VERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
|
|
- Andrea Wolf
- vor 6 Jahren
- Abrufe
Transkript
1 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 stetiger Zufallsvariablen beschränken. 1. Eindimensionaler Fall Theorem 1.1. Es seien S und T zwei offene, endliche oder unendliche Intervalle von und X eine reelle, absolut stetige Zufallsvariable mit Werten in S und Dichte f; weiter sei u eine stetig-differenzierbare Bijektion von S auf T und h = u 1 bezeichne die inverse Bijektion von T auf S. Dannist Y = u X eine reelle, absolut stetige Zufallsvariable mit Werten in T, deren Dichte g durch g(y) =f ( h(y) ) h (y) I T (y) gegeben ist. Beweis. Für jedes A T B 1 gilt P{Y A} =P{X h(a)} = f(x) I h(a) (x) dx, woraus sich mittels der Variablentransformation x = h(y) P{Y A} = f ( h(y) ) h (y) I A (y) dy ergibt. Wir behandeln zunächst einige einfache Anwendungen von Theorem 1.1. Beispiel 1. Ist X eine reelle Zufallsvariable mit Dichte f, soisty = e X eine reelle Zufallsvariable mit positiven Werten, deren Dichte g durch g(y) = 1 y f( Log y ) I ]0,+ [ (y) gegeben ist.
2 34 KAPITEL 15: FUNKTIONEN VON ZUFALLSVAIABLEN Spezialfall. Für L(X) =N (µ, σ)(µ, σ>0) hat Y = e X die Dichte g(y) = 1 σ 1 ( π y exp 1 ( Log y µ σ ) ) I ]0,+ [ (y). Die Zufallsvariable Y heisst Log-normale Zufallsvariable mit Parametern µ, σ. Beispiel. Ist X eine reelle Zufallsvariable mit Dichte f, soisty = 1 X eine reelle Zufallsvariable mit Dichte g(y) = 1 ( 1 ) y f (y 0). y (Streng genommen kann man Theorem 1.1 hier nur für \{0} verwenden. Aber da die Zufallsvariable X absolut stetig ist, gilt P{X =0} = 0 und man kann den Nullpunkt vernachlässigen.) Spezialfall 1. Ist L(X) =N (0, 1), so hat Y = 1 die Dichte X g(y) = 1 1 ( π y exp 1 ) y (y 0). Offenbar gilt E[ Y ]= y g(y) dy = 1 1 ( π y exp 1 ) y dy =+. Die Inverse einer reduzierten, normalverteilten Zufallsvariablen hat also keinen Erwartungswert. Spezialfall. Y = 1 X die Dichte Sei nun L(X) die Cauchy-Verteilung C(0, 1). Dann hat g(y) = 1 y 1 π y = 1 π 1 1+y. Damit stellt man fest, dass auch Y gemäss C(0, 1) Cauchy-verteilt ist. Bemerkung. Ist die Abbildung u nicht bijektiv, so gibt es keine allgemeine Methode, um die Dichte von u X zu bestimmen. In den am häufigsten vorkommenden Situationen kann man aber trotzdem ein entsprechendes Vorgehen formulieren. Beispiel 1. Es sei X eine absolut stetige reelle Zufallsvariable mit Dichte f. Hier geht es darum, die Dichte g von Y = X zu bestimmen. Zwar ist u(x) = x keine Bijektion von auf +,abermankannsich folgendermassen behelfen. Man berechnet zunächst die Verteilungsfunktion
3 1. EINDIMENSIONALE FALL 35 F Y von Y,diesist { 0, für y 0; F Y (y) = P{Y y} =P{ y X +y}, für y>0. Da die Verteilung von X diffus ist, kann man { 0, für y 0; F Y (y) = F X (y) F X ( y), für y>0, schreiben. Daraus erhält man die Dichte f Y von Y durch Differenzieren: { 0, für y 0; f Y (y) = f(y)+f( y), für y>0. Ist die Zufallsvariable X gerade, so gilt also { 0, für y 0; f Y (y) = f(y), für y>0. So hat etwa für L(X) =N (0, 1) die Zufallsvariable Y = X die Dichte { 0, für y 0; f Y (y) = e y /, für y>0. π Beispiel. Es sei wiederum X eine reelle, absolut stetige Zufallsvariable mit Dichte f. Hier ist nun die Dichte von Y = X zu berechnen. Auch u(x) =x ist keine Bijektion von auf +. Man berechnet{ zunächst wieder die Verteilungsfunktion F Y von Y : 0, für y 0; F Y (y) = P{Y y} =P{ y X + y}, für y>0. Da auch hier die Verteilung von X diffus ist, hat man { 0, für y 0; F Y (y) = F X ( y) F X ( y), für y>0. Mittels Ableiten ergibt sich 0, für y 0; f Y (y) = 1 ( f( y)+f( y), für y>0. y Falls die Zufallsvariable X gerade ist, gilt also 0, für y 0; f Y (y) = 1 f( y), für y>0. y Ist beispielsweise L(X) =N (0, 1), so hat die Variable Y = X die Dichte 0, für y 0; f Y (y) = 1 1 y e y/, für y>0. π Dies ist die χ-quadrat-verteilung mit einem Freiheitsgrad.
4 36 KAPITEL 15: FUNKTIONEN VON ZUFALLSVAIABLEN. Zweidimensionaler Fall Theorem.1. Es seien S und T zwei offene Mengen von und es sei (X, Y ) ein absolut stetiges Paar von Zufallsvariablen mit Werten in S und gemeinsamer Dichte f. Ist G :(x, y) (u, v) =(u(x, y),v(x, y)) eine stetig differenzierbare Bijektion von S auf T, so bezeichne H = G 1 :(u, v) (x, y) =(h 1 (u, v),h (u, v)) die inverse Bijektion von T auf S. (Die partiellen Ableitungen D u h 1, D v h 1, D u h, D v h sind also stetig.) Mit J = D(h 1,h ) D(u, v) = D(x, y) D(u, v) = D uh 1 D v h 1 D u h D v h wird die Jacobi-Determinante der inversen Bijektion H bezeichnet. Dann ist (U, V )=G (X, Y )=(u (X, Y ),v (X, Y )) ein absolut stetiges Paar von reellen Zufallsvariablen mit Werten in T, dessen gemeinsame Dichte g durch g(u, v) =f ( h 1 (u, v),h (u, v) ) J I T (u, v) gegeben ist. Beweis. Für jedes A T B gilt P{(U, V ) A} =P{(X, Y ) H(A)} = f(x, y) I H(A) (x, y) dx dy, und die Variablentransformation x = h 1 (u, v), y= h (u, v) macht daraus P{(U, V ) A} = f ( h 1 (u, v),h (u, v) ) J I A (u, v) du dv. Bemerkung. Für dieses Vorgehen benötigt man die bekannte Formel für das Verhalten von Doppelintegralen unter Variablentransformation, für deren Einsatz man allerdings voraussetzen muss, dass die Jacobi-Determinante J nirgendwo auf A verschwindet. Es genügt natürlich, vorauszusetzen, dass J 0 ausserhalb einer vernachlässigbaren Menge I gilt, wenn auch H(I) vernachlässigbar ist. Dies erweitert die Möglichkeiten der Anwendung. Beispiel 1. Es sei (X, Y ) ein Paar von unabhängigen Zufallsvariablen, die beide N (0, 1)-verteilt sind. Die Verteilung des Paares hat dann als Dichte f(x, y) = 1 π exp ( x + y ).
5 . ZWEIDIMENSIONALE FALL 37 Nun betrachten wir das Paar (, Θ) mit =(X + Y ) 1/, Θ=Arctg Y X. (1) Gemeinsame Verteilung von (, Θ). Zunächst ist (x, y) (r, θ) = ( (x + y ) 1/, Arc tg y ) x eine stetig differenzierbare Bijektion von S = \{0} auf T =]0, + [ [0, π[. Die inverse Bijektion ist (r, θ) (x, y) =(r cos θ, r sin θ), und daraus erhält man J = x r x θ y r y θ = cos θ r sin θ sin θ rcos θ = r. Die gemeinsame Dichte von (, Θ) ist also g(r, θ) =f(r cos θ, r sin θ) J = 1 ( ) π e r / r r, θ) ]0, + [ [0, π[. () andverteilungen. Die marginalen Dichten von und von Θ ergeben sich daraus unmittelbar als g(r, ) = g(,θ)= π 0 0 g(r, θ) dθ = e r / r g(r, θ) dr = 1 π (r ]0, + [), (θ [0, π[). Bemerkung. Die Verteilung von mit der Dichte g(r, ) =e r / r für r ]0, + [ wird als ayleigh-verteilung bezeichnet. Die Überlebensfunktion von ist P{ >r} = ihr Erwartungswert ist E[] = r 0 e t / tdt= e r / P{ >r} dr = 0 (r >0), e r / dr = π. (3) Die Zufallsvariablen und Θ sind unabhängig. Aus (1) und () folgt g(r, θ) =g(r, )g(,θ), ( r, θ) ]0, + [ [0, π[ ), was die Unabhängigkeit von und Θ ausdrückt; damit sind auch und Y/X unabhängig.
6 38 KAPITEL 15: FUNKTIONEN VON ZUFALLSVAIABLEN Beispiel. Ist (X, Y ) ein Paar von unabhängigen, N (0, 1)-verteilten Zufallsvariablen, so ist auch das Paar (U, V )mitu = (X + Y )/ und V = (X Y )/ ein Paar von unabhängigen und N (0, 1)-verteilten Zufallsvariablen. Beweis. DiegemeinsameDichtevon(X, Y )ist f(x, y) = 1 π exp( 1 (x + y ) ). Die Variablentransformation u =(x + y)/, v =(x y)/ liefert eine Bijektion von auf. Man rechnet nach, dass x = (u + v)/ und y =(u v)/, sowie D(x, y)/d(u, v) = 1 ist, daher ist die gemeinsame Dichte g(u, v) von(u, V ) gegeben durch: ( u + v g(u, v) =f, u v ).1 = 1 (( u + v ) ( u v ) )) + = π exp ( 1 ( 1 ) ( e u / 1 ). e v /. π π 3. Verteilung einer Funktion von zwei Zufallsvariablen. Es sei (X, Y ) ein Paar von reellen, absolut stetigen Zufallsvariablen mit gemeinsamer Dichte f. Weiter sei u : eine messbare Funktion. Es geht nun darum, die Verteilung der Zufallsvariablen U = u (X, Y ) unter geeigneten egularitätsannahmen über die Funktion zu berechnen. Zu diesem Zweck betrachten wir U als die erste marginale Variable des Paares (U, V ), wobei U = u (X, Y ) und V = Y ist. (a) Verteilung des Paares (U, V ). Man setzt voraus, dass die Abbildung (x, y) (u, v) =(u(x, y),y) eine stetig differenzierbare Bijektion von auf ist und bezeichnet mit (u, v) (x, y) =(h(u, v),v) die inverse Bijektion. D(x, y) Dann gilt J = D(u, v) = h u h v 0 1 = h u.gemäss Theorem.1 ist das Paar (U, V ) absolut stetig und die gemeinsame Dichte g ist g(u, v) =f ( h(u, v),v ) h u (u, v) ((u, v) ). (b) Verteilung von U. Die Dichte dieser Verteilung ist g(u) =g(u, ) = f ( h(u, v),v ) h u(u, v) dv (u ). Beispiel 1(Verteilung der Summe). Es sei u = x + y und v = y, also U = X + Y und x = u v, y = v, somitj = = 1 und g(u) = f(u v, v) dv (u ).
7 3. FUNKTION VON ZWEI ZUFALLSVAIABLEN 39 Spezialfall (Faltungsprodukt). In einer Situation, in der das Paar (X, Y )auchnochunabhängig ist, faktorisiert die gemeinsame Dichte, d.h. f(x, y) =f 1 (x)f (y), wobei f 1 bzw. f die Dichten von X bzw. Y sind, und man erhält g(u) = f 1 (u v) f (v) dv (u ). Man bezeichnet g = f 1 f als das Faltungsprodukt von f 1 und f. Anwendung. Betrachten wir den Fall L(X) =N (µ 1,σ 1 ), L(Y ) = N (µ,σ )für µ 1,µ, σ 1,σ > 0. Man kann nachrechnen, dass dann L(X+Y )=N(µ 1 +µ, σ1 + σ ) gilt, aber die Berechnung auf dem direkten Weg ist langwierig. Es ist der elegantere Weg, die Techniken der erzeugenden Funktionen oder der charakteristischen Funktionen zu verwenden. Beispiel (Verteilung des Produkts). Hier ist u = xy und v = y, also U = XY und x = u/v, y = v, somit also J = 1/v u/v 0 1 =1/v und ( u ) 1 g(u) = f v,v v dv (u ). Für ein unabhängiges Paar (X, Y )istf(x, y) =f 1 (x)f (y) und g(u) = f 1 (u/v)f (v) 1 v dv (u ). Anwendung. Sei wieder L(X) =N (0, 1), L(Y )=N (0, 1). Die Dichte g(u) vonu = XY ist dann g(u) = 1 π = 1 π 0 ( exp 1 ( u ( u ( exp 1 )) 1 v + v v dv v + v)) 1 v dv. Diese Funktion hat für jedes u 0 einen endlichen Wert, denn für ein solches u kann man die Variablentransformation v = u t durchführen und erhält g(u) = 1 ( exp π 0 u ( t + 1 )) dt t t. Dieses Integral kann man nicht mehr nur mit Hilfe von elementaren Funktionen ausdrücken; es lässt sich aber mittels Bessel-Funktionen darstellen (cf. Aufgabe 8, Kap. 13).
8 40 KAPITEL 15: FUNKTIONEN VON ZUFALLSVAIABLEN Beispiel 3(Verteilung des Quotienten). Sei nun u = x y,alsou = X Y. Dann ist u = x y, v = y, und daher x = uv, y = v, J = v u 0 1 = v und g(u) = f(uv, v) v dv (u ). Ist speziell noch (X, Y ) unabhängig, so hat man f(x, y) =f 1 (x)f (y) und g(u) = f 1 (uv)f (v) v dv (u ). Anwendung. Sei wieder L(X) =N (0, 1), L(Y )=N(0, 1). Die Dichte g(u) vonu = X/Y ist g(u) = 1 ) exp ( v π (1 + u ) v dv = 1 ) exp ( v π 0 (1 + u ) vdv und daraus erhält man mittels der Variablentransformation v (1 + u )/ =t g(u) = 1 π 1 1+u 0 e t dt = 1 π 1 1+u (u ). Man stellt also fest, dass der Quotient von zwei unabhängigen, reduziertnormalverteilten Zufallsvariablen die Cauchy-Verteilung C(0, 1) hat. Diese Eigenschaft hat interessante Konsequenzen: 1) Die Zufallsvariablen X/Y und Y/X haben offenbar die gleiche Verteilung. Also ist die Inverse einer mit C(0, 1) Cauchy-verteilten Zufallsvariablen ebenfalls eine mit C(0, 1) Cauchy-verteilte Zufallsvariable. ) Es sei Z eine mit C(0, 1) Cauchy-verteilte Zufallsvariable. Sie hat die gleiche Verteilung wie X/Y, wobeix, Y unabhängige und reduziertnormalverteilte Zufallsvariablen bezeichnen. Daher hat 1+Z die gleiche 1 Z 1+ Y X + Y Verteilung wie X 1 Y = X + Y ( X + Y X Y =.Aberauch, X Y ) ist X Y X ein Paar von unabhängigen und reduziert-normalverteilten Zufallsvariablen. Deshalb ist auch 1+Z gemäss C(0, 1) verteilt. 1 Z 3) Die Zufallsvariable 1 + Z =1+ Y X = X + Y ist der Quotient von Y zwei symmetrischen Zufallsvariablen, ist aber selbst nicht symmetrisch, denn sie ist C(1, 1)-verteilt.
9 EGÄNZUNGEN UND ÜBUNGEN 41 EGÄNZUNGEN UND ÜBUNGEN 1. Es sei X eine Cauchy-verteilte Zufallsvariable mit der Verteilung C(0, 1). Dann ist auch die Variable Y = 1+X gemäss C(0, 1) verteilt. 1 X. Ist X eine im Intervall ] π/, +π/[ gleichverteilte Zufallsvariable, so ist die Variable Y =tgx gemäss C(0, 1) verteilt. 3. Es sei (X, Y ) ein Paar von unabhängigen Zufallsvariablen, von denen jede E(λ)-verteilt ist (λ > 0). Dann hat die Zufallsvariable U = X 1 Y die Dichte f(u) = (u 0). Es ist klar, dass U keinen endlichen (1 + u) Erwartungswert besitzt. Die Zufallsvariable V = U +1 = X + Y hat die Y Dichte g(v) = 1,v 1, hat also die Paretoverteilung P(1, 1). v 4. Es sei (X, Y ) ein Paar von unabhängigen Zufallsvariablen mit den andverteilungen L(X) = Γ(r, λ), L(Y ) = Γ(s, λ) (r, s, λ > 0). Sei U = X + Y, V = X X + Y. a) Das Paar (U, V ) ist unabhängig. b) L(U) =Γ(r +s, λ), L(V )=B(r, s) (Beta-Verteilung). Man stellt fest, dass die andverteilung von V nicht von λ>0 abhängt. 5. Es sei (U, Y ) ein Paar von unabhängigen Zufallsvariablen; U sei auf [0, 1] gleichverteilt und Y sei absolut stetig mit g als Dichte. Man betrachte die Zufallsvariable X = UY, deren Dichte mit f bezeichnet wird. a) Man berechne f als Funktion von g. b) Hier wird nun angenommen, dass [0, + [ derträger von Y ist. Man zeige, dass f differenzierbar ist und dass zwischen f und g die Beziehung xf (x)+g(x) = 0 besteht. Man folgere daraus, dass f genau ein Maximum hat, und zwar in x =0. c) Nun wird als Träger von Y angenommen. Man zeige, dass auch hier f genau ein Maximum hat, das sich in x = 0 befindet. d) Nun sei g(x) = x e x /,für x. Man zeige, dass dann f die π Dichte der Normalverteilung N (0, 1) ist. 6. Es sei (X, Y ) ein ( Paar ) von unabhängigen und N (0, 1)-verteilten a b Zufallsvariablen. ( ) ( ) A = sei eine orthogonale -Matrix und c d U X = A,d.h.U = ax + by, V = cx + dy. V Y
10 4 KAPITEL 15: FUNKTIONEN VON ZUFALLSVAIABLEN a) Das Paar (U, V ) besteht wiederum aus unabhängigen und N (0, 1)- verteilten Zufallsvariablen. b) Ist T mit C(0, 1) Cauchy-verteilt, so gilt dies auch für Z = a + bt c + dt. 7. Es sei (X, Y ) ein Paar von unabhängigen und N (0, 1)-verteilten Zufallsvariablen. Hier sei nun U =X, V = X Y. a) Man bestimme die gemeinsame Dichte des Paares (U, V ), sowie die marginalen Dichten von U und von V. b) Man bestimme die durch das Ereignis {V = 0} bedingte Dichte von U. c) Man bestimme die durch das Ereignis {V = 0} bedingte Dichte von X + Y. d) Man stellt fest, dass die in b) und c) gefundenen bedingten Dichten gleich sind und ihr gemeinsamer Wert die (nicht bedingte) Dichte von X + Y ist. Anders gesagt, man stellt die Gleichung L(X X Y =0)=L(X + Y X Y =0)=L(X + Y ) fest. Hätte man dieses esultat vorhersehen können? 8. Es sei (U 1,...,U n )einsystemvonn unabhängigen Zufallsvariablen, die alle auf [0, 1] gleichverteilt sind. Die Verteilung von X = n U i hat die Dichte i=1 1 ( ( 1 )) n 1, Log falls 0 <x 1; f(x) = (n 1)! x 0, sonst. 9. Es sei X eine mittels C(0, 1) Cauchy-verteilte Zufallsvariable. a) Man zeige, dass { X und 1/X die gleiche Verteilung haben. X, mit Wahrscheinlichkeit 1/; b) Sei nun: Y = 1/X, mit Wahrscheinlichkeit 1/. Man zeige L(Y )=C(0, 1). 10. Es sei (X, Y ) ein Paar von unabhängigen und N (0, 1)-verteilten Zufallsvariablen. Es sei nun U = XY und V = X/Y. 1) Man bestimme die gemeinsame Dichte von (U, V ). ) Man leite daraus die marginalen Verteilungen von U und von V ab.
11 EGÄNZUNGEN UND ÜBUNGEN (A. Joffe). Es sei (X, Y ) ein Paar von unabhängigen und N (0, 1)- verteilten Zufallsvariablen. 1) Da X und Y unabhängig sind, gilt L( X Y = 0) = L( X ). Diese Verteilung hat die Dichte: f(x) = π e x / (x 0). ) Betrachten wir nun die Polarkoordinaten = X + Y, Θ=Arctg(Y/X). Wir haben in diesem Kapitel,, Beispiel 1, gesehen, dass die Zufallsvariablen und Θ unabhängig sind. Folglich ist L( Θ=0)=L(). Die Verteilung von ist die ayleigh-verteilung mit der Dichte g(x) =xe x / (x 0). Dieses Beispiel zeigt, dass die bedingte Dichte für sich allein keinen Sinn macht, sondern mit Hilfe einer gemeinsamen Dichte in einem gegebenen Koordinatensystem definiert werden muss. 1. Es sei (X, Y ) ein Paar von unabhängigen und N (0, 1)-verteilten Zufallsvariablen. Man bestimme die Verteilungen der Variablen: a) U = X Y ; b) Z = X + Y X Y. (Die Verteilung von Z ist die Student-Verteilung mit einem Freiheitsgrad.) 13. Es sei (X, Y ) ein Paar von unabhängigen Zufallsvariablen, die gemäss C(0, 1) Cauchy-verteilt sind. Dann ist auch deren harmonisches Mittel H = [ ( 1 1 X + )] 1 1 Y gemäss C(0, 1) Cauchy verteilt. Dies folgt leicht aus der Tatsache, dass sowohl das eziproke einer Cauchyverteilten Zufallsvariablen, als auch das arithmetische Mittel von zwei unabhängigen und Cauchy-verteilten Zufallsvariablen wiederum Cauchyverteilt ist.
12 44 KAPITEL 15: FUNKTIONEN VON ZUFALLSVAIABLEN
13
10 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 :
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrKarlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang. Sommersemester
Karlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang Sommersemester 03 6.06.03 Höhere Mathematik II für die Fachrichtungen Elektrotechnik und Informationstechnik
MehrUmkehrfunktion. g (y) = f (x) 1, x = g(y), Umkehrfunktion 1-1
Umkehrfunktion Ist für eine stetig differenzierbare n-variate Funktion f : D R n die Jacobi-Matrix f (x ) für einen Punkt x im Innern des Definitionsbereiches D R n nicht singulär, so ist f lokal invertierbar,
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
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
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
MehrImplizite Funktionen. Ist für eine stetig differenzierbare Funktion f : R n R m R n. so lässt sich das Gleichungssystem
Implizite Funktionen Ist für eine stetig differenzierbare Funktion f : R n R m R n f (x, y ) = (0,..., 0) t, det f x (x, y ) 0, so lässt sich das Gleichungssystem f k (x 1,..., x n, y 1,..., y m ) = 0,
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
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
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
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
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)
MehrZUFALLSVEKTOREN. BEDINGTE ERWARTUNGSWERTE. NORMALVERTEILUNG
KAPITEL 1 ZUFALLSVEKTOEN. BEDINGTE EWATUNGSWETE. NOMALVETEILUNG In diesem Kapitel werden zunächst die Begriffe eingeführt, mit denen man zweidimensionale Zufallsvektoren und deren Verteilungen beschreibt.
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........................
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
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
MehrParametrisierung und Integralsätze
Parametrisierung und Integralsätze 2. März 2 Integration in der Ebene. Defintion: eien w,..., w n stückweise reguläre, einfach geschlossene Kurven in R 2, seien W,..., W n die von diesen Wegen umschlossene
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
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
MehrDIE WICHTIGSTEN WAHRSCHEINLICHKEITSVERTEILUNGEN (ABSOLUT STETIGE VERTEILUNGEN)
KAPITEL 4 DIE WICHTIGSTEN WAHRSCHEINLICHKEITSVERTEILUNGEN (ABSOLUT STETIGE VERTEILUNGEN) In diesem Kapitel beschreiben wir die wichtigsten Wahrscheinlichkeitsverteilungen, die eine Dichte besitzen. Für
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrLösungen der Aufgaben zu Kapitel 10
Lösungen der Aufgaben zu Kapitel 10 Abschnitt 10.2 Aufgabe 1 (a) Die beiden Funktionen f(x) = 1 und g(y) = y sind auf R definiert und stetig. 1 + x2 Der Definitionsbereich der Differentialgleichung ist
MehrERWARTUNGSWERT. ABSOLUT STETIGE VERTEILUNGEN
KAPITEL 11 EWATUNGSWET. ABSOLUT STETIGE VETEILUNGEN In diesem Kapitel werden wir den Begriff des Erwartungswertes einer reellen Zufallsvariablen bezüglich eines beliebigen Wahrscheinlichkeitsmasses definieren
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)
MehrAnalysis I. 6. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 6. Beispielklausur mit en Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Eine Relation zwischen den Mengen X und Y.
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
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
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
MehrAufgaben für die 14. Übung zur Vorlesung Mathematik 2 für Informatiker: Analysis Sommersemester 2010
Aufgaben für die 4. Übung zur Vorlesung Mathematik für Informatiker: Analysis Sommersemester 4. Bestimmen Sie den Flächeninhalt der dreiblättrigen Kleeblattkurve γ für ein Kleeblatt. Die Polarkoordinaten-
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
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrSeite 1. sin 2 x dx. b) Berechnen Sie das Integral. e (t s)2 ds. (Nur Leibniz-Formel) c) Differenzieren Sie die Funktion f(t) = t. d dx ln(x + x3 ) dx
Seite Aufgabe : a Berechnen Sie das Integral b Berechnen Sie das Integral +x x+x dx. π sin x dx. c Differenzieren Sie die Funktion ft = t e t s ds. Nur Leibniz-Formel a + x x + x dx = d dx lnx + x dx =
MehrUNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz Dr P C Kunstmann Dipl-Math M Uhl Sommersemester 009 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive Komplexe
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
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
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
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
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
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
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrLösungen zu Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, Februar 11 D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben 1. 1 Punkte a Wir berechnen lim x x + x + 1 x + x 3 + x = 1. b Wir benutzen L Hôpital e x e x lim x sinx
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 ]
MehrTransformation mehrdimensionaler Integrale
Transformation mehrdimensionaler Integrale Für eine bijektive, stetig differenzierbare Transformation g eines regulären Bereiches U R n mit det g (x), x U, gilt für stetige Funktionen f : f g det g du
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
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
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
Mehr, r [0, 2], ϕ [0,π/2], ϑ [0,π/6]. x 3. x 2 2 x 2 1. F(x) = x 2 3
Prof. Dr. Eck Höhere Mathematik 3 9.3.9 Aufgabe ( Punkte) Gegeben ist der Körper K mit der Parametrisierung x r cos ϕ cos ϑ K : x = Φ(r,ϕ,ϑ) = r sin ϕ cos ϑ, r [, ], ϕ [,π/], ϑ [,π/6]. x 3 r sin ϑ a) Berechnen
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
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
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
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrUNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz Dr P C Kunstmann Dipl-Math M Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive Komplexe
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrWiederholung: Transformationsformel für Dichten
Der folgende Aufschrieb enthält die fehlenden Beweise aus der Vorlesung. Wiederholung: ransforationsforel für Dichten Zur Herleitung der χ und t-verteilung verwenden wir ehrals die ransforationsforel.
MehrAnalysis II. 8. Klausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis II 8. Klausur mit en 1 2 Aufgabe 1. Definiere die folgenden kursiv gedruckten) Begriffe. 1) Eine Metrik auf einer Menge M. 2) Die Kurvenlänge
MehrMusterlösung zu Blatt 1
Musterlösung zu Blatt Analysis III für Lehramt Gymnasium Wintersemester 0/4 Überprüfe zunächst die notwendige Bedingung Dfx y z = 0 für die Existenz lokaler Extrema Mit x fx y z = 8x und y fx y z = + z
MehrSuffizienz und Vollständigkeit
KAPITEL 7 Suffizienz und Vollständigkeit 7.1. Definition der Suffizienz im diskreten Fall Beispiel 7.1.1. Betrachten wir eine unfaire Münze, wobei die Wahrscheinlichkeit θ, dass die Münze Kopf zeigt, geschätzt
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
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
Mehr5 Fehlerfortpflanzung
5 Fehlerfortpflanzung Diese Lektion folgt D.S. Sivia, Data Analysis: A Bayesian Tutorial, Oxford University Press, Chapter 3.6. Lernziele Lektion 5 Sie wissen, wie man Wahrscheinlichkeitsverteilungen von
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
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
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
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
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 1 Hausaufgaben Aufgabe 1.1 Sei f : R R gegeben durch f(x 1, x ) = x 3
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
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
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
MehrHöhere Mathematik II für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann SS 4 Höhere Mathematik II für die Fachrichtung Informatik Lösungsvorschläge zum. Übungsblatt Aufgabe 37
MehrLösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker II
Universität des Saarlandes Fakultät für Mathematik und Informatik Sommersemester 2004 Prof. Dr. Joachim Weickert Dr. Bernhard Burgeth Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für
MehrAbbildung 10.1: Das Bild zu Beispiel 10.1
Analysis 3, Woche Mannigfaltigkeiten I. Definition einer Mannigfaltigkeit Die Definition einer Mannigfaltigkeit braucht den Begriff Diffeomorphismus, den wir in Definition 9.5 festgelegt haben. Seien U,
MehrAnalysis I. 1. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I. Beispielklausur mit en Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Das Bild einer Abbildung F: L M. (2) Eine Cauchy-Folge
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrHöhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 8. Übungsblatt. ). 12x 3 Die Hessematrix von f ist gegeben durch H f (x, y) =
Karlsruher Institut für Technologie (KIT Institut für Analysis Priv-Doz Dr P C Kunstmann Dipl-Math D Roth SS 0 7060 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 8 Übungsblatt
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
Mehrein geeignetes Koordinatensystem zu verwenden.
1.13 Koordinatensysteme (Anwendungen) Man ist immer bemüht, für die mathematische Beschreibung einer wissenschaftlichen Aufgabe ( Chemie, Biologie,Physik ) ein geeignetes Koordinatensystem zu verwenden.
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrThema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema
Thema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema In diesem Kapitel befassen wir uns mit der Ableitung von Funktionen f : R m R n. Allein die Schreibweise
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)
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrAnalysis I. 2. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Die Produktmenge aus zwei Mengen L und M.
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
Mehr