Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
|
|
- Lisa Weiner
- vor 6 Jahren
- Abrufe
Transkript
1 Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie und Mathematische Finanzwirtschaft, Universität Karlsruhe (TH) Karlsruhe, SS 2008
2 10. Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Gegeben: k- dimensionale Zufallsvariable X mit W - Verteilung z.b. in Form der Verteilungsfunktion F (α 1,... α k ). Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 2
3 Beispiele:. Gemeinsame Verteilung von Dollar/Euro Wechselkurs und Exportvolumen in die USA Gemeinsame Verteilung der Kurse der im DAX enthaltenen Aktien Gemeinsame Verteilung von Sonnenstunden/Monat und Umsatz an Sonnenschutzmittel Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 3
4 Mögliche Fragestellung: a) Wie ist die Verteilung der Zufallsvariablen separat betrachtet? b) Beeinflusst ein fixierter Wert bei einer der Komponenten die (gemeinsame) Verteilung der übrigen k 1 Werte? c) Gibt es einen wahrscheinlichtheoretischen Zusammenhang zwischen den Zufallsvariablen? Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 4
5 Gegeben: ZV X = (X 1,, X k ) Die Verteilung einer Komponente X i heißt Randverteilung von X i. Verteilungsfunktion einer Komponente X i F Xi = P(X i α) = P(X i α, X i beliebig für i i ) = P(X i α, X i für i i ) = lim F (α 1,, α, α k ) für i i α i F Xi ist die Verteilungsfunktion von X i Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 5
6 Beispiel - gemeinsame und Randverteilungen Gegeben sei die bivariate Dichte { 6 f (x, y) = 5x, 1 x 2, 0 y x 1 0, sonst Dann folgt für die Verteilung von Y F Y (α) = = 3 5 α α 0 f (x, y)dxdy = α 2 0 y xdxdy = α 0 [ 6 5 ( 4 (y + 1) 2 ) dy = 3 5 α ( α2 3 α + 3 ) x 2 ] 2 dy 2 y+1 α=1 =? Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 6
7 Für die gemeinsame Verteilung von X und Y an den Stellen α 1 bzw. α 2 gilt dann F (α 1, α 2 ) = α 2 0 α 1 y+1 5x 6 dxdy = = 3 [ α 2 5 1y 1 ] α2 3 y 3 y 2 y 0 = 3 [α 21α 2 13 ] 5 α32 α 22 α 2 α 2 (α1 2 y 2 2y 1)dy 0 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 7
8 Integration, falls (α 1, α 2 ) / I Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 8
9 Beispiel: Gesucht: Randverteilungen Für X, 1 α 1 2: lim F (α 1, α 2 ) = F (α 1, α 1 1) α 2 = 3 5 (α 1) 2 (α 1 1) 1 5 (α 1 1) (α 1 1) (α 1 = 2 5 (α 1) (α 1) F X (α) = { 0 α < (α)3 3 5 (α) α 2 α > 2 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 9
10 Für Y : 0 α 2 1 lim F (α 1, α 2 ) = F (2, α 2 ) α 1 = 3 5 4α (α 2) (α 2) α 2 = 9 5 α (α 2) (α 2) 3 0 α < 0 9 F Y (α) = 5 α 3 5 (α) (α)3 0 α 1 1 α > 1 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 10
11 X diskret X diskret mit Werten x, j I W - Verteilung von Komponente X i : x R P(X i = x) = P(X i = x, X i beliebig für i i ) Wahrscheinlichkeitsverteilung von X i erhält man indem man den Wert von X i festhält und über alle Werte der übrigen Komponenten aufsummiert. Also: Suche alle Werte x j mit x j i = x (Komponente i von x j ist x). Dann P(X i = x) = P(X = x j ) x j mit x j i =x Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 11
12 Beispiel: Drei Qualitätsmerkmale (Beispiel 10.2) Bei einem Bauteil werden drei Qualitätsmerkmale überprüft: 1 Oberflächengüte (X 1 ) 2 Bruchfestigkeit (X 2 ) 3 Masstreue (X 3 ) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 12
13 Bei allen drei Merkmalen wird eine Einstufung in die Ausprägung gut/schlecht mit den Codierungen 0 (gut) und 1 (schlecht) vorgenommen. Dementsprechend gibt es 8 verschiedene Kombinationsmöglichkeiten. (x 1, x 2, x 3) P((X 1, X 2, X 3) = (x 1, x 2, x 3)) x 1 (0,0,0) 0.85 x 2 (0,0,1) 0.01 x 3 (0,1,0) 0.02 x 4 (0,1,1) 0.02 x 5 (1,0,0) 0.03 x 6 (1,0,1) 0.01 x 7 (1,1,0) 0.04 x 8 (1,1,1) 0.02 Gemeinsame Wahrscheinlichkeitsverteilung der Zufallsvariablen X 1, X 2, X 3 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 13
14 Aufgabe: Bestimmung der Randverteilung von X 1 : P(X 1 = 1) =? (x 1, x 2, x 3 ) P((X 1, X 2, X 3 ) = (x 1, x 2, x 3 )) x 1 (0,0,0) 0.85 x 2 (0,0,1) 0.01 x 3 (0,1,0) 0.02 x 4 (0,1,1) 0.02 x 5 (1,0,0) 0.03 x 6 (1,0,1) 0.01 x 7 (1,1,0) 0.04 x 8 (1,1,1) 0.02 Werte: (1, 0, 0) (1, 0, 1) (1, 1, 0) (1, 1, 1) } {{ }} {{ }} {{ }} {{ } x 5 x 6 x 7 x 8 P(X 1 = 1) = 8 P(X = x j ) = = 0.1 j=5 P(X 1 = 0) = 0.9 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 14
15 Aufgabe: Bestimmung der Randverteilung von X 2 : P(X 2 = 1) =? (x 1, x 2, x 3 ) P((X 1, X 2, X 3 ) = (x 1, x 2, x 3 )) x 1 (0,0,0) 0.85 x 2 (0,0,1) 0.01 x 3 (0,1,0) 0.02 x 4 (0,1,1) 0.02 x 5 (1,0,0) 0.03 x 6 (1,0,1) 0.01 x 7 (1,1,0) 0.04 x 8 (1,1,1) 0.02 Werte: (0, 1, 0) (0, 1, 1) (1, 1, 0) (1, 1, 1) } {{ }} {{ }} {{ }} {{ } x 3 x 4 x 7 x 8 P(X = x j ) = 0, 1 j=3,4,7,8 P(X 2 = 0) = 0.9 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 15
16 Aufgabe: Bestimmung der Randverteilung von X 3 : P(X 3 = 1) =? (x 1, x 2, x 3 ) P((X 1, X 2, X 3 ) = (x 1, x 2, x 3 )) x 1 (0,0,0) 0.85 x 2 (0,0,1) 0.01 x 3 (0,1,0) 0.02 x 4 (0,1,1) 0.02 x 5 (1,0,0) 0.03 x 6 (1,0,1) 0.01 x 7 (1,1,0) 0.04 x 8 (1,1,1) 0.02 Werte: x 2 = (0, 0, 1), x 4 = (0, 1, 1), x 6 = (1, 0, 1), x 8 = (1, 1, 1) P(X 3 = 1) = P(X = x j ) = 0, 06 j=2,4,6,8 P(X 3 = 0) = 0, 94 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 16
17 Verteilungsfunktion: Damit: F (x 1, x 2, x 3 ) = 0 x 1 < 0 oder x 2 < 0 oder x 3 < x 1 < 1, 0 x 2 < 1, 0 x 3 < x 1 < 1, 0 x 2 < 1, 1 x x 1 < 1, 1 x 2, 0 x 3 < x 1, 0 x 2 < 1, 0 x 3 < x 1 < 1, 1 x 2, 1 x x 1, 0 x 2 < 1, 1 x x 1, 1 x 2, 0 x 3 < x 1, 1 x 2, 1 x 3 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 17
18 Alternative Berechnung der Randverteilung von X 1 : F X1 (x 1 ) = lim F x(x 1, x 2, x 3 ) = x 2,x 3 P(X 1 = 0) = 0.9 ; P(X 1 = 1) = 0.1 { 0 x1 < x 1 < x 1 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 18
19 X stetig X stetig: mit gemeinsamer Verteilungsfunktion F X : F Xi (α) = lim x i F X (x 1,, α,, x k ), i i Es gilt F X (α 1,, α k ) = α k α 1 f (x 1,, x k )dx 1 dx k Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 19
20 X stetig Damit ist F Xi (α) = lim α i für i i = lim α i i i F X (α 1,, α i, α k ) α k α α 1 f (x 1,, x k )dx 1 dx k dx i F Xi (α) = f (x 1,, x, x k ) dx 1 dx k }{{} dx i Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 20
21 1. Beispiel - zweidimensionale stetige ZV Sei F (x 1, x 2 ) = { 1 + exp λ 1x 1 exp λ2x2 exp λ1x1 exp λ2x2, x 1, x 2 > 0 0, sonst die gemeinsame Verteilungsfunktion einer zweidimensionalen Zufallsvariablen X = (X 1, X 2 ). Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 21
22 Dann gilt für α > 0 F X1 (α) = P(X 1 α) = lim x 2 F (α, x 2) = lim x 2 (1 + exp λ1α exp λ2x2 exp λ1α exp λ2x2 ) = 1 exp λ1α ( = 0 für α = 0) Die Randverteilung ist also eine Exponentialverteilung. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 22
23 2. Beispiel - zweidimensionale stetige ZV f (x, y) = { 6 5 x 1 x 2, 0 y x 1 0 sonst Dichte von X 1 : 1 x 2 f X1 (x) = f (x, y)dy = x xdy = [ ] x xy 0 = 6 5 x x f X1 (x) = { 6 5 x x 1 < x 2 0 sonst Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 23
24 Dichte von X 2 : 0 y 1 f X2 (y) = f (x, y)dx = 2 y+1 [ ] xdx = 5 x 2 y 1 = y y 3 5 = y y f X2 (y) = { y 3 5 y 2 0 y 1 0 sonst Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 24
25 Frage: Wie beeinflusst ein fixierter Wert x bei einer Komponente die Verteilung der restlichen Komponenten? Zunächst: Zweidimensionale ZV (X, Y ) diskret betrachtet x fixierter Wert bei X Ereignis A : X = x y j beliebiger Wert von Y Ereignis B j : Y = y j Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 25
26 Frage: Gibt es einen Einfluss von A auf B? Antwort: Die bedingte Wahrscheinlichkeit P(B j A) = P(A B j) P(A) wird verglichen mit P(Y = y j ) = P(X = x, Y = y j) P(X = x) = P(Y = y j X = x) P(Y = y j X = x) heißt bedingte Verteilung von Y unter der Bedingung X = x Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 26
27 Frage: Gibt es einen Einfluss von A auf B? Kein Einfluss, wenn bzw. bzw. P(Y = y j X = x) = P(Y = y j ) P(Y = y j, X = x) P(X = x) = P(Y = y j ) P(Y = y j, X = x) = P(Y = y j )P(X = x) (Unabhängigkeit der Ereignisse X = x und Y = y j ) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 27
28 Definition: (X, Y ) diskret X und Y heißen unabhängig, wenn P(X = x, Y = y) = P(X = x)p(y = y) für alle Werte x von X und alle Werte y von Y gilt. Unabhängigkeit von X und Y bedeutet also Unabhängigkeit von X = x und Y = y für alle Werte x und y. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 28
29 Beispiel: Drei Qualitätsmerkmale Frage: Hängt die Qualität der beiden Merkmale Oberflächengüte und Bruchfestigkeit zusammen? Gemeinsame Wahrscheinlichkeitsverteilung der Bruchfestigkeit : P((X 1, X 2 ) = (0, 0)) = P((X 1, X 2, X 3 ) = (0, 0, x 3 ), x 3 beliebig ) = P((X 1, X 2, X 3 ) = (0, 0, 0)) + P((X 1, X 2, X 3 ) = (0, 0, 1)) = = 0.86 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 29
30 Analog für (0, 1), (1, 0), (1, 1) Bruchfestigkeit (X 2) gut schlecht Oberflächengüte (X 1) gut schlecht Randverteilung von X Gemeinsame Wahrscheinlichkeitsverteiung Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 30
31 Bedingte Wahrscheinlichkeit der Bruchfestigkeit (X 2 ) unter der Bedingung schlecht bei Oberflächengüte (X 1 = 1) P(X 2 = 0 X 1 = 1) = P(X 2 = 1 X 1 = 1) = P(X2=0,X1=1) P(X 1=1) = = 0.4 P(X2=1,X1=1) P(X 1=1) = = 0.6 Wir haben: P(X 2 = 0) = 0.9 P(X 2 = 0 X 1 = 1) = 0.4 P(X 2 = 1) = 0.1 P(X 2 = 1 X 1 = 1) = 0.6 P(X 1 = 1, X 2 = 0) = 0.86 P(X 1 = 0)P(X 2 = 0) = = 0.81 Folgerung: Keine Unabhängigkeit Vermutlich gemeinsame Ursache, z.b. Materialfehler. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 31
32 (X, Y ) stetig Problem: Bei einer stetigen Zufallsvariable X gilt für jede reelle Zahl x P(X = x) = 0 Folgerung: Die bedingte Verteilung unter der Bedingung X = x kann nicht direkt gebildet werden. Statt x betrachten wir das Intervall [x, x + ɛ] A ɛ = X [x, x + ɛ] = {ω Ω x X (ω) x + ɛ} A ɛ verwenden wir als Bedingung unter der Voraussetzung: P(A ɛ ) = P(X X x + ɛ) 0 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 32
33 Bedingte W-verteilung von Y unter der Bedingung A ɛ : Gehen wir von der Verteilungsfunktion aus, so betrachtet man Y y unter der Bedingung A ɛ : P(Y y, x X x + ɛ) F Y Aɛ (y) = P(Y y x X x + ɛ) = P(x X x + ɛ) P(X x + ɛ, Y y) P(X x, Y y) = F X (x + ɛ) F X (X ) = hängt von ɛ ab. 1 ɛ (F (X,Y )(x + ɛ, y) F (X,Y ) (x, y)) 1 ɛ (F X (x + ɛ) F X (x)) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 33
34 ɛ 0 : lim ɛ 0 F Y A ɛ (y) = lim ɛ 0 = x F (X,Y )(x,y) d dx F X (x) F (X,Y ) (x+ɛ,y) F (X,Y ) (x,y) ɛ F X (x+ɛ) F X (x) ɛ = F Y X =x (y) = x F (X,Y )(x,y) f X (x) bedingte Verteilungsfunktion von Y unter der Bedingung X = x. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 34
35 Bedingte Dichte von Y unter der Bedingung X = x : f Y X =x (y) = d dy ( F( X,Y )(x,y) x f X (x) ) = f (X,Y )(x,y) f X (x) Die bedingte Dichte hat die Eigenschaft einer Dichtefunktion. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 35
36 Bedingte Verteilung stetiger ZV Variierende Belastungsbedingungen bei einer Anlage X 1 Belastung, X 2 Lebensdauer Gemeinsame Dichte: { x1 exp f (x 1, x 2 ) = x1x2 0 x 1 1, 0 x 2 0 sonst Frage: Soll Belastung kontrolliert werden z.b. Wert 0.7? Bedingte Dichte von X 2 unter der Bedingung X 1 = 0.7 f X2 X 1=0.7(x 2 ) = f (X 1,X 2)(x, y) f X1 (0.7) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 36
37 Zuerst: Berechnung der Randdichte von X 1 : f X1 (x 1 ) = f (X1,X 2)(x 1, x 2 )dx 2 = x 1 exp x1x2 dx 2 = 1, x 1 [0, 1] 0 X 1 gleichverteilt auf [0, 1] Damit bedingte Dichte: f X2 X 1=x 1 (x 2 ) = { x1 exp x 1 x 2 1 = x 1 exp x1x2 für x für x 2 < 0 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 37
38 Resultat: Exponentialverteilung mit Parameter x 1. 1 Somit: x 1 mittlere Lebensdauer, x 1 Ausfallrate. Bei kontrollierter Belastung mit Wert x 1 steigt die Lebensdauer (bzw. fällt die Ausfallrate) mit fallendem x 1. Bedingte Dichte hängt von der Bedingung X 1 = x 1 ab. (x 2 0) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 38
39 Überprüfungsaufgabe: Berechnung der Randverteilung von X 2 f X2 (x 2 ) = + f (X1,X 2)(x 1, x 2 )dx = = [ x 1 1 x 2 e x1x2 1 0 ] 1 0 x 1 e x1x2 dx 1 = 1 x 2 e x2 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 39
40 Zusammenfassung Im diskreten Fall: Bedingte Wahrscheinlichkeitsverteilung von Y unter der Bedingung X = x mit P(X = x) 0: P(Y = y X = x) = P(Y =y,x =x) P(X =x) für alle Werte y von Y. Zu vergleichen mit der Wahrscheinlichkeitsverteilung von Y. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 40
41 Zusammenfassung Im stetigem Fall: bedingte Dichte von Y unter der Bedingung X = x mit f X (x) 0 : f Y X =x (y) = f X,Y (x,y) f X (x) zu vergleichen mit der Randdichte von Y. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 41
42 Unabhängigkeit X und Y heißen unabhängig, wenn (a) im diskreten Fall die bedingte Wahrscheinlichkeitsverteilung von Y nicht von der Bedingung abhängt und mit der Verteilung von Y übereinstimmt (b) Im stetigen Fall die bedingte Dichte nicht von der Bedingung abhängt und mit der Randdichte übereinstimmt Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 42
43 formal - Unabhängigkeit (a) P(Y = y X = x) = P(X =x,y =y) P(X =x) = P(Y = y) P(X = x, Y = y) = P(X = x)p(y = y), für alle x und y (b) f X,Y (x,y) f X (x) = f Y (y) f X,Y (x, y) = f X (x)f Y (y), für alle x und y Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 43
44 formal - Unabhängigkeit Aus (a) bzw. (b) folgt: F X,Y (x, y) = F X (x)f Y (y), für alle x und y Die Umkehrung gilt auch (Übungsaufgabe). Die Definition lässt sich ausdehnen für X 1,..., X n mit n > 2. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 44
Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
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)
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
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
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
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
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
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
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
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
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
MehrKapitel III - Merkmalsarten
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Statistik 1 - Deskriptive Statistik Kapitel III - Merkmalsarten Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
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
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
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
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
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
MehrKapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen
Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population
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.
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
MehrDen folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde.
Kapitel 0 Stetige Zufallsvariablen und ihre Verteilungen Letzte Änderung: 7. Mai 2000, 20 Seiten Den folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde. X: Ω R Die stetige
Mehr8 Die Exponentialverteilung
8 Die Exponentialverteilung 8.1 Einführung Modelle Zuverlässigkeitsmodelle Lebensdauermodelle Bedienungsmodelle. 277 W.Kössler, Humboldt-Universität zu Berlin Def. 26 (Exponentialverteilung) Sei X eine
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
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 ]
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrWahrscheinlichkeiten
Wahrscheinlichkeiten August, 2013 1 von 21 Wahrscheinlichkeiten Outline 1 Wahrscheinlichkeiten 2 von 21 Wahrscheinlichkeiten Zufallsexperimente Die möglichen Ergebnisse (outcome) i eines Zufallsexperimentes
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Wahrscheinlichkeitstheorie (Klausuraufgaben) Marcel Bliem Marco Boßle Jörg Hörner Mathematik Online Herbst 2010 Bliem/Boßle/Hörner (MO) PV-Kurs HM 3 1 / 7
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrWir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir
Kapitel 3: Entropie Motivation Wir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir log N Bits log p N Bits Die Information steht
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrExakte Differentialgleichungen
Exakte Differentialgleichungen M. Vock Universität Heidelberg Seminar Mathematische Modellierung am 11.11.2008 Gliederung Differentialgleichungen eine erste Begegnung Definition Gewöhnliche DGL Die exakte
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien
MehrAppendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie
Appendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie Vorbemerkung: Die folgenden Seiten sind nicht zur Abschreckung gedacht, sondern als Ergänzung zu den Darstellungen, die
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrVorlesung 9b. Bedingte Verteilungen und bedingte Wahrscheinlichkeiten
Vorlesung 9b Bedingte Verteilungen und bedingte Wahrscheinlichkeiten 1 Voriges Mal: Aufbau der gemeinsamen Verteilung von X 1 und X 2 aus der Verteilung ρ von X 1 und Übergangswahrscheinlichkeiten P(a
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
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)
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,
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
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
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
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:
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrNichtparametrische statistische Verfahren MusterlösungÜbungsblatt 3
Technische Universität Dortmund Sommersemester 2014 Fakultät Statistik Dr. Th. Ziebach Dipl.-Stat. K. Pape Dipl.-Stat. M. Tzislakis Nichtparametrische statistische Verfahren MusterlösungÜbungsblatt 3 Aufgabe
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
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrKapitel V - Erwartungstreue Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Erwartungstreue Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
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
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
MehrSumme von Zufallsvariablen
Summe von Zufallsvariablen Gegeben sind die unabhängigen, gleichverteilten Zufallsvariablen X und Y mit den Wahrscheinlichkeitsdichten f() und g(). { für f() = g() = sonst Wir interessieren uns für die
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrMethoden der KI in der Biomedizin Unsicheres Schließen
Methoden der KI in der Biomedizin Unsicheres Schließen Karl D. Fritscher Motivation Insofern sich die Gesetze der Mathematik auf die Wirklichkeit beziehen, sind sie nicht sicher. Und insofern sie sich
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
MehrÜbungen zur Stochastik, Blatt Nr. 1
Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. ) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. a) Schreiben Sie alle Elemente des Grundraums in Form einer Matrix auf. b) Wie
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Mehr(8 + 2 Punkte) = = 0.75
Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,
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
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
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
Mehr1 Einführung, Terminologie und Einteilung
Zusammenfassung Kapitel V: Differentialgleichungen 1 Einführung, Terminologie und Einteilung Eine gewöhnliche Differentialgleichungen ist eine Bestimmungsgleichung um eine Funktion u(t) einer unabhängigen
MehrSTATISTIK2. Lösungsblätter zu den Übungen Wintersemester 2006/2007
UNIVERSITÄT KARLSRUHE (TH Lehrstuhl für Statistik und Ökonometrie STATISTIK2 Lösungsblätter zu den Übungen Wintersemester 2006/2007 Prof. Dr. G. Bol, Dr. M. Höchstötter Dipl.-Math. Sebastian Kring Institut
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrBegriffe aus der Informatik Nachrichten
Begriffe aus der Informatik Nachrichten Gerhard Goos definiert in Vorlesungen über Informatik, Band 1, 1995 Springer-Verlag Berlin Heidelberg: Die Darstellung einer Mitteilung durch die zeitliche Veränderung
MehrStochastische Unabhängigkeit. 01. Dezember 2014
Stochastische Unabhängigkeit 0. Dezember 204 Der Begriff der Unabhängigkeit Großbritannien, im November 999. Die Anwältin Sally Clark wird wegen Mordes an ihren Kindern angeklagt. Clark geriet unter Verdacht
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
Mehr