde Ziehug ist ei Wort a 1 a 2... a, a i {1,..., N} Stichproberaum Ω = {Mege aller Ziehuge} Vier Fälle lasse sich uterscheide: (i) Ziehe mit Zurücklege a) Uter Berücksichtigug der Reihefolge: Ω = N b) Ohe Berücksichtigug der Reihefolge: Ω = ( ) N+ 1 (ii) Ziehe ohe Zurücklege a) Uter Berücksichtigug der Reihefolge: Ω = N(N 1)... (N + 1). Spezialfall: = N Ω = N! (gibt die Azahl der mögliche Permutatioe vo {1,..., N} a) b) Ohe Berücksichtigug der Reihefolge: Ω = ( N ). D.h. Ω ist die Azahl der -elemetige Teilmege vo {1,..., } Beispiel[Geburtstagsparadoxo 2]. Wie groß ist die Wahrscheilichkeit, dass midestes 2 Leute aus der Vorlesug am gleiche Tag Geburtstag habe? Modellierug à la Laplace: #güstige Ausgäge P =, N = 365, = 150. #mögliche Ausgäge N(N 1)... (N + 1) P ({keie 2 Persoe}) = N 0 P ({midestes 2 Persoe}) = 1 P ({keie 2 Persoe}) 1 Bemerkug: Bei ca. = 50 Persoe beträgt P ({midestes 2 Persoe}) 99.9%. 7
8 1.4 Hypergeometrische Verteilug 1 GRUNDBEGRIFFE 1.4 Hypergeometrische Verteilug Defiitio[Hypergeometrische Verteilug]. vergröbertes Uremodell. N Kugel, vo dee r rot ud (N r) weiß sid. Wir ziehe Kugel ohe Zurücklege (Typ: Ziehe ohe Zurücklege ohe Berücksichtigug der Reihefolge ). Wie groß ist die Wahrscheilichkeit, dass uter de gezogee Kugel k rote sid? Modellierug ach Laplace: P = = #güstige Möglichkeite = #alle Möglichkeite ( r N r ) k)( k ( N = H(k, ; N, r) ) #k rote ud N-k weiße ( N ) k H(k, ;, ) = Beispiel[Lotto ohe Schickschack]. P (k richtige) = H(k, 6, 49, 6) Beispiel. Wahrscheilichkeit für k Asse beim Skat? 20% k = Bemerkug. 43% k = 1 P (k Asse) = H(k, 10, 32, 4) = 29% k = 2 7% k = 3 1% k = 4 (i) Die hypergeometrische Verteilug lässt sich leicht auf mehr als 2 Farbe (Eigeschafte) verallgemeier (siehe 2. Übugszettel). (ii) Ist N >>, so besteht kei Uterschied zwische Ziehe mit ud ohe Zurücklege. 1.5 Wahrscheilichkeitsräume mit Dichte Bemerkug. (i) Ω höchstes abzählbar (P (E), E E = 2 Ω ) ist durch Abzähle bestimmbar! (ii) Ω überabzählbar: P (E) ist eie Art vo Volume Abzähle / Summiere wird zur Itegratio Defiitio[Wahrscheilichkeitsräume mit Dichte]. Wir betrachte Wahrscheilichkeitsräume (Ω, E, P ), wobei (i) Ω R (ii) E 2 Ω die σ-algebra der Borelmege ist 8
9 1 GRUNDBEGRIFFE 1.5 Wahrscheilichkeitsräume mit Dichte (iii) P ei Wahrscheilichkeitsmaß ist, das durch seie Dichte defiiert ist, d.h. E E : P (E) = f(x)dx, f 0 (Wahrscheilichkeitsdichte) Bemerkug. E Ω (i) Die Borel-σ-Algebra ist die kleiste σ-algebra, die vo de offee Mege i Ω erzeugt wird. (ii) Da f ei Wahrscheilichkeitsmaß defiiert, gilt: P (Ω) = Ω f = 1 Für E 1, E 2,... E paarweise disjukt gilt = E 1 E 2...f i Bemerkug. E i f Es reicht azuehme, dass f stückweise stetig bzw. midestes itegrabel ist Die Dichte f überimmt hier die Rolle vo P ({ω}), ω Ω im höchstes abzählbare Fall Ist Ω überabzählbar, ist P ({ω}) = 0 ω Ω Beispiel[Beispiele für Wahrscheilichkeitsdichte]. (i) Gleichverteilug Es sei Ω = [a, b] R ud f(x) = (b a) ( 1) eie Wahrscheilichkeitsdichte. f defiiert ei Wahrscheilichkeitsmaß, de P (E) = E f(x)dx ist σ-additiv wege der σ-additivität des Lebesguemaßes dx ud es gilt P (Ω) = 1 Für alle Ereigisse E E bezeichet P (E) die relative Läge vo E Ω: P ([c, d] [a, b]) = d c (b a) 1 = d c b a Ist Ω beschräkt, so defiiert f(x) = ( Ω dx) 1 eie Wahrscheilichkeitsdichte Ist Ω icht beschräkt, so existiert keie Gleichverteilug, de ( Ω dx) 1 = Bemerkug. Es ist möglich, abzählbar viele Puktereigisse ω Ω zu etfere, d.h. vo Ω zu Ω\ E überzugehe, ohe de Wahrscheilichkeitsraum wesetlich zu äder (ii) Normalverteilug (Gaußverteilug) Es sei Ω = R ud f 0 die Dichtefuktio f(x) = 1 e (x m)2 2σ 2 eπσ (Gaußdichte zu de Parameter m ud σ) f ist ormiert, d.h. es gilt f(x)dx = 1 9
10 1.6 Bedigte Wahrscheilichkeite 1 GRUNDBEGRIFFE (iii) Expoetialverteilug: Es sei Ω = [0, ) ud f die Wahrscheilichkeitsdichte f(x) = λe λx. Die Expoetialverteilug beschreibt die Verteilug der Wartezeite zwische 2 seltee Ereigisse, die durch die Poisso-Verteilug mit Parameter λ > 0 gegebe sid. Die Verteilugsfuktio τ F (τ) = P (x < τ) = λ 0 e λx dx beschräkt die Wartezeitverteilug bis zum ächste Ereigis. Z.B. 1.6 Bedigte Wahrscheilichkeite P (a x b) = F (b) F (a) = e λb e λa Defiitio[bedigte Wahrscheilichkeit]. Die bedigte Wahrscheilichkeit vo E uter der Aahme F ist P (E F ) = P (E F ), P (F ) > 0 P (F ) Bemerkug[Iterpretatio]. Bedigte Wahrscheilichkeit ist das relative Maß vo E i F. Iformatioe veräder Wahrscheilichkeite Defiitio[Uabhägigkeit vo Ereigisse]. Zwei Ereigisse E, F E heiße uabhägig, we P (E F ) = P (E) P (F ) bzw. (ach Defiitio vo bedigte Wahrscheilichkeite), we P (E F ) = P (E), P (F E) = P (F ) Notiz. Uabhägigkeit bedeutet, dass die Ketis vo F ihe keie Iformatioe über die Wahrscheilichkeit vo E liefert (bzw. umgekehrt) Satz. E, F uabhägig E, Ω \ F = F c uabhägig Beispiel. Würfel: Es sei Ω = {1, 2, 3, 4, 5, 6} ud E = {Zahl ist gerade}. (i) F = {Zahl 3}. Da ist P (E) = 1 2, P (F ) = 2 3, P (E F ) = 1 3 = P (E)P (F ). Also sid E ud F uabhägig. (ii) F = {Zahl 4}, d.h. P (F ) = 1 2 P (E F ) P (E). E, F sid abhägig (F ethält mehr gerade als ugerade Zahle). Noch eimal Würfel: Gefragt ist ach der Summe der Augezahle bei 2 mal Würfel. Es sei E = {i + j 7 i, j {1,..., 6}}. (Z.B. (6, 1), (6, 2),... isgesamt 21 aus 36 Möglichkeite). (i) F = {i = 5, j}, d.h. 5 vo 6 Möglichkeite bleibe P (E F ) = 5 6. Zum Vergleich: P (E F ) = P (E F )P (F ) = =
11 1 GRUNDBEGRIFFE 1.6 Bedigte Wahrscheilichkeite (ii) F = {i 3, j 3} P (E F ) = 0, da E F =. (iii) F = {i 4, j 4} P (E F ) = 1 (F E) Satz[Recheregel für bedigte Wahrscheilichkeite]. Es seie E, F, E 1, E 2,... i eiem Wahrscheilichkeitsraum (Ω, E, P ) ud wir ehme a, dass P (F ) > 0. Da gelte: (i) E F = P (E F ) = 0 (ii) F E P (E F ) = 1 (iii) P (Ω \ E F ) = 1 P (E F ) (iv) i, j, i j : E i E j =, da ist P ( E k F ) = P (E k F ) (σ-additivität) k k Bemerkug. Ma ka das Wahrscheilichkeitsmaß P F = P ( F ) als Wahrscheilichkeitsmaß auf der Spur-σ-Algebra auffasse: E F = {E F E E} Satz[Satz vo der totale Wahrscheilichkeit]. Es sei Ω = E eie disjukte Vereiigug vo Teilmege. Da gilt P (F ) = P (F E ) P (E ) F E Beweis: F = (F E ) ist die disjukte Vereiigug der F E. P (F ) = P ( (F E )) = P (F E ) = P (F E )P (E ) P (E ) = P (F E )P (E ) Satz[Satz vo Bayes]. Der Satz vo Byes ist eier der bekateste ud wichtigste Sätze der Wahrscheilichkeitstheorie ud der Statistik. Wieder sei Ω = E eie disjukte Vereiigug ud F E mit P (F ) > 0. Da gilt P (E F ) = P (E )P (F E ) P (F ) = P (E )P (F E ) P (E )P (F E ) Beweis: P (E F ) = P (E F ) P (F ) = P (F E )P (E ) P (F ) = P (F E )P (E ) P (F E )P (E ), ach Defiitio vo bedigter Wahrscheilichkeit, ach Satz der totale Wahrscheilichkeit 11
12 1.6 Bedigte Wahrscheilichkeite 1 GRUNDBEGRIFFE Beispiel. Zwei Kartestapel mit eie Würfel, wobei Stapel 1 2 rote ud 8 schwarze Karte hat, Stapel 2 hat 5 rote ud 5 schwarze Karte. Bei Augezahle {1, 2, 3, 4} wird vo Stapel 1 gezoge, sost vo Stapel 2. (i) Wie wahrscheilichkeit ist es, dass eie rote Karte gezoge wird? D.h. F = {rote Karte} ud P (F ) = P (F E 1 = {1, 2, 3, 4})P (E 1 ) + P (F E 2 = {5, 6})P (E 2 ) = = 3 10 (ii) Eie rote Karte wird gezoge. Wie wahrscheilich ist es, dass sie vom Stapel 1 gezoge wurde? Mit Satz vo Bayes folgt: P (E 1 F ) = P (E 1 F ) P (F ) = P (F E 1)P (E 1 ) P (F ) = = Bemerkug[Aweduge der Bayessche Formel]. (i) Bestätigug vo Theorie: I welchem Maße stützt oder widerlegt die Beobachtug B eies schwarze Rabe die Theorie T = Alle Rabe sid schwarz? Gegebe sid folgede Iformatioe: P (B T )P (T ) P (T B) = P (B) P (B T )P (T ) = P (B T )P (T ) + P (B T )P ( T ) P (B T ) = 1, da Theorie wahr die Beobachtug eies schwarze Rabe verwudert icht. P (T ) = P ( T ) = 1 2 P (B T ) = ε Mit zum Beispiel ε = 1 2 folgt: P (T B) = = 2 3 > P (T ) = 1 2 Vergleiche Curd / Cover (1998), The Philosophy of Sciece. (ii) Mediziische Tests: Es sei T ei Test auf eie bestimmte (seltee) Krakheit K, die mit der Wahrscheilichkeit P (K) auftritt (Prävalez). Der Test wird spezifisch geat, T ) mit Wahrscheilichkeit ahe 1 erhält. Die Spezifität ist P ( T K) = 1 P (T K). Nach Bayes: Gegebe sid: P (T K)P ( K) P ( K T ) = P (T ) P (T K)P ( K) = P (T K)P ( K) + P (T K)P (K) Die Prävalez P (K) ohe Dukelziffer ist P ( K) = 1 P (K). 12
13 1 GRUNDBEGRIFFE 1.7 Uabhägigkeit mehrerer Ereigisse Ebeso bekat (aus Date): P (T K) 1 (Zuverlässigkeit) P (T K) 0 ( false positives ) Zahlebeispiel: Siehe Aiger-Skript Beispiel[Ziegeproblem, Ask Marily ]. Das Ziegeproblem: Der Kadidat wählt Tür 1 vo 3. Der Moderator weiß was hiter de Türe steckt ud öffet Tür 3 mit eier Ziege dahiter. Der Kadidat wird gefragt, ob er bei seier Wahl bleibe möchte. Die Frage ist: Ist es sivoll sich umzuetscheide oder ist es egal? Gegebe: B i = {Auto hiter Tür i}, i {1, 2, 3}, A = {Moderator zeigt ihe, dass hiter Tür 3 eie Ziege steht} Gesucht: P (B 1 A) bzw. P (B 2 A). Nach dem Satz der totale Wahrscheilichkeit: P (A) = P (A B i )P (B i ), wobei P (B i ) = i 1 3, P (A B 1) = 1 2, P (A B 2) = 1, P (A B 3 ) = 0. P (A) = = 1 2. Also (ach Bayes): P (B 1 A) = P (A B 1)P (B 1 ) P (A) P (B 2 A) = P (A B 2)P (B 2 ) P (A) = 1 3 = Bemerkug. We der Moderator eie Präferez für Tür 3 hat, äder sich die Wahrscheilichkeite auf P (B 1 A) = P (B 2 A) = Uabhägigkeit mehrerer Ereigisse Bemerkug. Bisher für 2 Ereigisse: P (E F ) = P (E)P (F ). Wie verhält sich Uabhägigkeit bei 3 oder mehr Ereigisse? Beispiel. Zweifacher Müzwurf mit Ereigisse E = {K, Z} {Z, K}, F = {K, }, G = {m, Z} (i) E, F, G sid paarweise uabhägig: (ii) P (E F G) P (E)P (F G). P (E F ) = P (E)P (F ), P (E G) = P (E)P (G), Defiitio[Uabhägigkeit mehrerer Ereigisse]. Die Ereigisse E 1,..., E E heiße uabhägig, we für alle {i 1,..., i k } {1,..., } Bemerkug. P (E i1... E ir ) = r P (E ik ) (i) Falls E 1,..., E uabhägig sid, so sid sie auch paarweise uabhägig. Die Umkehrug gilt icht. k=1 13
14 2 ZUFALLSVARIABLEN (ii) Durch Iduktio zeigt ma leicht: P (E 1... E ) = P (E 1 )P (E 2 E 1 )P (E 3 E 1 E 2 )... P (E E 1... E 1 ) (iii) Die Defiitio vo Uabhägigkeit ist äquivalet zu: E 1 ist uabhägig vo E 2,..., E ud E 2 ist uabhägig vo E 1, E 3,..., E ud... ud E ist uabhägig vo E 1,..., E 1 wobei F ist uabhägig vo E 1,..., E k für alle [E 1,..., E k ] getestet werde muss. 2 Zufallsvariable 2.1 Iduzierter Raum ud Verteilug Wir komme zum wichtigste Begriff der Wahrscheilichkeitstheorie. I de meiste Situatioe ist ma icht a der gesamte Verteilug iteressiert, soder ur a bestimmte Date, die vom Experimet abhäge Beispiel. Im Lotto iteressiert die Azahl der richtige Zahle, beim zweimalige Würfel zum Beispiel die Augesumme, ud beim Müzwurf, im wievielte Wurf zum erste Mal Kopf kommt Defiitio. Sei (Ω, E, P ) ei Wahrscheilichkeitsraum, X : Ω W, F σ-algebra auf W. Falls X 1 (F ) E für alle F F, so heißt X Zufallsvariable auf Ω, geauer (W, F)-wertige Zufallsvariable. We W abzählbar oder edlich ist, so sei F = 2 W. Wir werde fast ausschließlich W R betrachte, F = Borelmege. X heißt da reelle Zufallsvariable Defiitio[iduzierter Wahrscheilichkeitsraum]. Der durch X iduzierte Wahrscheilichkeitsraum ist (W, F, P X ) mit P X (F ) = P (X 1 (F )). Wir schreibe kurz P (X F ) für P ({ω Ω X(ω) F }). Zum Beispiel P (X = x) = P ({ω Ω X(ω) = x}) oder P (X x) = P ({ω Ω X(ω) x}), falls W = R Satz. P X ist Wahrscheilichkeitsmaß auf (W, F). Beweis: P X (W ) = P (X 1 (W )) = P (Ω) = 1 P X ( F i ) = P (X 1 ( F i )) = P ( X 1 (F i )) = i i i i P (X 1 (F i )) = i P X (F i ) Beispiel. (i) Müzwurf, Ω = {K, Z}, P (K) = p, P (Z) = 1 p. Sei X = Nummer des erste Kopfwurfes, W = N. Es ist P (X = ) = (1 p) 1 p, ud wir erhalte die geometrische Verteilug für X. 14
15 2 ZUFALLSVARIABLEN 2.2 Diskrete Zufallsvariable (ii) Zweimaliges Würfel, Ω = {1, 2, 3, 4, 5, 6} 2 mit Gleichverteilug. Sei X = Augesumme, W = {1, 2,..., 12}. Da ist zum Beispiel P (X = 10) = 3 36 = P (X = s) = 1 #{(i, j) Ω i + j = s} Defiitio. Sei X : Ω R. Die Verteilugsfuktio vo X ist F X : R [0, 1] mit Offebar gilt F X (x) = P (X x) = P ({ω Ω X(ω) x}) lim F (x) = 0, lim = 1 x x x < y F (x) F (y) Ferer ist F (x) rechtsstetig, d.h. mit h 0 geht F (x + h) F (x) Beispiel. (i) Müzwurf. Ω = {K, Z}, X(K) = p, X(Z) = 1 p. Es ist 0 x < 0 F (x) = 1 p 0 x < 1 1 x 1 (ii) Idikatorvariable. Sei A E, I A : Ω R mit { 1 ω A I A (ω) = 0 ω A Es ist 0 x < 0 F IA (x) = 1 P (A) 0 x < 1 1 x 1 Ageomme, X ud Y sid zwei reelle Zufallsvariable, X, Y : Ω R. Wir fasse (X, Y ) als Zufallsvariable auf mit (X, Y ) : Ω 2 R 2, (X, Y )(ω 1, ω 2 ) = (X(ω 1 ), Y (ω 2 )). Allgemei seie X 1,..., X : Ω R, da ist (X 1,..., X ) : Ω R. Die gemeisame Verteilug ist 2.2 Diskrete Zufallsvariable F (x 1,..., x ) = P (X 1 x 1... X x ) Eie (reelle) Zufallsvariable X : Ω W R heißt diskret, falls W edlich oder abzählbar ist Defiitio[Uabhägigkeit]. Seie X, Y : Ω W R reelle Zufallsvariable. Wir werde X ud Y als uabhägig asehe, falls für alls A, B W gilt. P (X A Y B) = P (X A)P (Y B) 15
16 2.2 Diskrete Zufallsvariable 2 ZUFALLSVARIABLEN Lemma. Zwei diskrete Zufallsvariable X, Y : Ω W R sid geau da uabhägig, we P (X = x Y = y) = P (X = x)p (Y = y) x, y W gilt. Mit Iduktio gilt aalog das allgemeie Resultat: Die Zufallsvariable X 1,..., X : Ω W R sid geau da uabhägig, we ist für alle (x 1,..., x ) W. P (X 1 = x 1... X = x ) = P (X i = x i ) Defiitio[Erwartugswert]. Sei X : Ω R diskrete Zufallsvariable. Der Erwartugswert E(X) ist i=1 E(X) = x xp (X = x) = ω Ω X(ω)P (ω) falls die Summe absolut kovergiert Bemerkug. Der Erwartugswert gibt also a, was für ei Wert vo X im Mittel zu erwarte ist. Es gibt also stets ω, ω mit X(ω) E(X), X(ω ) E(X). Für edliche Mege Ω oder edlichem Wertebereich existiert E(X) atürlich immer Notiz. Im Fall der Gleichverteilug auf edlichem Ω, P (ω) = 1 Ω für ω Ω habe wir E(X) = 1 X(ω) Ω Ist Ω = {ω 1,..., ω }, X(ω i ) = x i, so köe wir ω E(X) = x x schreibe. E(X) ist somit der übliche Durchschittswert Beispiel[Gleichverteilug]. Sei Ω = {ω 1,..., ω } ud X(ω i ) = x i (gleichverteilt). Da ist E(X) = 1 Sei u Y = X 2 (y = x 2 ). da ist x i. i=1 E(Y ) = E(X 2 ) = 1 i=1 x 2 i 16
17 2 ZUFALLSVARIABLEN 2.3 Momete vo Zufallsvariable (ZV) 2.3 Momete vo Zufallsvariable (ZV) Defiitio[Momete eier Zufallsvariable]. (i) Es sei k N das k-te Momet vo X ist m k = E(X k ) (ii) Das k-te zetrale (zetrierte) Momet vo X ist σ k = E((x E(X)) k ) Bemerkug. Wichtige Spezialfälle sid der Erwartugswert m 1 = E(X) ud die Variaz σ 2 = E((x E(X)) 2 ) Ist eie Verteilug multimodal (d.h. mehrere Maxima i der Verteilug), so sid Erwartugswert ud Variaz icht sehr aussagekräftig. Gaußsche Zufallsvariable sid solche, die durch eie Gaußverteilug mit Dichte f(x) = 1 2πσ e (x m)2 2σ 2 erzeugt werde. Gaußsche Zufallsvariable sid vollstädig durch ihre erste beide Momete m = m 1, σ = σ 2 bestimmt. 2.4 Eigeschafte der Momete Satz[Liearität des Erwartugswertes]. Es seie X, X 1,..., X : Ω W Zufallsvariable auf Ω mit der Eigeschaft X = α 1 X α X. Da gilt E(X) = α i E(X i ), α i R Beweis: Nach Defiitio des Erwartugswertes gilt E(X) = X(ω)P (ω) = α i X i (ω)p (ω) = α i X i (ω)p (ω) = ω Ω ω Ω i=1 i=1 i=1 ω Ω α i E(X) i= Korollar. Es gilt Var(X) = E((X E(X)) 2 ) = E(X 2 ) (E(X)) Satz[Uabhägigkeit vo Zufallsvariable]. Es seie X : Ω V R ud Y : Ω W R zwei uabhägige Zufallsvariable auf Ω. Da gilt E(XY ) = E(X)E(Y ) Beweis: Nach Defiitio der Uabhägigkeit gilt E(XY ) = X(ω)Y (ω)p (ω) = xyp ((X = x) (Y = y)) ω Ω = (x,y) V W (x,y) V W xyp (X = x)p (Y = y) = ( xp (X = x))( yp (Y = y)) = E(X)E(Y ) x V y W ach Uabhägigkeit 17
18 2.4 Eigeschafte der Momete 2 ZUFALLSVARIABLEN Korollar. Sid X, Y uabhägige Zufallsvariable, so gilt Var(X + Y ) = Var(X) + Var(Y ) Beweis: Uter Verwedug der Eigeschafte des Erwartugswertes (EW) gilt Var(X + Y ) = E((X + Y ) 2 ) (E(X + Y )) 2 = E(X 2 + 2XY + Y 2 ) (E(X) + E(Y )) 2 = E(X 2 ) + E(XY ) + E(Y 2 ) (E(X)) 2 2E(X)E(Y ) (E(Y )) 2 = E(X 2 ) (E(X)) 2 + E(Y 2 ) (E(Y )) 2 = Var(X) + Var(Y ) Bemerkug. Die Umkehrug des Satzes über die Uabhägigkeit vo Zufallsvariable ud seiem Korollar gilt icht, eie Ausahme sid die Gaußsche Zufallsvariable. Uter lieare Trasformatioe X ax + b trasformiere sich die erste beide Momete wie E(X) ae(x) + b, Var(X) a 2 Var(X) Ist für eie Zufallsvariable X die Variaz Var(X) = 0, so ist P (X = E(X)) = 1. Die Umkehrug gilt auch Beispiel. (i) Momete der Beroulliverteilug (Müzwurf). Ω = {k, z} ud P (k) = p [0, 1], P (z) = 1 p. Zufallsvariable X : Ω {0, 1} mit X(k) = 1, X(z) = 0 (d.h. P (X = 1) = p, P (X = 0) = 1 p). Erwartugswert E(X) = xp (X = x) = 0 (1 p) + 1 p = p x 2-tes Momet E(X 2 ) = x 2 P (X = x) = p x Variaz Var(X) = E(X 2 ) (E(X)) 2 = p p 2 (ii) Uabhägige Wiederholuge (Müzwurf). Situatio wie i (i), aber wir führe uabhägige Wiederholuge aus. Zufallsvariable X = #Kopfwürfe ud wir schreibe X als { 1, Kopf im i-te Wurf X = x i, wobei x i = 0, sost i=1 Wahrscheilichkeit für k-mal Kopf ist P (X = k) = E(X) = p Var(X) = (p p 2 ) ( ) p k (1 p) k k 18
19 2 ZUFALLSVARIABLEN 2.5 Kovariaz ud Korrelatio Notiz. Im Folgede sei (Ω, E, P ) ei Wahrscheilichkeitsraum (Ω höchstes abzählbar) ud X : Ω W R eie reele Zufallsvariable auf Ω Beispiel. (i) Momete müsse icht existiere, z.b. sei Ω = N, X(ω k ) = k mit P (X = k) = c. k 3 c ist so gewählt, dass P (X = k) = 1, d.h. c = 1 = ζ(3). Bereche 1. ud 2. k 3 Momet: E(X) = E(X 2 ) = k c k 3 k N k 2 c k 3 k N k N c = ζ(2) k 2 ζ(3) k N c = = k = k N (ii) Momete der Poissoverteilug Ω = N0 ud wir betrachte P (X = ) = λ! e λ. Bereche wieder 1. ud 2. Momet: E(X) = λ! e λ = λ λ 1 ( 1)! e λ = λ =0 E(X 2 ) = 2 λ =0 =0 Berechug aus der Biomialverteilug: k N! e λ = λ + λ 2, d.h Var(X) = E(X 2 ) (E(X)) 2 lim p λ B(k,, p) = λk k! e λ Aus der letzte Vorlesug wisse wir, dass EB(X) = p, Var B (X) = (p p 2 ) EB(X) E(X) = λ, Var B (X) 2.5 Kovariaz ud Korrelatio Var(X) = λ Defiitio[Kovariaz]. Es seie X, Y : Ω W R zwei Zufallsvariable. Die Kovariaz vo X ud Y ist cov(x, Y ) = E((X E(X))(Y E(Y ))) Bemerkug[Kovariaz, Variaz ud Uabhägigkeit]. (i) Zwei Zufallsvariable X, Y heiße ukorreliert, we cor(x, Y ) = 0. Sid X ud Y uabhägig, so sid sie immer ukorreliert. Umkehrug gilt allerdigs icht. (ii) Offesichtlich gilt cor(x, X) = Var(X). Weiter gilt Var(αX + βy ) = α 2 Var(X) + β 2 Var(Y ) + 2αβcov(X, Y ) (iii) cov(, ) : W W R defiiert eie symmetrische, positiv semidefiite Biliearform, d.h. cov(x, Y ) = cov(y, X) cov(x, X) 0 (iv) Mittels Kovariaz lasse sich Skalarprodukte ud Norme defiiere, für die die übliche Idetitäte gelte. 19
20 2.6 Wichtige Ugleichuge für Wahrscheilichkeitsräume 2 ZUFALLSVARIABLEN 2.6 Wichtige Ugleichuge für Wahrscheilichkeitsräume Satz. Es seie X, Y : Ω W R. Da gilt die Cauchy-Schwarzsche Ugleichug (E(XY )) 2 E(X 2 )E(Y 2 ) Gleichheit gilt, we P (X = αy ) = 1 für α R Beweis: Wir uterscheide zwei Fälle: (i) Sei E(X 2 ) = 0. Das ist gleichbedeuted mit P (X = 0) = 1 bzw. P (X 0) = 0. Das heißt, dass E(XY ) = (x,y) xyp ((X = x) (Y = y)) = 0 Das heißt wir habe Gleichheit ud P (X = 0 Y ) = 1 (ii) Nu E(X 2 ) > 0 ud wir defiiere die Hilfs-Zufallsvariable Z := Y αx, für die gilt 0 E(Z 2 ) = E((Y αx) 2 ) = α 2 E(X 2 ) 2αE(XY ) + E(Y 2 ) α R Die Ugleichug gilt isbesodere für α = E(XY ) E(X 2 ), d.h. 0 (E(XY ))2 E(X 2 ) (E(XY ))2 2 E(X 2 + E(Y 2 (E(XY ))2 ) = ) E(X 2 + E(Y 2 ) ) Das ist gerade die Cauchy-Schwarzsche Ugleichug, wobei Gleichheit geau da gilt, we P (Y = αx) = Bemerkug. Astelle der Kovariaz wird häufig der Korrelatioskoeffiziet ρ(x, Y ) = cov(x, Y ) Var(X)Var(Y ) betrachtet. Nach der Cauchy-Schwarzsche Ugleichug ist (cov(x, Y )) 2 Var(X)Var(Y ) Daraus folgt sofort, dass 1 ρ(x, Y ) 1 mit Gleichheit, falls X, Y mit Wahrscheilichkeit 1 liear abhägig sid Satz[och mehr Ugleichuge..]. (i) Markov-Ugleichug: Sei X 0. da gilt P (X a) E(X) a a R (ii) Tschebyschev-Ugleichug: P ( X E(X) a) Var(X) a 2 a R 20
21 2 ZUFALLSVARIABLEN 2.7 Zufallsvariable mit Dichtefuktio Beweis: (i) E(X) = x xp (X = x) = x a xp (X = x) + x<a xp (X = x) x a xp (X = x) a x a P (X = x) = ap (X a) (ii) Wir defiiere Y = X E(X) 2 0. Da gilt ach (i) P ( X E(X) a) = P ( x E(X) 2 a 2 ) E(Y ) a 2 = Var(X) a Beispiel[Awedug der Ugleichuge]. Approximatio vo Erwartugswerte. Es sei X : Ω W R eie reelle Zufallsvariable mit uabhägige Kopie X 1,..., X (z.b. uabhägige Müzwürfe oder Versuche im Lotto zu gewie). Ferer sei Y = X X. Da gilt Mit der Tschebyschev-Ugleichug folgt: P ( X 1 + X X E(Y ) = E(X), Var(Y ) = Var(X) E(X) ε) 1 ε 2 Var(X) 0 ε > 0 D.h. die Güte der Schätzug vo E(X) durch uabhägige Ausführuge (Samples) hägt vo der Größe des Samples / Azahl der Versuche ud der Variaz vo X ab. 2.7 Zufallsvariable mit Dichtefuktio Aiger-Skript, S. 34 ff. Wie immer (Ω, E, P ) sei ei Wahrscheilichkeitsraum, wobei E eie geeigete σ-algebra über Ω (hier: die σ-algebra der Borelmege) Defiitio[Zufallsvariable mit Dichtefuktio]. Die Zufallsvariable X : Ω W = R wird stetig verteilt mit Verteilugsfuktio F (x) = P (X x), we F (x) die folgede Form hat: F (x) = x Dabei ist f 0 die Dichte vo X, d.h. es gilt f(s)ds f(s)ds = Notiz[Berechug vo Wahrscheilichkeite]. 21
22 2.8 Uabhägigkeit stetiger Zufallsvariable 2 ZUFALLSVARIABLEN Ereigissystem: F 2 W sei die σ-algebra der Borelmege vo W. Wahrscheilichkeit für X A, A F F (X A) = A W f(s)ds Isbesodere ist für A = [a, b] W : P (X A) = ud es gilt P (X = x) = 0 {x} F b a f(x)ds Beispiel. Zufallsvariable auf der Eiheitskreisscheibe. Ω = {(ω 1, ω 2 ) ω1 2 + ω2 2 1} ud wir defiiere X = ω1 2 + ω2 2, also Abstad zum Ursprug. Frage: Welches Wahrscheilichkeitsmaß iduziert X : Ω [0, 1]? P X ([c, d]) = P ({X [c, d]}) = Fläche des KreisrigsR cd Fläche vo Ω Welche Dichtefuktio f gehört zu P X? = πd2 πc 2 π = d 2 c 2 f(s) = 2s P X ([c, d]) = 2.8 Uabhägigkeit stetiger Zufallsvariable d c 2sds = d 2 c Defiitio[gemeisame Verteilug]. Es seie X, Y : Ω W R zwei Zufallsvariable mit Verteilugsfuktioe F X (x), F Y (y) ud Dichte f X, f Y. Als gemeisame Verteilug vo X ud Y bezeiche wir die Fuktio F (x, y) = P ({X x} {Y y}) = x y f(x, t)dsdt Dabei ist f(x, y) die gemeisame Wahrscheilichkeitsdichte vo X ud Y Defiitio[Uabhägigkeit]. Zwei Zufallsvariable X, Y heiße uabhägig, we die Ereigisse {X x} ud {Y y} uabhägig sid, d.h. we Notiz[Zetrale Frage]. F (x, y) = F X (x)f Y (y) (i) Was ist der Zusammehag zwische f(x, y), f X (x) ud f Y (y)? (ii) was heißt Uabhägigkeit für die Dichte f(x, y)? Lemma. Es seie X, Y : Ω W R zwei stetig verteilte Zufallsvariable mit gegebee Verteiluge F x, F y, F ud Dichte f X, f Y. Da gilt: 22
23 2 ZUFALLSVARIABLEN 2.8 Uabhägigkeit stetiger Zufallsvariable (i) f X (x) = f(x, y)dy, f Y (y) = f(x, y)dx (ii) X ud Y sid geau da üabhägig, we f(x, y) = f X (x)f Y (y) Mit f { f(x) x W 0 sost folgt W = R. Beweis: (i) F X (x) = P (X x) = lim P ({X x} {Y y}) y = x f(x, t)dsdt Nu gilt aber f X (x) = F X(x) = f(x, t)dt (ii) : X, Y uabhägig, d.h. F = F X F Y ud es gilt δ 2 δxδy F (x, y) = f(x, y) f(x, y) = f X(x)f Y (y) : Umgekehrt folgt aus f(x, y) = f X (x)f Y (y), dass F (x, y) = x y x = ( f X (s)f Y (t)dsdt = f X (s)ds)( y x y ( f Y (t)dt)f X (s)ds f Y (t)dt) = F X (x)f Y (y) Beispiel[Gaußsche Zufallsvariable]. Es seie X 1, X 2 Zufallsvariable, dere Verteilugsfuktio durch eie Gaußdichte gegebe ist. Bekat sei die gemeisame Gaußverteilug vo X = (X 1, X 2 ): Erwartugswert E(X i ) = 0 für i = 1, 2. Kovariaz C ij = E(X i X j ) für i, j = 1, 2. Kovariazmatrix C = (C ij ) R 2 2, C = C t > 0. 23
24 2.9 Erwartugswert ud Variaz 2 ZUFALLSVARIABLEN gemeisame Gaußdichte für x = (x 1, x 2 ): f(x) = 1 2π det C e 1 2 xt C 1 x wobei x t Ax = i,j A ij x i x j X 1, X 2 uabhägig geau da, we C diagoal ist. ( ) Fall: C = 0 1 ( ) Fall: C = Fall (abhägig): C = 4.Fall: C = ( ) 1 δ δ 1 ( ) 1 c, c >> δ c 2 Falls X 1, X 2 abhägig, so ädert sich der Erwartugswert uter der bedigte Wahrscheilichkeit, dass etweder X 1 oder X 2 bekat ist Defiitio[Margialverteilug (Radverteilug)]. F X (x) = lim P ({X x} {Y y}) = y x margiale Dichte f X (x) = f(x, y)dy (aalog für F Y, f Y ). 2.9 Erwartugswert ud Variaz f(s, t)dtds Defiitio. Es sei X eie stetige Zufallsvariable mit Dichtefuktio f 0. Da defiiere wir de Erwartugswert als ud die Variaz als Var(X) = Beispiel[Gleichverteilug]. E(X) = xf(x)dx (x E(X)) 2 f(x)dx Sei X : Ω [a, b] R gleichverteilt mit Dichte Erwartugswert ud Variaz: E(X) = b a f(x) = (b a) 1 x b a dx = [ x 2 ] b 2b 2a a = b2 a 2 2b 2a = a + b 2 Var(X) = b a ( x a+b 2 )2 dx = b a (b a)
25 2 ZUFALLSVARIABLEN 2.10 Eigeschafte vo Erwartugswert ud Variaz Dichte ud die Verteilugsfuktio auf R: x 0 x (, a) F (x) = P (X x) = f(x)dx = x a b a x [a, b] 1 x (a, ) 0 x (, a) f(x) = 1 b a x [a, b] 0 x (b, ) Beispiel[Erwartugswert der Gaußverteilug]. X sei eie stadard-ormalverteilte Zufallsvariable, d.h. mit Dichte Was ist E(X)? E(X) = xf(x)dx = 1 2π f(x) = 1 e x2 2 2π 2.10 Eigeschafte vo Erwartugswert ud Variaz xe x2 2 dx = 0,da xe x2 2 symmetrisch zum Ursprug Satz. Es sei X : Ω W R eie stetige Zufallsvariable mit Dichtefuktio f 0 ud g : W W R eie stetig differezierbare Fuktio mit g > 0. Da gilt: E(g(X)) = g(x)f(x)dx W R Beweis: Wir defiiere Y = g(x) als eue Zufallsvariable ud wir ehme zuächst a, dass Y die Dichte h 0 habe. E(Y ) = yh(y)dy Nu ist g 0 g ist ivertierbar. D.h. X = g 1 (Y ) ud es folgt, dass E(Y ) = yh(y)dy = g(x)h(g(x))g (x)dx W W g 1 (W ) wobei wir y = g(x) ud dy = g (x)dx substituiert habe. Bleibt zu zeige: h 0 existiert (als Dichtefuktio) ud f(x) = h(g(x))g (x). Nu ist F (x) = P (X x) = P (y g(x)) g(x) = h(y)dy = x h(g(u))g (u)du Substitutio: y = g(x) 25
26 2.10 Eigeschafte vo Erwartugswert ud Variaz 2 ZUFALLSVARIABLEN Für die Verteilugsfuktio gilt F (x) = f(x) F (x) = h(g(x))g (x) = f(x) Durch Umdrehe der Substitutio folgt aalog: h(y) = f(g 1 (y)) g (g 1 (y)) Bemerkug. (i) Ei Nebeprodukt des Satzes war die folgede Trasformatiosformel für Zufallsvariable: Hat X die Dichte f(x), da hat Y = g(x), g (x) 0 die Dichte h(y) = f(g 1 (y)) g (g 1 (y)) f(x) = h(g(x))g (x) (ii) Der Satz gilt gleichermaße für mehrere Zufallsvariable X 1,..., X mit gemeiesamer Dichte f(x 1,..., x ): E(g(X 1,..., X )) = g(x 1,..., x )f(x 1,..., x )dx 1... dx Folgerug[Umittelbare Folgeruge aus dem Satz]. (i) Var(X) = W (X E(X))2 f(x)dx = E((X E(X)) 2 ) = E(X 2 ) (E(X)) 2 (ii) E(αX + β) = αe(x) + β α, β R (ii) E(α 1 X α X ) = α 1 E(X 1 ) α E(X ), α i R Beweis: X 1,..., X mit gemeiesamer Dichtefuktio f(x 1,..., x ) ud g(x 1,..., x ) = i=1 α ix i E( α i x i ) = ( α i x i )f(x 1,..., x )dx = α i i=1 = i=1 α i x i f Xi (x i )dx i = i=1 W i=1 i=1 α i E(X i ) x i f(x 1,..., x )dx 1... dx Wobei wir ausgeutzt habe, dass f Xi (x i ) = f(x 1,..., x i, x i+1,..., x )dx 1... dx i 1 dx i+1... dx (iii) Var(αX + β) = α 2 Var(X) αβ R (iv) P (X A) = E(χ A (X)) A E 26
27 2 ZUFALLSVARIABLEN 2.11 Summe vo Zufallsvariable (Faltug) Beispiel[Trasformatio Gaußscher Zufallsvariable]. Sei X stadard-ormalverteilt mit Dichte f(x) = 1 e x2 2 2π Betrachte eie eue Zufallsvariable Y = σx + µ, σ > 0. Was ist die Dichte vo Y? Möglichkeit 1: Berechug vo Y, Var(Y ): E(Y ) = E(σX + µ) = σe(x) + µ Var(Y ) = σ 2 Var(X) h(y) = 1 2πσ e (y µ)2 2σ 2 Möglichkeit 2: Trasformatiosformel g(x) = σx + µ g (x) = σ > 0, g 1 (y) = y µ σ Eisetze: h(y) = f(g 1 (y)) g (g 1 (y)) = 1 e (y µ)2 2σ 2 2πσ 2.11 Summe vo Zufallsvariable (Faltug) Im Folgede seie X, Y : Ω R zwei Zufallsvariable mit gemeisamer Dichte f(x, y). Gesucht: Dichte ud die Verteilugsfuktio der Summe Z = X + Y Beispiel. (i) Verteilug des arithmetische Mittels X+Y 2 (ii) Toleraze bei zusammegesetzte Bauteile (iii) Summe der Augezahle beim Würfel (diskret) Notiz[Zetrale Frage]. (i) I welche Fälle lässt sich die Verteilug F X+Y bzw. die Dichte f X+Y (elemetar) aus de f X, f Y bzw. F X, F Y bereche? (ii) Ist die Verteilug der Summe vom gleiche Typ wie die Verteilug der Summade? Satz. Es seie X, Y : Ω R Zufallsvariable mit Dichte f(x, y). Da hat Z = X + Y die Dichtefuktio f Z (z) = f(x, z x)dx = f(z x, x)dx 27
28 2.11 Summe vo Zufallsvariable (Faltug) 2 ZUFALLSVARIABLEN Beweis: Wir bereche die Verteilugsfuktio F Z für das Ereigis {Z z} = {(x, y) x + y z} R R Ist F Z (z) = P (Z z) bekat, da bekomme wir die Dichte aus f Z (z) = F Z (z). F Z (z) = {Z z} f(x, t)dsdt = z s s= t= f(s, t)dsdt Neue Variable: x = s, y = s + t s = x, t = y x dsdt = dxdy (Determiate = 1). F Z (z) = z x= y= f Z (z) = F Z(z) = f(x, y x)dxdy = f(x, z x)dx z ( f(x, y x)dx)dy Korollar. Sid X, Y uabhägig ( f(x, y) = f X (x)f Y (y)), da ist f X+Y (z) = f X (x)f Y (z x)dx = f X (z x)f Y (x)dx Der Itegralausdruck f(x)g(z s)ds = (f g)(z) wird Faltug geat Bemerkug. (i) Die Faltug ist assoziativ, d.h. f g h = (f g) h = f (g h) Daher lässt sich der Satz (bzw. seie Folgerug) leicht durch Iduktio auf uabhägige Zufallsvariable X 1,..., X verallgemeier. (ii) Im diskrete Fall ist die Verteilug der Summe zweier Zufallsvariable X, Y : Ω W N durch die diskrete Faltug P X+Y (k) = P X (i)p Y (k i), k W N Beispiel[Summe gleichverteilter Zufallsvariable]. Seie X, Y : Ω [0, 1] uabhägig ud gleichverteilt mit f X = f Y = 1 auf [0, 1] ud f X = f Y = 0 sost. Dichte vo X + Y? f X+Y (z) = f X (s)f Y (z s)ds 28
29 2 ZUFALLSVARIABLEN 2.12 Expoetialverteilug (Wartezeitmodelle) Wir uterscheide zwei Fälle: z [0, 1]: z f X+Y (z) = 1ds = z 0 z [1, 2]: f X+Y (z) = 1 z 1 1ds = 2 z D.h. X + Y ist icht gleichverteilt! Beispiel[weitere Beispiele..]. Gaußverteilug: Sid X 1, X 2 uabhägig gaußverteilt mit Erwartugswert µ 1, µ 2 ud Variaz σ 1, σ 2 (Notatio: X i N(µ i, σi 2 )), da gilt X 1 + X 2 N(µ 1 + µ 2, σ σ 2 2) Expoetialverteilug: Sid X 1, X 2 : Ω [0, ) uabhägig expoetialverteilt mit Dichte f i (x) = λe λx, λ > 0, i {1, 2}, da hat die Summe die Dichte f X1 +X 2 (z) = λ 2 e λz z Falls Dichte uterschiedlich mit λ 1 λ2, da folgt f X1 +X 2 (z) = λ 1 λ Expoetialverteilug (Wartezeitmodelle) Modellierug vo zufällige Zeititervalle (Wartezeite) Beispiel. Zeit zwische zwei Arufe Zeit, bis ei Fisch abeißt z Zahl der Würfe bis zur ächste 6 0 e λ 1s e λ 2(z s) ds = λ 1λ 2 λ 2 λ 1 (e λ 1z e λ 2z ) Defiitio[gedächtislose Wartezeit]. Es sei X : Ω [0, ) eie Zufallsvariable auf Ω. X heißt gedächtislose Wartezeit, we P (X x + t X t) = P (X x) Satz. Folgede Aussage sid äquivalet: (i) X ist eie gedächtislose Wartezeit (ii) X ist expoetialverteilt mit Dichte f(x) = λe λx für ei λ > 0 29
30 2.12 Expoetialverteilug (Wartezeitmodelle) 2 ZUFALLSVARIABLEN Beweis: Wir zeige zuächst, dass die Defiitio gleichbedeuted ist mit der Aussage P (X s+t) = P (X s)p (X t) x, t [0, ). Nach Defiitio bedigter Wahrscheilichkeite ist P (X s + t X t) = P ({X s + t} {X t}) P (X t) = P (X s + t) P (X t) Also (ii) (i) : Verteilugsfuktio F (x) = P (X x) = x 0 f(s)ds = λ x 0 e λs ds = 1 e λx P (X x) = 1 P (X x) = e λx P (X s + t) = e λ(s+t) = e λs e λt = P (X t)p (X s) Nu (i) (ii) : Setze G(x) = 1 F (x), wobei F (x) = P (X x) ist ud sich G(x) = x g(s)ds schreibe lässt. Eigeschafte vo G: (a) G(0) = 1 (gleichbedeuted mit P (Ω) = 1) (b) G(s + t) = G(s)G(t) (Defiitio für die gedächtislose Wartezeit) (c) lim G(x) = 0 (da G = 1 F ) x Zu zeige: (a) - (c) bestimme eideutig G(x) = e αx, α < 0 (d.h. α = λ). De da folgt f(x) = F (x) = G (x) = δ δx (e λx ) = λe λx Beweis i zwei Schritte: Wir zeige zuächst, dass G(s) > 0 s 0. Es ist G(0) > 0 ud wege der Stetigkeit existiert ei ε > 0, so dass G(s) > 0 s [0, ε]. G(s) > 0 s 0, de G(s) = G( s )... G( s ) = G( s }{{} ) -mal ud es gibt ei 0 N, so dass s [0, ε] > 0. Nu gilt, dass G(1) = e α > 0, α = log G(1) R. Defiiere u eie Fuktio G(s) = e αs. Wir were zeige, dass G(s) = G(s) für alle s = m Q+. Es gilt G(1) = G( m m ) (b) = G( 1 m )m = G(1) = e α G( 1 m ) = G( 1 m ). Also gilt auch G( 1 m ) = G( 1 m ) bzw. (wege (b)) G( m ) = G( m ) N 0, m N. Wege der Stetigkeit gilt G(s) = G(s) s 0. Wege (c) muss α < 0 gelte. Wir setze α = λ, λ > 0 ud sid fertig Bemerkug. (i) Oft ist die Aahme, dass eie Wartezeit gedächtislos ist, Ufug. Deoch ist die Expoetialverteilug oft (meist) eie gute (erste) Näherug. 30
31 2 ZUFALLSVARIABLEN 2.12 Expoetialverteilug (Wartezeitmodelle) (ii) Warte muss icht otwedigerweise i Zeiteiheite gemesse werde. Beispiel: Strecke bis zum ächste Ufall auf der Autobah oder Seite bis zum ächste Tippfehler i eiem Text. (iii) Die diskrete Variate der gedächtislose Wartezeit wird durch die geometrische Verteilug P () = q 1 (1 q) mit q = 1 p beschriebe. Beispiel: Wa kommt die ächste 6 beim Würfel? Beispiel[Hotlie]. Hotlie agerufe - es ist besetzt. Sie wisse aus Erfahrug, dass die durchschittliche Wartezeit 10 Miute beträgt. Wie groß ist die Wahrscheilichkeit, ach 5 Mitue drazukomme? Aahme: Wartezeit ist expoetialverteilt. Begrüdug: f(x) = λe λx mit λ = 1 10 Miute E(X) = = λ 0 0 xf(x)dx xe λx dx = [ xe λx ] 0 + }{{} =0 0 e λx dx (durchschittliche Wartezeit) = 1 λ [e λx ] 0 = 1 λ Was us iteressiert ist: P (X 5) = 1 5 e x 10 = [ e x 10 ] = 1 e 1 2 0, 39 0 Wie lage muss ma warte, um mit 90%-iger Sicherheit a die Reihe zu komme? P (X T ) = F (T ) = 1 10 T 0 e x 10 0, 9 Also 1 e T 10 0, 9, d.h. T 23 Miute. Hotlie 2-mal agerufe, beide Male besetzt bzw. 1-mal agerufe ud sie wisse, dass eie Perso vor ihe ist. Was ist die Verteilug der summierte Wartezeite? (Satz: f X+Y (x) = (f X f Y )(x)). 31
32 2.13 Mehr zu Uabhägigkeit 2 ZUFALLSVARIABLEN Aahme f X = f Y mit Parameter λ > 0: f X+Y (x) = λ 2 x 0 e λs e λ(x s) ds = λ 2 e λx x f X, f Y uterschiedlich mit Parameter λ, µ > 0: Es lässt sich zeige, dass Beweis mit l Hospital Mehr zu Uabhägigkeit f X+Y (x) = λµ µ λ (e λx e µx ) lim f X+Y = f X+Y (x) µ λ Wir betrachte u de Fall vo uabhägige Zufallsvariable X 1,..., X Beispiel. Hotlie mit Leituge Satz. Es seie X 1,..., X uabhägig expoetialverteilt mit Parameter λ > 0. Da gilt (i) X mi = mi{x 1,..., X } ist expoetialverteilt mit Parameter λ. (ii) X max = max{x 1,..., X } hat die Dichte f max = λe λx (1 e λx ) 1 Beweis: F mi,max = P (X mi,max x) ud G mi,max (x) = 1 F mi,max (x). (i) Es gilt G mi (x) = P (X mi x) = P ({X 1 x}... {X x}) = = P (X i x) (1 F (x)) = e λx siehe letzte VL i=1 Dichte: f mi (x) = F mi (x) = (1 G mi(x)) = λe λx (ii) F max (x) = P (X i x) = (F (x)) = (1 e λx ) (siehe letzte VL). i=0 i=1 f max (x) = F max(x) = (1 e λx ) 1 λe λx Korollar. Es gilt (i) E(X mi ) = 1 λ 0 für 32
33 3 GRENZWERTSÄTZE (ii) E(X max ) = 1 λ 1 i für i=1 Beweis: Erwartugswerte ausreche! Beispiel. (i) 3 uabhägige Kühlkreisläufe i eiem AKW: E(X max ) = 1 λ ( ) = 11 6λ 2 λ (ii) Sportlehrer wartet auf 30 Schüler, die sich umziehe: 3 Grezwertsätze E(X max ) = 3mi( ) >> 3mi Kovergez vo Zufallsvariable { 1 falls 6 gewürfelt Beispiel. Fairer Würfel, X =, X 1, X 2,... seie uabhägige 0 sost Kopie vo X. Y := X X 1 6 für große = relativer Ateil vo Würfe, die 6 ergebe bzw. Y 1 6, aber was heißt das geau? Beispiel. X gleichverteilt auf [0, 1], X 1, X 2,... uabhägige Kopie vo X. Wie sieht die Dichte vo X X für verschiedee aus? Für große ähelt sich die Faltug immer mehr der Normalverteilug. Bei der Dichte vo X X für verschiedee? Es kovergiert gege x = 0, 5 (vertikaler Strich) Erierug. (a ) N Folge i R. a a : ε > 0 0 N : 0 : a a < ε Defiitio. Seie X 1, X 2,... Zufallsvariable i R auf (Ω, E, P ). a) X X fast sicher : P ({ω Ω X (ω) X(ω)}) = P (X X) = 1 f.s. Schreibweise: X X b) X X i Wahrscheilichkeit : P ({ω Ω X (ω) X(ω) > ε}) 0 ε > 0 i.w. Schreibweise (kurz): X X P ( X X > ε) 0 ε > 0 c) X X i Verteilug : P (X x) P (X x) (d.h. X X (x) F X (x)) für alle x R, i dee F X stetig ist. i.v. Schreibweise: X X 33
34 3.1 Kovergez vo Zufallsvariable 3 GRENZWERTSÄTZE Bemerkug. Ei Ereigis ist fast sicher, falls P (Ereigis) = Satz. (i) X f.s. X X i.w. X (ii) X i.w. X X i.v. X Beweis: (i) O.B.d.A. X = 0 (sost ehme X X). Wir wisse P (X 0) = 1. Zu zeige: ε P ( X > ε) 0. Sei ε fest. Defiiere A := {ω Ω X k (ω) ε k }. Es gilt also A 1 A 2... Sei ω Ω mit X (ω) 0. Da existiert 0 N mit X (ω) ε 0. D.h. ω A 0. Es gilt {ω Ω X (ω) 0} A }{{} N hat Wahrscheilichkeit 1 Es gilt außerdem, dass P ( A ) = lim P (A ). Zusamme habe wir: N 1 = P ( N A ) = lim P (A ) Nu {ω Ω X (ω) > ε} Ω \ A ud damit P ( X > ε) 1 P (A ). lim P ( X > ε) = lim 1 P (A ) = 0 Ud damit { ist die Implikatio gezeigt. Gegebeispiel für die Rückrichtug: 1 X = mit P (X = 1) = 1 0 ud P (X = 0) = 1 1. P (X > ε) = { 1 0 < ε < ε 1 0 X i.w. 0 f.s. Aber X 0, de: Defiiere A := {ω Ω X k (ω) = 0 für k }, Eigeschafte vo A also wie im Beweis. Es lässt sich zeige: A = {ω Ω X (ω) 0} ud P (A ) = 0 1 P ( A ) = 0 P (X 0) = 0 N i.w. (ii) Sei X X, d.h. P ( X X > ε) F (x) = P (X x). Sei ε > 0 fest. Es gilt: 0 ε > 0. Sei F (x) = P (X x), F (x) = P (X x) = P (X x X x + ε) + P (X x X > x + ε) }{{}}{{} P (X x+ε)=f (x+ε) P ( X X >ε) 34
35 3 GRENZWERTSÄTZE 3.1 Kovergez vo Zufallsvariable Außerdem: F (x ε) = P (X x ε) = P (X x ε X x) + P (X x ε X > x) }{{}}{{} F (x) P ( X X >ε) Zusamme: F (x ε) P ( X X > ε) F (x) F (x + ε) + P ( X X > ε) }{{}}{{} 0 0 Nach Quetschlemma: F (x) = lim i.v. (x), also X X. { Gegebeispiel für die Rückrichtug: X = 0 1 mit P (X = 0) = 1 2 = P (X = 1). X 1 =... = X = X. Setze Y = 1 X. 0 x < 0 F (x) = P (X x) = x < 1 1 x 1 ud F Y (x) = P (Y x) = P (X x) = F (x) = F (x). Aber X Y = 1, d.h. P ( X Y = 1) = 1 P ( X Y > ε) = 0 ε < 1 ud somit ist keie Kovergez gege 0 möglich Satz[Das schwache Gesetz der große Zahl]. Seie X 1, X 2,... uabhägige Kopie vo eier reelle Zufallsvariable X. Da gilt: P ( X X E(X) ε) 0 ε > 0 d.h. X X i.w. E(X). Geauer: Im Beispiel: Würfel X = P ( X X E(X) ε) Var(X) ε 2 }{{} 0 { 0 falls 6 1 sost E(X) = 1 6. Beweis: Eifach die Tschebyschev-Ugleichug awede. E(X), Var( X ) = 1 Var(X) = VarX 2 Tschebyscheff: P ( X E(X) ε) Var X = VarX ε 2 ε Bemerkug[Kovergezbegriffe, Zusammestellug]. ε > 0 X := X X. E( X ) = Fast sichere Kovergez: X f.s. X P ({ω Ω X (ω) X(ω)}) = 1 35
36 3.2 Borel-Catelli-Lemma(0-1-Gesetz) 3 GRENZWERTSÄTZE Kovergez i Wahrscheilichkeit X Kovergez i Verteilug i.w. X P ({ω Ω X (ω) X(ω) > ε}) 0 ε > 0 X i.v. X P (X x) P (X x) Iterpretatio: Fast sichere Kovergez ud Kovergez i Wahrscheilichkeit sid Aussage über eizele Ausführuge eies Zufallsexperimets. Kovergez im Verteilugssie betrifft das Verhalte im Mittel Beispiel[Schwaches Gesetz der große Zahl]. Relative Häufigkeit der 6 beim Würfel, X i = { 6 beim i-te Wurf} Fairer Würfel: E(X i ) = p = 1 6, Var(X i) = p(1 p) = 1 36 (X i beroulliverteilt mit Wahrscheilichkeit p = 1 6 ). Schwaches Gesetz der große Zahle: P ( X X }{{} empirisches Mittel 1 6 }{{} Grezwert p=e(x) 3.2 Borel-Catelli-Lemma(0-1-Gesetz) ε) Var( X X )) ε 2 = 1 }{{} ε Kovergezrate Hilfssatz zur Utersuchug der Kovergez vo Zufallsvariable ( starkes Gesetz der große Zahle) Notiz[Voraussetzuge]. (i) Es sei (Ω, E, P ) ei Wahrscheilichkeitsraum, A 1, A 2,... eie uedliche Folge vo Ereigisse mit A i E. Frage: Welche Ereigisse komme uedlich oft vor? Etwas präziser: Wir frage ach ω Ω, die i uedlich viele A i liege, i Formel: A = {ω Ω ω A k für uedlich viele k} Beispiel: Auftrete der 6 beim Würfel. Stichproberaum Ω = {(ω 1, ω 2,...)}, ω i {1, 2, 3, 4, 5, 6}, also eie uedliche Folge vo Würfe. Wir betrachte die Ereigisfolge A 1, A 2,... mit A i = { 6 beim i-te Wurf}. D.h. A = {ω Ω ω k = 6 uedlich oft} (ii) A ist ei Ereigis, de A lässt sich als A = lim sup A = B mit B = =1 k schreibe, d.h. A E ud es gilt, dass B 1 B 2... eie aufsteigede Kette bilde, weshalb P (A ) = P ( ) = lim P (B ) (Stetigkeit vo Obe) =1 A k 36
37 3 GRENZWERTSÄTZE 3.2 Borel-Catelli-Lemma(0-1-Gesetz) Satz[Borel-Catelli-Lemma]. Ist k 1P (A k ) <, so gilt P (A ) = 0 Sid A 1, A 2,... uabhägig ud k 1A k =, da ist P (A ) = 1 Beweis: (i) Wege der Kovergez der Reihe k 1A k gilt, dass lim P (A k ) = 0. k P (B 1 ) P (A k ) folgt, dass k Wege P (A ) = lim P (B ) = 0 (ii) Wir werde zeige, dass P (A c ) = 0. Wege der Uabhägigkeit vo A 1, A 2,... sid auch A c 1, Ac 2,... uabhägig ud somit ist Daher ist Es folgt: P ( A c i) = i=1 (1 P (A i )) }{{} =P (A c i ) i=1 i=1 lim P ( A c i) = 0 i=1 P (A c ) = P (( A k ) c =1 k }{{} =lim if A c Also gilt, dass P (A c ) = 0 ud somit P (A ) = 1. e P (A i) = e i=1 P (A i) ) = lim P ( A c k ) k Bemerkug. Ohe die Uabhägigkeit der A 1, A 2,... ist (ii) falsch: Mit z.b. A 1, so dass 0 < P (A 1 ) < 1 ud A k = A 1 k, folgt, dass P (A ) = P (ω A 1 ) (0, 1) Beispiel. (i) Würfel: A i = { 6 im i-te Wurf} hat die Wahrscheilichkeit, eie 6 zu würfel, d.h. P (A i ) = 1 6. Also ist P (A k) = ud die 6 tritt fast sicher uedlich oft k 1 auf. (ii) Ifiite Mokey Theorem: Affe drückt wohllos (d.h. gleichverteilt) Taste eier Schreibmaschie ud A i sei das Ergebis, alle Bäde vo Shakespeare. Auch hier ist P (A k ) =, d.h. Shakespeare wird oft geschriebe. k 1 (iii) Ureexperimet: Seie U 1, U 2,... Ure mit rote ud weiße Kugel, wobei U gerade 1 weiße ud α 1 rote Kugel hat. P ({weiße Kugel im i-te Zug} ) = }{{} A i 1 α 37
Einführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrKompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0
Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
Mehrf X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
Mehr2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33
2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33 2. Zufallsvariable ud ihre Verteiluge 2.1. Defiitio der Zufallsvariable Defiitio 2.1. Seie (Ω, F) ud (Ω, F ) messbare Räume ud IIP ei Wahrscheilichkeitsmass
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
MehrVorlesung gehalten von Martin Aigner. Wintersemester 2008/9
ELEMENTARE STOCHASTIK Vorlesug gehalte vo Marti Aiger Witersemester 2008/9 Ihaltsverzeichis 1 Grudbegriffe........................... 1 1.1 Zufall........................... 1 1.2 Wahrscheilichkeitsräume................
MehrInduktive Statistik. Formelsammlung. Prof. Dr. W. Assenmacher. Stichprobenraum: Ω = {ω 1, ω 2,...,ω m }
Prof. Dr. W. Assemacher Statistik ud Ökoometrie Uiversität Duisburg-Esse Campus Esse Iduktive Statistik Formelsammlug Stichproberaum: Ω = {ω 1, ω,...,ω m } Vollstädiges System vo Ereigisse {A 1,..., A
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrX n = 10 j Y j. i.w. i.w. i.v.
3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9},
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability ad Statistics FS 208 Prüfug 3.08.208 Dauer: 80 Miute Name: Legi-Nummer: Diese Prüfug ethält 4 Seite (zusamme mit dem Deckblatt) ud 0 Aufgabe. Das Formelblatt wird separat verteilt. Begrüde
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
MehrStochastik im SoSe 2018 Übungsblatt 2
Stochasti im SoSe 2018 Übugsblatt 2 K. Paagiotou/ L. Ramzews / S. Reisser Lösuge zu de Aufgabe. Aufgabe 1 Eie Ure ethält B blaue, R rote ud G grüe Bälle. Wir ziehe eie Teilmege mit geau Bälle aus der Ure,
MehrEreignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)
Kapitel 10 Statistik 10.1 Wahrscheilichkeit Das Ergebis eier Messug oder Beobachtug wird Ereigis geat. Ereigisse werde mit de Buchstabe A, B,...bezeichet. Die Messug eier kotiuierliche Variable x gibt
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
MehrWir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
MehrFakultät für Wirtschafts- und Rechtswissenschaften
F A C H H O C H S C H U L E K Ö L N Fakultät für Wirtschafts- ud Rechtswisseschafte F O R M E L S A M M L U N G Deskriptive Statistik Iduktive Statistik Herausgeber: c 2004 Fachgruppe Quatitative Methode
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
Mehr1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A
1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es
MehrStochastik I TU Dortmund, Sommersemester 2014
Stochastik I TU Dortmud, Sommersemester 204 Dieses Vorlesugsskript ist aus meier persöliche Mitschrift der Vorlesug Stochastik I bei Professor Dr. M. Voit im Sommersemester 204 etstade. Ich habe versucht
MehrVorbereitung auf 6. Übungsblatt (Präsenzübungen) - Lösungen
Prof. Dr. Raier Dahlhaus Statisti Witersemester 06/07 Vorbereitug auf 6. Übugsblatt Präsezübuge - Lösuge Aufgabe P0 Bereche vo UMVU-Schätzer. Gegebe sei jeweils ei statistisches Modell R, B R, P θ, θ Θ
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrEinführung in die Wahrscheinlichkeitstheorie und Statistik
Uiversität Regesburg Fakultät Mathematik Vorlesugsmitschrift Eiführug i die Wahrscheilichkeitstheorie ud Statistik Prof. Helmut Abels Sommersemester 009 L A TEX: Frak Reihold Ihaltsverzeichis 0 Eileitug
MehrStochastik für Informatiker. In L A TEX von: Manuel Albert
Stochastik für Iformatiker I L A TEX vo: Mauel Albert Stad: 11.07.2011 Ihaltsverzeichis 1 Wahrscheilichkeitstheorie 2 1.1 Wahrscheilichkeit.................................... 2 1.2 Laplace sche Wahrscheilichkeitsräume........................
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
Mehrn=1 b n, deren Summe n=1 (a n + b n ) eine konvergente Reihe ist. Die Aussage ist WAHR, ein mögliches Beispiel sind die divergenten Reihen 1
ANALYSIS WS 08/09 Vorlesug: Prof. Dr. P. Ullrich Übuge: Dr. I. Kharif/ Dr. M. Steihauer 9. ÜBUNGSBLATT- LÖSUNGSHINWEISE/Ergebisse Die folgede Bearbeituge sid - zum Teil - keie ausführliche Musterlösuge,
MehrFormelsammlung Statistik 29. Januar 2019
Formelsammlug Statistik Seite 1 Formelsammlug Statistik 9. Jauar 019 Witersemester 018/19 Adreas Löpker, HTW Dresde 1. Deskriptive Statistik (F1) Stichprobe x vom Umfag, Stichprobe y vom Umfag m x = (x
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
MehrMetrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan
Metrisierbarkeit Techische Uiversität Wie Semiararbeit aus Aalysis WS 04 Sia Özcaliska Ihaltsverzeichis Eileitug 3 Der Metrisierbarkeitssatz vo Alexadroff-Urysoh 3 3 Der Metrisierbarkeitssatz vo Nagata-Smirov
Mehr3. Taylorformel und Taylorreihen
Prof Dr Siegfried Echterhoff Aalysis Vorlesug SS 9 3 Taylorformel ud Taylorreihe Sei I R ei Itervall ud sei f : I R eie Fuktio Ziel: Wolle utersuche, wa sich die Fuktio f i eier Umgebug vo eiem Pukt I
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheilichkeitstheorie ud Statistik Fraz Hofbauer Diese Vorlesug brigt eie elemetare Eiführug i die Wahrscheilichkeitstheorie ohe Verwedug der Maßtheorie. Sie besteht aus drei Teile. Im erste Teil wird
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrKATA LOGO Mathematik Statistik Wahrscheinlichkeitsverteilungen
KATA LOGO Mathematik Statistik Wahrscheilichkeitsverteiluge x = reelle Zahl X = Zufallsgröße 1. Diskrete Zufallsgröße Beschreibug durch: a) Liste ihrer Merkmalswerte (x1,x2,...) b) dazugehörige Wahrscheilichkeite
MehrStochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014
Stochastik I Adrej Depperschmidt Vorlesugsskript Uiversität Maiz Sommersemester 2014 Versio: 12. Mai 2016 Vorwort Bei diesem Skript hadelt es sich um Vorlesugsotize, die parallel zur Vorlesug Stochastik
Mehr4-1 Elementare Zahlentheorie
4-1 Elemetare Zahletheorie 4. Dirichlet s Satz über Primzahle i arithmetische Progressioe. Satz (Dirichlet 1837). Seie a, k atürliche Zahle. Sid die Zahle a, k teilerfremd, so gibt es uedlich viele Primzahle
MehrKapitel 2: Laplacesche Wahrscheinlichkeitsräume
- 12 - (Kapitel 2 : Laplacesche Wahrscheilicheitsräume) Kapitel 2: Laplacesche Wahrscheilicheitsräume Wie beim uverfälschte Müzewurf ud beim uverfälschte Würfel spiele Symmetrieüberleguge, die jedem Elemetarereigis
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
MehrWahrscheinlichkeit und Statistik Zusammenfassung
Wahrscheilichkeit ud Statistik Zusammefassug Fabia Hah, Dio Werli 9. September 008 Wahrscheilichkeitstheorie Grudlegede Kombiatorik Die folgede Tabelle bezieht sich auf das Uremodell: ziehe aus k geordet
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
MehrEinführung in die Wahrscheinlichkeitstheorie
Eiführug i die Wahrscheilichkeitstheorie Thomas Richthammer Vorlesug a der TUM im WS 20/202 2. März 202 Ihaltsverzeichis Wahrscheilichkeitsräume 3. Eiführede Beispiele............................ 3.2 Axiomatische
MehrInhaltsverzeichnis. IV. Statistische Tests 40 IV.1. Hypothesentests IV.2. Neyman-Pearson-Lemma... 41
Stochastik Prof. Reiß Sommersemester 202 Vorlesugsmitschrifte Paul Boeck 2 Zuletzt geädert am 4. Oktober 202 Fehler bitte a boeck@math.hu-berli.de Ihaltsverzeichis I. Wahrscheilichkeitsräume 2 I.. Ereigisse,
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Ihaltsverzeichis 1 Vorbemerkuge 1 Zufallsexperimete - grudlegede Begriffe ud Eigeschafte 3 Wahrscheilichkeitsaxiome 4 4 Laplace-Experimete 6 5 Hilfsmittel aus der Kombiatorik 7 6 Bedigte Wahrscheilichkeite
MehrDer Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist
Maßtheorie (Versio 0.3) 1. σ-algebra Ist M eie Mege, so et ma ei System vo Teilmege A M eie σ-algebra (auf M ), we gilt: A A A A c A Ist A N eie Familie vo Mege i A, so ist N A A A ist damit stabil uter
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrEinführung in die Stochastik. Vorlesungsskript
Eiführug i die Stochastik Vorlesugsskript Peter Mörters Uiversität zu Köl Mathematisches Istitut Witersemester 217/18 2 Ihaltsverzeichis 1 Wahrscheilichkeitsräume als stochastische Modelle für Zufallsexperimete
MehrKapitel 2: Stochastische Prozesse. Copyright M. Gross, ETH Zürich 2006, 2007
Kaitel 2: Coyright M. Gross, ETH Zürich 2006, 2007 Bedigte Verteiluge Ebeso a die Verbudwahrscheilicheit vo Zufallsvariable über bedigte Wahrscheilicheite ausgedrüct werde i i,, i,, Wiederum ommt eie Produtregel
MehrUbungen zur Analysis 1. Prof. Dr. Kohnen. Dr. O. Delzeith
Ubuge zur Aalysis 1 Prof. Dr. Kohe Dr. O. Delzeith SS 1996 1. Beweise Sie uter Beutzug der i der Vorlesug geate vier Axiome fur N : Sid m; ; p; q 2 N ud gilt m > sowie p > q, so gilt mp > q. (3 Pukte)
Mehr6 Grenzwerte von Zahlenfolgen
6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z
Mehr