13 Grenzwertsätze Das Gesetz der großen Zahlen
|
|
- Samuel Hermann
- vor 6 Jahren
- Abrufe
Transkript
1 13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n (n N) und bildet dann das arithmetische Mittel dieser Beobachtungen: n X = 1 n X i =: X n i=1 Dabei muß man jedoch beachten, daß die Beobachtungen X 1,...,X n unabhängig oder wenigstens unkorreliert sind. 495 W.Kössler, Humboldt-Universität zu Berlin
2 Satz 43 (Schwaches Gesetz der großen Zahlen) Es seien X 1,...,X n unkorrelierte zufällige Variablen mit µ := EX i und σ 2 := VarX i (für alle i = 1,...,n). Dann gilt für alle ε > 0: lim P( X n µ > ε) = 0. Beweis: Zum Beweis des Satzes verwenden wir die Ungleichung von TSCHEBYCHEW (vgl. Satz 38). 496 W.Kössler, Humboldt-Universität zu Berlin
3 Da die Zufallsgrößen X 1,...,X n unkorreliert sind, gilt ( ) ( n n ) Var X = Var X i = 1 Var X n 2 i = 1 n 2 1 n n i=1 i=1 i=1 Var (X i ) = 1 n 2 n σ 2 = σ2 n EX = E = 1 n ( 1 n ) n X i i=1 = 1 n E ( n i=1 n EX i = 1 n µ = µ n i=1 X i ) 497 W.Kössler, Humboldt-Universität zu Berlin
4 Mittels der TSCHEBYCHEW Ungleichung erhalten wir: P( X n µ > ε) = P( X EX > ε) = VarX ε 2 σ 2 n ε 2 0 Bem. 19 Aus dem Beweis erkennen wir, daß die Voraussetzungen etwas abgeschwächt werden können, anstelle Var X i = σ 2 genügt die Forderung lim 1 n 2 VarXi = W.Kössler, Humboldt-Universität zu Berlin
5 Def. 45 Wenn lim P( Y n Y 0 > ε) = 0 ε > 0 dann heißt Y 0 stochastischer Grenzwert der Folge {Y n } und man schreibt p lim Y n = Y W.Kössler, Humboldt-Universität zu Berlin
6 Bsp. 81 Es seien X i B(1,p) X i : p p Dann gilt: µ := EX = EX i = 0 (1 p) + 1 p = p 500 W.Kössler, Humboldt-Universität zu Berlin
7 und σ 2 := E(X p) 2 = (0 p) 2 (1 p) + (1 p) 2 p = p 2 (1 p) + (1 p) 2 p = p 2 p 3 + p 2 p 2 + p 3 = p p 2 = p (1 p) Nach dem schwachen Gesetz der großen Zahlen folgt: ( ) n 1 P X n i p > ε 0. i=1 501 W.Kössler, Humboldt-Universität zu Berlin
8 Bsp. 82 Es sei A ein Ereignis, p = P(A) sei unbekannt. Zur Schätzung von p führen wir eine Reihe von unabhängigen Experimenten durch, bei denen A und A die einzig möglichen Ausgänge seien. n: # der Experimente, die durchgeführt werden. n(a): # Auftretens des Ereignisses A. ˆp n = n(a) n die relative Häufigkeit des Ereignisses A. Frage: ˆp n p? Dazu definieren wir Zufallsgrößen X i (i = 1,...,n), 502 W.Kössler, Humboldt-Universität zu Berlin
9 X i := 1, A im i ten Experiment eintritt 0, A im i-ten Experiment nicht eintritt Dann gilt für alle i = 1,...,n: X i B(1,p) und P(X i = 1) = p sowie P(X i = 0) = 1 p. σ 2 = VarX i = p (1 p) µ = EX i = p Wir definieren weiterhin: n X := 1 X n i = 1 n(a) = ˆp n n. i=1 503 W.Kössler, Humboldt-Universität zu Berlin
10 Wir wenden nun das schwache Gesetz der großen Zahlen an und erhalten: lim P( ˆp n p > ε) = Folglich gilt: ˆp n p. lim P( X n µ > ε) = 0, ε > 0 Bem. 20 Schätzungen ˆp n, die gegen den zu schätzenden Parameter konvergieren heißen (schwach) konsistent. 504 W.Kössler, Humboldt-Universität zu Berlin
11 Satz 44 (Gesetz der Großen Zahlen) Seien die Zufallsvariablen X 1,...,X n identisch verteilt und unabhängig, E X i <, EX i = µ. Dann gilt P(ω : lim X n = µ) = 1. Bem. 21 Das Schwache Gesetz der Großen Zahlen lautet entsprechend: Seien die Zufallsvariablen X 1,...,X n identisch verteilt, EX i = µ und unkorreliert (cov(x i,x j ) = σ 2 δ ij ). Dann gilt p lim X n = µ. 505 W.Kössler, Humboldt-Universität zu Berlin
12 Das Gesetz der großen Zahlen eignet sich also zum Schätzen von Erwartungswerten oder zur Approximation von Integralen. Bsp. 83 Sei X F mit Dichte f(x), den Beobachtungen x 1,...,x n und g( ) eine beliebige Funktion. Der Erwartungswert E(g(X)) = g(x)f(x)dx wird (falls er existiert) geschätzt durch Î = 1 n n i=1 g(x i ) 506 W.Kössler, Humboldt-Universität zu Berlin
13 Bsp. 84 Ist f > 0 kann das Integral I = g(x) dx (falls es existiert) geschätzt werden durch Î = 1 n n i=1 g(x i ) f(x i ). 507 W.Kössler, Humboldt-Universität zu Berlin
14 13.2 Der Satz von GLIVENKO CANTELLI Seien X 1,...,X n unabhängige Beobachtungen mit P(X i < x) = F(x), i = 1,...,n. Die Verteilungsfunktion F(x) soll durch die Funktion approximiert werden. F n (x) := #{X i : X i <x,i=1,...,n} n Def. 46 Seien X 1,...,X n unkorreliert, X i F, und X (1),...,X (n), X (1) X (2)... X (n) die geordnete 508 W.Kössler, Humboldt-Universität zu Berlin
15 Stichprobe. Die Funktion F n (x) = #{X i: X i < x,i = 1,...,n} n 0 falls x < X (1) = i falls X n (i) x < X (i+1) 1 falls X (n) < x heißt empirische Verteilungsfunktion. EDF.sas EDF 2.sas Satz 45 Seien X 1,...,X n unkorreliert. Es gilt: lim P( F n(x) F(x) > ε) = 0 x R. 509 W.Kössler, Humboldt-Universität zu Berlin
16 Beweis: Wir definieren Zufallsgrößen Y ix (i = 1,...,n, x R) durch: 1, falls X i < x Y ix = 0, sonst Dann gilt offensichtlich für alle i = 1,...,n und x R: Y ix : F(x) F(x) D.h. Y ix B(1,F(x)). Sei, für alle x R, Y x := 1 n n Y ix. i=1 510 W.Kössler, Humboldt-Universität zu Berlin
17 Vergleichen wir die Zufallsgrößen F n (x) und Y x : Y x = F n (x). Aus Beispiel 81 folgt, µ := EY ix = F(x). Deshalb folgt aus dem schwachen Gesetz der großen Zahlen: D.h. für alle ε > 0 gilt: lim P( Y x µ > ε) = 0, ε > 0. lim P( F n(x) F(x) > ε) = W.Kössler, Humboldt-Universität zu Berlin
18 Verschärfung: Satz 46 (Satz von GLIVENKO CANTELLI) Es seien X 1,...,X n unabhängige zufällige Variablen. Dann gilt: ( ) P lim sup F n (x) F(x) = 0 = 1. x R Dieser Satz wird auch oft als der Hauptsatz der Statistik bezeichnet. 512 W.Kössler, Humboldt-Universität zu Berlin
19 13.3 Konvergenz von Folgen zufälliger Variablen Wir betrachten in diesem Abschnitt eine Reihe von Konvergenzbegriffen, die ersten beiden haben wir schon am Anfang des Kapitels kennengelernt. Def. 47 Eine Folge {X n } n N zufälliger Variablen konvergiert stochastisch (in Wkt.) gegen eine zufällige Variable X, falls für alle ε > 0 gilt: lim P( X n X > ε) = 0. Wir bezeichnen dann: p lim X n = X. 513 W.Kössler, Humboldt-Universität zu Berlin
20 X heißt stochastischer Grenzwert der Folge {X n }. Def. 48 Eine Folge {X n } n N zufälliger Variablen heißt fast sicher konvergent gegen eine zufällige Variable X, falls gilt: P ({ }) ω: lim X n (ω) = X(ω) Wir bezeichnen dann: limx n = X f.s. a = 1. X heißt f.s. Grenzwert der Folge {X n }. a Das Kürzel f.s. steht für fast sicher. Manchmal findet man statt f.s. auch das Kürzel a.e.. Es bedeutet almost everywhere. 514 W.Kössler, Humboldt-Universität zu Berlin
21 Def. 49 Es seien X 1,...,X n,x zufällige Variablen mit E X i p <,E X p <. {X n } konvergiert im p-ten Mittel gegen X, falls lim E X n X p = 0. Wir bezeichnen dann: lim X n = X p.m. (q.m. wenn p = 2). 515 W.Kössler, Humboldt-Universität zu Berlin
22 Def. 50 Es sei {X n } n N eine Folge von zufälligen Variablen. X sei eine Zufallsgröße mit der Verteilungsfunktion F(x) = P(X < x). Die Folge {X n } n N konvergiert in Verteilung gegen die Zufallsgröße X, wenn für alle x R, in denen die Funktion F stetig ist, gilt: lim P(X n < x) = F(x). Wir bezeichnen dann: X n D X. 516 W.Kössler, Humboldt-Universität zu Berlin
23 Wir versuchen jetzt Zusammenhänge zwischen den verschiedenen Konvergenzbegriffen herzustellen. Lemma 47 Sei X eine Zufallsvariable mit E X p <, p < p. Dann gilt ( ) E X p 1 p ( E X p) 1 p. Beweis: Die Funktion g(x) = x t ist konvex für t 1. Für eine beliebige Zufallsvariable Y gilt (Jensens Ungleichung) EY t E Y t. Sei Y = X p, t = p p 1. Daraus folgt ( E X p ) p p E (( X p ) p p ) = E X p. 517 W.Kössler, Humboldt-Universität zu Berlin
24 Folg. 7 Sei p < p. lim X n = X p.m. lim X n = X p.m. Beweis: Wegen Lemma 47 gilt: ( E Xn X p ) 1 p ( E X n X p) 1 p. Lemma 48 Sei p 1. Dann gilt lim X n = X p.m. p lim x X n = X. 518 W.Kössler, Humboldt-Universität zu Berlin
25 Beweis: Es gilt für alle n: P( X n X > ε) = P( X n X p > ε p ) E X n X p ε p Markoff-Ungleichung lim P( X E X n X p n X > ε) lim = 0. ε p Das folgende Beispiel zeigt, daß stochastische und fast sichere Konvergenz nicht identisch sind. Bsp. 85 Wir wollen eine Folge {X n } n N zufälliger Variablen konstruieren, für die zwar p lim X n = 0 gilt, nicht aber limx n = 0 f.s. Es seien Ω = [0, 1] und E = [0, 1] B W.Kössler, Humboldt-Universität zu Berlin
26 gegeben. Für alle Ereignisse A [0, 1] gelte: 0 P(A) = 1dx 1. Wir betrachten nun eine Folge {A n } n N von Ereignissen im Ereignisfeld E. Für alle n N sei A n definiert durch: A n := [k 2 h, (k + 1) 2 h ], wobei für die Zahlen h und k folgendes gelte: h,k Z + {0}; n = 2 h + k; (n 2 2 h ) 0 k < 2 h. A 520 W.Kössler, Humboldt-Universität zu Berlin
27 Die Folge {X n } n N definieren wir nun wie folgt: 1, falls ω A n X n (ω) = 0, sonst Untersuchen wir die stochastische Konvergenz dieser Folge von Zufallsgrößen: Nach Definition der Folge {X n } n N gilt: d.h. p lim X n = 0. P( X n > ε) = P( X n = 1) = P(A n ) = (k + 1) 2 h k 2 h = 2 h 2 n 0,
28 Wir untersuchen nun, ob die Folge {X n } n N auch fast sicher gegen Null konvergiert. Sehen wir uns die Intervalle A n an, für n = 1,...,8: n = 2 h + k h k A n 1 = A 1 = [0, 1] 2 = A 2 = [0, 1] 2 3 = A 3 = [ 1, 1] 2 4 = A 4 = [0, 1] 4 5 = A 5 = [ 1, 1] = A 6 = [ 1, 3] = A 7 = [ 3, 1] 4 8 = A 8 = [0, 1] 8
29 Die Folge {A n } n N ist nirgends konvergent. Also ({ }) P ω: lim X n (ω) = 0 = 0 1. Satz 49 Es sei {X n } n N eine Folge von zufälligen Variablen, für die es zwei Zufallsgrößen X und Y gibt, so daß gilt: Dann folgt daraus: X = p lim X n und Y = p lim X n. P(X = Y ) = 1. Beweis: Es sei ε > 0 beliebig. Dann berechnen wir P ({ω: X(ω) Y (ω) > ε}) = ( ) 523 W.Kössler, Humboldt-Universität zu Berlin
30 ( ) = P ({ω: X(ω) X n (ω) + X n (ω) Y (ω) > ε}) P ({ω: X(ω) X n (ω) + X n (ω) Y (ω) > ε}) P ({ ω: X n (ω) X(ω) > ε 2} { ω: Xn (ω) Y (ω) > ε 2 P ({ ω: X n (ω) X(ω) > 2}) ε + P ({ }) ω: X n (ω) η(ω) > ε 2 0 }) D.h. P( X Y > ε) = 0 ε > 0. P ({ω: X(ω) = Y (ω)}) = W.Kössler, Humboldt-Universität zu Berlin
31 Lemma 50 p lim X n = X X n D X Wir kennen vier verschiedene Arten der Konvergenz einer Folge von Zufallsgrößen gegen eine zufällige Variable. Sie bilden z.t. eine gewisse Hierarchie. limx n = X f.s. = p lim X n = X = X n D X limx n = X q.m. = p lim X n = X Die Umkehrungen gelten im allgemeinen nicht. Da die Verteilungskonvergenz in dieser Kette die schwächste ist, wird sie oft auch als schwache Konvergenz bezeichnet. 525 W.Kössler, Humboldt-Universität zu Berlin
32 Bsp. 86 X n Bi(n,p n ), lim np n = λ, Y Poi(λ) X n D Y. Diese Aussage kennen wir schon von früher. 526 W.Kössler, Humboldt-Universität zu Berlin
33 13.4 Die fast sichere Konvergenz Dieser Abschnitt wird in der Vorlesung nicht behandelt. Er dient nur als Ergänzung für den interessierten Leser. Def. 51 Es sei {A n } n N eine Folge von Ereignissen. Wir definieren ( ) lim sup A n := lim A k. k=n Bem.: Wir definieren für alle n N: B n := k=n A k. Dann gilt: B n+1 B n (n N). Folglich ist die Folge {B n } n N 527 W.Kössler, Humboldt-Universität zu Berlin
34 monoton fallend. Demzufolge gilt: lim B n = n=1 B n. Das bedeutet jedoch nichts anderes als: ( ) lim sup A n = lim A k = k=n n=1 ( k=n A k ). Lemma 51 (BOREL CANTELLI) Es sei {A n } n N eine Folge von Ereignissen aus einem Wahrscheinlichkeitsraum (Ω, E,P). Gilt P(A n ) <, so folgt daraus: n=1 P ( ) lim sup A n = W.Kössler, Humboldt-Universität zu Berlin
35 Beweis: Zunächst gilt: P ( A k ) P(A n ). k=n k=n Es sei ε > 0 beliebig gewählt. Da nach Voraussetzung P(A n ) < gilt, folgt für hinreichend großes n: n=1 k=n P(A n ) < ε. Folglich gilt: 529 W.Kössler, Humboldt-Universität zu Berlin
36 P ( ) lim sup A n = P ( lim lim k=n A k ) = lim P P(A n ) = 0. k=n ( k=n A k ) Wir betrachten eine Folge {X n } n N von Zufallsvariablen, die fast sicher gegen eine zufällige Variable X konvergiert. Es gilt: lim X n = X f.s. 530 W.Kössler, Humboldt-Universität zu Berlin
37 P P P ({ }) ω: lim X n (ω) = X(ω) = 1 ( ) {ω: X k (ω) X(ω) ε} k=n Cauchy-Kriterium ( ) {ω: X k (ω) X(ω) > ε} k=n 1 ε > 0 0 ε > 0 lim P(B n ) = 0, B n := {ω: X k (ω) X(ω) ε} k=n ( ) P lim B n = 0 (da {B n } n N monoton fallend ist) ( ) P lim sup B n = W.Kössler, Humboldt-Universität zu Berlin
38 Satz 52 Es sei {X n } n N eine Folge von Zufallsgrößen, und X eine weitere zufällige Variable. limx n = Xf.s. p lim X n = X. Beweis: Es sei ε > 0 beliebig gewählt. Dann gilt: 0 lim P({ω: X n (ω) X(ω) > ε}) ( ) lim P {ω: X k (ω) X(ω) > ε} k=n = 0 nach Vor. 532 W.Kössler, Humboldt-Universität zu Berlin
39 Folg. 8 (aus dem Borel-Cantelli Lemma) P( X n X > ε) < ε > 0 lim = Xf.s. n=1 Lemma 53 Sei p lim X n = X. Dann existiert eine Teilfolge {X nk } von {X n } so daß lim k X nk f.s. Lemma 54 n=1 E X n X p < lim X n = Xf.s. Satz 55 (Satz von der majorisierten Konvergenz) lim X n = X f.s. und X n Y, E Y p <. Dann gilt: lim X n = X p.m. 533 W.Kössler, Humboldt-Universität zu Berlin
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
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
Mehr16.3 Rekurrente und transiente Zustände
16.3 Rekurrente und transiente Zustände Für alle n N bezeichnen wir mit f i (n) = P(X n = i,x n 1 i,...,x 1 i,x 0 = i) die Wahrscheinlichkeit, daß nach n Schritten erstmalig wieder der Zustand i erreicht
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen 3.1 Einführung Bsp. 19 (3-maliges Werfen einer Münze) Menge der Elementarereignisse: Ω {zzz,zzw,zwz,wzz,zww,wzw,wwz,www}. Ω 2 3 8 N Wir definieren
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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,
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
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
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
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
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrBeispiel. Gegeben sei die Folge (a n ) n N mit. a n := n 2 + 5n + 1 n. Es gilt. (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n n, woraus folgt
Beispiel. Gegeben sei die Folge (a n ) n N mit a n := n 2 + 5n + 1 n Es gilt ( ( ) (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n + 1 + n, woraus folgt a n = (n2 + 5n + 1) n 2 n2 + 5n + 1 + n = 5n + 1 n2
MehrThema 3 Folgen, Grenzwerte
Thema 3 Folgen, Grenzwerte Definition Eine Folge von reellen Zahlen ist eine Abbildung von N in R d.h. jedem n N ist eine Zahl a n zugeordnet. Wir schreiben für eine solche Folge. Beispiele. (a n ) n N
Mehr3. 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:
Mehr9 Konvergenz und absolute Konvergenz von Reihen
9 Konvergenz und absolute Konvergenz von Reihen 9.2 Konvergenz von Reihen 9.5 Monotoniekriterium für Reihen 9.6 Konvergenzkriterium von Cauchy für Reihen 9.9 Rechenregeln für konvergente Reihen 9.10 Absolute
MehrMonotone Approximationen durch die Stirlingsche Formel. Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings
Monotone Approximationen durch die Stirlingsche Formel Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings Formel für n!: e n n e n n! e n n+/2 e n Genauer zeigen wir, dass die Folge
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
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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
MehrMusterlösung Klausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 3/4 Andreas Eberle, Lisa Hartung / Patrick Müller Musterlösung Klausur,,Einführung in die W theorie. (Zufallsvariablen und ihre Verteilung) a) Was ist
Mehr6 Reelle und komplexe Zahlenfolgen
Mathematik für Physiker I, WS 200/20 Freitag 0.2 $Id: folgen.tex,v. 200/2/06 :2:5 hk Exp $ $Id: reihen.tex,v. 200/2/0 4:4:40 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Cauchyfolgen Wir kommen nun
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
Mehr1 Reihen von Zahlen. Inhalt:
5 Kapitel 3 Reihen Reihen von Zahlen Inhalt: Konvergenz und Divergenz von Reihen reeller oder komplexer Zahlen, geometrische Reihe, harmonische Reihe, alternierende Reihen. Cauchy-Kriterium, absolute Konvergenz,
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
Mehr11 Logarithmus und allgemeine Potenzen
Logarithmus und allgemeine Potenzen Bevor wir uns mit den Eigenschaften von Umkehrfunktionen, und insbesondere mit der Umkehrfunktion der Eponentialfunktion ep : R R + beschäftigen, erinnern wir an den
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
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
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
MehrKapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen
Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population
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
MehrAufgaben zu Kapitel 38
Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus
MehrAbiturvorbereitung 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
MehrVorlesung 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,
Mehr3.3 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
MehrKapitel 1: Elemente der Statistik
1 Kapitel 1: Elemente der Statistik 1.1 Beispiel Ein Elektromarkt erhält eine Lieferung von N = 10000 Glühbirnen. Darunter ist eine unbekannte Anzahl h defekt, wobei h 0 1 = {0, 1,..., N}. Um Kenntnisse
MehrBeweis. 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
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrKapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen
Kapitel V Folgen und Konvergenz V.1 Konvergenz von Zahlenfolgen Wir erinnern an den Begriff der Folge, den wir schon im Kapitel III verwenden. Eine Folge (a n ) n=1 AN in A ist eine Abbildung a ( ) : N
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 3.2 Konvergenzkriterien
Mehr11. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 200/ 2.0.-28.0. Aufgabe G (Grenzwertberechnung)
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr5 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,
MehrReihen. Kapitel 3. Reihen, Potenzreihen und elementare Funktionen. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 3 Reihen, Potenzreihen und elementare Funktionen Peter Becker (H-BRS) Analysis Sommersemester 2016 160 / 543 Inhalt Inhalt 3 Reihen Absolute Konvergenz Potenzreihen Elementare Funktionen Anwendung:
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
MehrSchwache Konvergenz. Kapitel 8
Im Hinblick auf die funktionalen Grenzwertsätze wird in diesem Kapitel die Theorie der schwachen Konvergenz endlicher Maße auf separablen metrischen, vorallem polnischen Räumen entwickelt. In dieser Situation
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrStetigkeit. Definitionen. Beispiele
Stetigkeit Definitionen Stetigkeit Sei f : D mit D eine Funktion. f heißt stetig in a D, falls für jede Folge x n in D (d.h. x n D für alle n ) mit lim x n a gilt: lim f x n f a. Die Funktion f : D heißt
Mehrx k = s k=1 y k = y konvergent. Dann folgt (cx k ) = cx für c K. Partialsummenfolge konvergiert
4 Reihen Im Folgenden sei K R oder K C. 4. Definition. Es sei (x k ) Folge in K. Wir schreiben x k s und sagen, die Reihe x k konvergiere, falls die sogenannte Partialsummen-Folge s n x k n, 2,... in K
MehrZusammenfassung zur Konvergenz von Folgen
Zusammenfassung zur Konvergenz von Folgen. Definition des Konvergenzbegriffs Eine Folge reeller Zahlen a n n heißt konvergent gegen a in Zeichen a n = a, falls gilt > 0 n 0 n n 0 : an a < Hinweise: Bei
MehrKap. 10: Folgen und Reihen. Eine Funktion a : N Ñ R
Definition: Zahlenfolge Kap. 10: Folgen und Reihen 10.1 Definition: Zahlenfolge Eine Funktion a : N Ñ R poder Cq heißt reelle (oder komplexe) Zahlenfolge. Man nennt a n apnq das n-te Folgenglied und schreibt
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
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
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
MehrAnalysis 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
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
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
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
MehrFerienkurs Analysis 1 - Wintersemester 2014/15. 1 Aussage, Mengen, Induktion, Quantoren
Ferienkurs Analysis 1 - Wintersemester 2014/15 Können Sie die folgenden Fragen beantworten? Sie sollten es auf jeden Fall versuchen. Dieser Fragenkatalog orientiert sich an den Themen der Vorlesung Analysis
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
Mehr4 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
MehrP (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
MehrZusammenfassung 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,
Mehr5.8 Anpassungstests. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 389 / 419
5.8 8.1 Einführung empirische Verteilungsfunktion 8.2 EDF- Kolmogorov-Smirnov-Test Anderson-Darling-Test Cramer-von Mises-Test 8.3 Anpassungstest auf Normalverteilung - Shapiro-Wilk-Test 8.4. auf weitere
MehrStetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
Mehr1.1.1 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............
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
MehrStochastik 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
MehrMathematik I. Vorlesung 7. Folgen in einem angeordneten Körper
Prof. Dr. H. Brenner Osnabrück WS 009/010 Mathematik I Vorlesung 7 Folgen in einem angeordneten Körper Wir beginnen mit einem motivierenden Beispiel. Beispiel 7.1. Wir wollen die Quadratwurzel einer natürlichen
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
MehrSS 2016 Höhere Mathematik für s Studium der Physik 21. Juli Probeklausur. Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert.
SS 6 Höhere Mathematik für s Studium der Physik. Juli 6 Probeklausur Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert. Fragen Sei (X, d) ein metrischer Raum. Beantworten Sie die nachfolgenden
Mehr1 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
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
MehrLösungen. 1. Klausur zur MIA: Analysis I für Mathematiker
MATHEMATISCHES INSTITUT WS 006/07 DER UNIVERSITÄT MÜNCHEN Prof. Dr. M. Schottenloher Dr. S. Tappe Version 5.. Lösungen zur. Klausur zur MIA: Analysis I für Mathematiker vom 6..06 Aufgabe. ( + Punkte) a)
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
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
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
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
MehrFolgen und Reihen. 1 Konvergenz
Folgen und Reihen Man betrachte viele Zahlen hintereinander geschrieben. Solche Folgen von Zahlen können durch nummeriert werden. Es entsteht eine Zuordnung der natürlichen Zahlen zu den Gliedern der Folge.
MehrÜ b u n g s b l a t t 10
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrAnalysis I - Einige Lösungen und Ergänzungen
Christian-Albrechts-Universität zu Kiel Mathematisch-Naturwissenschaftliche Fakultät Mathematisches Seminar Analysis I - Einige Lösungen und Ergänzungen von Dipl.-Math. Joscha Prochno Dipl.-Math. Dennis
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr