Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung"

Transkript

1 Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben wir: := {} leere Menge x A x ist ein Element von A x / A x ist kein Element von A A := Anzahl der Elemente in A Kardinalität von A A B : (x A x B) A ist eine Teilmenge von B B A (: A B) B ist eine Obermenge von A A B : (A B A B) B A (: A B) A ist eine echte Teilmenge von B B ist eine echte Obermenge von A P(A) := Menge aller Teilmengen von A Potenzmenge von A [a, b] := {x R a x b} abgeschlossenes Intervall von a bis b (a, b) := {x R a < x < b} offenes Intervall von a bis b (a, ) := {x R a < x} und [a, ) := {x R a x} (, b) := {x R x < b} und (, b] := {x R x b} Mengenoperatoren (1): Es seien A, B Teilmengen von Ω. Dann definieren wir: A B := {x Ω x A x B} Vereinigung von A und B A B := {x Ω x A x B} Durchschnitt von A und B A\B := {x Ω x A x / B} Differenz von A und B, A ohne B A c := {x Ω x / A} = Ω\A Komplement von A (in Ω) Evelina Erlacher 1 WS 2015

2 Mengenoperatoren (2): Es sei I eine Indexmenge. Für i I sei A i eine Teilmenge von Ω. Dann schreiben wir: k i=1 A i := A 1 A 2... A k = {x Ω i : x A i } k i=1 A i := A 1 A 2... A k = {x Ω i : x A i } i I A i := {x Ω i I : x A i } i I A i := {x Ω i I : x A i }. Es gelten (unter anderen) die folgenen Gesetze: A B = B A, A B = B A Kommutativgesetz (A B) C = A (B C), (A B) C = A (B C) Assoziativgesetz A (B C) = (A B) (A C), A (B C) = (A B) (A C) Distributivgesetz i I Ac i = ( i I A ) c, i i I Ac i = ( i I A c i) Gesetz von de Morgan Weiters gilt: A B A A B A\B = A B c A B A B A, B endlich, A B = A B = A + B P(A) = 2 A Definition (disjunkt): Zwei Mengen A und B heißen disjunkt, wenn A B = gilt. Eine Mengenfamilie (A i ) i I heißt paarweise disjunkt, wenn A i A j = für i j gilt. Definition (Partition): Eine Mengenfamilie (A i ) i I paarweise disjunkt ist und Ω = i I A i gilt. heißt Partition von Ω, wenn sie Evelina Erlacher 2 WS 2015

3 2 Wahrscheinlichkeiten Es sei Ω eine Menge und der Ereignisraum (=Ergebnisraum) eines Zufallsexperiments. Ereignisse sind (gewisse) Teilmengen von Ω. Ereignisse der Form {ω} (mit ω Ω) heißen Elementarereignisse. Definition (Wahrscheinlichkeit): Es sei A ein Ereignis. Eine Funktion P : A P (A) mit den Eigenschaften (P1) P (A) [0, 1] (P2) P (Ω) = 1 (P3) A 1, A 2, A 3... paarweise disjunkt P ( i=1 A i) = i=1 P (A i) heißt Wahrscheinlichkeit auf Ω. Die Eigenschaften (P1), (P2) und (P3) werden auch als die Axiome von Kolmogorov bezeichnet. Aus dieser Definition leiten sich weitere Eigenschaften von P ab: (P-i) P ( ) = 0 (P-ii) Spezialfall von (P3): A B = P (A B) = P (A) + P (B) (P-iii) Gegenwahrscheinlichkeit: P (A c ) = 1 P (A) (P-iv) Siebformel: P (A B) = P (A) + P (B) P (A B) (P-v) Monotonie: A B P (A) P (B) (P-vi) A B P (B\A) = P (B) P (A) (P-vii) P (B\A) = P (B) P (A B) Laplace sche Wahrscheinlichkeit: Sind alle Elementarereignisse gleich wahrscheinlich, so kann die Wahrscheinlichkeit eines beliebigen Ereignisses A nach der Formel berechnet werden. P (A) = A Ω Definition (bedingte Wahrscheinlichkeit): Es seien A und B Ereignisse mit P (B) > 0. Dann heißt die durch P (A B) P (A B) := P (B) definierte Zahl P (A B) die bedingte Wahrscheinlichkeit von A unter der Bedingung B. Evelina Erlacher 3 WS 2015

4 Mit dieser Definition gelten die folgenden Sätze: Satz von Bayes: Es seien A und B Ereignisse mit positiver Wahrscheinlichkeit. Dann gilt P (B A)(P (A) P (A B) =. P (B) Satz (Produktformel): Es seien A 1,..., A n Ereignisse. Dann gilt P (A 1... A n ) = P (A 1 )P (A 2 A 1 )P (A 3 A 1 A 2 )... P (A n A 1... A n 1 ). Satz von der totalen Wahrscheinlichkeit: Es sei {B 1,..., B n } eine Partition von Ω (d.h.: Ω = n i=1 B i und B i B j = für i j). Dann gilt für ein beliebiges Ereignis A: Weiters gilt: P (A c B) = 1 P (A B). P (A) = P (A B 1 )P (B 1 ) P (A B n )P (B n ). Definition (unabhängige Ereignisse): Zwei Ereignisse A und B heißen unabhängig, wenn P (A B) = P (A)P (B) gilt. Andernfalls heißen A und B abhängig. Die Ereignisse A 1,..., A n heißen unabhängig, wenn für jede Auswahl von mindestens zwei Ereignissen A i1,..., A ik (mit verschiedenen Indizes) P (A i1... A ik ) = P (A i1 )... P (A ik ) gilt. Andernfalls heißen A 1,..., A n abhängig. 3 Zufallsvariablen Definition (Zufallsvariable): Eine (reelle) Zufallsvariable X auf Ω ist eine Funktion der Form X : Ω R. Die Menge der Werte, die X auch annimmt, bezeichnen wir mit X(Ω). Also: X(Ω) heißt das Bild von X. X(Ω) := {x R ω Ω mit X(ω) = x}. Schreibweisen: Es seien X, Y : Ω R Zufallvariablen, x R und A R. {X = x} = {ω Ω : X(ω) = x} {X x} = {ω Ω : X(ω) x} {X A} = {ω Ω : X(ω) A} Evelina Erlacher 4 WS 2015

5 P (X = x) = P ({ω Ω : X(ω) = x}) P (X x) = P ({ω Ω : X(ω) x}) P (X A) = P ({ω Ω : X(ω) A}) Wir schreiben X Y, falls X(ω) Y (ω) für alle ω Ω gilt. Definition (Verteilungsfunktion): Die Verteilungsfunktion F X einer Zufallsvariablen X ist durch F X : R [0, 1], F X (x) := P (X x) gegeben. Es gilt (Charakterisierung der Verteilungsfunktion): Eine Funktion F : R [0, 1] ist genau dann eine Verteilungsfunktion einer Zufallsvariablen, wenn sie folgende drei Eigenschaften besitzt: (1) F ist monoton wachsend. (2) F ist rechtsseitig stetig, d.h. F (a + ) = F (a), wobei F (a + ) := lim x a F (x). (3) lim x F (x) = 0, lim x F (x) = 1 Weitere Eigenschaften von Verteilungsfunktionen: P (X < a) = F X (a ), wobei F X (a ) := lim x a F X (x) P (X = a) = F X (a) F X (a ), wobei F X (a ) := lim x a F X (x) P (a < X b) = F X (b) F X (a) 3.1 Diskrete Zufallsvariablen Definition (diskrete Zufallsvariable): Es sei X : Ω R eine Zufallsvariable. Ist die Menge X(Ω) endlich oder abzählbar, so heißt die Zufallsvariable X diskret. Spezialfall: Wenn Ω eine endliche oder abzählbare Menge ist, dann kann X auch nur endlich oder abzählbar viele verschiedene Werte annehmen, d.h. X(Ω) ist endlich oder abzählbar und X ist diskret. Definition (Wahrscheinlichkeitsfunktion): Die Wahrscheinlichkeitsfunktion p X einer diskreten Zufallsvariablen X : Ω R ist jene Funktion, die jedem x X(Ω) die Wahrscheinlichkeit, dass X diesen Wert annimmt, zuordnet. Also: p X : X(Ω) [0, 1], p X (x) := P (X = x). Evelina Erlacher 5 WS 2015

6 Eigenschaften der Wahrscheinlichkeitsfunktion: Es sei X : Ω R eine diskrete Zufallsvariable. Dann gilt: p X (x) = P (X =x) = P ({ω}). ω Ω: X(ω)=x Es sei g : X(Ω) R eine Funktion. Wir definieren Y : Ω R, Y (ω) := (g X)(ω) = g(x(ω)). Dann ist Y selbst wieder eine diskrete Zufallsvariable, und es gilt p Y (y) = P (Y =y) = P ({ω}) = P (X =x) für y Y (Ω) = g(x(ω)). ω Ω: Y (ω)=y x X(Ω): g(x)=y x X(Ω): g(x)=y p X (x) Zusammenhang von Verteilungs- und Wahrscheinlichkeitsfunktion: Die Verteilungsfunktion F X einer diskreten Zufallsvariable X (mit X(Ω) = {x 1, x 2, x 3,... (, x n )}) ist eine Treppenfunktion. Sie ist durch F X (x) = P (X x) = x i x P (X = x i ) = x i x p X (x i ) gegeben. Die Sprunghöhe an der Stelle x entspricht der Wahrscheinlichkeit p X (x i ). 3.2 Stetige Zufallsvariablen Definition (stetige Zufallsvariable): Es sei X : Ω R eine Zufallsvariable und F X die zugehörige Verteilungsfunktion. Ist die Verteilungsfunktion F X stetig, dann heißt die Zufallsvariable X stetig. Ist X stetig, so ist Ω meist ein Intervall des Raums R (oder ein kartesisches Produkt von Intervallen im Raum R n ). Ist die Verteilungsfunktion F X einer Zufallsvariablen X stetig, dann gilt F (a) = F (a ) und somit P (X = a) = F X (a) F X (a ) = 0. Das heißt unter anderem, dass für eine stetige Zufallsvariable P (X a) = P (X < a) + P (X = a) = P (X < a) gilt. Analog gilt P (X a) = P (X > a). Definition (Dichte): Eine Funktion f X : R [0, ) heißt Dichte der Zufallsvariablen X, wenn für beliebige a, b R gilt. P (a < X b) = b a f X (x) dx Evelina Erlacher 6 WS 2015

7 Es gilt (Charakterisierung der Dichte): Eine Funktion f : R R ist genau dann eine Dichte einer Zufallsvariablen, wenn sie folgende zwei Eigenschaften besitzt: (1) f(x) 0 für alle x R. (2) f(x) dx = 1. Weitere Eigenschaften von Dichtefunktionen: P (X = a) = a a f X(x) dx = 0. (Nicht neu, aber konsistent mit unseren bisherigen Überlegungen.) Der Wert f X (x) ist nicht die Wahrscheinlichkeit dafür, dass X den Wert x annimmt! Zusammenhang von Verteilungsfunktion und Dichte: Es gilt F X (x) = P (X x) = x f X (t) dt. Aus dem Hauptsatz der Differential- und Integralrechnung folgt daher, dass die Dichte f X die (stückweise) Ableitung der Verteilungsfunktion F X ist, d.h. F X(x) = f X (x). Variablentransformation: Es sei X : Ω R eine stetige Zufallsvariable mit Dichte f X und Verteilungsfunktion F X. Weiters sei g : X(Ω) R eine (stückweise) differenzierbare Funktion. Wir definieren Y : Ω R, Y (ω) := (g X)(ω) = g(x(ω)). Dann ist Y selbst wieder eine stetige Zufallsvariable mit der Wertemenge Y (Ω) = g(x(ω)). Für die Dichte f Y und die Verteilungsfunktion F Y von Y gilt folgendes: Ist g streng monoton steigend und g (x) 0 auf X(Ω), dann existiert die Umkehrfunktion g 1 : Y (Ω) X(Ω) und es gilt für y Y (Ω): f Y (y) = f X (g 1 (y)) d dy g 1 (y) und F Y (y) = F X (g 1 (y)). Ist g streng monoton fallend und g (x) 0 auf X(Ω), dann existiert die Umkehrfunktion g 1 : Y (Ω) X(Ω) und es gilt für y Y (Ω): f Y (y) = f X (g 1 (y)) d dy g 1 (y) und F Y (y) = 1 F X (g 1 (y)). Definition (Quantil): Es sei X eine stetige Zufallsvariable mit invertierbarer Verteilungsfunktion F. Weiters sei γ (0, 1) eine Wahrscheinlichkeit. Das γ-quantil der Zufallsvariablen X ist jene Zahl x γ, für die F (x γ ) = γ gilt. Bemerkung: Bezeichnet F 1 die Umkehrfunktion von F, so gilt x γ = F 1 (γ). Evelina Erlacher 7 WS 2015

8 4 Erwartungswert Definition (Erwartungswert): Es sei X : Ω R eine diskrete Zufallsvariable. Die durch E(X) := x P (X = x) x X(Ω) gegebene Zahl E(X) (falls sie existiert) heißt Erwartungswert der Zufallsvariablen X. Wir schreiben oft auch µ für E(X). Es sei X : Ω R eine stetige Zufallsvariable mit Dichte f X. Die durch E(X) := x f X (x) dx gegebene Zahl E(X) (falls sie existiert) heißt Erwartungswert der Zufallsvariablen X. Wir schreiben oft auch µ für E(X). Eigenschaften des Erwartungswerts: Für X, Y Zufallsvariablen und a, b R gilt: } (E1) E(X + Y ) = E(X) + E(Y ) E ist linear (E2) E(aX) = ae(x) (E3) E(a) = a (E4) X Y E(X) E(Y ) E ist monoton Weitere Eigenschaften des Erwartungswerts für diskrete Zufallsvariablen: Es sei X : Ω R eine diskrete Zufallsvariable. Dann gilt: E(X) = x P (X = x) = X(ω) P ({ω}). x X(Ω) ω Ω Es sei g : R R eine Funktion. Wir definieren Y : Ω R, Y (ω) := (g X)(ω) = g(x(ω)). Dann ist Y selbst wieder eine diskrete Zufallsvariable, und es gilt E(Y ) = E(g(X)) = y P (Y = y) = g(x) P (X = x) y Y (Ω) = ω Ω x X(Ω) g(x(ω)) P ({ω}) = ω Ω Y (ω) P ({ω}). Weitere Eigenschaften des Erwartungswerts für stetige Zufallsvariablen: Es sei X : Ω R eine stetige Zufallsvariable mit Dichte f X. Weiters sei g : R R eine (integrierbare) Funktion. Dann gilt E(g(X)) = g(x) f X (x) dx. Evelina Erlacher 8 WS 2015

9 5 Varianz Definition (Varianz, Standardabweichung): Es sei X : Ω R eine Zufallsvariable mit Erwartungswert E(X). Die durch V (X) := E ( (X E(X)) 2) gegebene Zahl V (X) (falls sie existiert) heißt Varianz der Zufallsvariablen X. Wir schreiben oft auch σ 2 oder Var(X) für V (X). Die Zahl σ := V (X) heißt Standardabweichung oder Streuung der Zufallsvariablen X. Konkreter: Es sei X : Ω R eine Zufallsvariable mit Erwartungswert E(X). Ist X diskret, dann gilt V (X) = x X(Ω)(x E(X)) 2 P (X = x) = (X(ω) E(X)) 2 P ({ω}). ω Ω Ist X stetig mit Dichte f X, dann gilt V (X) = (x E(X)) 2 f X (x) dx. Eigenschaften der Varianz: Für X eine Zufallsvariable und a, b R gilt: (V1) V (ax + b) = a 2 V (X) (V2) V (X) = E(X 2 ) E(X) 2 Verschiebungssatz 6 Höhere Momente Definition (k-tes Moment): Es sei X eine Zufallsvariable und k N. Die Zahl m k (X) := E ( X k) (falls sie existiert) heißt k-tes Moment von X. Die Zahl z k (X) := E ( (X E(X)) k) (falls sie existiert) heißt k-tes zentriertes (oder zentrales) Moment von X. Evelina Erlacher 9 WS 2015

10 Es gilt: Das erste (nicht zentrierte) Moment von X ist der Erwartungswert E(X). Das zweite zentrierte Moment von X ist die Varianz V (X). Definition (Schiefe): Die Zahl ( ν(x) := E ) 3 X E(X) V (X) (falls sie existiert) heißt Schiefe von X. Wir sagen, die Verteilung von X ist symmetrisch, falls ν(x) = 0, linksschief, falls ν(x) < 0, rechtsschief, falls ν(x) > 0. Es gilt: Es sei µ = E(X) und σ 2 = V (X). Dann ( (X ) ) 3 µ ν(x) = E σ = E((X µ)3 ) σ 3 = z 3(X) z 2 (X) 3 2 = z 3(X) σ 3, d.h. die Schiefe ist das dritte zentrierte Moment z 3 (X) normiert auf die dritte Potenz der Standardabweichung σ. Definition (Wölbung): Die Zahl ( w(x) := E ) 4 X E(X) V (X) (falls sie existiert) heißt Wölbung oder Kurtosis von X. Es gilt: Es sei µ = E(X) und σ 2 = V (X). Dann ( (X ) ) 4 µ w(x) = E σ = E((X µ)4 ) σ 4 = z 4(X) z 2 (X) 2 = z 4(X) σ 4, d.h. die Wölbung ist das vierte zentrierte Moment z 4 (X) normiert auf die vierte Potenz der Standardabweichung σ. Evelina Erlacher 10 WS 2015

11 7 Wichtige Verteilungen 7.1 Diskrete Verteilungen Diskrete Gleichverteilung Von X angenommene Werte: X(Ω) = {x 1, x 2,..., x n }, wobei x 1 < x 2 <... < x n Wahrscheinlichkeitsfunktion: P (X = x k ) = 1 für k {1, 2,..., n} n 0, x < x 1 l Verteilungsfunktion: F (x) = n, x l x < x l+1, l {1,..., n 1} 1, x n x Erwartungswert: E(X) = 1 n n k=1 x k Varianz: V (X) = 1 n n k=1 (x k E(X)) 2 Binomialverteilung Parameter n und p, wobei n N und p (0, 1). Schreibweise: X B(n, p). Von X angenommene Werte: X(Ω) = {0, 1, 2,..., n} Wahrscheinlichkeitsfunktion: P (X = k) = ( n k) pk (1 p) n k für k X(Ω) 0, x < 0 l ( n ) Verteilungsfunktion: F (x) = k=0 k pk (1 p) n k, l x < l + 1, l {0, 1,..., n 1} 1, n x Erwartungswert: E(X) = np Varianz: V (X) = np(1 p) Hypergeometrische Verteilung Parameter N, M und n, wobei N, M, n N mit n M N. Von X angenommene Werte: X(Ω) = {0, 1, 2,..., n} Wahrscheinlichkeitsfunktion: P (X = k) = (M k ) ( N M n k ) ( N n) für k X(Ω) Evelina Erlacher 11 WS 2015

12 0, x < 0 l ( M k ) ( N M n k ) Verteilungsfunktion: F (x) = k=0, l x < l + 1, ( N n) l {0, 1,..., n 1} 1, n x Erwartungswert: E(X) = n M N Varianz: V (X) = n M N (1 M N ) N n N 1 Poissonverteilung Parameter λ, wobei λ (0, ). Schreibweise: X P(λ). Von X angenommene Werte: X(Ω) = N 0 = {0, 1, 2, 3,...} Wahrscheinlichkeitsfunktion: P (X = k) = λk k! e λ für k X(Ω) = N 0 { 0, x < 0 Verteilungsfunktion: F (x) = e λ l λ k k=0, l x < l + 1, l N k! 0 Erwartungswert: E(X) = λ Varianz: V (X) = λ Geometrische Verteilung Parameter p, wobei p (0, 1). Von X angenommene Werte: X(Ω) = N = {1, 2, 3,...} Wahrscheinlichkeitsfunktion: P (X = k) = (1 p) k 1 p Verteilungsfunktion: F (x) = { 0, x < 1 1 (1 p) l, l x < l + 1, l N für k X(Ω) = N Erwartungswert: E(X) = 1 p Varianz: V (X) = 1 p p 2 Evelina Erlacher 12 WS 2015

13 7.2 Stetige Verteilungen Stetige Gleichverteilung auf einem Intervall Parameter a, b R, wobei a < b. { 1, x [a, b] b a Dichte: f(x) = 0, sonst 0, x < a x a Verteilungsfunktion: F (x) = b a, a x < b 1, b x Erwartungswert: E(X) = a+b 2 Varianz: V (X) = (b a)2 12 Exponentialverteilung Parameter λ, wobei λ (0, ). Schreibweise: X Exp(λ). { 0, x < 0 Dichte: f(x) = λe λx, 0 x Verteilungsfunktion: F (x) = { 0, x < 0 1 e λx, 0 x Erwartungswert: E(X) = 1 λ Varianz: V (X) = 1 λ 2 Standardnormalverteilung (Spezialfall der Normalverteilung) Schreibweise: X N (0, 1). Dichte: f(x) = 1 2π e x2 2 Verteilungsfunktion: F (x) = 1 2π x e t2 2 dt =: Φ(x) Erwartungswert: E(X) = 0 Varianz: V (X) = 1 Evelina Erlacher 13 WS 2015

14 Normalverteilung Parameter µ und σ, wobei µ R und σ (0, ). Schreibweise: X N (µ, σ 2 ). Dichte: f(x) = 1 σ 2π (x µ) 2 e 2σ 2 Verteilungsfunktion: F (x) = 1 x σ 2π e (t µ)2 2σ 2 dt = Φ( x µ σ ) Erwartungswert: E(X) = µ Varianz: V (X) = σ Tabellen zur Standardnormalverteilung Quantile der Standardnormalverteilung: z Φ 1 (z) z Φ 1 (z) z Φ 1 (z) Evelina Erlacher 14 WS 2015

15 Verteilungsfunktion Φ der Standardnormalverteilung: Evelina Erlacher 15 WS 2015

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 1. Wahrscheinlichkeitsräume Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.

Mehr

7.2 Moment und Varianz

7.2 Moment und Varianz 7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr

2. Zufallsvariable, Verteilungsfunktion, Erwartungswert,

2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, 2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, momentenerzeugende Funktion Ziel des Kapitels: Mathematische Präzisierung der Konzepte Zufallsvariable Verteilungsfunktion Dichtefunktion Erwartungswerte

Mehr

5 Erwartungswerte, Varianzen und Kovarianzen

5 Erwartungswerte, Varianzen und Kovarianzen 47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [random variable] Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden

Mehr

4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung

4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung 4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt

Mehr

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind

Mehr

0, t 0,5

0, t 0,5 XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------

Mehr

Abiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.

Abiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc. Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment

Mehr

8. Stetige Zufallsvariablen

8. 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

Mehr

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten

Zufallsgröße. 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

Mehr

P (X = 2) = 1/36, P (X = 3) = 2/36,...

P (X = 2) = 1/36, P (X = 3) = 2/36,... 2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel

Mehr

Die Varianz (Streuung) Definition

Die 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

Mehr

Allgemeine Wahrscheinlichkeitsräume

Allgemeine 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

Mehr

Kapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen

Kapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population

Mehr

Varianz und Kovarianz

Varianz und Kovarianz KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]

Mehr

Wahrscheinlichkeitsrechnung und Quantentheorie

Wahrscheinlichkeitsrechnung und Quantentheorie Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten

Mehr

3. Kombinatorik und Wahrscheinlichkeit

3. Kombinatorik und Wahrscheinlichkeit 3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:

Mehr

Übungsaufgaben, Statistik 1

Übungsaufgaben, Statistik 1 Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR 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

Mehr

Kapitel VI - Lage- und Streuungsparameter

Kapitel 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

Mehr

STETIGE VERTEILUNGEN

STETIGE VERTEILUNGEN STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen

Mehr

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6

1 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

Mehr

Spezielle stetige Verteilungen

Spezielle 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

Mehr

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen

6. 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,

Mehr

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung

Mehr

Kenngrößen von Zufallsvariablen

Kenngrößen von Zufallsvariablen Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 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

Mehr

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...

Mehr

3.3 Bedingte Wahrscheinlichkeit

3.3 Bedingte Wahrscheinlichkeit 28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit

Mehr

Übung 1: Wiederholung Wahrscheinlichkeitstheorie

Übung 1: Wiederholung Wahrscheinlichkeitstheorie Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable

Mehr

4 Diskrete Wahrscheinlichkeitsverteilungen

4 Diskrete Wahrscheinlichkeitsverteilungen 4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder

Mehr

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen

Mehr

Informatik II Grundbegriffe der Wahrscheinlichkeitsrechnung

Informatik II Grundbegriffe der Wahrscheinlichkeitsrechnung lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,

Mehr

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

Übungen zur Stochastik, Blatt Nr. 1

Übungen zur Stochastik, Blatt Nr. 1 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. ) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. a) Schreiben Sie alle Elemente des Grundraums in Form einer Matrix auf. b) Wie

Mehr

I. Deskriptive Statistik 1

I. 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........................

Mehr

Stochastik. Prof. Dr. Ulrich Horst. Wintersemester 2013/2014

Stochastik. Prof. Dr. Ulrich Horst. Wintersemester 2013/2014 Stochastik Prof. Dr. Ulrich Horst Wintersemester 3/4 Institut für Mathematik Mathematisch-Naturwissenschaftliche Fakultät II Humboldt-Universität zu Berlin Dieses Skript wurde von Alexander Prang in Anlehnung

Mehr

I. Zahlen, Rechenregeln & Kombinatorik

I. Zahlen, Rechenregeln & Kombinatorik XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen

Mehr

Stochastik für die Naturwissenschaften

Stochastik für die Naturwissenschaften Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 6. Ausgewählte Verteilungen (Distributions) * diskret: Bernoulli, Binomial, Geometrisch, Poisson * stetig: Uniform, Exponential, Normal, χ 2,

Mehr

3 Bedingte Wahrscheinlichkeit, Unabhängigkeit

3 Bedingte Wahrscheinlichkeit, Unabhängigkeit 3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.

Mehr

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...

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............

Mehr

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009

Übung zu Empirische Ökonomie für Fortgeschrittene SS 2009 Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte

Mehr

Kapitel 5. Stochastik

Kapitel 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

Mehr

Ü b u n g s b l a t t 13

Ü b u n g s b l a t t 13 Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben

Mehr

Wahrscheinlichkeitsrechnung und schließende Statistik

Wahrscheinlichkeitsrechnung und schließende Statistik Günther Bourier Wahrscheinlichkeitsrechnung und schließende Statistik Praxisorientierte Einführung Mit Aufgaben und Lösungen 3. F überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort Inhaltsverzeichnis

Mehr

Grundbegriffe der Wahrscheinlichkeit

Grundbegriffe der Wahrscheinlichkeit Kapitel 0 Grundbegriffe der Wahrscheinlichkeit 0.1 Der Wahrscheinlichkeitsraum Definition 0.1.1. Ein Wahrscheinlichkeitsraum ist ein Tripel (Ω, F, P), wobei Ω eine nichtleere Menge, F eine σ-algebra von

Mehr

1 Dichte- und Verteilungsfunktion

1 Dichte- und Verteilungsfunktion Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die

Mehr

Analysis I. 4. Beispielklausur mit Lösungen

Analysis I. 4. Beispielklausur mit Lösungen Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein

Mehr

K8 Stetige Zufallsvariablen Theorie und Praxis

K8 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

Mehr

Unabhängigkeit KAPITEL 4

Unabhängigkeit KAPITEL 4 KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht

Mehr

Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)

Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) 1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 5: Konvergenz Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Dezember 2011) Folgen Eine Folge x 0, x 1,

Mehr

Übungsblatt 9. f(x) = e x, für 0 x

Übungsblatt 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

Mehr

Kapitel 2 Wahrscheinlichkeitsrechnung

Kapitel 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

Mehr

Kapitel 2 Mathematische Grundlagen

Kapitel 2 Mathematische Grundlagen Kapitel 2 Mathematische Grundlagen Ziel: Einführung/Auffrischung einiger mathematischer Grundlagen 2.1 Mengen, Relationen, Ordnungen Definition: Eine Menge ist eine Zusammenfassung von wohlbestimmten und

Mehr

Maße auf Produkträumen

Maße auf Produkträumen Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien

Mehr

Diskrete Strukturen WiSe 2012/13 in Trier

Diskrete Strukturen WiSe 2012/13 in Trier Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen

Mehr

Statistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA

Statistik Workshop. 12. und 14. Januar Prof. Dr. Stefan Etschberger HSA Workshop Mini-Einführung und Auffrischung zu einigen Teilen der angewandten 12. und 14. Prof. Dr. Stefan Etschberger HSA Outline 1 : Einführung Fehler durch Gute und schlechte Grafiken Begriff Grundbegriffe

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie und Statistik vom INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen

Mehr

Zusammenfassung der Lebesgue-Integrationstheorie

Zusammenfassung der Lebesgue-Integrationstheorie Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,

Mehr

Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch

Stetige 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

Mehr

eine Zufallsvariable. Eine der Definitionen des Erwartungswerts war:

eine Zufallsvariable. Eine der Definitionen des Erwartungswerts war: 8.4. Definition und Eigenschaften des Erwartungswerts Wir haben den Erwartungswert nur für Zufallsvariablen auf einem diskreten Wahrscheinlichkeitsraum definiert. Sei (Ω, F, P) ein diskreter Wahrscheinlichkeitsraum

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über

Mehr

Satz 18 (Satz von der totalen Wahrscheinlichkeit)

Satz 18 (Satz von der totalen Wahrscheinlichkeit) Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte

Mehr

Dieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.

Dieses 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.

Mehr

Stochastik für die Naturwissenschaften

Stochastik für die Naturwissenschaften Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 5. Erwartungswert E und Varianz V Literatur Kapitel 5 * Storrer: (37.9)-(37.12), (38.4), (40.6)-(40.9), (41.2) * Stahel: Kapitel 5 und 6 (nur

Mehr

Klausur Stochastik und Statistik 31. Juli 2012

Klausur Stochastik und Statistik 31. Juli 2012 Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf

Mehr

Diskrete Wahrscheinlichkeitstheorie - Probeklausur

Diskrete Wahrscheinlichkeitstheorie - Probeklausur Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten

Mehr

Lernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm

Lernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis

Mehr

Klausur Stochastik und Statistik 18. September 2012

Klausur Stochastik und Statistik 18. September 2012 Klausur Stochastik und Statistik 18. September 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht

Mehr

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012

Weihnachtszettel 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

Mehr

Grundbegriffe der Wahrscheinlichkeitstheorie

Grundbegriffe der Wahrscheinlichkeitstheorie KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir

Mehr

8.2 Zufallsvariable und Verteilungen

8.2 Zufallsvariable und Verteilungen 8.2 Zufallsvariable und Verteilungen Sei weiter W = (Ω, E, p) ein Wahrscheinlichkeitsraum. UntereinerZufallsvariablen X von W versteht man eine Funktion X : Ω R, t X(t), für die {ω Ω; X(ω) t} für alle

Mehr

Stochastik und Statistik für Ingenieure Vorlesung 4

Stochastik 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

Mehr

A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:

A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)

Mehr

9 Die Normalverteilung

9 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,

Mehr

Beweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.

Beweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457. Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf

Mehr

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern.

Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. Aufgabe 1 (2 + 1 + 2 + 2 Punkte) Der Trainer einer Fußballmannschaft stellt die Spieler seiner Mannschaft auf. Insgesamt besteht der Kader seiner Mannschaft aus 23 Spielern. a) Wieviele Möglichkeiten hat

Mehr

Mengen, Funktionen und Logik

Mengen, Funktionen und Logik Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Mengen, Funktionen und Logik Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

Formelsammlung Statistik II (SS 2010) 1. 1 Numerische und graphische Zusammenfassung quantitativer

Formelsammlung Statistik II (SS 2010) 1. 1 Numerische und graphische Zusammenfassung quantitativer TU Kaiserslautern 40700 FB Mathematik Prof Dr Jörn Saß Formelsammlung Statistik II (SS 00) umerische und graphische Zusammenfassung quantitativer Daten Beobachtet werden Daten x,, x Die Ordungsstatistiken

Mehr

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die

Mehr

Ziel der Wahrscheinlichkeitsrechnung. Teil V. Wahrscheinlichkeitsrechnung. Experiment: Wurf eines Würfels

Ziel 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

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 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

Mehr

Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter

Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter Mögliche Fragen für mündliche Prüfung aus Statistik und Wahrscheinlichkeitstheorie von Prof. Dutter Was für Kenngrößen von Verteilungen kennst du? Ortsparameter (Arithmetisches Mittel, Median, MedMed,

Mehr

Basiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)

Mehr

Das Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.

Das Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern. 10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung

Mehr

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung? Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben

Mehr

Analysis I - Stetige Funktionen

Analysis I - Stetige Funktionen Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 1 Repetition Wahrscheinlichkeitstheorie (WT) Bitte arbeiten Sie dieses Kapitel wenn notwendig vor Semesterbeginn durch. Es ist eine Zusammenfassung der aktuellsten

Mehr

Vorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten

Vorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:

Mehr

5 Optimale erwartungstreue Schätzer

5 Optimale erwartungstreue Schätzer 33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien

Mehr

Übungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006

Übungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006 3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten

Mehr

Mathematik für Ökonomen 1

Mathematik für Ökonomen 1 Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Herbstemester 2008 Mengen, Funktionen und Logik Inhalt: 1. Mengen 2. Funktionen 3. Logik Teil 1 Mengen

Mehr

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s 4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Satz 16 (Multiplikationssatz)

Satz 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.

Mehr

Den folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde.

Den folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde. Kapitel 0 Stetige Zufallsvariablen und ihre Verteilungen Letzte Änderung: 7. Mai 2000, 20 Seiten Den folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde. X: Ω R Die stetige

Mehr

Rumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen

Rumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Rumpfskript Elementare Wahrscheinlichkeitsrechnung Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern

Mehr