Der zentrale Grenzwertsatz
|
|
- Leonard Hoch
- vor 6 Jahren
- Abrufe
Transkript
1 KAPITEL 13 Der zetrale Grezwertsatz Der zetrale Grezwertsatz besagt, ass eie Summe vo sehr viele uabhägige ietisch verteilte Zufallsvariable mit elicher Variaz approximativ ormalverteilt ist. Dieser Satz begrüet theoretisch ie herausragee Rolle, ie ie Normalverteilug i er Wahrscheilichkeitstheorie u Statistik spielt. Bevor wir e zetrale Grezwertsatz beweise, müsse wir eie weitere Kovergezart, ie Kovergez i Verteilug, efiiere Kovergez i Verteilug Für eie Zufallsvariable X bezeiche wir mit S(X) = {t R : F X ist stetig a er Stelle t} ie Mege er Stetigkeitspukte er Verteilugsfuktio vo X. Die Mege R\S ist ie Mege er Atome vo X. Diese Mege ist höchstes abzählbar. Defiitio Eie Folge vo Zufallsvariable X 1, X 2,... kovergiert i Verteilug gege eie Zufallsvariable X, we für alle t S(X) gilt: Bezeichug. X X oer F X lim F X (t) = F X (t). F X. Dabei steht für istributio (Verteilug). Bemerkug I er obige Defiitio si ur ie Verteilugsfuktioe vo X u X relevat. Der zugrueliegee Wahrscheilichkeitsraum spielt keie Rolle. Es ka z.b. sogar sei, ass ie Zufallsvariable auf verschieee Wahrscheilichkeitsräume efiiert si. Beispiel I iesem Beispiel zeige wir, warum i er Defiitio er Verteilugskovergez ie Eischräkug auf ie Stetigkeitspukte vo F X sivoll ist. Seie c 1 > c 2 >... > 0 Kostate mit lim c = 0. Als Beispiel ka ma c = 1 betrachte. Defiiere u Zufallsvariable X := c u X := 0. Es gilt: 0, t < 0 lim F X (t) = 1, t > 0 = F X (t), für alle t 0. 0, t = 0 Für t = 0 stimmt ie Gleichug lim F X (0) = F X (0) icht, e F X (0) = 1. Da allerigs 0 / S(X), ist ie Beigug i er Defiitio er Verteilugskovergez erfüllt u wir habe X X. Hätte wir aber i er Defiitio er Verteilugskovergez verlagt, ass lim F X (t) = F X (t) für alle t R gelte soll (u icht ur für alle t S(X)), so würe er resultieree Kovergezbegriff ie absure Eigeschaft habe, ass 1 icht gege 0 kovergiert. 1
2 Der ächste Satz zeigt, ass ie Verteilugskovergez ie schwächste er vo us eigeführte Kovergezarte ist. Satz Seie X u X Zufallsvariable mit X P X. Da gilt: X X. Bemerkug Ma ka u ie Beziehuge zwische verschieee Kovergezarte folgeermaße arstelle: f.s. P... L 3 L 2 L 1 P Beweis vo Satz Sei X X. Für alle ε > 0 gilt also: lim P[ X X > ε] = 0. Schritt 1. Für alle t R gilt: F X (t) = P[X t] Mit er Voraussetzug X = P[X t, X X ε] + P[X t, X X > ε] P[X t + ε] + P[ X X > ε] = F X (t + ε) + P[ X X > ε]. P X gilt u für : lim sup F X (t) F X (t + ε). Das gilt für jees ε > 0. Wir köe ε 0 gehe lasse u ie Rechtsstetigkeit vo F X beutze: lim sup F X (t) F X (t). Schritt 2. Sei t S(X) beliebig. Es gilt: F X (t ε) = P[X t ε] = P[X t ε, X X ε] + P[X t ε, X X > ε] F X (t) + P[ X X > ε]. P Mit er Voraussetzug X X gilt u für : F X (t ε) lim if F X (t). Das gilt für jees ε > 0. Wir köe also ε 0 gehe lasse u beutze, ass F X a er Stelle t stetig ist (e t S(X)): F X (t) lim if F X (t). Schritt 3. Fügt ma Schritt 1 u Schritt 2 zusamme, so erhält ma, ass für alle t S(X) lim sup F X (t) F X (t) lim if F X (t). 2
3 Daraus folgt, ass F X (t) = lim F X (t) für alle t S(X). Somit gilt X X. Beispiel Wir betrachte eie Folge vo ormalverteilte Zufallsvariable X N(0, σ) 2 mit lim σ 2 = 0. Wir zeige, ass X 0. Beweis. Es gilt X L 2 0, e E[(X 0) 2 ] = E[X 2 ] = Var X = σ 2 0. Nu folgt aus er L 2 -Kovergez ie stochastische Kovergez u amit auch ie Kovergez i Verteilug ach em Schema L 2 P. Beispiel Dieses Beispiel soll zeige, ass ie Umkehrug vo Satz im Allgemeie falsch ist. Wir betrachte eie Zufallsvariable X N(0, 1) u ie Folge X = X für alle N. Schritt 1. Zuerst zeige wir, ass X i Verteilug gege X kovergiert. Es gilt: F X (t) = P[X t] = P[ X t] = P[X t] = F X (t). Dabei habe wir beutzt, ass N(0, 1) eie symmetrische Verteilug ist,.h. ie Verteilug vo X stimmt mit er Verteilug vo X überei. Da F X (t) = F X (t) für alle t R, folgt, ass X gege X i Verteilug kovergiert. Schritt 2. Nu zeige wir, as X jeoch icht i Wahrscheilichkeit gege X kovergiert. Es gilt: [ P[ X X > 1] = P[2 X > 1] = P X > 1 ] = 1 e t2 2 t =: c > π t >1/2 Da as Itegral uabhägig vo ist, folgt lim P[ X X > 1] = c > 0. Somit gilt P icht, ass X X. Es gibt allerigs eie Spezialfall, i em ie Umkehrug vo Satz richtig ist. Ma muss ämlich voraussetze, ass ie Grezwertzufallsvariable kostat ist. Satz Seie X 1, X 2,... Zufallsvariable u c R eie Kostate mit X Da gilt: X Beweis. Sei X P c. c. Da gilt für alle t c: lim F X (t) = F X (t) = 3 { 1, t > c, 0, t < c. c.
4 Sei u ε > 0. Da gilt: P[ X c > ε] = P[X < c ε] + P[X > c + ε] P[X c ε] + 1 P[X c + ε] = F X (c ε) + 1 F X (c + ε) 0, a lim F X (c ε) = 0 u lim F X (c+ε) = 1. Es gilt also lim P[ X c > ε] = 0 P u somit X X. Beispiel Für jees N sei X eie Zufallsvariable, ie gleichverteilt auf er Mege { 1, 2,..., } ist. Sei außerem X gleichverteilt auf [0, 1]. Somit ist X eie iskrete Zufallsvariable, wohigege X absolut stetig ist. Wir zeige, ass X X. Beweis. Für t < 0 hat ma F X (t) = F X (t) = 0. Für t > 1 hat ma F X (t) = F X (t) = 1. Für t [0, 1] hat ma F X (t) = [t] t = F X(t), wobei [ ] ie Gauß-Klammer ist. Also gilt für jees t R: Somit folgt X X. lim F X (t) = F X (t). Beispiel (Poisso-Grezwertsatz). Wir betrachte eie Folge vo Zufallsvariable mit X Bi(, p ), wobei für ie Erfolgswahrscheilichkeit p gilt: lim p = λ (0, ). Zum Beispiel ka ma p = λ betrachte. Sei außerem X Poi(λ). Wir zeige, ass X X. Beweis. Der Poisso-Grezwertsatz besagt, ass für alle k N 0 gilt: lim P[X λ λk = k] = e = P[X = k]. k! Die Mege er Stetigkeitspukte er Verteilugsfuktio vo X ist S(X) = R\N 0. Für t < 0 gilt F X (t) = 0 = F X (t). Sei eshalb t > 0 mit t / N 0. Da ka ma ei m N 0 mit m < t < m + 1 fie. Es gilt Daraus folgt: X F X (t) = P[X t] = X. m P[X = k] m λ λk e k! = P[X t] = F X(t). 4
5 13.2. Eie Charakterisierug er Kovergez i Verteilug Defiitio Die Mege er stetige u beschräkte Fuktioe bezeiche wir mit { } C b := f : R R f ist stetig u sup f(t) t R. Satz Seie X, X 1, X 2,... Zufallsvariable. Folgee zwei Aussage si äquivalet: (1) X X. (2) Für alle f C b gilt: lim Ef(X ) = Ef(X). Beweis vo (1) (2). Sei X Wir were zeige, ass X. Sei f C b eie stetige u beschräkte Fuktio. lim Ef(X ) = Ef(X). Schritt 1. Für f beschräkt ist, gilt b := sup t R f(t) <. Schritt 2. Sei ε > 0. Es gilt lim c P[ X > c] = 0. Somit existiert ei hireiche großes c mit P[ X > c] < ε b. Iem ma c vergrößert, ka ma außerem erreiche, ass c S(X) u c S(X). Schritt 3. Aus X X folgt lim P[ X > c] = P[ X > c], e P[ X > c] = F X ( c) + (1 F X (c)) F X ( c) + (1 F X (c)) = P[ X > c]. Für hireiche großes gilt somit: P[ X > c] < 2ε b. Schritt 4. Da ie Fuktio f stetig ist, ka ma eie Fuktio g mit folgee Eigeschafte kostruiere: (1) sup t R f(t) g(t) ε. (2) g ist eie Treppefuktio: k g(t) = a i 1 ti 1 <t t i, wobei c = t 0 < t 1 <... < t k = c u t 0,..., t k S(X). Schritt 5. Für hireiche großes gilt: Ef(X ) Ef(X) Ef(X )1 X c Ef(X)1 X c + Ef(X )1 X >c + Ef(X)1 X >c i=1 Ef(X )1 X c Ef(X)1 X c + 3ε Ef(X )1 X c Eg(X ) + Eg(X) Ef(X)1 X c + Eg(X ) Eg(X) + 3ε Eg(X ) Eg(X) + 5ε, 5
6 wobei ie zweite Ugleichug gilt, a f(x ) b, f(x) b, P[ X > c] 2ε u b P[ X > c] ε, u ie letzte Ugleichug gilt, a f(x) g(x) ε. b Schritt 6. Wir betrachte u e Term Eg(X ) Eg(X). Aus X S(X) folgt, ass Eg(X ) = = k a i E1 ti 1 <X t i i=1 k a i (F X (t i ) F X (t i 1 )) i=1 k a i (F X (t i ) F X (t i 1 )) i=1 = Eg(X). Daraus folgt: lim Eg(x ) = Eg(X). Für hireiche großes gilt somit: Eg(X ) Eg(X) ε. X u t 0,..., t k Schritt 7. Aus Schritt 5 u Schritt 6 ergibt sich, ass für hireiche großes gilt: Ef(X ) Ef(X) 6ε. Dabei war ε > 0 beliebig. Daraus folgt, ass lim Ef(X ) = Ef(X). Beweis vo (2) (1). Sei lim Ef(X ) = Ef(X) für alle f C b. Wir zeige, ass X X. Beweisiee: Dürfte wir f(z) = 1 z t eisetze, so würe gelte: lim F X (t) = lim Ef(X ) = Ef(X) = F X (t). Allerigs ist ie Iikatorfuktio 1 z t icht stetig. Also were wir ieese Iikatorfuktio urch stetige Fuktioe approximiere. Schritt 1. Sei t R u ε > 0. Da existiert eie Fuktio f C b mit 1 y t f(y) 1 y t+ε für alle y R. (1) Es gilt also 1 X t f(x ) 1 X t+ε. Daraus folgt: F X (t) = E1 X t Ef(X ). (2) Außerem gilt 1 X t f(x) 1 X t+ε. Es folgt: Ef(X) E1 X t+ε = F X (t + ε). Fügt ma u (1) u (2) zusamme, erhält ma für : lim sup F X (t) lim Ef(X ) = Ef(X) F X (t + ε). 6
7 Das gilt für jees ε > 0. Da u F X rechtsstetig ist, erhalte wir für ε 0: lim sup F X (t) F X (t). Schritt 2. Sei t S(X) u ε > 0. Da existiert ei f C b mit 1 y t ε f(y) 1 y t für alle y R. Es gilt: F X (t ε) = E1 X t ε Ef(X) = lim Ef(X ) lim if E1 X t = lim if F X (t). Für ε 0 erhalte wir a: F X (t) lim if F X (t). Schritt 3. Fügt ma u Schritte 1 u 2 zusamme, so folgt für alle t S(X): U as beeutet, ass X X. F X (t) = lim F X (t) Satz vo Helly Für eie Verteilugsfuktio G bezeiche wir mit S(G) ie Mege er Stetigkeitspukte vo G. Satz (Helly). Seie F 1, F 2,... Verteilugsfuktioe. Da gibt es eie rechtsstetige ichtfallee Fuktio G u eie Teilfolge F 1, F 2,..., so ass für alle t S(G) gilt: lim F k (t) = G(t). Beweis. Die Mege er ratioale Zahle ist abzählbar, also gibt es eie Abzählug Q = {r 1, r 2,...}. Wir were im Folgee eie geschachtelte Familie vo ueliche Mege N = K 0 K 1... mit gewisse (ute äher beschriebee) Eigeschafte kostruiere. Schritt 1. Sei K 0 = N. Es gilt: {F (r 1 )} N [0, 1]. Mit em Satz vo Bolzao Weierstraß folgt: Es gibt eie Teilmege K 1 K 0 mit K 1 = u lim F (r 1 ) = g 1., K 1 Schritt 2. Geauso gilt: {F (r 2 )} K1 [0, 1]. U amit folgt wieerum mit em Satz vo Bolzao Weierstraß, ass eie Teilmege K 2 K 1 existiert mit K 2 = u lim, K 2 F (r 2 ) = g 2. Schritt 3. Diese Argumetatio ka fortgesetzt were. Es existiere also Mege N = K 0 K 1 K 2... mit K j = u lim, K j F (r j ) = g j für alle j N. Schritt 4. Nu beutze wir ie sogeate Cator Diagoalisierug. I jeer Mege K j wähle wir as kleiste Elemet. Die Vereiigug ieser Elemete ee wir K, so ass 7
8 K = {mi K j } j N. Es gilt ach Kostruktio K =. Außerem gilt für alle j N: K ist bis auf elich viele Elemete eie Teilmege vo K j u somit lim F (r j ) = g j für alle j N., K Wir habe gezeigt, ass für alle j N er folgee Grezwert existiert: H(r j ) := lim F (r j )., K Die Fuktio H ist ur auf er Mege er ratioale Zahle efiiert. Wir erweiter ie Fuktio H auf gaz R: G(t) := if{h(r) : r Q, r > t}. Für iese Fuktio gilt: G ist ichtfalle u rechtsstetig (Übug). Schritt 5. Nu müsse wir och zeige, ass für t S(G) gilt: lim F (t) = G(t)., K Sei also t S(G) u sei ε > 0. Da existiert y < t mit G(t) ε G(y) G(t). Außerem existiere r, s Q mit y < r < t < s u G(s) G(t) + ε. Nu gilt also: G(t) ε G(y) G(r) G(s) G(t) + ε. Es folgt, ass G(r) K F (r) F (t) F (s) K G(s). Somit gilt G(t) ε lim if F (t) lim sup F (t) G(t) + ε., K, K Für ε 0 erhalte wir a: G(t) = lim, K F (t). Beispiel Die Fuktio G aus em Satz vo Helly ist mooto ichtfalle u rechtsstetig, sie muss aber icht ubeigt eie Verteilugsfuktio sei. Es fehle ämlich ie Eigeschafte lim t G(t) = 0 u lim t + G(t) = 1. Um zu sehe, ass ie beie Eigeschafte icht immer erfüllt si, betrachte wir ie Folge X =. Für ie Verteilugsfuktio vo X gilt a lim F X (t) = lim 1 [, ) (t) = 0. Also ist auch er Grezwert jeer Teilfolge vo F X gleich 0. Die Fuktio G = 0 ist aber keie Verteilugsfuktio. Defiitio Eie Folge F 1, F 2,... vo Verteilugsfuktioe (bzw. eie Folge vo Zufallsvariable, ie iese Verteilugsfuktioe habe) heißt straff, we für alle ε > 0 ei c > 0 existiert, so ass für alle N gilt: F ( c) + (1 F (c)) < ε. Bemerkug Ist F ie Verteilugsfuktio eier Zufallsvariable X, so ka ma ie obige Beigug auch so arstelle: für alle ε > 0 existiert ei c > 0, so ass P[ X > c] < ε für alle N. 8
9 Beispiel Die Folge er Verteilugsfuktioe F = 1 [, ) ist icht straff. Beispiel Seie X 1, X 2,... beliebige Zufallsvariable, ie ur Werte i eiem Itervall [ A, A] aehme. Da ist iese Folge vo Zufallsvariable straff. Satz (Helly, Prochorow). Sei F 1, F 2,... eie straffe Folge vo Verteilugsfuktioe. Da existiere eie Verteilugsfuktio G u eie Teilfolge F 1, F 2,..., so ass für alle t S(G) gilt: lim F k (t) = G(t). k Bemerkug Mit aere Worte: aus eier straffe Folge vo Zufallsvariable ka ma eie i Verteilug kovergete Teilfolge extrahiere. Vergleiche as mit em Satz vo Bolzao Weierstraß: Aus eier beschräkte Folge vo Vektore i R ka ma eie kovergete Teilfolge extrahiere. Beweis. Aus Satz folgt, ass es eie Teilfolge 1, 2,... u eie ichtfallee, rechtsstetige Fuktio G mit lim k F k (t) = G(t) für alle t S(G) gibt. Wir bereche ie Grezwerte lim t ± G(t). Für alle ε > 0 existiert ei c > 0 mit F k ( c) < ε u 1 F k (c) < ε für alle k N, a ie Folge F 1, F 2,... straff ist. Iem wir c vergrößer, köe wir zusätzlich aehme, ass c, c S(G). Nu lasse wir k u erhalte, ass G( c) ε u 1 G(c) ε. Da as für alle ε > 0 gilt, ergibt sich araus, ass lim c + G( c) = 0 u lim c + G(c) = 1. Also ist G eie Verteilugsfuktio Stetigkeitssatz vo Lévy Der ächste Satz wir im Beweis es zetrale Grezwertsatzes eie wichtige Rolle spiele. Dieser Satz besagt, ass Kovergez i Verteilug äquivalet zur puktweise Kovergez er etsprechee charakteristische Fuktioe ist. Satz (Stetigkeitssatz vo Lévy). Seie X, X 1, X 2,... Zufallsvariable mit charakteristische Fuktioe φ X, φ X1, φ X2,.... Da si folgee zwei Aussage äquivalet: (1) X X. (2) lim φ X (t) = φ X (t) für alle t R. Im Beweis were wir ie vereifachte Notatio φ X = φ u φ X = φ beutze. Für ie Verteilugsfuktioe vo X u X beutze wir ie Notatio F X = F u F X = F. Beweis vo (1) (2). Sei X X. Da gilt mit Satz für alle t R: φ (t) = E cos(tx ) + ie si(tx ) E cos(tx) + ie si(tx) = φ(t). 9
10 Beweis vo (2) (1). Es gelte lim φ (t) = φ(t) für ale t R. Wir wolle zeige, ass X X. Schritt 1. Zuerst zeige wir, ass ie Folge vo Verteilugsfuktioe F 1, F 2,... straff ist. Wir efiiere eie Fuktio B (u) folgeermaße: B (u) := 1 u φ (t))t = u u(1 1 u [ 1 u ] E[1 e itx ]t = E (1 e itx )t, u u u u wobei wir im letzte Schritt ie Itegrale ach em Satz vo Fubii vertauscht habe. Das war möglich, e 1 e itx 2. Da u si x eie gerae Fuktio ist u er Imagiärteil somit ach er Itegratio verschwiet, erhalte wir, ass ( B (u) = 2E 1 si(ux ) [ ) 2E 1 1 ] ux ux [ P X 2 ]. u Es gilt: φ(0) = 1 u φ ist stetig, a φ eie charakteristische Fuktio ist. Somit existiert für jees ε > 0 ei hireiche kleies u > 0, so ass B(u) = 1 u u u (1 φ(t))t < ε. Da lim φ (t) = φ(t) für alle t R gilt, folgt mit er majorisierte Kovergez: B (u) = 1 u u u (1 φ (t))t 1 u u u (1 φ(t))t = B(u). Wir urfte ie majorisierte Kovergez beutze, a 1 φ (t) 2. Somit existiert ei 0, so ass B (u) < 2ε für alle 0. Da ist auch [ P X 2 ] B (u) < 2ε für alle 0. u Iem wir ie Schrake 2 vergrößer, köe wir erreiche, ass ie obige Ugleichug sogar u für alle N gilt. Daraus folgt, ass ie Folge F 1, F 2,... straff ist. Schritt 2. Nu zeige wir urch Wierspruch, ass X X. Wir ehme also a, ass iese Kovergez icht gilt. Es existiert somit ei t R mit (13.4.1) lim F (t) F (t) u P[X = t] = 0. Daraus folgt: es gibt ei ε > 0 u eie Teilfolge F 1, F 2,... mit F k (t) F (t) > ε für alle k N. Da ie Folge F 1, F 2,... u somit auch ie Teilfolge F 1, F 2,... straff ist, folgt mit Satz , ass eie Verteilugsfuktio G u eie Teilteilfolge F k1, F k2,... existiere, für ie gilt: (13.4.2) F kj j G. Wir betrachte zwei Fälle: Fall 1. G ist icht stetig a er Stelle t. Da folgt: G F, e F ist stetig a er Stelle t wege (13.4.1). 10
11 Fall 2. G ist stetig a er Stelle t. Da folgt aus (13.4.2), ass lim j F kj (t) = G(t) F (t), also G F. I beie Fälle gilt G F. Aus (13.4.2) u wege er bereits bewiesee Richtig (1) (2) im Satz folgt, ass lim j φ kj (t) = φ G (t) für alle t R. Dabei bezeiche wir mit φ G ie charakteristische Fuktio vo G. Nach Voraussetzug sollte aber auch gelte, ass lim φ kj (t) = φ(t) für alle t R. j Somit gilt φ G = φ. Das heißt, ie charakteristische Fuktioe vo G u F si gleich. Dabei habe wir aber gezeigt, ass G F. Dies ist ei Wierpruch, a ie Verteilugsfuktio eieutig urch ie charakteristische Fuktio bestimmt wir Der zetrale Grezwertsatz Seie X 1, X 2,... uabhägige, ietisch verteilte Zufallsvariable mit EX k = µ, Var X k = σ 2. Wir betrachte ie Summe S = X X. Wir were u ie Frage beatworte, wie ie Summe S für verteilt ist. Damit wir eie sivole Aussage über ie Verteilug vo S erhalte köe, müsse wir zuerst eiige Vorbereituge treffe. Schritt 1. Durch Abziehe es Erwartugswerts köe wir S zetriere. Das heißt, wir betrachte ie Zufallsvariable S ES = S µ. Es gilt a E[S µ] = 0. Schritt 2. Iem wir urch ie Staarabweichug iviiere, köe wir ie Zufallsvariable auch ormiere. Das heißt, wir betrachte ie Zufallsvariable Da gilt E[ S µ σ ] = 0 u Var[ S µ σ ] = 1. S ES Var S = S µ σ. Satz (Der zetrale Grezwertsatz). Seie X 1, X 2,... uabhägige, ietisch verteilte, quaratisch itegrierbare Zufallsvariable mit EX k = µ, Var X k = σ 2 (0, ). Sei S = X X. Da gilt: S µ σ N, wobei N N(0, 1) eie staarormalverteilte Zufallsvariable ist. Bemerkug Mit aere Worte: Für alle x R gilt [ ] lim P S µ σ x = Φ(x) mit Φ(x) = 1 2π Als Spezialfall erhalte wir e folgee Satz vo e Moivre Laplace. 11 x e t2 2 t.
12 Satz (e Moivre (1733), Laplace (1812)). Sei S Bi(, p) biomialverteilt, wobei p (0, 1) kostat ist. Da gilt für alle x R: [ ] lim P S p x = Φ(x). p(1 p) Beweis. Wir efiiere uabhägige, ietisch verteilte Zufallsvariable X 1, X 2,... mit Da gilt für ie Summe er Zufallsvariable P[X k = 1] = p u P[X k = 0] = 1 p. S = X X Bi(, p). Der Erwartugswert vo X k ist µ = p u ie Variaz ist σ 2 = p (1 p). Mit em zetrale Grezwertsatz folgt ie Behauptug. Bemerkug Mit em Satz vo e Moivre Laplace ka ma ie Biomialverteilug Bi(, p) für ei großes u ei kostates p urch ie Normalverteilug approximiere. Sei ämlich S Bi(, p). Wir wolle ie Wahrscheilichkeit P[a S b], ass S ierhalb eies gegebee Itervalls [a, b] liegt, bereche. Mit em Satz vo e Moivre Laplace erhalte wir ie folgee Approximatio: [ a µ P[a S b] = P σ S µ σ b µ ] σ P[a N b ] = Φ(b ) Φ(a ), wobei a µ σ ist. = a u b µ σ = b. Wir habe beutzt, ass S µ σ N N(0, 1) für großes Beispiel Wir betrachte ei = 100-faches Beroulli-Experimet mit Erfolgswahrscheilichkeit p = 1. Sei S = S Bi(100, 1 ) ie Azahl er Erfolge. Wir approximiere 2 u mit em zetrale Grezwertsatz ie Wahrscheilichkeit P[S 55]. Lösug. Für e Erwartugswert u ie Variaz vo S erhalte wir ES = p = = 50 u Var S = p(1 p) = = 25. Also gilt mit em Satz vo e Moivre Laplace: [ ] S P[S 55] = P P[N 1] = Φ(1) = , wobei wir beutzt habe, ass S N. Um eie bessere Approximatio zu erhalte, ka ma e sogeate ± 1 Trick awee. 2 Da ie Zufallsvariable S ämlich gazzahlig ist, si ie Wahrscheilichkeite P[S 55] u P[S < 56] gleich. Solle wir u 55 oer 56 i ie Approximatio eisetze? Wir were e Mittelwert 55.5 eisetze: P[S 55] = P[S 55,5] = P [ S , ] P[N 1,1] = Φ(1,1) = 0, Der exakte Wert für ie Wahrscheilichkeit ist übriges P[S 55] =
13 Beispiel Seie X 1, X 2,... N(µ, σ 2 ) uabhägige ormalverteilte Zufallsvariable. Da gilt icht ur approximativ, soer sogar exakt, ass S µ σ N(0, 1) Beweis es zetrale Grezwertsatzes Beweis vo Satz Es seie X 1, X 2,... uabhägige ietisch verteilte Zufallsvariable mit EX k = µ u Var X k = σ 2 > 0. Defiiere S = X X. Wir zeige, ass S µ σ N N(0, 1). Astelle vo X 1, X 2,... betrachte wir ie ormierte Zufallsvariable Y k := X k µ mit EY k = 0 u Var Y k = 1. σ Wir efiiere ie Zufallsvariable V := S µ σ = Y Y. Zu zeige ist, ass V N N(0, 1). Wir were zeige, ass ie charakteristische Fuktio vo V gege ie charakteristische Fuktio er Staarormalverteilug puktweise kovergiert. Da ka ma e Stetigkeitssatz awee. Sei t R fest. Für ie charakteristische Fuktio vo V gilt: ] ] ] ( ( )) φ V (t) = Ee itv = E [e it Y Y = E [e it Y 1 it Y... E [e t = φ, wobei φ := φ Y1 ie charakteristische Fuktio vo Y 1 ist. Nu wolle wir gehe lasse. Da φ(0) = 1 u φ stetig ist, gilt ( ) t lim φ = 1. Also habe wir es mit eier Ubestimmtheit vo er Form 1 zu tu. Um ie aufzulöse, were wir ie erste zwei Terme er Taylor-Etwicklug vo φ betrachte. Es gilt φ(0) = 1, φ (0) = iey 1 = 0, φ (0) = E[Y 2 1 ] = 1. Somit erhalte wir ie folgee Tayloretwicklug: Nu setze wir s = φ(s) = 1 s2 2 + o(s2 ), s 0. t ei: ( ) t φ = 1 t2 2 + o 13 ( t 2 ),.
14 U a gilt für ie charakteristische Fuktio vo V : ( ( )) ( )) t φ V (t) = φ = (1 t2 t o 2 t 2 e 2. Dabei habe wir ie folgee Aussage beutzt: für eie Folge a 1, a 2,... mit lim a = λ gilt, ass lim (1 + a ) = e λ. Da e t2 /2 ie charakteristische Fuktio er Staarormalverteilug ist, folgt schließlich mit em Stetigkeitssatz , ass V i Verteilug gege eie Staarormalverteilte Zufallsvariable kovergiert. Das beweist ie Behauptug Sätze vo Lieberg u Ljapuow Der folgee Satz ist eie Verallgemeierug es zetrale Grezwertsatzes. Er besagt, ass eie Summe vo sehr viele sehr kleie u uabhägige zufällige Fehler uter ziemlich allgemeie Beiguge approximativ ormalverteilt ist. I iesem Satz were wir astatt eier Folge ei sogeates Dreiecksschema vo Zufallsvariable betrachte: X 11 X 21, X 22 X 31, X 32, X X 1, X 2, X 3,..., X... Wir were aehme, ass jee Zeile ieses Dreiecks aus uabhägige Zufallsvariable besteht. Abhägigkeite zwische e Variable aus verschieee Zeile si jeoch erlaubt. Satz (Lieberg). Für alle N gelte, ass X 1, X 2,..., X uabhägige Zufallsvariable mit EX k = 0 u Var X k = σk 2 si, wobei σ2 k = 1. Außerem gelte ie folgee Lieberg-Beigug: für jees ε > 0 (13.7.1) L (ε) := lim E[Xk 2 1 X k >ε] = 0. Da gilt: X X N N(0, 1). Bemerkug Die Lieberg-Beigug besagt, ass alle Werte er Zufallsvariable, ie größer als ε si, eie asymptotisch verschwiee Beitrag zur Variaz er Summe er Zufallsvariable leiste. Bemerkug Wir beweise, ass er zetrale Grezwertsatz ei Spezialfall vo Satz ist. Seie X 1, X 2,... uabhägige, ietisch verteilte Zufallsvariable mit E[X k ] = µ u Var X k = σ 2 = 0. Wir efiiere ie Zufallsvariable X k = X k µ σ, k = 1,...,. Da si ie Zufallsvariable X 1,..., X für jees N uabhägig, a X 1,..., X ach Voraussetzug uabhägig si. Außerem gilt EX k = 0 u σ 2 k = Var X k = 1. Somit gilt tatsächlich σ2 k = 1. 14
15 Um zu zeige, ass alle Voraussetzuge aus Satz erfüllt si, müsse wir och ie Lieberg Beigug (13.7.1) überprüfe. Sei ε > 0 fest. Es gilt, a ie Zufallsvariable ietisch verteilt si, [ (Xk ) ] 2 µ L (ε) = E σ 1 X k µ σ = 1 >ε σ E[(X 2 1 µ) 2 1 X1 µ >εσ ]. Wir zeige, ass er Erwartugswert auf er rechte Seite für gege 0 kovergiert. Es gilt (X 1 µ) 2 1 X1 µ >εσ f.s. 0 (sogar sicher), a ie Iikatorfuktio für hireiche großes gleich 0 wir. Außerem gilt für alle ie Abschätzug (X 1 µ) 2 1 X1 µ >εσ (X 1 µ) 2 mit E [ (X 1 µ) 2] <. Damit köe wir e Satz vo er majorisierte Kovergez awee. Somit gilt ie Lieberg Beigug (13.7.1). Nu köe wir Satz vo Lieberg awee: X 1 µ σ X µ σ N N(0, 1). Der zetrale Grezwertsatz ist also ei Spezialfall vo Satz Bemerkug Der Satz vo Lieberg ist etwas allgemeier, als er zetrale Grezwertsatz. Zum Beispiel wir im Satz vo Lieberg icht verlagt, ass ie Zufallsvariable X 1,..., X ietisch verteilt sei solle. Beispiel Defiiere X 1 = X, wobei X eie beliebige (aber icht ormalverteilte) Zufallsvariable mit EX = 0 u Var X = 1 ist. Die restliche Zufallsvariable X 2,..., X seie gleich 0. Da gilt X X = X N(0, 1). I iesem Fall kovergiere ie Summe also icht gege ie Normalverteilug. Die Ursache afür ist, ass ie Lieberg Beigug (13.7.1) icht erfüllt ist. Bemerkug We ie Lieberg Beigug (13.7.1) erfüllt ist, so gilt, ass lim max,..., σ2 k = 0. Beweis. Aus er Gleichug σk 2 = E [ [ [ ] Xk] 2 = E X 2 k 1 Xk ε] + E X 2 k 1 Xk >ε folgt, ass für ie maximale Variaz folgee Abschätzug gilt: M := max,..., σ2 k ε 2 + E[Xk 2 1 X k >ε] = ε 2 + L (ε). Da ie Lieberg Summe auf er rechte Seite gege 0 für kovergiert, erhalte wir, ass lim sup M ε 2. Da as für jees ε > 0 gilt, folgt, ass lim M = 0. Zum Beweis vo Satz brauche wir zuächst eiige Hilfsaussage. 15
16 Lemma Für alle y 1,..., y C u für alle z 1,..., z C mit y k 1 u z k 1 für alle k = 1,...,, gilt: y k z k y k z k. Beweis. Wir beutze ie Iuktio. Iuktiosafag. Für = 1 immt usere Ugleichug ie Form y 1 z 1 y 1 z 1 a. Sie stimmt also. Iuktiosschritt. Wir ehme a, ass ie Ugleichug für ei N gilt. Nu gilt es, zu zeige, ass sie auch für + 1 gilt. Mit er Dreiecksugleichug erhalte wir, ass y k z k y k y +1 z k + y +1 z k z k = y +1 y k z k + z k y +1 z +1 y k z k + y +1 z +1, a y +1 1 u z k 1. Nu köe wir ie Iuktiosaahme awee: y k z k y k z k + y +1 z +1 = y k z k. Somit ist ie Ugleichug auch für + 1 Terme gültig. Lemma Sei X eie Zufallsvariable mit E[ X ] < für ei N. Da gilt ie Taylor-Etwicklug (it) k φ X (t) = E[X k ] + R (t), k! wobei für e Restterm R (t) ie folgee Abschätzug gilt [ { }] tx +1 R (t) E mi ( + 1)!, 2 tx.! Bemerkug We ma sich erlaubt, Erwartugswerte u ueliche Summe ohe Begrüug zu vertausche, a erhält ma ie Etwicklug [ ] φ X (t) = E[e itx (itx) k (it) k ] = E = E[X k ]. k! k! Das Lemma ist eie exakte Aussage arüber, iwieweit iese Etwicklug möglich ist. Hat ie Zufallsvariable Momete, so köe wir i er Etwicklug Terme bis zum Gra beutze u e Restterm wie im Lemma abschätze. 16
17 Beweis vo Lemma Schritt 1. Zuerst beweise wir eie Abschätzug für e Restterm i er Taylor Etwicklug er Fuktio e it. Wir were zeige, ass für alle t R (it) k { } t +1 (13.7.2) eit k! mi ( + 1)!, 2 t.! Wir führe e Beweis mit Iuktio. Iuktiosafag. Für = 0 stimmt ie zu beweisee Ugleichug (13.7.2), e e it 1 t u e it 1 2. Iuktiosschritt. Wir ehme a, ass ie Ugleichug (13.7.2) für ei N gilt. Nu ist zu zeige, ass sie auch für + 1 gilt. Sei o.e..a. t > 0, e ie Fuktio auf er rechte Seite vo (13.7.2) ist gerae. Es gilt eit +1 (is) k k! = t 0 ( e is ) (is) k s k! t 0 eis Nu beutze wir ie Iuktiosaahme: +1 (it) k t { s +1 eit k! = mi 0 ( + 1)!, 2s! { t s +1 mi 0 ( + 1)!, 2 0 { t +2 = mi ( + 2)!, 2 t+1 ( + 1)! Die zu beweisee Ugleichug gilt also auch für + 1. } s t s (is) k k! s. }! s }. Schritt 2. Nu beweise wir ie Abschätzug für e Restterm R (t): [ ] R (t) = E e itx (itx) k ) k! E (itx) k [ { tx +1 eitx k! E mi Das Lemma ist somit bewiese. Nu köe wir e Satz vo Lieberg beweise. Beweis vo Satz Es ist zu zeige, ass X X N(0, 1). ( + 1)!, 2 tx! Schritt 1. Nach em Stetigkeitssatz reicht es, zu zeige, ass für alle t R gilt: lim φ k (t) = e t }].
18 Dabei sei φ k (t) = E[e itx k ] ie charakteristische Fuktio vo Xk. Deshalb betrachte wir ie Differez ieser beie Terme: ) φ k (t) e t2 2 = φ k (t) e 1 2 σ2 k (a t2 σk 2 = 1 φ k (t) e 1 2 σ2 k t2 φ k(t) σ2 kt 2 1 e 2 σ2 k t σ2 kt 2. Nu schätze wir iese beie Summe separat ab u efiiere hierfür c k = φ k(t) σ2 kt 2, k = 1 e 2 σ2 k t σ2 kt 2. Schritt 2. Betrachte zuächst c k. Mit Lemma erhalte wir ( c k = φ k(t) 1 1 ) 2 σ2 kt 2 E [ mi { tx k 3, tx k 2}]. U u verwee wir für X k ε ie Abschätzug tx k 3 u für X k > ε ie Abschätzug tx k 2 : c k E [ tx k 3 1 Xk ε] + E [ txk 2 1 Xk >ε. ]. Sei L (ε) = E[X2 k 1 X k >ε] ie Summe aus er Lieberg Beigug. Nu schätze wir ie Summe über c k ab: c k t 3 E[ X k 3 1 Xk ε ] + t 2 L (ε) t 3 t 3 ε ε E[ X k 2 1 Xk ε] + t 2 L (ε) σk 2 + t 2 L (ε) = t 3 ε + t 2 L (ε). Da ie Lieberg-Summe L (ε) gege 0 für kovergiert u ε > 0 beliebig klei gewählt were ka, erhalte wir, ass c k = 0. lim Schritt 3. Wir betrachte u k. Wir verwee hier ie Abschätzug e z z k (1 z) = k! z k 2 z 2 z 2 z k 2 k! (k 2)! z 2 e z. k=2 k=2 18 k=2
19 U u substituiere wir z = 1 2 σ2 k t2 : ( k = 1 e 2 σ2 k t2 1 1 ) 2 σ2 kt 2 σk t 4 4 e 1 2 σ2 k t2 σk t 4 4 e t2. Somit gilt für ie Summe k t 4 e t2 Also gilt laut Bemerkug σk 4 t 4 e t2 lim k = 0. Schritt 4. Wir habe also gezeigt, ass lim φ k (t) e t2 2 = 0. max,..., σ2 k. Mit em Stetigkeitssatz folgt araus, ass X X N(0, 1). Nu beweise wir eie Satz, er eie vereifachte Form es Satzes vo Lieberg ist. Satz (Ljapuow). Für alle N seie X 1,..., X uabhägige Zufallsvariable mit EX k = 0 u Var X k = σk 2, wobei σ2 k = 1. Es gelte außerem ie folgee Ljapuow Beigug: Es existiert ei δ > 0 mit (13.7.3) lim E X k 2+δ = 0. Da gilt: X X N N(0, 1). Beweis. Wir zeige, ass ie Ljapuow Beigug (13.7.3) ie Lieberg Beigug (13.7.1) impliziert. Sei also (13.7.3) erfüllt. Sei ε > 0 beliebig. Da gilt L (ε) = E [ Xk 2 1 ] [ ] Xk 2+δ X k >ε E 1 Xk >ε 1 E [ X ε δ k 2+δ] 0. Somit gilt ie Lieberg Beigug (13.7.1). ε δ Beispiel Wir betrachte ei -faches Beroulli-Experimete mit Erfolgswahrscheilichkeit p, für ie lim p (1 p ) = gilt. Da gilt: (13.7.4) S p p (1 p ) N N(0, 1). Bemerkug Dies ist beispielsweise awebar, we p = 1, p = 1 1 oer we p = p (0, 1) kostat ist. Zum Vergleich: Der Poisso Grezwertsatz gilt, we lim p = λ (0, ). 19
20 Beweis vo (13.7.4). De Satz vo e Moivre Laplace köe wir icht awee, e p ist im Allgemeie icht kostat. Wir were stattesse e Satz vo Lieberg awee. Wir betrachte uabhägige Zufallsvariable Y 1,..., Y Bi(1, p ),.h. P[Y k = 1] = p, P[Y k = 0] = 1 p. Für ie Summe ieser Zufallsvariable gilt a S := Y Y Bi(, p ). Wir betrachte auch ie ormierte Zufallsvariable Y k p X k := p (1 p ). Es gilt EX k = 0 u Var X k = 1. Für ie Summe ieser Zufallsvariable X k gilt a S := X X = S p p (1 p ). Wir zeige, ass S i Verteilug gege ie Staarormalverteilug kovergiert, iem wir ie Lieberg Beigug überprüfe. Sei ε > 0 vorgegebe. Wir köe ie Zufallsvariable X k wie folgt abschätze: 1 X k p (1 p ). Somit ist X k < ε für hireiche großes, e lim p (1 p ) =. Es gilt also L (ε) = E[X2 k 1 X k >ε] = 0 für hireiche großes. Somit ist ie Lieberg Beigug erfüllt. Nu arf er zetrale Grezwertsatz vo Lieberg beutzt were. Er besagt, ass S N(0, 1). Beispiel Seie X 1, X 2,... uabhägige (aber icht ietisch verteilte) Zufallsvariable mit Defiiere ie Partialsumme Wir behaupte u, ass P[X = ] = P[X = ] = 1 2. S = X X = ±1 ± 2 ±... ±. 3 S 3/2 N(0, 1). Beweis. De zetrale Grezwertsatz köe wir icht awee, a ie Zufallsvariable icht ietisch verteilt si. Stattesse muss ma e Satz vo Lieberg oer e Satz vo Ljapuow awee. Wir etscheie us für e Satz vo Ljapuow. Zuächst bemerke wir, ass EX k = 0 u Var X k = E[Xk 2] = k2. Die Variaz er Summe S ist a D 2 := Var S = k 2 = ( + 1)(2 + 1) ,.
21 Daraus folgt, ass D 3/2 3,. Um u e zetrale Grezwertsatz vo Ljapuow awee zu köe, efiiere wir us folgee Zufallsvariable: X k = X k für k = 1,...,. D Wir erkee, ass EX k = 0, Var X k = 1 Var X D 2 k = 1. Nu zeige wir, ass ie Ljapuow-Beigug mit δ = 1 erfüllt ist: ( ) 3 k E[ X k 3 ] = = 1 k 3 0, D e k3 4 u 4 D3 9/2 3 für. Der Satz Ljapuow besagt a, ass 3 1 X k = X k N(0, 1). D Also ist ie Behauptug bewiese, a D 3/2 3 D 3 für ist. 21
Güteeigenschaften von Schätzern
KAPITEL 6 Güteeigeschafte vo Schätzer Wir erier a ie Defiitio es parametrische Moells Sei {h θ : θ Θ}, wobei Θ R m, eie Familie vo Dichte oer Zählichte Seie X 1,, X uabhägige u ietisch verteilte Zufallsvariable
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
MehrNennenswertes zur Stetigkeit
Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
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.
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
MehrZahlenfolgen, Grenzwerte und Zahlenreihen
KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:
MehrÜbungsaufgaben zur Vorlesung ANALYSIS I (WS 12/13) Serie 10
Humboldt-Uiversität zu Berli Istitut für Mathematik Prof. A. Griewak Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jase Übugsaufgabe zur Vorlesug ANALYSIS I (WS 2/3) Serie 0 Musterlösug S.
MehrLösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I
Uiversität des Saarlades Fakultät für Mathematik ud Iformatik Witersemester 2003/04 Prof. Dr. Joachim Weickert Dr. Marti Welk Dr. Berhard Burgeth Lösuge der Aufgabe zur Vorbereitug auf die Klausur Mathematik
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 12
Mthemtisches Istitut der Uiversität Müche Prof. Dr. Peter Otte WiSe 203/4 Lösug 2 2.0.204 Aufgbe 2. [8 Pute] Übuge zur Alysis für Iformtier ud Sttistier Lösug zu Bltt 2 Für eie Teilmege Ω R, sei {, flls
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 11. c n (z a) n,
f : a P UNIVERSIÄ DES SAARLANDES FACHRICHUNG 6. MAHEMAIK Prof. Dr. Rolad Speicher M.Sc. obias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 202 Musterlösug zu Blatt Aufgabe. Zeige Sie durch Abwadlug
MehrSatz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.
Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,
Mehr2 Martingale. E (X G) dp = X dp (2.1) B
Martigale Zuächst eie Bemerkug über bedigte Erwartugswerte Ist Ω, F, P ei Wahrscheilichkeitsraum, G eie Teil-σ-lgebra vo F, ud X eie itegrierbare Zufallsgrösse, so hatte wir E X G als die bis auf P fs
Mehr2 Vollständige Induktion
8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes
Mehr1 Analysis T1 Übungsblatt 1
Aalysis T Übugsblatt A eier Weggabelug i der Wüste lebe zwei Brüder, die vollkomme gleich aussehe, zwische dee es aber eie gewaltige Uterschied gibt: Der eie sagt immer die Wahrheit, der adere lügt immer.
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
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Prof. Dr. Rolad Speicher M.Sc. Tobias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 01 Musterlösug zu Blatt 0 Aufgabe 1. Käpt Schwarzbart,
MehrAufgaben und Lösungen der Probeklausur zur Analysis I
Fachbereich Mathematik AG 5: Fuktioalaalysis Prof. Dr. K.-H. Neeb Dipl.-Math. Rafael Dahme Dipl.-Math. Stefa Wager ATECHNISCHE UNIVERSITÄT DARMSTADT SS 007 19. Jui 007 Aufgabe ud Lösuge der Probeklausur
Mehr3.2 Die Schrödinger-Gleichung
3. Die Schröiger-Gleichug Oer Wie fie ich ie Wellefuktio eies Teilches Lit: Simo/McQuarrie Die S.G. ka geauso weig hergeleitet were wie ie Newtosche Gesetze (Fma). Fuametales Postulat er Quatemechaik Wir
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrMehrdimensionale Differenzialrechnung
Szabolcs Rozsyai Stetigkeit Eie Fuktio f heißt stetig a er Stelle D, falls lim f( eistiert u lim f(. Die Fuktio heißt stetig falls sie i alle Pukte es Defiitiosbereichs stetig ist. laut Skript: f : R R
MehrPageRank: Wie Google funktioniert
PageRa: Wie Google futioiert Außermathematische Aweuge im Mathematiuterricht WS 0/ Fraz Embacher, Uiversität Wie Das Erfolgsrezept er Suchmaschie vo Google lag zuächst i er überzeugee Reihug vo reffer.
MehrBitte schicken Sie mir eine E-mail, wenn Sie einen Fehler gefunden haben 1. Moritz Kaßmann
Das folgede Skript zur Vorlesug Spezielle Aspekte der Aalysis für Studierede des Lehramts a Grud, Haupt ud Realschule wird fortlaufed aktualisiert ud verädert werde. Das Skript ethält bei weitem icht alle
MehrFolgen und Reihen Glege 03/01
Folge ud Reihe Glege 03/0 I diesem Script werde folgede Theme behadelt: Folge (Eiführug)... Arithmetische Folge... Geometrische Folge...3 Mootoie...4 Kovergez...5 Grezwert...6 Schrake...7 Arithmetische
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrSUCHPROBLEME UND ALPHABETISCHE CODES
SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich
Mehr1.2. Taylor-Reihen und endliche Taylorpolynome
1.. aylor-reihe ud edliche aylorpolyome 1..1 aylor-reihe Wir köe eie Fuktio f() i eier Umgebug eies Puktes o gut durch ihre agete i o: t o () = f(o) + f (o) (-o) aäher: Wir sehe: Je weiter wir vo o weg
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
MehrA = Ereignisraum = σ-algebra (Sigma-Algebra) = Menge aller messbaren Ergebnisse über eine definierte Grundmenge Ω
Statistik Theorie Defiitioe Ω = Grudmege = Ergebismege = Mege aller mögliche Ergebisse A = Ereigisraum = σ-algebra (Sigma-Algebra) = Mege aller messbare Ergebisse über eie defiierte Grudmege Ω P(Ω) = Potezmege
Mehr... a ik) i=1...m, k=1...n A = = ( a mn
Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,
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
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrMonte Carlo-Simulation
Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil
Mehr1 Grenzwerte und Stetigkeit bei Funktionen mehrerer Variablen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffma SS 204 6.04.204 Höhere Mathematik II für die Fachrichtug Iformatik. Saalübug (6.04.204) Grezwerte ud Stetigkeit
MehrAllgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable
Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex
Mehrx 2 + 2 m c Φ( r, t) = n q n (t) φ n ( r) (5) ( + k 2 n ) φ n ( r) = 0 (6a)
Quatisierug eies skalare Feldes Das Ziel ist eigetlich das elektromagetische Feld zu quatisiere, aber wie ma scho a de MAXWELLsche Gleichuge sehe ka, ist es zu kompliziert, um damit zu begie. Außerdem
MehrStatistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S
Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere
MehrVersuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung
Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK Physikalische Prozesse, die eier statistische Gesetzmäßigkeit uterworfe sid, lasse sich mit eier Verteilugsfuktio beschreibe. Die Gauß-Verteilug
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
MehrMusterlösung zu Übungsblatt 2
Prof. R. Padharipade J. Schmitt C. Schießl Fuktioetheorie 25. September 15 HS 2015 Musterlösug zu Übugsblatt 2 Aufgabe 1. Reelle Fuktioe g : R R stelle wir us üblicherweise als Graphe {(x, g(x)} R R vor.
MehrAnalysis I Probeklausur 2
WS /2 Mriescu/ Ert Alysis I Probeklusur 2. Aufgbe Die Folge (x ) N sei rekursiv defiiert durch x =, x + = 2+x. () Beweise, dss die Folge (x ) N streg mooto wchsed ist. (b) Beweise, dss (x ) N durch 2 ch
MehrLV "Grundlagen der Informatik" Programmierung in C (Teil 2)
Aufgabekomplex: Programmiere i C (Teil vo ) (Strukturierte Datetype: Felder, Strukture, Zeiger; Fuktioe mit Parameterübergabe; Dateiarbeit) Hiweis: Alle mit * gekezeichete Aufgabe sid zum zusätzliche Übe
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Istitut für tochastik Prof. Dr. N. Bäuerle Dipl.-Math.. Urba Lösugsvorschlag 9. Übugsblatt zur Vorlesug Fiazmathematik I Aufgabe Ei euartiges Derivat) Wir sid i eiem edliche, arbitragefreie Fiazmarkt,
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
MehrKapitel 6: Quadratisches Wachstum
Kapitel 6: Quadratisches Wachstum Dr. Dakwart Vogel Ui Esse WS 009/10 1 Drei Beispiele Beispiel 1 Bremsweg eies PKW Bremsweg Auto.xls Ui Esse WS 009/10 Für user Modell des Bremsweges gilt a = a + d a =
MehrMathematik für Wirtschaftswissenschaftler Beispiele, Graken, Beweise. c Uwe Jensen
Mathematik für Wirtschaftswisseschaftler Beispiele, Grake, Beweise c Uwe Jese 8. Oktober 2007 Ihaltsverzeichis 4 Folge, Reihe, Grezwerte, Stetigkeit 47 4. Folge ud Reihe............................ 47
Mehr6. Reihen. 6. Reihen 63
6. Reihe 63 6. Reihe Wir wolle us u mit eiem spezielle Typ vo Folge beschäftige, der i der Praxis sehr häufig vorkommt: ämlich Folge, die i der Form (a 0, a 0 + a, a 0 + a + a 2,... für gewisse a K gegebe
MehrMathematische Statistik
Mathematische Statistik Dr. Mauel Stadlbauer, 9. Februar 008 Vorläufiges Skript zur Vorlesug im WS 007/008 Ihaltsverzeichis Eileitug 3. Beispiel eier statistische Aalyse....................... 4. Deskriptive
MehrStetigkeit und Differenzierbarkeit. Vorlesung zur Didaktik der Analysis
Stetigkeit ud Dierezierbarkeit Vorlesug zur Didaktik der Aalysis Ihalt Nachtrag: Fuktioegrezwert Stetigkeit Aschauliche Bedeutug Mathematische Präzisierug Topologische Charakterisierug Gleichmäßige Stetigkeit
MehrGeometrische Folgen. Auch Wachstumsfolgen Viele Aufgaben. Lösungen nur auf der Mathe-CD Hier nur Ausschnitte. Datei Nr
ZAHLENFOLGEN Teil Geometrische Folge Auch Wachstumsfolge Viele Aufgabe Lösuge ur auf der Mathe-CD Hier ur Ausschitte Datei Nr. 00 Friedrich Buckel März 00 Iteretbibliothek für Schulmathematik 00 Geometrische
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,
MehrBeweistechniken Vollständige Induktion - Beispiele, Erweiterungen und Übungen
Beweistechike Vollstädige Iduktio - Beispiele, Erweiteruge ud Übuge Alex Chmelitzki 15. März 005 1 Starke Iduktio Eie etwas abgewadelte Form der Iduktio ist die sogeate starke Iduktio. Bei dieser Spielart
MehrMathematik für Maschinenbauer, Bauingenieure und Umwelttechniker III. R. Verfürth
Mathematik für Maschiebauer, Bauigeieure ud Umwelttechiker III Vorlesugsskriptum WS 001/0 - WS 00/03 überarbeitet September 008 R. Verfürth Fakultät für Mathematik, Ruhr-Uiversität Bochum Ihaltsverzeichis
MehrPflichtlektüre: Kapitel 10 Grundlagen der Inferenzstatistik
Pflichtlektüre: Kapitel 10 Grudlage der Iferezstatistik Überblick der Begriffe Populatio Iferezstatistik Populatiosparameter Stichprobeverteiluge Auch Stichprobekewerteverteiluge Wahrscheilichkeitstheorie
MehrKapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung
Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier
MehrEinführung in die mathematische Statistik
Kapitel 7 Eiführug i die mathematische Statistik 7.1 Statistische Modellierug Bei der Modellierug eies Zufallsexperimets besteht oft Usicherheit darüber, welche W-Verteilug auf der Ergebismege adäquat
MehrMathematischer Vorkurs zum Studium der Physik
Uiversität Heidelberg Mathematischer Vorkurs zum Studium der Physik Übuge Aufgabe zu Kapitel 1 (aus: K. Hefft Mathematischer Vorkurs zum Studium der Physik, sowie Ergäzuge) Aufgabe 1.1: SI-Eiheite: a)
MehrWintersemester 2006/2007, Universität Rostock Abgabetermin: spätestens 24.10.2006, 09:00 Uhr. Aufgabe 1.1: (5 P)
Serie Abgabetermi: spätestes 24.0.2006, 09:00 Uhr Aufgabe.: 5 P Zeige Sie, dass das geometrische Mittel icht größer ist als das arithmetische Mittel, d.h., dass für alle Zahle a, b R mit a, b 0 gilt ab
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
MehrFehlerrechnung. 3. Genauigkeit von Meßergebnissen am Beispiel der Längenmessung
1 Gie 11/000 Fehlerrechug 1. Physikalische Größe: Zahlewert ud Eiheit. Ursache vo Meßfehler 3. Geauigkeit vo Meßergebisse am Beispiel der Lägemessug 4. Messug eier kostate Größe ud Mittelwert 5. Messug
Mehr1. Übungsblatt zur Analysis II
Fchereich Mthemtik Prof Dr Steffe Roch Nd Sissouo WS 9/ 69 Üugsltt zur Alysis II Gruppeüug Aufge G Bestimme Sie für jede der folgede Fuktioe f : [, ] R ds utere ud oere Itegrl ud etscheide Sie, o die Fuktio
MehrÜbungen mit dem Applet Fourier-Reihen
Fourier-Reihe 1 Übuge mit dem Applet Fourier-Reihe 1 Mathematischer Hitergrud... Übuge mit dem Applet... 3.1 Eifluss der Azahl ud der Sprugstelle...3. Eifluss vo y-verschiebug ud Amplitude...4.3 Eifluss
MehrWahrscheinlichkeit und Statistik
ETH Zürich HS 2015 Prof. Dr. P. Embrechts Wahrscheilichkeit ud Statistik D-INFK Lösuge Serie 2 Lösug 2-1. (a Wir bereche P [W c B] auf zwei Arte: (a Wir betrachte folgede Tabelle: Azahl W W c B 14 6 B
Mehr(4) = 37,7 % mit 37,7 % Wahrscheinlichkeit sind es höchstens 4 Fahrräder, das ist recht hoch; man kann also die Behauptung nicht wirklich ablehnen.
Schülerbuchseite 98 1 Lösuge vorläufig IV Beurteilede Statistik S. 98 p S. 1 p w a t Tabelle Tabelle dowloadbar im Iteretauftritt 1 Teste vo Hypothese 1 a) Erwartugswert μ = 5 ud Stadardabweichug σ = 1,6;
MehrElementare Wahrscheinlichkeitsrechnung und Statistik
CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar
MehrVorlesung Einführung in die mathematische Statistik
Vorlesug Eiführug i die mathematische Statistik Prof. A. Atille Sommersemester 2004 Literatur P.J. Bickel K.A. Doksum, Mathematical Statistics: Basic Ideas ad Selected Topics Holde-Day, 1977. L. Breima,
MehrAufgaben zur vollständigen Induktion
c 7 by Raier Müller - Aufgabe zur vollstädige Idutio We ichts aderes agegebe ist, da gelte die Behauptuge für IN {; ; ;...}. A) Teilbareit: ) ist gerade (d.h. durch teilbar). ) ist durch teilbar. ) ist
MehrInhaltsverzeichnis. 3 Stetigkeit. 3.1 Reelle und komplexe Funktionen
Ihaltsverzeichis 3 Stetigkeit 1 3.1 Reelle ud komplexe Fuktioe........................ 1 3. Grezwerte vo Fuktioe.......................... 3.3 Eiseitige oder ueigetliche Grezwerte................... 3
MehrLektion II Grundlagen der Kryptologie
Lektio II Grudlage der Kryptologie Klassische Algorithme Ihalt Lektio II Grudbegriffe Kryptologie Kryptographische Systeme Traspositioschiffre Substitutioschiffre Kryptoaalyse Übuge Vorlesug Datesicherheit
MehrInformatik II Dynamische Programmierung
lausthal Iformatik II Dyamische Programmierug. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Zweite Techik für de Algorithmeetwurf Zum Name: "Dyamische " hat ichts mit "Dyamik" zu tu, soder mit
MehrMathematische Statistik
Skript Mathematische Statistik Max v. Reesse Aufgezeichet vo Tobias Weihrauch Sommersemester 202 Uiversität Leipzig INHALTSVERZEICHNIS Ihaltsverzeichis Eiführug 3. Statistik als Teil der Stochastik........................
Mehr3. Tilgungsrechnung. 3.1. Tilgungsarten
schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie
Mehr8.3. Komplexe Zahlen
8.. Komplee Zhle Wie bereits i 8.. drgestellt, wurde die fortlufede Erweiterug der Zhlbereiche durch die Eiführug immer kompleerer Recheopertioe otwedig:. Auf de türliche Zhle führte der Wusch ch iverse
MehrGrundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung
MaMaEuSch Maagemet Mathematics for Europea Schools http://www.mathematik.uikl.de/ mamaeusch Grudgesamtheitsaaylse ud Stichprobe. Betrachtuge zur Stichprobefidug Paula Lagares Justo Puerto 1 MaMaEuSch 2
Mehr2. Diophantische Gleichungen
2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze
MehrKonfidenzintervall_fuer_pi.doc Seite 1 von 6. Konfidenzintervall für den Anteilswert π am Beispiel einer Meinungsumfrage
Kofidezitervall_fuer_pi.doc Seite 1 vo 6 Kofidezitervall für de Ateilswert π am Beispiel eier Meiugsumfrage Nach eier Meiugsumfrage der Wochezeitug Bezirksblatt vom März 005, ei halbes Jahr vor de Ladtagswahle
MehrVersuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE
Versuch 3/ NEWTONSCHE INTERFERENZRINGE Blatt NEWTONSCHE INTERFERENZRINGE Die Oberfläche vo Lise hat im allgemeie Kugelgestalt. Zur Messug des Krümmugsradius diet das Sphärometer. Bei sehr flacher Krümmug
MehrStatistik und Wahrscheinlichkeitslehre
Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 2: Aufgaben zu den Kapiteln 3 und 4
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 2: Aufgabe zu de Kapitel 3 ud 4 Zu Abschitt 3.1 Ü3.1.1 Es seie X, = 1, 2,... reellwertige Zufallsvariable
MehrVORKURS MATHEMATIK DRAISMA JAN, ÜBERARBEITET VON BÜHLER IRMGARD UND TURI LUCA
VORKURS MATHEMATIK DRAISMA JAN, ÜBERARBEITET VON BÜHLER IRMGARD UND TURI LUCA Motag: Zahle, Variable, Algebraische Maipulatio Zahlemege. Die atürliche Zahle hat der liebe Gott gemacht. Alles adere ist
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
Mehr10. FOLGEN, REIHEN, GRENZWERTE
Folge, Reihe, Grezwerte 0. FOLGEN, REIHEN, GRENZWERTE 0.. Folge (a) Defiitio Betrachtet ma bei eier Fuktio ur jee Fuktioswerte, die sich durch Eisetze vo Argumete aus de atürliche Zahle ergebe, so erhält
MehrBINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008
Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe
Mehr5.7. Aufgaben zu Folgen und Reihen
5.7. Aufgbe zu Folge ud Reihe Aufgbe : Lieres ud beschrätes Wchstum Aus eiem Qudrt mit der Seiteläge dm gehe uf die rechts gedeutete Weise eue Figure hervor. Die im -te Schritt gefügte Qudrte sid jeweils
Mehr2.3 Kontingenztafeln und Chi-Quadrat-Test
2.3 Kotigeztafel ud Chi-Quadrat-Test Die Voraussetzuge a die Date i diesem Kapitel sid dieselbe, wie im voragegagee Kapitel, ur dass die Stichprobe hier aus Realisieruge vo kategorielle Zufallsvariable
MehrParameter von Häufigkeitsverteilungen
Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige
MehrKapitel II Der Galton-Watson-Prozeß mit Immigration
Kapitel II Der Galto-Watso-Prozeß mit Immigratio I diesem Kapitel werde wir das Modell des eifache GWP s um die Kompoete der Immigratio erweiter, was bedeutet, daß sich die Geeratioe der betrachtete Populatio
Mehr1 = 1. 6 Induktionsannahme: Die Formal gelte für n = k. Induktionsschritt: Gültigkeit der Formel für k+1: 1 2 + 2 2 +... + k 2 + (k + 1) 2 = 2 = 6 = 6
65 Eric Müller Vollstädige Iduktio Nach GIUSEPPE PEANO (858-93) ka ma die Mege N der atürliche Zahle durch folgede Axiome defiiere []:. ist eie atürliche Zahl.. Zu jeder atürliche Zahl gibt es geau eie
Mehr25. Extremwertberechnung und Taylor-Entwicklung
25. Extremwertberechug ud Taylor-Etwicklug 329 25. Extremwertberechug ud Taylor-Etwicklug Im letzte Kapitel habe wir gesehe, wie ma für Abbilduge zwische mehrdimesioale Räume das Kozept der Differezierbarkeit
MehrWegen der (mit einem Fehler von nur +1,0 recht guten) Näherung an die Kreiszahl
Seite 1 Fiboacci-Wachstum Axel Köig Es werde stetige Wachstumsfuktioe vorgestellt, die diskretes additives Wachstum ach Fiboacci optimal approximiere. Darüber hiaus wird die Vermutug aufgestellt, dass
MehrModel CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I
Model CreditRisk + : The Ecoomic Perspective of Portfolio Credit Risk Part I Semiar: Portfolio Credit Risk Istructor: Rafael Weißbach Speaker: Pablo Kimmig Ageda 1. Asatz ud Ziele Was ist CreditRisk +
Mehr( ) Formelsammlung. Kombinatorik. Permutation: ohne Wiederholung. n! = n (n - 1) (n - 2)... 3 2 1 n= alle Elemente. Permutation: mit Wiederholung
Formelsammlug Kombiatori Permutatio: ohe Wiederholug! = ( - 1) ( - 2).... 3 2 1 = alle Elemete Permutatio: mit Wiederholug!! P, = = usw. = gleiche Elemete! 1! K 2! Stichprobe (SP) = geordete Auswahl Geordete
MehrDemo für www.mathe-cd.de
Wahrscheilichkeitsrechug Hypergeometrische Verteilug Themeheft ud Traiigsheft Datei r. 4211 Stad 17. April 2010 Friedrich W. Buckel Demo für ITERETBIBLIOTHEK FÜR SCHULMATHEMATIK 4211 Hypergeometrische
MehrEvaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
MehrAlgebra und Zahlentheorie WS 13/14 Lösungsskizzen zu Zettel 5 PD Dr. Tobias Finis Frederik Garbe, Huy Le Duc
Algebra ud Zahletheorie WS 13/14 Lösugsskizze zu Zettel 5 FU Berli Dozet: Tutore: Zetralübug: PD Dr. Tobias Fiis Frederik Garbe, Huy Le Duc David Müßig Bitte beachte: Diese Lösuge sid Lösugsskizze. Es
MehrIntervallschätzung II 2
Itervallschätzug Kofidezitervall für die Variaz Kofidezitervall für de Ateilswerte Kofidezitervall für die Differez zweier Ateile Bestimmug des Stichrobeumfags Itervallschätzug II Bibliografie Bleymüller
Mehr