Satz 105 Seien X und Y unabhangige kontinuierliche Zufallsvariablen. Fur die Dichte von Z := X + Y gilt f Z (z) = f X (x) f Y (z x) d x :
|
|
- Achim Geisler
- vor 6 Jahren
- Abrufe
Transkript
1 3.4 Summen von Zufallsvariablen Satz 105 Seien X und Y unabhangige kontinuierliche Zufallsvariablen. Fur die Dichte von Z := X + Y gilt Z 1 f Z (z) = f X (x) f Y (z x) d x : 1 Beweis: Nach Denition der Verteilungsfunktion gilt F Z (t) = Pr[Z t] = Pr[X + Y t] = wobei A(t) = f(x; y) 2 R 2 j x + y tg. Z A(t) f X;Y (x; y) d xd y DWT 3.4 Summen von Zufallsvariablen 263/460
2 Beweis (Forts.): Aus der Unabhangigkeit von X und Y folgt Z F Z (t) = f X (x) f Y (y) d xd y A(t) Z 1 Z t x = f X (x) f Y (y) d y 1 1 Mittels der Substitution z := x + y, d z = d y ergibt sich d x: und somit Z t x 1 Z t F Z (t) = 1 f Y (y) d y = Z 1 1 Z t f Y (z x) d z 1 f X (x)f Y (z x) d x d z : DWT 264/460
3 Satz 106 (Additivitat der Normalverteilung) Die Zufallsvariablen X 1 ; : : : ; X n seien unabhangig und normalverteilt mit den Parametern i ; i (1 i n). Es gilt: Die Zufallsvariable Z := a 1 X 1 + : : : + a n X n ist normalverteilt mit Erwartungswert = a : : : + a n n und Varianz 2 = a : : : + a2 n 2 n. Beweis: Wir beweisen zunachst den Fall n = 2 und a 1 = a 2 = 1. Nach Satz 105 gilt fur Z := X 1 + X 2, dass Z 1 f Z (z) = f X1 (z y) f X2 (y) d y 1 Z (z = exp y 1 ) 2 + 2) {z } =:v d y: DWT 3.4 Summen von Zufallsvariablen 265/460
4 Beweis (Forts.): Wir setzen Damit ergibt sich unmittelbar woraus wir ermitteln. v 2 2 = (z y 1) := := v 1 := (z )= v 2 2 := v v2 1 + (y 2) (z 1 2 ) ; 2 2 v 2 = y y2 2 z DWT 3.4 Summen von Zufallsvariablen 266/460
5 Beweis (Forts.): Damit folgt fur die gesuchte Dichte f Z (z) = Wir substituieren noch und erhalten exp t := v 2 und d t = v 2 Z d y f Z (z) = 1 (z ) 2 Z 1 2 exp exp Mit Lemma 92 folgt, dass f Z (z) = '(z; ; ) ist. exp v 2 2 d y: 2 t 2 2 d t: DWT 267/460
6 Beweis (Forts.): Daraus erhalten wir die Behauptung fur n = 2, denn den Fall Z := a 1 X 1 + a 2 X 2 fur beliebige Werte a 1 ; a 2 2 R konnen wir leicht mit Hilfe von Satz 93 auf den soeben bewiesenen Fall reduzieren. Durch Induktion kann die Aussage auf beliebige Werte n 2 N verallgemeinert werden. DWT 268/460
7 3.5 Momenterzeugende Funktionen fur kontinuierliche Zufallsvariablen Fur diskrete Zufallsvariablen X haben wir die momenterzeugende Funktion M X (s) = E[e Xs ] eingefuhrt. Diese Denition kann man unmittelbar auf kontinuierliche Zufallsvariablen ubertragen. Die fur M X (s) gezeigten Eigenschaften bleiben dabei erhalten. DWT 3.5 Momenterzeugende Funktionen fur kontinuierliche Zufallsvariablen 269/460
8 Beispiel 107 Fur eine auf [a; b] gleichverteilte Zufallsvariable U gilt Z b M U (t) = E[e tx ] = e tx 1 a b a d x e tx b = t(b a) a = etb e ta t(b a) : DWT 270/460
9 Beispiel (Forts.) Fur eine standardnormalverteilte Zufallsvariable N N (0; 1) gilt Z M N (t) = p 1 +1 e t e 2 =2 d 2 1 Z = e t2 = p e (t )2 =2 d 2 1 = e t2 =2 : DWT 3.5 Momenterzeugende Funktionen fur kontinuierliche Zufallsvariablen 271/460
10 Beispiel (Forts.) Daraus ergibt sich fur Y N (; 2 ) wegen Y N (0; 1) M Y (t) = E[e ty ] = e t E[e (t) Y ] = e t M N (t) = e t+(t)2 =2 : DWT 272/460
11 Weiterer Beweis von Satz 106: Beweis: Gema dem vorhergehenden Beispiel gilt M Xi (t) = e t i+(t i ) 2 =2 : Wegen der Unabhangigkeit der X i folgt M Z (t) = E[e t(a 1X 1 + +a nx n) ] = = = ny ny i=1 i=1 M Xi (a i t) e a it i +(a i t i ) 2 =2 = e t+(t)2 =2 ; ny i=1 mit = a a n n und 2 = a a2 n 2 n. E[e (a it)x i ] DWT 3.5 Momenterzeugende Funktionen fur kontinuierliche Zufallsvariablen 273/460
12 4. Zentraler Grenzwertsatz Satz 108 (Zentraler Grenzwertsatz) Die Zufallsvariablen X 1 ; : : : ; X n besitzen jeweils dieselbe Verteilung und seien unabhangig. Erwartungswert und Varianz von X i existieren fur i = 1; : : : ; n und seien mit bzw. 2 bezeichnet ( 2 > 0). Die Zufallsvariablen Y n seien deniert durch Y n := X 1 + : : : + X n fur n 1. Dann folgt, dass die Zufallsvariablen Z n := Y n n p n asymptotisch standardnormalverteilt sind, also Z n N (0; 1) fur n! 1. DWT 4 Zentraler Grenzwertsatz 274/460
13 Etwas formaler ausgedruckt gilt: Die Folge der zu Z n gehorenden Verteilungsfunktionen F n hat die Eigenschaft lim F n(x) = (x) fur alle x 2 R: n!1 Wir sagen dazu auch: Die Verteilung von Z n konvergiert gegen die Standardnormalverteilung fur n! 1. DWT 275/460
14 Dieser Satz ist von groer Bedeutung fur die Anwendung der Normalverteilung in der Statistik. Der Satz besagt, dass sich die Verteilung einer Summe beliebiger unabhangiger Zufallsvariablen (mit endlichem Erwartungswert und Varianz) der Normalverteilung umso mehr annahert, je mehr Zufallsvariablen an der Summe beteiligt sind. DWT 276/460
15 Beweis: Wir betrachten X i := (X i )= fur i = 1; : : : ; n mit E[X i ] = 0 und Var[X i ] = 1. Damit gilt (gema vorhergehendem Beispiel) M Z (t) = E[e tz ] = E[e t(x 1 +:::+X n )=p n ] = M X 1 (t= p n) : : : M X n (t= p n) : Fur beliebiges i betrachten wir die Taylorentwicklung von M X i (t) =: h(t) an der Stelle t = 0 h(t) = h(0) + h 0 (0) t + h00 (0) t 2 + O(t 3 ): 2 Aus der Linearitat des Erwartungswerts folgt h 0 (t) = E[e tx i X i ] und h00 (t) = E[e tx i (X i )2 ]: DWT 4 Zentraler Grenzwertsatz 277/460
16 Beweis (Forts.): Damit gilt h 0 (0) = E[X i ] = 0 und h00 (0) = E[(X i )2 ] = Var[X] = 1: Durch Einsetzen in die Taylorreihe folgt h(t) = 1 + t 2 =2 + O(t 3 ), und wir konnen M Z (t) umschreiben zu M Z (t) = 1 + t2 2n + O t 3 n 3=2 n! e t2 =2 fur n! 1: Aus der Konvergenz der momenterzeugenden Funktion folgt auch die Konvergenz der Verteilung. Damit ist Z asymptotisch normalverteilt. DWT 278/460
17 Beweis (Forts.): Die momenterzeugende Funktion existiert leider nicht bei allen Zufallsvariablen und unser Beweis ist deshalb unvollstandig. Man umgeht dieses Problem, indem man statt der momenterzeugenden Funktion die so genannte charakteristische Funktion ~M X (t) = E[e itx ] betrachtet. Fur Details verweisen wir auf die einschlagige Literatur. DWT 279/460
18 Der Zentrale Grenzwertsatz hat die folgende intuitive Konsequenz: Wenn eine Zufallsgroe durch lineare Kombination vieler unabhangiger, identisch verteilter Zufallsgroen entsteht, so erhalt man naherungsweise eine Normalverteilung. DWT 280/460
19 Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgroen Bernoulli-verteilt sind. Korollar 109 (Grenzwertsatz von de Moivre) X 1 ; : : : ; X n seien unabhangige Bernoulli-verteilte Zufallsvariablen mit gleicher Erfolgswahrscheinlichkeit p. Dann gilt fur die Zufallsvariable H n mit H n := X 1 + : : : + X n fur n 1, dass die Verteilung der Zufallsvariablen H n := H n np p np(1 p) fur n! 1 gegen die Standardnormalverteilung konvergiert. DWT 281/460
20 Beweis: Die Behauptung folgt unmittelbar aus dem Zentralen Grenzwertsatz, da = 1 n E[H n] = p und 2 = 1 n Var[H n] = p(1 p). Bemerkung Wenn man X 1 ; : : : ; X n als Indikatorvariablen fur das Eintreten eines Ereignisses A bei n unabhangigen Wiederholungen eines Experimentes interpretiert, dann gibt H n die absolute Haugkeit von A an. DWT 4 Zentraler Grenzwertsatz 282/460
21 4.1 Normalverteilung als Grenzwert der Binomialverteilung Korollar 109 ermoglicht, die Normalverteilung als Grenzwert der Binomialverteilung aufzufassen. Die folgende Aussage ist eine Konsequenz von Korollar 109: Korollar 110 Sei H n Bin(n; p) eine binomialverteilte Zufallsvariable. Die Verteilung von H n =n konvergiert gegen N (p; p(1 p)=n) fur n! 1. DWT 4.1 Normalverteilung als Grenzwert der Binomialverteilung 283/460
22 0.4 Bin(10, 0.3) ϕ(x) 0.4 Bin(20, 0.3) ϕ(x) Bin(50, 0.3) ϕ(x) Bin(100, 0.3) ϕ(x) Vergleich von Binomial- und Normalverteilung Bin(n; 0:3) bei 0:3n zentriert, mit p 0:3 0:7n horizontal gestaucht und vertikal gestreckt DWT 4.1 Normalverteilung als Grenzwert der Binomialverteilung 284/460
23 Historisch gesehen entstand Korollar 109 vor Satz 108. Fur den Fall p = 1=2 wurde Korollar 109 bereits von Abraham de Moivre (1667{1754) bewiesen. De Moivre war geburtiger Franzose, musste jedoch aufgrund seines protestantischen Glaubens nach England iehen. Dort wurde er unter anderem Mitglied der Royal Society, erhielt jedoch niemals eine eigene Professur. Die allgemeine Formulierung von Korollar 109 geht auf Pierre Simon Laplace (1749{1827) zuruck. Allerdings vermutet man, dass die Losung des allgemeinen Falls p 6= 1=2 bereits de Moivre bekannt war. DWT 285/460
24 4.2 Elementarer Beweis des Grenzwertsatzes von de Moivre fur p = 1=2 Wir betrachten die Wahrscheinlichkeit Pr[a H 2n b] fur p = 1=2 und a; b 2 R mit a b. Wenn die Verteilung von H 2n, wie R in Korollar 109 angegeben, gegen N (0; 1) konvergiert, so sollte Pr[a H 2n b] b a '(t) d t fur genugend groe n gelten. Wir schreiben f(n) 1 g(n) fur lim n!1 f(n)=g(n) = 1, wollen also zeigen: Z b Pr[a H 2n b] 1 '(t) d t: Da fur H 2n Bin(2n; 1=2) gilt, dass E[H 2n ] = n und Var[H 2n ] = n=2 ist, erhalten wir a H 2n = H 2n n p ; n=2 DWT 286/460
25 und es folgt p p Pr[a H 2n b] = Pr[n + a n=2 H 2n n + b n=2] X = i2i n Pr[H 2n = n + i] p p fur I n := fz 2 Z j a n=2 z b n=2g. Damit ist X Pr[a H 2n 2n b] = n + i i2i n 1 2 2n {z } =:p n;i : DWT 4.2 Elementarer Beweis des Grenzwertsatzes von de Moivre fur p = 1=2 287/460
26 Es gilt max p n;i p 2n n := i n und mit der Stirling'schen Approximation fur n! 2n 1 = (2n)! p n 1 (2n) 2n e 2n p 2 2n (n n e n p 2n) (n!) n ; 2n = 1 p n : Ersetzen wir nun die p n;i durch p n, so entsteht dabei ein Fehler, den wir mit q n;i := p n;i p bezeichnen. n DWT 4.2 Elementarer Beweis des Grenzwertsatzes von de Moivre fur p = 1=2 288/460
27 Fur i > 0 gilt q n;i = = 2n n+i 2n n Q i 1 j=0 Q i j=1 1 2n 2 1 2n = 2 (n j) (n + j) = iy (2n)! n! n! (n + i)! (n i)! (2n)! j=1 n j + 1 n + j = iy j=1 1 2j 1 : n + j Wegen der Symmetrie der Binomialkoezienten gilt q n; i = q n;i, womit auch der Fall i < 0 abgehandelt ist. DWT 289/460
28 Man macht sich leicht klar, dass 1 schlieen wir, dass 0 Y ln@ i 1 j=1 1 2j 1 A = n + j 1=x ln x x 1 fur x > 0 gilt. Damit = = ix j=1 ln 1 ix j=1 2j 1 n + j i(i + 1) i n + i 2j 1 n + j = i 2 n + O 1 pn ; ix j=1 2j 1 n + i i 2 n + i 3 n(n + i) da i = O( p n) fur i 2 I n. DWT 4.2 Elementarer Beweis des Grenzwertsatzes von de Moivre fur p = 1=2 290/460
29 Ebenso erhalten wir ln 0 i j= j 1 A n + j = = ix j=1 ix j= j + 1 n j + 1 i 2 n i = i 2 n! 1 2j 1 n + j ix j=1 O 2j 1 n i 1 pn : Zusammen haben wir e i 2 n i = e i2 n O p 1 n q n;i e i2 n +O p 1 n Wegen e O(1=p n) = 1 o(1) folgt daraus q n;i 1 e i2 =n. DWT 291/460
30 Damit schatzen wir nun Pr[a H 2n b] weiter ab: Pr[a H 2n b] = X i2i n p n q n;i 1 1 X p e i2 =n : n i2i n {z } =:S n p Mit := 2=n konnen wir die Summe S n umschreiben zu S n = p 1 X e (i)2 1 2 : 2 i2i n Diese Summe entspricht einer Naherung fur R b a '(t) d t = 1 p 2 R b a e t2 =2 d t durch Aufteilung der integrierten Flache in Balken der Breite R. Fur n! 1 konvergiert die b Flache der Balken gegen das Integral, d. h. S n 1 a '(t) d t. q. e. d. DWT 4.2 Elementarer Beweis des Grenzwertsatzes von de Moivre fur p = 1=2 292/460
31 4.3 Verschiedene Approximationen der Binomialverteilung Sei H n Bin(n; p) eine binomialverteilte Zufallsvariable mit der Verteilungsfunktion F n. Fur n! 1 gilt F n (t) = Pr[H n =n t=n]! t=n p p p(1 p)=n! =! t np p : p(1 p)n Wir konnen F n somit fur groe n durch approximieren. Diese Approximation ist in der Praxis deshalb von Bedeutung, da die Auswertung der Verteilungsfunktion der Binomialverteilung fur groe n sehr aufwandig ist, wahrend fur die Berechnung der Normalverteilung eziente numerische Methoden vorliegen. DWT 4.3 Verschiedene Approximationen der Binomialverteilung 293/460
32 Beispiel 111 Wenn man die Wahrscheinlichkeit berechnen mochte, mit der bei 10 6 Wurfen mit einem idealen Wurfel mehr als mal eine gerade Augenzahl fallt, so muss man eigentlich folgenden Term auswerten: T := X i i=5; Dies ist numerisch kaum ezient moglich Die numerische Integration der Dichte ' der Normalverteilung ist hingegen relativ einfach. Auch andere Approximationen der Verteilung, beispielsweise durch Polynome, sind bekannt. Entsprechende Funktionen werden in zahlreichen Softwarebibliotheken als " black box\ angeboten. : DWT 294/460
33 Beispiel Mit der Approximation durch die Normalverteilung erhalten wir T 1 5; p 5 2; = = 1 (1) 0;1573 :! DWT 4.3 Verschiedene Approximationen der Binomialverteilung 295/460
34 Bei der Approximation der Binomialverteilung mit Hilfe von Korollar 109 fuhrt man oft noch eine so genannte Stetigkeitskorrektur durch. Zur Berechnung von Pr[X x] fur X Bin(n; p) setzt man Pr[X x]! x + 0;5 np p np(1 p) statt an. Pr[X x]! x np p np(1 p) DWT 296/460
35 Der Korrekturterm lat sich in der Histogramm-Darstellung der Binomialverteilung veranschaulichen. Die Binomialverteilung wird dort durch Balken angegeben, deren Flache in etwa der Flache unterhalb der Dichte ' von N (0; 1) entspricht. Wenn man die Flache der Balken mit " X x\ durch das Integral von ' approximieren mochte, so sollte man bis zum Ende des Balkens fur " X = x\ integrieren und nicht nur bis zur Mitte. Dafur sorgt der Korrekturterm 0;5. DWT 4.3 Verschiedene Approximationen der Binomialverteilung 297/460
36 Approximationen fur die Binomialverteilung Approximation durch die Poisson-Verteilung: Bin(n; p) wird approximiert durch Po(np). Diese Approximation funktioniert sehr gut fur seltene Ereignisse, d. h. wenn np sehr klein gegenuber n ist. Als Faustregel fordert man n 30 und p 0;05. Approximation durch die Cherno-Schranken: Bei der Berechnung der tails der Binomialverteilung liefern diese Ungleichungen meist sehr gute Ergebnisse. Ihre Starke liegt darin, dass es sich bei den Schranken nicht um Approximationen, sondern um echte Abschatzungen handelt. Dies ist vor allem dann wichtig, wenn man nicht nur numerische Naherungen erhalten mochte, sondern allgemeine Aussagen uber die Wahrscheinlichkeit von Ereignissen beweisen mochte. DWT 298/460
37 Approximation durch die Normalverteilung: Als Faustregel sagt man, dass die Verteilungsfunktion F n (t) von Bin(n; p) durch F n (t) ((t np)= p p(1 p)n) approximiert werden kann, wenn np 5 und n(1 p) 5 gilt. DWT 299/460
38 Kapitel III Induktive Statistik 1. Einfuhrung Das Ziel der induktiven Statistik besteht darin, aus gemessenen Zufallsgroen auf die zugrunde liegenden Gesetzmaigkeiten zu schlieen. Im Gegensatz dazu spricht man von deskriptiver Statistik, wenn man sich damit beschaftigt, groe Datenmengen verstandlich aufzubereiten, beispielsweise durch Berechnung des Mittelwertes oder anderer abgeleiteter Groen. DWT 1 Einfuhrung 300/460
39 2. Schatzvariablen Wir betrachten die Anzahl X von Lesezugrien auf eine Festplatte bis zum ersten Lesefehler und nehmen an, dass Pr[X = i] = (1 p) i 1 p, setzen also fur X eine geometrische Verteilung an. Dahinter verbirgt sich die Annahme, dass bei jedem Zugri unabhangig und mit jeweils derselben Wahrscheinlichkeit p ein Lesefehler auftreten kann. Unter diesen Annahmen ist die Verteilung der Zufallsvariablen X eindeutig festgelegt. Allerdings entzieht sich der numerische Wert des Parameters p noch unserer Kenntnis. Dieser soll daher nun empirisch geschatzt werden. Statt p konnen wir ebensogut E[X] bestimmen, da wir daraus nach den Eigenschaften der geometrischen Verteilung p mittels p = 1 E[X] berechnen konnen. DWT 2 Schatzvariablen 301/460
40 Dazu betrachten wir n baugleiche Platten und die zugehorigen Zufallsvariablen X i (fur 1 i n), d. h. wir zahlen fur jede Platte die Anzahl von Zugrien bis zum ersten Lesefehler. Die Zufallsvariablen X i sind dann unabhangig und besitzen jeweils dieselbe Verteilung wie X. Wir fuhren also viele Kopien eines bestimmten Zufallsexperiments aus, um Schlusse auf die Gesetzmaigkeiten des einzelnen Experiments ziehen zu konnen. Dies ist das Grundprinzip der induktiven Statistik. Die n Messungen heien Stichproben, und die Variablen X i nennt man Stichprobenvariablen. DWT 302/460
41 Grundprinzip statistischer Verfahren Wir erinnern an das Gesetz der groen Zahlen (Satz 63) bzw. den Zentralen Grenzwertsatz (Satz 108). Wenn man ein Experiment genugend oft wiederholt, so nahert sich der Durchschnitt der Versuchsergebnisse immer mehr dem Verhalten an, das man " im Mittel\ erwarten wurde. Je mehr Experimente wir also durchfuhren, umso genauere und zuverlassigere Aussagen konnen wir uber den zugrunde liegenden Wahrscheinlichkeitsraum ableiten. Auf diesem Grundprinzip beruhen alle statistischen Verfahren. DWT 303/460
42 Um E[X] empirisch zu ermitteln, bietet es sich an, aus den Zufallsvariablen X i das arithmetische Mittel X zu bilden, das deniert ist durch Es gilt E[X] = 1 n nx i=1 X := 1 n nx i=1 E[X i ] = 1 n X i : nx i=1 E[X] = E[X]: X liefert uns also im Mittel den gesuchten Wert E[X]. Da wir X zur Bestimmung von E[X] verwenden, nennen wir X einen Schatzer fur den Erwartungswert E[X]. Wegen der obigen Eigenschaft ist X sogar ein so genannter erwartungstreuer Schatzer. DWT 2 Schatzvariablen 304/460
43 Denition 112 Gegeben sei eine Zufallsvariable X mit der Dichte f(x; ). Eine Schatzvariable oder kurz Schatzer fur den Parameter der Dichte von X ist eine Zufallsvariable, die aus mehreren (meist unabhangigen und identisch verteilten) Stichprobenvariablen zusammengesetzt ist. Ein Schatzer U heit erwartungstreu, wenn gilt E[U] = : Bemerkung: Die Groe E[U ] nennt man Bias der Schatzvariablen U. Bei erwartungstreuen Schatzvariablen ist der Bias gleich Null. DWT 305/460
44 Der Schatzer X ist also ein erwartungstreuer Schatzer fur den Erwartungswert von X. Ein wichtiges Ma fur die Gute eines Schatzers ist die mittlere quadratische Abweichung, kurz MSE fur mean squared error genannt. Diese berechnet sich durch MSE := E[(U ) 2 ]. Wenn U erwartungstreu ist, so folgt MSE = E[(U E[U]) 2 ] = Var[U]. Denition 113 Wenn die Schatzvariable A eine kleinere mittlere quadratische Abweichung besitzt als die Schatzvariable B, so sagt man, dass A ezienter ist als B. Eine Schatzvariable heit konsistent im quadratischen Mittel, wenn MSE! 0 fur n! 1 gilt. Hierbei bezeichne n den Umfang der Stichprobe. DWT 306/460
45 Fur X erhalten wir wegen der Unabhangigkeit von X 1 ; : : : ; X n " # 1 nx MSE = Var[X] = Var X i n = 1 n 2 nx i=1 i=1 Var[X i ] = 1 n Var[X]: DWT 307/460
46 Bei jeder Verteilung mit endlicher Varianz folgt MSE = O(1=n) und somit MSE! 0 fur n! 1. Der Schatzer X ist also konsistent. Aus der Konsistenz von X im quadratischen Mittel konnen wir mit Hilfe des Satzes von Chebyshev (siehe Satz 61) folgende Konsequenz ableiten. Sei " > 0 beliebig, aber fest. Dann gilt Pr[jX j "] = Pr[jX E[X]j "] Var[X] " 2! 0 fur n! 1. Fur genugend groe n liegen also die Werte von X beliebig nahe am gesuchten Wert = E[X]. Diese Eigenschaft nennt man auch schwache Konsistenz, da sie aus der Konsistenz im quadratischen Mittel folgt. DWT 2 Schatzvariablen 308/460
47 Als nachstes betrachten wir eine weitere von X abgeleitete Schatzvariable: S := vu u t 1 n 1 nx i=1 (X i X) 2 : Wir zeigen, dass S 2 ein erwartungstreuer Schatzer fur die Varianz von X ist. Sei := E[X] = E[X i ] = E[X]. (X i X) 2 = (X i + X) 2 = (X i ) 2 + ( X) 2 + 2(X i )( X) = (X i ) 2 + ( X) 2 2 n nx j=1 = n 2 n (X i ) 2 + ( X) 2 2 n (X i )(X j ) X j6=i (X i )(X j ): DWT 2 Schatzvariablen 309/460
48 Fur je zwei unabhangige Zufallsvariablen X i, X j mit i 6= j gilt Daraus folgt E[(X i )(X j )] = E[X i ] E[X j ] = (E[X i ] ) (E[X j ] ) = 0 0 = 0: E[(X i X) 2 ] = n 2 n E[(X i ) 2 ] + E[( X) 2 ] = n 2 n Var[X i] + Var[X]: DWT 310/460
49 Wegen Var[X i ] = Var[X] und Var[X] = 1 nvar[x] folgt nun und somit gilt fur S 2 E[(X i X) 2 ] = n 1 n E[S 2 ] = 1 n 1 nx i=1 E[(X i X) 2 ] Var[X]; = 1 n 1 n n 1 Var[X] = Var[X]: n S 2 ist also eine erwartungstreue Schatzvariable fur die Varianz von X. DWT 311/460
50 Die vorangegangene Rechnung erklart, warum man als Schatzer nicht 1 n nx i=1 (X i X) 2 6=! S 2 verwendet, wie man vielleicht intuitiv erwarten wurde. DWT 2 Schatzvariablen 312/460
51 Denition 114 Die Zufallsvariablen X := 1 n nx i=1 X i und S 2 := 1 n 1 nx i=1 (X i X) 2 heien Stichprobenmittel bzw. Stichprobenvarianz der Stichprobe X 1 ; : : : ; X n. X und S 2 sind erwartungstreue Schatzer fur den Erwartungswert bzw. die Varianz. DWT 313/460
Korollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
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
MehrDie Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten
Die Funktion f ;Y (x; y) := Pr[ = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen und Y. Aus der gemeinsamen Dichte f ;Y kann man ableiten f (x) = y2w Y f ;Y (x; y) bzw. f Y (y) = Die Funktionen
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrSatz 61 (Chebyshev-Ungleichung)
Die folgende Abschätzung ist nach Pavnuty Lvovich Chebyshev (1821 1894) benannt, der ebenfalls an der Staatl. Universität in St. Petersburg wirkte. Satz 61 (Chebyshev-Ungleichung) Sei X eine Zufallsvariable,
MehrDenition 57 Eine geometrisch verteilte Zufallsvariable X mit Parameter (Erfolgswahrscheinlichkeit) p 2 (0; 1] und q := 1 p hat die Dichte
5.3 Geometrische Verteilung Man betrachte ein Experiment, das so lange wiederholt wird, bis Erfolg eintritt. Gelingt ein einzelner Versuch mit Wahrscheinlichkeit p, so ist die Anzahl der Versuche bis zum
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
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)
MehrDWT 334/460 csusanne Albers
Die Wahrscheinlichkeit fur den Fehler 1. Art wird mit bezeichnet, und man spricht deshalb gelegentlich vom -Fehler. heit auch Signikanzniveau des Tests. In der Praxis ist es ublich, sich ein Signikanzniveau
Mehrp k (1 p) n k s k = (1 p + ps) n. k p(1 p) k 1 s k ((1 p)s) k 1 =
Binomialverteilung Für X Bin(n, p) gilt nach der binomischen Formel G X (s) = E[s X ] = n ( ) n p k (1 p) n k s k = (1 p + ps) n. k Geometrische Verteilung Sei X eine geometrisch verteilte Zufallsvariable
MehrSatz 16 (Multiplikationssatz)
Haug verwendet man die Denition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A \ B] = Pr[BjA] Pr[A] = Pr[AjB] Pr[B] : (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1 ; : : : ; A n
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:
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
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
MehrWie groß ist die Wahrscheinlichkeit Pr[X > y + x X > x]? Da bei den ersten x Versuchen kein Erfolg eintrat, stellen wir uns vor, dass das
Sei X geometrisch verteilt mit Erfolgswahrscheinlichkeit p. Dann ist Pr[X = k] die Wahrscheinlichkeit, dass wir bei einem binären Experiment mit Erfolgswahrscheinlichkeit p genau in der k-ten unabhängigen
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
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
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
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil V Induktive Statistik Induktive Statistik
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
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
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie
Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Grenzwertsätze. Marcus Hudec. Statistik für SoziologInnen 1 Zentraler Grenzwertsatz
Statistik 2 für SoziologInnen Grenzwertsätze Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und seine Bedeutung für die
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
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
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
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die
Mehrvon x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.
Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert nämlich
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
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
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrÜbungen zur Vorlesung Statistische Methoden Kapitel 1-2
TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrWeierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt?
Weierstraß-Institut für Angewandte Analysis und Stochastik Universalität der Fluktuationen: Warum ist alles Gauß-verteilt? Wolfgang König Technische Universität Berlin und Weierstraß-Institut Berlin Mohrenstraße
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
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
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
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
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
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
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 ]
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
MehrZentraler Grenzwertsatz
Statistik 2 für SoziologInnen Zentraler Grenzwertsatz Univ.Prof. Dr. Marcus Hudec Statistik für SoziologInnen 1 Zentraler Grenzwertsatz Inhalte Themen dieses Kapitels sind: Der zentrale Grenzwertsatz und
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
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
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
MehrSatz 104 (Skalierung exponentialverteilter Variablen)
2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) n heisst für uns n gross Literatur Kapitel 7 * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
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,
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
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
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
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
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
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
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
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) Literatur Kapitel 7 n heisst für uns n gross * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
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
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
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
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
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
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
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
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.
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
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
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
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
Mehr0, sonst. heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X Po(λ). Es gilt. x! e λ, x {0, 1,...} 1 Wahrscheinlichkeitsrechnung 164
1.6.2 Poisson Verteilung (vgl. z.b. Fahrmeir et. al)) 1.6 Wichtige Verteilungsmodelle Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse
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
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
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
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
Mehr1 Verteilungsfunktionen, Zufallsvariable etc.
4. Test M3 ET 27 6.6.27 4. Dezember 27 Regelung für den.ten Übungstest:. Wer bei den Professoren Dirschmid, Blümlinger, Vogl oder Langer die UE aus Mathematik 2 gemacht hat, sollte dort die WTH und Statistik
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
Mehr6.6 Poisson-Verteilung
6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt
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
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
MehrStatistik für Ingenieure und Naturwissenschaftler
Sheldon M. Ross Statistik für Ingenieure und Naturwissenschaftler 3. Auflage Aus dem Amerikanischen übersetzt von Carsten Heinisch ELSEVIER SPEKTRUM AKADEMISCHER VERLAG Spektrum Inhalt Vorwort zur dritten
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 16. Januar 2015 1 Verteilungsfunktionen Definition Binomialverteilung 2 Stetige Zufallsvariable,
MehrZufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 2013 Bergische Universität Wuppertal Autor: Prof. Dr.
Zufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 23 Bergische Universität Wuppertal Autor: Prof. Dr. Roland Pulch Aufgabe: Konstruiere Zufallszahlen aus der Menge {,, 2, 3, 4, 5, 6, 7,
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
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
Mehr