Freie Universität Berlin Institut für Mathematik Winter Semester 2015/16 Stochastik 1 29 Oktober Material
|
|
- Matthias Küchler
- vor 6 Jahren
- Abrufe
Transkript
1 Freie Universität Berlin Institut für Mathematik Winter Semester 2015/16 Stochastik 1 29 Oktober 2015 Dozent: Prof. Tibor Szabó, Tutoren: Jan Corsten, Fabian Fumagalli, Yizheng Yuan Material Jede Woche sollten Sie die entsprechende Abschnitte von dem Buch Elementare Stochastik nachlesen und verstehen. Dies ist sehr wichtig, damit Sie Unklarheiten aus der Vorlesung klären können und Ihre Kenntnis des Materials festigen. Für die jenigen die mehr wissen wollen, ist das Lesen aller Ergänzungsabschnitte und Anhänge empfohlen. Für die Klausur müssen Sie die Definitionen und Sätze auswendig können, und die Beweise so gut verstehen, dass Sie diese wirklich selbst ausführen können (Idealerweise lernen Sie den Beweis nicht auswendig, sondern verstehen die Ideen und Methoden, so dass Sie in der Lage sind, den Satz selbst zu beweisen.). Sie sollten mit dem Lernen jetzt anfangen, andernfalls schaffen Sie das am Ende nicht. Woche 1 Abschnitt 3.4, 3.5; Ursprung: Glückspiele; Menge Ω der mögliche Ausgänge ist endlich; Urnemodellen: n Kugeln sind von einem Urne mit N numerierter Kugeln gezogen (geordnet/ungeordnet, mit/ohne Zurücklegen) Beispiele: Kennzeichnen, Vereinwahl/Geburtstagsparadox, Lotto/Anzahl der Teilmengen einer n-elementigen Menge, Teilchen in Fächern Woche 2. Lesen und verstehen: Abschnitt 1.1, 1.2, 1.3 Zufallsexperimenten (Beispiele); Definitionen: Elementareignis, Ereignis, Menge der Elementarereignisse, σ- Algebra, Beispiele (die kleinste, die größte σ-algebra auf einer Menge, Partitionerzeugte σ-algebra); Wahrscheinlichkeitsmaß(disjunkte Folge von Teilmengen einer Menge), Wahrscheinlichkeitsraum, Beispiele (Laplace Raum, Punktmaß) Satz über Eigenschaften von σ-algebren (, endliche Vereinigung, endliche/unendliche Schnitt, Differenz); Satz über Eigenschaften von Wahrscheinlichkeitsmaßen (, Additivität, Monotonität, Subadditivität ( Union bound ), Stetigkeit nach oben, Stetigkeit nach unten ) Woche 3. (Abschnitt: 2.1, 3.5, 5.1, 5.2, 5.3) Characterizierung von W-Räume auf einer höchstens abzählbaren Menge Ω (Bijektion zu Folgen (p ω ) ω Ω, p ω ). Beispiele: Laplaceraum (nur für endliche Ω), Bernoulliraum, Hypergeometrische Verteilung, Binomial Verteilung (Notationen abweichen von Buch); Approximation der hypergeometrische Verteilung durch die binomial Verteilung, Poisson Verteilung (Approximation der binomial Verteilung durch die Poisson Verteilung; Anwendung: Anzahl der Erfolgen unter viele unabhängige Bernoulli Versuchen mit winziger W-keit; Wahlen den λ); Maximum-likelyhoodschätzung;
2 Woche 4. (Abschnitt: 2.1, 4.1, 4.2, 4.3) Geometrische Verteilung; bedingte Wahrscheinlichkeit von Ereignis A unter Ereignis B (Beispiele: Die W-keit von A kann steigen, sinken, und gleich bleiben wenn man sie unter eine Bedingung stellt.) Einfache Eigenschaften der bedingten W-keit (W-Maß auf der Spur σ-algebra) Unabhängigket von zwei Ereignisse, Die Ereignisse die von einem fixierten Ereignis A unabhängig sind, formen einen Dynkin-system. (Was ist ein Dynkin-system?); Satz der totalen Wahrscheinlichkeit; Satz von Bayes, Beispiel aus der Medizin (Krankheitstest). Beispiel: Ein Ereignis A, das von B und auch von C unabhängig ist aber B und C zusammen bestimmen A. Unabhängigkeit eines Ereignisses A von einer Menge von Ereignissen. (Bem: Definition weicht vom Buch ab, vergleiche Satz 4.3.2) Unabhängigkeit einer Menge von Ereignissen A 1,... A n, Satz: Äquivalenz zur Unabhängigkeit aller Ereignisse von den anderen. Woche 5. (Abschnitt: 1.7, 1.4, 1.5, 1.6 (erste Teil)) Warum braucht man die Begriff von einer σ-algebra? Eine verrückte Menge (Es existiert keine sinnvollen gleichverteilte W-Maß (d.h. Translationinvariant) auf Ω = [0, 1] die misst die Wahrscheinlichkeit von alle Teilmengen. (Auswahlaxiom!)). Satz: Existenz und eindeutigkeit der von M erzeugte σ-algebra; Beispiele: Explizite Beschreibung der erzeugten σ-algebra von endlichen Mengensystemen (Hausaufgabe) und der erzeugten σ-algebra von einelementigen Teilmengen einer beliebigen Menge Ω. (Bemerkung: Beschreibung wenn M beliebig ist.) Definition von Borelmengen in R. Beispiele von Borelmengen. (abgeschlossene, halboffene Intervalle, rationale Zahlen, Urbilder von Intervallen unter stetigen Funktionen...) Die σ-algebra der Borelmengen wird von dem Mengensystem der offenen Intervalle erzeugt. Verschiedene abzählbare Erzeugern von der σ-algebra der Borelmengen (Hausaufgabe) Borelmengen auf einen Interval, Borelmengen auf R n. Eigenschaften von Borelmengen (Urbilder von Borelmengen sind Borelmengen. Korolläre.) Woche 6. (Abschnitt 2.2, 2.4, 1.6) Dichtefunktion, durch eine Dichtefunktion definierter W-Raum (Satz 2.2.1, ohne genauen Beweis), Gleichverteilung auf einem beschränkten Interval; Ereignisse mit Wahrscheinlichkeit 0 vs. unmögliche Ereignisse. Gleichverteilung auf beschränkten Teilmengen von R 2 und R n (Flächeninhalt- und Volumenverhältnis). Die Wahrscheinlichkeit von einem gleichverteilt ausgewählten zufälligen Punkt in der Nähe des Randes eines Hyperquadrates zu sein. Rein zufällige Sehne in einem Kreis: drei Varianten. Definition der Exponentialverteilung und der Normalverteilung (Eigenschaften der Dichtefunktion beweisen) Die Tabelle der Normalverteilung um die Wahrscheinlichkeiten auszurechnen (Warum braucht man eine Tabelle?) Zu einem W-Maß P gehörige Verteilungsfunktion. Wie kann man Verteilungsfuktionen von W-Maßen auf beliebigen Borelmengen in R auf ganz R auffassen? Beispiele: Würfel, Gleichverteilung auf [0, 3]. Zuordnung P F P ist injektiv (Beweis: allgemeine Satz über die Eindeutigkeit einer W-Maß (Satz 1.6.5)) Woche 7. (Abschnitt 1.6, 2.4, 3.1, 3.2) Existenz einem eindeutigen kleinsten Dynkin-system das von einem Mengensystem M erzeugt ist. Das erzeugten Dynkin system eines schnitt-stabiles Mengensystem ist ein σ-algebra. (Satz 1.6.4), Eigenschaften von Verteilungsfunktionen (Hausaufgabe), Die Dichte einem Maß P mit stetig differenzierbare Verteilungsfunktion F P (Lemma 2.4.2) (In Beweis: Hauptsatz der Differenzial- und Integralrechnung), Angenommen, man kann die Gleichvertei-
3 lung simulieren, wie kann man dann einen Raum mit Dichtefunktion simulieren (Satz 2.4.3)? Beispiele: wie simuliert man die Verteilung mit Dichtefunktion 2 3 x auf [0, 1]? Wie simuliert man die Exponentialverteilung? Definition: Zufallsvariable. Beispiele: Lotto, zwei Würfel, Abstand zum Nullpunkt. Warum muß man die eher technische Bedingung an die Urbilder der Elemente der Bild-σ-Algebra fordern? Beispiel: Indikatorfunktion eines Ereignisses. Definition: Zufallsvariable induzierte Wahrscheinlichkeitsmaß, Wahrsheinlichkeitsraum (Satz 3.2.1). Was ist zu eine reelwertige Zufallsvariable gehörige Verteilungsfunktion? Beispiele: Lotto, Augensumme von zwei Würfeln, Indikatorfunktion, Abstand zum Nullpunkt. Woche 8. (Abschnitt 3.1, 3.2, 3.3) Durch welche einfache Bedingung sind reellwertige Zufallsvariables und Zufallsvariables mit höchstens abzählbar viele Werten charakterisiert (Satz 3.1.2)? Linear Kombinationen, Produkte, und Quotiente von Zufallsvariablen, Suprema, und punktweise Limites von Folgen von Zufallsvariblen sind wieder Zufallsvariable (Satz 3.1.4). Beispiele von Zufallsvarible auf ein abgeschlossene Interval die eine diskrete Raum induzieren, und die weder eine diskrete Raum noch eine Raum mit Dichte induzieren (Teil Hausaufgabe); Wie kann man die Dichtefunktion von einem W-Maß berechnen welches von einer schönen (stetig differenzierbare mit positive derivative) Zufallsvariable induziert ist auf einem W-Raum mit stetiger Dichtefunktion (Satz 3.2.3)? Beispiele für Dichtefunktion der induzierte W-Raum: (konkretes; Simulationssatz); Erwartungswert für diskrete Räume (Motivation und Definition) Beispiel für Zufallsvariable wobei Erwartungswert nicht existiert (Warum?) Erwartungswert von Gleichverteilung, Bernoulliverteilung, Poissonverteilung, geometrische Verteilung, Erwartungswert für Räume mit Dichten (Motivation und Definition) Woche 9. (Abschnitt 3.3, 4.4) Erwartungswert von Exponentialverteilung und Normalverteilung (Hausaufgabe)? Einfache Eigenschaften von Erwartungswert. (Linearität, Monotonität, Indikator Zufallsvariable) Beispiel: Erwartungswert der hypergeometrischen Verteilung. (Hausaufgabe) Wie kann man den Erwartungswert von X durch P X ausdrücken? (diskrete, und mit Dichte) Definition von Varianz und Streuung einer Zufallsvariablen. Beispiele: Laplaceverteilung, Exponentialverteilung. Einfache Eigenschaften von Varianz und Streuung (Satz 3.3.9). Unabhängigkeit von zwei Zufallsvariablen. Wie kann man das nachprüfen (Lemmas 4.4.1)? Woche 10. (Abschnitt 4.4, 2.4 (Normalverteilung)), 4.6) Wie kann man die Unabhängigkeit von zwei diskreten Zufallsvariablen einfach nachprüfen? (Satz 4.4.3) Wie ist Unabhängigkeit von X und Y durch die Dichtefunktionen von X, Y, und (X, Y ) charakterisierbar? Wie kann man die Normalverteilung simulieren? Definition: Zufallsvariablen X 1,..., X n sind unabhängig. Unabhängigkeit von Zufallsvariablen die von disjunkten Teilmengen einer unbhängigen Menge von Zufallsvariablen bestimmt sind. (Satz 4.4.8, ohne Beweis). Beispiel. Was weiß man über den Erwartungswert eines Produkts zweier unabhängigen Zufallsvariablen? Was folgt daraus für die Varianz der Summe von unabhängigen Zufallsvariablen? Was ist das Wurzel-n Gesetz? Woche 11. (Abschnitt 4.5, 4.6, 5.1) Wie kann man das Produkt von unendlich vielen
4 Zufallsvariable definieren? Satz (Eigenschaften der Projektionen in Produkt) Was besagt der Klonsatz? Beispiele, Bernoulliraum, endliche Produkten, Binomialverteilung; die negative Binomialverteilung; Was versteht man unter der diskrete Faltung zwei diskrete Zufallsvariablen auf N 0? Beispiel: Faltung von zwei unabhängige Zufallsvariable mit Poissonverteilung. Wie ist die Faltung zweier Funktionen definiert? Woche 12. (Abschnitt 4.6, 5.1, 6.1, 6.3) Was ist die Dichtefunktion von der Summe zweier unabhängigen Zufallsvariablen mit Dichtefunktion? Beispiel: Gleichverteilung. Unter welchem heuristischen Voraussetzungen kann man das Warten auf Anrufen in einem Versicherungsbüro modellieren? Was folgt davon für die Zeitpunkt des erste Anruf? (Exponentialverteilung) Kontinuierliche Wartezeiten, Charakterisierung als Exponential-Verteilungen (Satz 6.1.3), Beispielen, Wartezeiten diskreter Fall, Charakterisierung als geometrische Verteilungen (Satz 6.3.2), Summen/maximum/minimum von unabhängigen diskreten Zufallsvariablen, alles mit Beispielen. Summen von unabhängige Wartezeiten mit Dichtefunktion. (Beispielen, Gammaverteilung (Definition)) Woche 13. (Abschnitt 6.2, 7.1, 7.2, 8.1, 8.2) Minimum (Satz 6.2.4) und Maximum (Satz 6.2.3) (auch Erwartungswert) von Wartezeiten mit Dichtefunktion. Beispiele. Motivation: die Durchschnitt von n unabhängige Münzwürfen wenn n sehr gross ist. Was versteht man unter Konvergenz in Wahrscheinlichkeit? Beispiele. Erinnerung: punktweise Konvergenz. Beispiel: Folge die in Wahrscheinlichkeit konvergiert, aber an keiner Stelle punktweise. Fast sichere Eindeutigkeit des Limes, Schwaches Gesetz der großen Zahlen. Beispiel: Ehrenfest-Modell. Beispiel: Warum ist man mit dem schwachen Gesetz nicht zufrieden? Was versteht man unter punktweiser fast sicherer Konvergenz? Fast sicher Konvergenz impliziert Konvergenz in Wahrscheinlichkeit, Starkes Gesetz der großen Zahlen, Woche 14. (Abschnitt 8.1, 8.3, Skript, Ergänzung: Buch Abschnitte 5.4, 8.4) Was versteht man über dem Limes Superior A einer Ereignisfolge A 1, A 2,...,? Wie kann man A formal mit Vereinigungen und Durchschnitten von der A i ausdrücken? Was sagen die zwei Borel-Cantelli Lemmas? Beispiel dafür, dass die Unabhängigkeit in Teil (ii) notwendig ist. Anwendungen: Urnbeispiel für 0/1-Gesetz, Affe an der Schreibmaschine. Anwendung des starken Gesetzes: Normale Zahlen. Stirling Formel (ohne Beweis), Approximation der Binomialverteilung durch die Normalverteilung. Satz von de Moivre-Laplace. Konvergenz in Verteilung (definiert durch Verteilungsfunktionen, siehe Skript). Konvergenz in Verteilung folgt aus Konvergenz in Wahrscheinlichkeit (ohne Beweis), Zentraler Grenzwertsatz als veralgemeinerung des Satzes von de Moivre-Laplace, Bedeutung. Woche Skript ( ), (Ergänzung: Buch Abschnitte und ) Orangeimporteurbeispiel: Parameter schätzen, Konfidenzinterval, Hypothesetesten; Parameterschätzen: Stichprobenraum, Was ist ein parametrisches statistisches Modell? Was versteht man unter einem Schätzer? Was ist ein erwartunswerttreuschätzer? Ein bester Schätzer? Beispiele. Maximum likelyhood Schätzer; Beispiele; Konfidenzintervalle: Was ist eine Konfidenzabbildung zum Irtummsniveau α. Beispiele (Münzwurf, Wahlprognose)
5 Testen von Hypothesen: Wie verhalten sich Nullhypothese und Alternativehypothese zueinander? Was ist ein Fehler erster bzw. zweiter Art? Was ist ein deterministischer, bzw. randomisierter Test? Was versteht man unter Annahme-, bzw. Ablehnungsbereich? Wie ist die Gütefunktion eines Tests definiert? Was versteht man unter einem Test, bzw. besten Test zum Irrtumsniveau α? Beispiel (Medium-test (Georgii)) Durch welche Bedingung ist ein Neyman-Pearson -Test definiert? Was sagt der Satz von Neyman-Pearson?
1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrZufallsvariablen: Die allgemeine Definition
KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)
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........................
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
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
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
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
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
Mehr1 Elemente der Wahrscheinlichkeitstheorie
H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
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
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
MehrBedingte Wahrscheinlichkeiten und Unabhängigkeit
Kapitel 5 Bedingte Wahrscheinlichkeiten und Unabhängigkeit Mitunter erhält man über das Ergebnis eines zufälligen Versuches Vorinformationen. Dann entsteht die Frage, wie sich für den Betrachter, den man
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 0.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrIm gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge
1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten
MehrAngewandte Stochastik I
Angewandte Stochastik I Vorlesungsskript Prof. Dr. Evgeny Spodarev Ulm Sommersemester 2013 Vorwort Das vorliegende Skript der Vorlesung Angewandte Stochastik gibt eine Einführung in die Problemstellungen
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
MehrFragenkatalog Kapitel 1 Fehleranalyse
Teil 1: Numerik katalog Kapitel 1 Fehleranalyse 1. Zwischen was besteht ein funktionaler Zusammenhang z i? Welche Form hat er? 2. Welche 4 Typen von Fehlerquellen gibt es? Nenne Beispiele! 3. Wie berechnet
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
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,
MehrProf. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2016
Prof. Dr. Christoph Karg 5.7.2016 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2016 Name: Unterschrift: Klausurergebnis Aufgabe 1 (15 Punkte) Aufgabe 3
MehrDieser Begriff wurde von Jacob Bernoulli Ars conjectandi geprägt (1773), in dem das erste Gesetz der großen Zahlen bewiesen wurde.
10.1 Über den Begriff Stochastik Die Wahrscheinlichkeitsrechnung ist eine Teildisziplin von Stochastik. Dabei kommt das Wort Stochastik aus dem Griechischen : die Kunst des Vermutens (von Vermutung, Ahnung,
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
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
Mehr1 1. Übung. Einleitung. 1.1 Urnenmodelle. 1.2 Beispiele. 1.3 Aufgaben
Einleitung Dieses sind die kompletten Präsenzaufgaben, die bei der Übung zur Vorlesung Einführung in die Stochastik im Sommersemester 2007 gerechnet wurden. Bei Rückfragen und Anmerkungen bitte an brune(at)upb.de
MehrKeine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrHypergeometrische Verteilung
Hypergeometrische Verteilung Typischer Anwendungsfall: Ziehen ohne Zurücklegen Durch den Ziehungsprozess wird die Wahrscheinlichkeit des auch hier zu Grunde liegenden Bernoulli-Experimentes verändert.
MehrÜber den Autor 7. Teil Beschreibende Statistik 29
Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:
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
MehrVorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrTopologische Räume und stetige Abbildungen Teil 2
TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des
MehrMuster für einen Studienbericht (in Auszügen) im Fach Mathematik LK
Muster für einen Studienbericht (in Auszügen) im Fach Mathematik LK Name: Zur Vorbereitung verwendetes Hilfsmittel GTR (Modell und Typbezeichnung sind vom Bewerber anzugeben. ) (Modell und Typ sind mit
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
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,
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrSchulinternes Curriculum Mathematik SII
Schulinternes Curriculum Mathematik SII Koordinatengeometrie Gerade, Parabel, Kreis Lösen von LGS mithilfe des Gaußverfahrens zur Bestimmung von Geraden und Parabeln 11 Differentialrechnung ganzrationaler
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrVertiefung NWI: 13. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 13. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 10.7.2013 13. Markoffketten 13.1 Beispiele 1. Irrfahrt auf dem zweidimensionalen
MehrGrundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
MehrLehrstuhl IV Stochastik & Analysis. Stochastik I. Wahrscheinlichkeitsrechnung. Skriptum nach einer Vorlesung von Hans-Peter Scheffler
Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik I Wahrscheinlichkeitsrechnung Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 8. November 00 Gesetzt
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrSchulinternes Curriculum Mathematik Sekundarstufe II/Lk. Stand: November 2011
Schulinternes Curriculum Mathematik Sekundarstufe II/Lk Stand: November 2011 Bemerkungen: - Die angegebenen Seitenzahlen beziehen sich auf das eingeführt Lehrwerk Lambacher-Schweizer Leistungskurs aus
MehrEinführung in die Stochastik
Einführung in die Stochastik Wahrscheinlichkeitstheorie und Statistik mit R Tobias Hell Histogram of x Density 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0 5 10 15 20 x Skriptum zu den Vorlesungen Stochastik
MehrZiel der Wahrscheinlichkeitsrechnung. Teil V. Wahrscheinlichkeitsrechnung. Experiment: Wurf eines Würfels
Ziel der Wahrscheinlicheitsrechnung Teil V Wahrscheinlicheitsrechnung Aussagen über Experimente und Prozesse mit unsicherem Ausgang. Beispiele Würfeln Literatur: Ziehen von Losen aus einer Urne Glücsspiele
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
Mehr10. Vorlesung. Grundlagen in Statistik. Seite 291. Martin-Luther-Universität Halle/Wittenberg
. Vorlesung Grundlagen in Statistik Seite 29 Beispiel Gegeben: Termhäufigkeiten von Dokumenten Problemstellung der Sprachmodellierung Was sagen die Termhäufigkeiten über die Wahrscheinlichkeit eines Dokuments
Mehr1. Übungsblatt. Markus Reiß Vorlesung Stochastik I Sommersemester 2016 Humboldt-Universität zu Berlin
1. Übungsblatt 1. Beim TÜV werden n Fahrzeuge überprüft. Für i = 1,..., n bezeichne A i das Ereignis das i-te Fahrzeug erhält die Prüfplakette. Beschreiben Sie die folgenden Ereignisse durch mengentheoretische
MehrVorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe. Mathematik
Vorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe Mathematik 2.1.1 ÜBERSICHTSRASTER UNTERRICHTSVORHABEN EINFÜHRUNGSPHASE Unterrichtsvorhaben I: Unterrichtsvorhaben II: Beschreibung
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
MehrInhalt. Vorwort Mittelwertsatz der Integralrechnung... 31
Inhalt Vorwort... 5 1 Stammfunktionen... 7 1.1 Erklärung der Stammfunktionen........................................... 7 1.2 Eigenschaften der Stammfunktionen.................................... 10 1.3
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
Mehr1 Zahlen... 1 1.1 Anzahlen... 1 1.2 Reelle Zahlen... 10 1.3 Dokumentation von Messwerten... 12 1.4 Ausgewählte Übungsaufgaben...
Inhaltsverzeichnis 1 Zahlen... 1 1.1 Anzahlen... 1 1.2 Reelle Zahlen... 10 1.3 Dokumentation von Messwerten... 12 1.4 Ausgewählte Übungsaufgaben... 14 2 Beschreibende Statistik... 15 2.1 Merkmale und ihre
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
Mehr2 Fortführung der Differenzialrechnung... 48
Inhaltsverzeichnis Inhaltsverzeichnis 1 Folgen und Grenzwerte................................................................................... 10 1.1 Rekursive und explizite Vorgabe einer Folge...........................................................
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrWürfel-Aufgabe Bayern LK 2006
Würfel-Aufgabe Bayern LK 2006 Die Firma VEGAS hat ein neues Gesellschaftsspiel entwickelt, bei dem neben Laplace-Würfeln auch spezielle Vegas-Würfel verwendet werden, die sich äußerlich von den Laplace-Würfeln
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrLEHRPLAN MATHEMATIK SPORT- UND MUSIKKLASSE
LEHRPLAN MATHEMATIK SPORT- UND MUSIKKLASSE STUNDENDOTATION GF EF 3. KLASSE 1. SEM. 4 2. SEM. 4 4. KLASSE 1. SEM. 3 2. SEM. 3 5. KLASSE 1. SEM. 3 2. SEM. 3 6. KLASSE 1. SEM. 3 2 2. SEM. 3 2 7. KLASSE 1.
MehrOperations Research (OR) II
Operations Research (OR) II Fortgeschrittene Methoden der Wirtschaftsinformatik 27. Juni 2007 Michael H. Breitner, Hans-Jörg von Mettenheim und Frank Köller 27.06.2007 # 1 Stochastische Inputgrößen Stochastische
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
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
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrLineare Algebra 1. Detlev W. Hoffmann. WS 2013/14, TU Dortmund
Lineare Algebra 1 Detlev W. Hoffmann WS 2013/14, TU Dortmund 1 Mengen und Zahlen 1.1 Mengen und Abbildungen Eine Menge ist eine Zusammenfassung wohlunterscheidbarer Objekte unserer Anschauung/unseres Denkens/unserer
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrDer Abschluss D ist die Menge, die durch Hinzunahme der Intervallränder entsteht, in den obigen Beispielen also
Festlegung Definitionsbereich 11.1 Festlegung Definitionsbereich Festlegung: Wir betrachten Funktionen f : D Ñ R, deren Definitionsbereich eine endliche Vereinigung von Intervallen ist, also z.b. D ra,
Mehr