Institut für Statistik der LMU. FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER
|
|
- Katarina Kraus
- vor 6 Jahren
- Abrufe
Transkript
1 Institut für Statistik der LMU FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER
2 Inhaltsverzeichnis 1 Elementare Wahrscheinlichkeitsrechnung Die Axiome von Kolmogorov Rechenregeln für Wahrscheinlichkeiten Laplace sche Wahrscheinlichkeit Bedingte Wahrscheinlichkeiten Satz von der totalen Wahrscheinlichkeit Formel von Bayes Stochastische Unabhängigkeit zweier Ereignisse Zufallsvariablen Eindimensionale Zufallsvariablen und ihre Verteilungen Die Verteilungsfunktion und ihre Eigenschaften Diskrete Zufallsvariablen und Dichten Stetige Zufallsvariablen und Dichten Zusammenhänge zwischen Dichten und Verteilungsfunktionen Erwartungswert, Varianz und Standardabweichung von Zufallsvariablen Rechenregeln und Eigenschaften von Erwartungswerten und Varianzen Transformationssatz für stetige Dichten Spezielle diskrete Verteilungen mit ihren Dichten, Erwartungswerten und Varianzen i
3 2.1.9 Spezielle stetige Verteilungen mit ihren Dichten, Erwartungswerten und Varianzen Mehrdimensionale Zufallsvariablen Die gemeinsame Verteilungsfunktion und die Randverteilung von zwei Zufallsvariablen Erwartungswert, Varianz, Kovarianz und Korrelationskoeffizient von zweidimensionalen Zufallsvariablen Multinomialverteilung Unabhängigkeit von Zufallsvariablen Bedingte Verteilungen und Dichten Das Gesetz der großen Zahlen und der ZGS Das Gesetz der großen Zahlen Der zentrale Grenzwertsatz Inferenz Likelihood-Inferenz Bayes-Inferenz Güteeigenschaften von Punktschätzern Anpassungstests Simulation Inversionsverfahren Rejection sampling Kongruenzgenerator ii
4 1 Elementare Wahrscheinlichkeitsrechnung 1.1 Die Axiome von Kolmogorov (1) Axiom: P (A) 0 für jedes Ereignis A (2) Axiom: P (Ω) = 1 (3) Axiom: P (A 1 A 2 ) = P (A 1 ) + P (A 2 ) für A 1 und A 2 so, dass A 1 A 2 = 1.2 Rechenregeln für Wahrscheinlichkeiten P (A) 1 P ( ) = 0 A Ω Aus A B folgt P (A) P (B) P (Ā) = 1 P (A) (Allgemeiner Additionssatz): P (A 1 A 2 ) = P (A 1 ) + P (A 2 ) P (A 1 A 2 ) 1.3 Laplace sche Wahrscheinlichkeit Prinzip von Laplace: Wenn nichts dagegen spricht, gehen wir davon aus, daß alle Elementarereignisse gleichwahrscheinlich sind. P (A) = A Ω = Anzahl der für A günstigen Fälle Anzahl aller möglichen Fälle 1.4 Bedingte Wahrscheinlichkeiten P (A B) = P (A B), falls P (B) > 0 P (B) 1
5 Außerdem gilt: P (A B) = P (A B)P (B), sofern P (B) > 0 P (A B) = P (B A)P (A), sofern P (A) > Satz von der totalen Wahrscheinlichkeit P (B) = n P (B A i )P (A i ) für jedes Ereignis B, sofern P (A i ) > 0 gilt und die A i, i=1 i = 1,..., n, eine disjunkte Zerlegung von Ω bilden. 1.6 Formel von Bayes Falls zusätzlich zu den obigen Bedingungen des Satzes von der totalen Wahrscheinlichkeit noch gilt, daß P (B) > 0 ist, so lautet die Formel von Bayes: P (A j B) = P (B A j)p (A j ) P (B) = P (B A j)p (A j ) P (B A i )P (A i ) i für jedes j. 1.7 Stochastische Unabhängigkeit zweier Ereignisse Stochastische Unabhängigkeit zweier Ereignisse A und B: P (A B) = P (A)P (B) P (A B) = P (A), falls P (B) > 0 P (B A) = P (B), falls P (A) > 0 2
6 2 Zufallsvariablen 2.1 Eindimensionale Zufallsvariablen und ihre Verteilungen Die Verteilungsfunktion und ihre Eigenschaften Verteilungsfunktion einer Zufallsvariablen (ZV) X: F (x) = P (X x), x R Eigenschaften: (1) 0 = F ( ) F (x) F (+ ) = 1 für alle x R (2) F (x) steigt für wachsendes x monoton an, d.h. F (x 1 ) F (x 2 ), falls x 1 < x 2 + (3) F (x) ist in jedem Punkt x von rechts stetig, d.h. der rechtsseitige Grenzwert stimmt stets mit dem Funktionswert F (x) überein. (4) P (X = x) = F (x) P (X < x) speziell: P (X < x) = lim h 0 F (x h), für h > 0. (5) P (a < X b) = F (b) F (a), falls a < b P (a X b) = F (b) F (a) + P (X = a) speziell: P (a X b) = F (b) F (a) für stetige Verteilungen P (a < X < b) = F (b) F (a) P (X = b) P (a X < b) = F (b) F (a) + P (X = a) P (X = b) (6) P (X > x) = 1 F (x) P (X < x) = F (x) P (X = x) Diskrete Zufallsvariablen und Dichten Eine ZV X heißt diskret, falls der Wertebereich (Träger) von X nur endlich oder abzählbar unendlich viele Werte annehmen kann. Besitzt ihr Wertebereich also die Gestalt 3
7 (x 1, x 2, x 3,...), so heißt sie und auch ihre Verteilung diskret. Wahrscheinlichkeitsfunktion (Dichte) einer diskreten ZV: P (X = x i ) für x = x i (x 1, x 2, x 3,...) f(x) = 0 sonst Stetige Zufallsvariablen und Dichten Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) 0 gibt, so daß die Verteilungsfunktion von X die Gestalt F (x) = x f(t)dt für jedes x R hat. Die Funktion f(x) heißt Dichte. Es gilt: (1) P (X = x) = 0 für alle x R, falls X eine stetige ZV ist. (2) f(x) = F (x) = + (3) f(x)dx = 1. df (x), falls F (x) an der Stelle x differenzierbar ist. dx Zusammenhänge zwischen Dichten und Verteilungsfunktionen F (x) = x i x f(x i ) = x i x P (X = x i ) im diskreten Fall F (x) = x f(t)dt im stetigen Fall P (a X b) = P (a X b) = f(x i ) = P (X = x i ) a x i b b f(t)dt a x i b im diskreten Fall im stetigen Fall a 4
8 2.1.5 Erwartungswert, Varianz und Standardabweichung von Zufallsvariablen Falls die entsprechenden Summen bzw. Integrale definiert sind, gelten folgende Definitionen: Erwartungswert: xf(x), x falls X diskret µ = E(X) = + xf(x)dx, falls X stetig Varianz: (x E(X)) 2 f(x), falls X diskret σ 2 x = Var(X) = + (x E(X)) 2 f(x)dx, falls X stetig Standardabweichung: σ = + σ 2 = + Var(X) Rechenregeln und Eigenschaften von Erwartungswerten und Varianzen Für die stetige Transformation Y = g(x) einer Zufallsvariable gilt: g(x)f(x), x E(Y ) = + g(x)f(x)dx, Für eine lineare Transformation ax + b gilt: falls X diskret falls X stetig E(aX + b) = ae(x) + b für alle a, b R E(X + Y ) = E(X) + E(Y ) Var(aX + b) = a 2 Var(X) Für die Varianz einer stetigen bzw. diskreten Zufallsvariablen gilt der Verschiebungssatz: Var(X) = E(X 2 ) [E(X)] 2 5
9 Standardisierung von Zufallsvariablen: Die Zufallsvariable X sei verteilt mit E(X) = µ und Var(X) = σ 2. Für die zugehörige standardisierte Zufallsvariable Z = X µ σ gilt: E(Z) = 0, Var(Z) = Transformationssatz für stetige Dichten Sei X eine stetige Zufallsvariable mit Dichte f X (x). Sei g(x) eine streng monotone und differenzierbare Funktion. Dann gilt für die Dichte f Y (y) der transformierten Zufallsvariable Y = g(x): f Y (y) = f X (g 1 (y)) d g 1 (y) d y 6
10 2.1.8 Spezielle diskrete Verteilungen mit ihren Dichten, Erwartungswerten und Varianzen Schreibweise: Binomialverteilung X B(n, π) Hypergeometrische Verteilung X H(n, N, M) Poissonverteilung Geometrische Verteilung X P o(λ) X G(π) Negative Binomialverteilung X N B(r, π) Diskrete Gleichverteilung X U{a,..., b} Verteilung Wahrscheinlichkeitsfunktion E(X) Var(X) X B(n, π) P (X = x) = ) π x (1 π) n x für x = 0, 1,..., n ( n x 0, sonst n π n π(1 π) X H(n, N, M) P (X = x) = ( M x )( N M n x ) ( N n) für 0 sonst x = max{0; n (N M)},..., min{n; M} n M N n M N ( ) 1 M N n N N 1 X P o(λ) P (X = x) = (λ > 0) λ x x! e λ für x = 0, 1, 2,... 0, sonst X G(π) P (X = x) = (1 π) x 1 π für x = 1, 2,... λ 1 π λ 1 π π 2 X NB(r, π) P (X = x + r) = ( ) x+r 1 x π r (1 π) x für r mit x = 0, 1, 2,... r π r(1 π) π 2 b a b a 1 X U{a,..., b} P (X = x) = 1/(b a + 1) für a x b a+b 2 ( 1 3 (b a) (b a) ) 7
11 2.1.9 Spezielle stetige Verteilungen mit ihren Dichten, Erwartungswerten und Varianzen Verteilung Dichte E(X) Var(X) Modus X U[a, b] Gleichverteilung a < b X Ex(λ) Exponentialverteilung λ > 0 f(x) = 1, für a x b b a 0, sonst λe λx für x 0 f(x) = 0 sonst a+b 2 1 λ (b a) 2 12 NA 1 0 λ 2 X N(µ, σ 2 ) Normalverteilung µ R, σ 2 > 0 X Cauchy Cauchy- Verteilung f(x) = 1 2πσ exp( (x µ)2 2σ 2 ) für x R µ σ 2 µ f(x) = 1 π(1+x 2 ) NA NA 0 X Ga(α, β) Gamma- Verteilung f(x) = β α Γ(α) xα 1 e βx für x 0 α β α β 2 α 1 β für α > 1 α, β R + 0 sonst X Beta(α, β) Beta-Verteilung α, β R + f(x) = 1 B(α,β) xα 1 (1 x) β 1 für 0 x 1 0 sonst α α+β αβ (α+β) 2 (α+β+1) α 1 α+β 2 für α, β > 1 Gamma-Funktion: Γ(α) = 0 e x x α 1 d x Beta-Funktion: B(α, β) = 1 0 xα 1 (1 x) β 1 d x 8
12 Chi-Quadrat-(χ 2 -)Verteilung: Z = n Xi 2 χ 2 (d) (d.h. χ 2 -verteilt mit d Freiheitsgraden) i=1 falls X 1,..., X d unabhängige, standardnormalverteilte Zufallsvariablen sind Die χ 2 -Verteilung ist ein Spezialfall der Gamma-Verteilung, eine Ga( d 2, 1 2 )-Verteilung. 2.2 Mehrdimensionale Zufallsvariablen Die gemeinsame Verteilungsfunktion und die Randverteilung von zwei Zufallsvariablen - beide diskret Diskrete gemeinsame Wahrscheinlichkeitsfunktion: f(x, y) = P (X = x, Y = y) Diskrete Verteilungsfunktion: F (x, y) = P (X x, Y y) = f(x i, y j ) x i x y j y ((x i, y j ) sind die Ausprägungskombinationen von (X, Y )) Diskrete Randdichte: f X (x) = P (X = x) = j f(x, y j ) (analog für Y ) - beide stetig Stetige gemeinsame Dichtefunktion: f(x, y) 9
13 Stetige Verteilungsfunktion: F (x, y) = P (X x, Y y) = x y f(u, v)dvdu 2 F (x, y) x y = f(x, y), falls F differenzierbar im Punkt (x, y) Stetige Randdichte: (analog für Y ) f X (x) = + f(x, y) dy Erwartungswert, Varianz, Kovarianz und Korrelationskoeffizient von zweidimensionalen Zufallsvariablen Diskrete Zufallsvariablen: Stetige Zufallsvariablen: E(XY ) = i x i y j f(x i, y j ) j E(XY ) = + + x y f(x, y)dydx Kovarianz: Cov(X, Y ) = E((X E(X))(Y E(Y ))) = E(XY ) E(X)E(Y ) Korrelationskoeffizient: wobei σ X die Standardabweichung von X ist. Es gilt: 1 ρ(x, Y ) +1. ρ XY = ρ(x, Y ) = Cov(X, Y ) σ X σ Y, 10
14 2.2.3 Multinomialverteilung Verteilung Wahrscheinlichkeitsfunktion X = (X 1, X 2,..., X p ) M p (n; π) p π = (π 1,..., π p ), π i = 1 i=1 P (X 1 = x 1, X 2 = x 2,..., X p = x p ) = n! x 1! x πx 1 n! x p! 1 π x 2 2 πp xp für x i = 0, 1,..., n (i = 1,..., p); p x i = n Momente: E(X i ) = nπ i, Var(X i ) = nπ i (1 π i ), Cov(X i, X j ) = nπ i π j (i j) Spezialfall p = 2 Binomialverteilung i= Unabhängigkeit von Zufallsvariablen Zwei ZV X, Y heißen unabhängig, wenn F X,Y (x, y) = F X (x)f Y (y) d.h. die gemeinsame Verteilungsfunktion = Produkt der Randverteilungen bzw. f X,Y (x, y) = f X (x)f Y (y), d.h. die gemeinsame Dichte = Produkt der Randdichten. Falls X, Y unabhängig sind, gilt Cov(X, Y ) = 0 und E(XY ) = E(X)E(Y ) Bedingte Verteilungen und Dichten Die bedingte Verteilungsfunktion von X gegeben Y = y mit P (Y = y) > 0 ist definiert als F X Y (x y) = P (X x, Y = y), x R. P (Y = y) Die bedingte Wahrscheinlichkeitsfunktion (-dichte) von X lautet sowohl bei diskreten als auch bei stetigen X für jedes feste y mit f Y (y) 0 (Analog für Y ) f X Y (x y) = f(x, y) f Y (y), x R. 11
15 2.3 Das Gesetz der großen Zahlen und der zentrale Grenzwertsatz Das Gesetz der großen Zahlen Seien X 1,..., X n unabhängige identisch verteilte Zufallsvariablen mit µ =E(X i ) <, so gilt für X n = 1 n n i=1 X i: X n µ für n Der zentrale Grenzwertsatz Seien X 1,..., X n unabhängige identisch verteilte Zufallsvariablen mit µ =E(X i ) < und endlicher Varianz σ 2 = Var(X i ) > 0. Dann gilt für die Summe Y n = X X n Y n nµ σ n = 1 n n i=1 X i µ σ a N(0, 1); oder auch Y n a N(n µ, n σ 2 ) 12
16 3 Inferenz Ziel: Unter bestimmten Modellannahmen Aussagen über unbekannte Parameter θ Θ zu machen, nachdem Daten X beobachtet wurden. 3.1 Likelihood-Inferenz Likelihood-Prinzip: Schlüsse werden nur aus der Likelihood gezogen. Likelihood: Dichte f(x) in Abhängigkeit vom Parameter θ: L(θ) = f(x; θ) Loglikelihood: Maximum-Likelihood-Schätzer: l(θ) = ln(l(θ)) Derjenige Wert ˆθ ML, der die Likelihood maximiert: L(ˆθ ML ) = max θ Θ L(θ) Normierte Likelihood: L(θ) = L(θ)/L(ˆθML ) Normierte Loglikelihood: l(θ) = l(θ) l(ˆθml ) Standardfehler des ML-Schätzers: SE(ˆθ ML ) = [ l (ˆθ ML ) Likelihoodbasierte Vertrauensintervalle: 1. Exaktes Vertrauensintervall {θ : l(ˆθ) c} zum Niveau α mit c aus folgender Tabelle: ] 1 α c
17 2. Approximatives Vertrauensintervall ˆθ ± d SE(ˆθ ML ) mit d aus folgender Tabelle: α d Bayes-Inferenz Vorwissen über den unbekannten Paramter θ wird durch eine Priori-Dichte f(θ) ausgedrückt. Bayes-Prinzip: Alle Schlüsse werden nur aus der Posteriori gezogen. Für die Posteriori-Dichte ergibt sich f(θ x) f(x θ) f(θ) Punktschätzer: 1. Posteriori-Modus 2. Posteriori-Erwartungswert Intervallschätzer: 1. Highest-Posterior-Density-Intervall 2. Über die Quantile der Posteriori-Verteilung 3.3 Güteeigenschaften von Punktschätzern Erwartungstreue: E(ˆθ) = θ. Varianz Var(ˆθ) eines erwartungstreuen Schätzers ist Maß für die Güte. 3.4 Anpassungstests Häufig ist es von Interesse, die Anpassung eines bestimmten Modells an vorliegende Daten zu studieren. Dies ist insbesondere bei kategorialen Daten der Fall. Vorgehensweise Vergleich des Null-Modells mit dem saturierten Modell unter Annahme einer Multinomialverteilung mit p Kategorien. 14
18 1. ML-Schätzung der unbekannten Parameter θ im Null-Modell. 2. Berechnung der erwarteten Anzahl E i an Fällen unter Annahme des Null-Models. 3. Berechnung der Residuen r i = X i E i Ei. 4. Berechnung des χ 2 -Werts χ 2 = p ri 2 = i=i p (X i E i ) 2 E i=1 i Alternative ist die Devianz D = 2 p X i log i=1 ( Xi E i ) Unter der Annahme des Null-Modells sind χ 2 und D asymptotisch χ 2 -verteilt mit k = p 1 q Freiheitsgraden, wobei q die Anzahl der geschätzten Parameter im Null- Modell ist. 15
19 4 Simulation 4.1 Inversionsverfahren Aus einer beliebigen stetigen Verteilung mit Verteilungsfunktion F (x) lässt sich eine Zufallszahl X wie folgt erzeugen: X = F 1 (U) wobei U U[0, 1] 4.2 Rejection sampling Aus einer beliebigen Verteilung mit Dichte f X (x) lässt sich wie folgt eine Zufallszahl ziehen: Sei f Y (y) die Dichte einer weiteren Verteilung, aus der leicht Zufallszahlen erzeugt werden können. Es existiere eine Konstante c 1 mit f X (x) c f Y (x) für alle x R. Dann wird wie folgt gezogen: REPEAT Erzeuge Zufallzahl X aus f y. Erzeuge eine von X unabhängige Zufallszahl U aus U[0, 1]. Berechne Akzeptanzwahrscheinlichkeit p(x) = f X(X) c f Y (X). UNTIL (U p(x)) RETURN X 16
20 4.3 Kongruenzgenerator Ziel: Erzeugung von stetig gleichverteilten Zufallsvariablen auf [0, 1]. Wähle einen Startwert X 0 (seed). Erzeuge eine Folge von Zufallszahlen U i, i = 1, 2,... wie folgt: X i = (a X i 1 + c) mod M U i = X i /M Bei geeigneter Wahl der Parameter a, c und M erhält man eine Folge von zufällig erscheinenden Pseudo-Zufallszahlen. 17
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
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
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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,
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
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
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
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
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
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.
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
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
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrFormelsammlung: Statistik und Wahrscheinlichkeitstheorie
Formelsammlung: Statistik und Wahrscheinlichkeitstheorie Kapitel 1: Deskriptive und explorative Statistik Empirische Verteilungsfkt (S15): Quantile (S24): Bei Typ7 1.Pkt = 0 Danach 1/(n-1) Median (S24):
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
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
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrSimulation von Zufallszahlen. Grundlage: zufällige Quelle von Zufallszahlen, durch einfachen rekursiven Algorithmus am Computer erzeugt
Simulation von Zufallszahlen Grundlage: zufällige Quelle von Zufallszahlen, durch einfachen rekursiven Algorithmus am Computer erzeugt Definition: Eine Folge von Pseudo-Zufallszahlen U i ist eine deterministische
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
Mehr3 Stetige Zufallsvariablen
3 Stetige Zufallsvariablen Eine Zufallsvariable heißt stetig, falls zu je zwei Werten a < b auch jeder Zwischenwert im Intervall [a, b] möglich ist Beispiele: X = Alter, X = Körpergröße, X = Temperatur,
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
Mehr5. Elemente Statistischer Inferenz
5. Elemente Statistischer Inferenz Ziel der Statistik ist es, unter bestimmten Annahmen Aussagen über unbekannte Parameter θ Θ zu machen, nachdem Beobachtungen X gemacht wurden. Dabei unterscheidet man
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
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 ]
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
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............
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrStochastik für Studierende der Informatik
Wiederholungs-/Fragestunde Peter Czuppon Uni Freiburg, 05. September 2016 Diese Zusammenfassung wurde mit Hilfe des Skriptes von Prof. Dr. Pfaffelhuber aus dem Sommersemester 2016 erstellt. Ferner deckt
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
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
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrWahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom
Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe
Mehr4.1 Grundlagen: Diskrete & Stetige Zufallsvariablen. 4. Zufallsvariablen. Diskrete Zufallsvariablen (ZVn) Eine diskrete Zufallsvariable
4. Zufallsvariablen 4.1 Grundlagen: Diskrete & Stetige Zufallsvariablen Fabian Scheipl, Bernd Bischl Stochastik und Statistik SoSe 2016 1 / 143 Diskrete Zufallsvariablen (ZVn) Fabian Scheipl, Bernd Bischl
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
Mehr3. STOCHASTISCHE PROZESSE 73
3. STOCHASTISCHE PROZESSE 73 3. Stochastische Prozesse 3.1. Grundlegende Begriffe bei zufälligen Prozessen. In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
Mehr1.5.4 Quantile und Modi
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.70. [Quantil, Modus] Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrPrüfungsfächer: Die Prüfung erstreckt sich auf die folgenden Prüfungsfächer: Maß- und Integrationstheorie Wahrscheinlichkeitstheorie Statistik
B Zulassungsprüfung in Stochastik Zielsetzung: Durch die Zulassungsprüfung in Stochastik soll der Nachweis geführt werden, dass die Bewerber über solide Grundkenntnisse in Wahrscheinlichkeitstheorie und
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
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
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
Mehr