5 Zufallsvariablen, Grundbegriffe
|
|
- Alwin Weiss
- vor 5 Jahren
- Abrufe
Transkript
1 II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse A E 2 gilt: X 1 (A) = {ω Ω 1 : X(ω) A} E 1. Bem.: Oftmals wird die Menge B 1 der BOREL Mengen als Ereignisfeld E 2 betrachtet. 152 W.Kössler, Humboldt-Universität zu Berlin
2 Def. 13 Es sei (Ω, E, P) ein Wahrscheinlichkeitsraum. Eine E B 1 meßbare Abbildung X von Ω in R heißt (reellwertige) zufällige Variable oder Zufallsgröße. Bem.: (R, B 1,P ) bildet hier den zweiten Wahrscheinlichkeitsraum, wobei P eine Abbildung von B 1 in R ist, die den KOLMOGOROFF Axiomen genügt. Wir betrachten den Wahrscheinlichkeitsraum (Ω, E, P). X : Ω R. sei eine zufällige (reellwertige) Variable. Den zweiten Wahrscheinlichkeitsraum bezeichnen wir mit (R, B 1,P X ). Es sei B B 1 ein zufälliges Ereignis, für das gilt: B =],x[, 153 W.Kössler, Humboldt-Universität zu Berlin
3 wobei x eine beliebige, fest gewählte reelle Zahl ist. Mit {X < x} bezeichnen wir das zufällige Ereignis, für das gilt: {X < x} := {ω Ω: X(ω) < x}. Dann gilt für die Wahrscheinlichkeit dieses Ereignisses: P(X < x) = P({ω: X(ω) < x}) = P({ω: X(ω) B}) = P(X 1 (B)) =: P X (B) Für alle zufälligen Ereignisse B B 1 bezeichnen wir also: P X (B) := P(X 1 (B)). Def. 14 Es sei X : Ω R eine zufällige Variable, (Ω, E,P) und (R, B 1,P X ) seien Wahrscheinlichkeitsräume. 154 W.Kössler, Humboldt-Universität zu Berlin
4 Dann heißt die Funktion F X (x) := P(X < x) = P X (],x[) Verteilungsfunktion von X. Bem.: Der Einfachheit halber werden wir die Funktion F X einfach nur mit F bezeichnen. Bem.: Manchmal wird die Verteilungsfunktion auch durch definiert (bei SAS z.b.) F X (x) = P(X x) 155 W.Kössler, Humboldt-Universität zu Berlin
5 Diskrete Zufallsvariablen Eine diskrete Zufallsgröße X nimmt höchstens abzählbar viele verschiedene Werte mit positiver Wahrscheinlichkeit an. Das heißt, X ist eine Abbildung der folgenden Form: X : Ω {x i : i N} =: W R. Wir notieren das in der Form: X : x 1 x 2... x n... p 1 p 2... p n... Dabei sind die x i R die Werte, die die Zufallsgröße annehmen kann. Die p i sind die Wahrscheinlichkeiten, mit 156 W.Kössler, Humboldt-Universität zu Berlin
6 denen diese Werte angenommen werden. Es gilt: p i 0, p i = 1, p i = P(X = x i ). i=1 Wenn wir Mengen A i definieren durch so gilt offenbar: A i := {ω: X(ω) = x i }, i N, A i A j =, i,j N,i j. Allgemein gilt dann: p i, falls x = x i P(X = x) = x i W, i N. 0, falls x x i 157 W.Kössler, Humboldt-Universität zu Berlin
7 Das bedeutet für die Verteilungsfunktion: ( F(x) = P(X < x) = P = P(A i ) = i: x i <x i: x i <x i: x i <x p i A i ) D.h.: Eine diskrete Zufallsgröße, die die Werte {x i : i N} annimmt, wobei x 1 < x 2 < x 3 <... gilt, hat die folgende Verteilungsfunktion: F(x) = 0, falls x x 1 p i, falls x 1 < x i: x i <x 158 W.Kössler, Humboldt-Universität zu Berlin
8 Betrachten wir eine Menge B B 1, so können wir feststellen: P X (B) = P({ω: X(ω) B}) = p i. i: x i B Bsp. 31 Es sei X : x 1 x 2... x n 1 n 1 n... 1 n Die Zufallsvariable X heißt diskret gleichverteilt auf der Menge {x 1,...,x n }. 159 W.Kössler, Humboldt-Universität zu Berlin
9 Bsp. 32 Sei Xeine diskrete Zufallsgröße, X : n p 0 p 1... p n mit P(X = i) = p i = ( ) n p i (1 p) n i > 0, mit 0 < p < 1. i 160 W.Kössler, Humboldt-Universität zu Berlin
10 Bez. 1 Die Zufallsvariable X heißt binomialverteilt, bez.: X B(p,n) oder X Bi(p,n). Wir haben oben gesehen, daß n n ( ) n p i = p i (1 p) n i = (p + 1 p) n = 1. i i=0 i=0 Bsp. 33 Es sei X eine diskrete Zufallsgröße, n... X : p 0 p 1... p n... mit P(X = n) = p n = λn n! e λ, λ > W.Kössler, Humboldt-Universität zu Berlin
11 Bez. 2 Die Zufallsvariable X heißt POISSON verteilt, bez.: X Poi(λ). Wir haben oben gesehen, daß n=0 p n = n=0 λ n n! e λ = e λ λ n n! n=0 }{{} =e λ = W.Kössler, Humboldt-Universität zu Berlin
12 Stetige Zufallsvariablen Def. 15 Eine Funktion f : R R heißt Dichtefunktion, falls sie die folgenden Eigenschaften hat: 1. Für alle x R gilt: f(x) Es gilt: R f(x)dx = 1. Def. 16 Eine zufällige Variable X heißt stetig, falls eine Dichtefunktion f existiert, so daß gilt: P(X < x) = F(x) = x f(t)dt. Falls die Funktion f stetig ist, gilt: F (x) = f(x). 163 W.Kössler, Humboldt-Universität zu Berlin
13 Bem.: Für die Wahrscheinlichkeit P(X = x) gilt P(X = x) = x x f(t)dt = 0, sogar wenn X den Wert x tatsächlich annehmen kann! Das heißt jedoch nichts anderes, als daß gilt: Außerdem gilt: P(X x) = P(X < x). P(a X b) = b a f(t)dt. 164 W.Kössler, Humboldt-Universität zu Berlin
14 Veranschaulichung: Es sei X eine stetige Zufallsgröße. Wir teilen den Wertebereich von X in Intervalle I j ein und beobachten für jeden der Versuche X i, in welches der Intervalle I j der Wert X i (i = 1,...,n) fällt. Es sei n j = #{X i I j }. Die Länge eines Intervalls I j bezeichnen wir mit (I j ) = j. Desweiteren sei 0 = max{ j }. Wir j definieren nun folgende Funktion: Dann gilt: f emp. (x) = f(x) = lim n 0 0 Dichtefunktion allg.sas n j n j, x I j. f emp. (x). 165 W.Kössler, Humboldt-Universität zu Berlin
15 Bsp. 34 Es sei die Zufallsvariable X auf dem Intervall [0, 1[ definiert mit der Verteilungsfunktion 0, falls x < 0 F(x) = x, falls 0 x < 1 1, falls x 1. Bez. 3 Die Zufallsvariable X heißt auf dem Intervall [0, 1[ gleichverteilt, bez. X R(0, 1) oder X U(0, 1). 166 W.Kössler, Humboldt-Universität zu Berlin
16 Die Dichtefunktion ist die Funktion f; 0, falls x < 0 f(x) = 1, falls 0 x < 1 0, falls x W.Kössler, Humboldt-Universität zu Berlin
17 Ist X gleichverteilt auf dem Intervall [a,b[, X R(a,b), so hat X die Dichtefunktion: 0, falls x < a f(x) = 1 b a, falls a x < b 0, falls x b Für 0 a < b < 1 gilt:. P({ω: X(ω) [a,b]) = P(a X b) = b a f(x)dx = 1 b a b a dx = W.Kössler, Humboldt-Universität zu Berlin
18 Bsp. 35 Die Zufallsvariable X habe die Verteilungsfunktion 1 e λ x, falls x 0 F(x) = 0, falls x < 0. Bez. 4 Die Zufallsvariable X heißt exponentialverteilt, bez. X Exp(λ). Die Dichtefunktion ist f(x) = F (x) = λ e λ x, falls x 0 0, falls x < W.Kössler, Humboldt-Universität zu Berlin
19 Weiterhin gilt: lim F(x) = 0, lim x F(x) = 1. x + Bsp. 36 Sei die Zufallsvariable X : (Ω, E,P) (R 1, B 1,P X ) der Meßfehler bei Messung einer physikalischen Konstanten. Der W.raum (Ω, E,P) ist ein Modell eines im Hintergrund wirkenden Zufallsmechanismus, der nicht näher beschrieben werden kann, Fehler im Meßinstrument zufällige äußere Einflüsse. 170 W.Kössler, Humboldt-Universität zu Berlin
20 Er enthält alle nicht näher bestimmbaren zufälligen Effekte. Zur Beschreibung dient der Bildraum (R 1, B 1,P X ). Oft kann man annehmen, P X (B) = 1 2πσ B e 1 2( t µ σ ) 2 dt. Die Zufallsvariable X mit der Verteilungsfunktion F(x) = 1 2πσ x e 1 2( t µ σ ) 2 dt. heißt normalverteilt mit den Parametern (µ,σ 2 ), 171 W.Kössler, Humboldt-Universität zu Berlin
21 bez. X N(µ,σ 2 ). Die zugehörige Dichtefunktion hat die Form: f(x) = 1 2πσ e 1 2( x µ σ ) 2, σ > 0. Ist f(x) wirklich eine Dichtefunktion? Offensichtlich ist f(x) 0 für alle Zahlen x R und σ > 0. Es bleibt zu untersuchen, ob gilt: lim F(x) = x + 1 2πσ e 1 2( t µ σ ) 2 dt = + f(t)dt = W.Kössler, Humboldt-Universität zu Berlin
22 Wir bezeichnen + 1 2πσ e 1 2( x µ σ ) 2 dx =: I. 173 W.Kössler, Humboldt-Universität zu Berlin
23 Wir betrachten zunächst: + I 2 = e 1 2( x µ σ 1 2πσ = 1 2πσ 2 = 1 2πσ 2 = 1 2πσ e 1 2( x µ σ e 1 2( x µ σ e 1 2( x µ σ ) 2 dx 2 ) 2 dx + e 1 2( y µ σ ) 2 dx e 1 2( y µ σ ) 2 dy ) 2 e 1 2( y µ σ ) 2 dxdy ) 2 dy 174 W.Kössler, Humboldt-Universität zu Berlin
24 Wir führen nun eine Substitution durch: s := x µ σ t := y µ σ. Dann gilt: x = sσ + µ y = tσ + µ, dx = σ ds dy = σ dt. 175 W.Kössler, Humboldt-Universität zu Berlin
25 Wir erhalten damit: I 2 = 1 2πσ 2 = 1 2π e 1 2 s2 e 1 2 t2 σ 2 dsdt e 1 2 (s2 +t 2) dsdt Wir führen eine weitere Substitution durch, Polarkoordinaten: s = r cos ϕ t = r sin ϕ. 176 W.Kössler, Humboldt-Universität zu Berlin
26 Dann gilt allgemein nach der Substitutionsregel: g(s,t)dsdt = g(r,ϕ) det J dr dϕ, 177 W.Kössler, Humboldt-Universität zu Berlin
27 detj = J = s r t r s ϕ t ϕ = = r cos 2 ϕ + r sin 2 ϕ cos ϕ r sin ϕ sin ϕ = r(cos 2 ϕ + sin 2 ϕ) = r r cosϕ 178 W.Kössler, Humboldt-Universität zu Berlin
28 I 2 = 1 2π = 1 2π = 1 2π = 1 2π 2π 0 0 2π 0 0 2π 0 2π 0 e 1 2 (r2 cos 2 ϕ+r 2 sin 2 ϕ) r dr dϕ e 1 2 r2 r dr dϕ [ e r2 2 ] 0 dϕ dϕ = 1 2π 2π = 1 (durch Differentiation leicht nachvollziehbar!) = I = 1, d.h. f ist eine Dichtefunktion. 179 W.Kössler, Humboldt-Universität zu Berlin
29 Zusammenfassung (Zufallsvariable). Eine (meßbare) Abbildung X : Ω R heißt Zufallsvariable. Jedem Element ω des Stichprobenraumes Ω wird eine reelle Zahl zugeordnet. Def.: Die Zufallsvariable X heißt diskret, wenn X nur endlich viele oder abzählbar unendlich viele Werte x i annehmen kann. Jeder dieser Werte kann mit einer gewissen Wkt. p i = P(X = x i ) auftreten. 180 W.Kössler, Humboldt-Universität zu Berlin
30 Bsp.: - geografische Lage (N,O,S,W) - Länge einer Warteschlange - Anzahl der erreichten Punkte in der Klausur. 181 W.Kössler, Humboldt-Universität zu Berlin
31 Def.: Die Zufallsvariable X heißt stetig, falls X beliebige Werte in einem Intervall (a, b), [a, b], (a, b], (a, b], (,a), (b, ), (,a], [b, ), (, ) annehmen kann. Bem.: Jeder einzelne Wert x i (a,b) (oder in einem der anderen Intervalle) hat die Wkt. Null. Die Verteilungsfunktion F wird dann durch die sogen. Dichtefunktion f beschrieben, F(x) = P(X x) = x f(t)dt 182 W.Kössler, Humboldt-Universität zu Berlin
32 6 Allgemeine Eigenschaften einer Verteilungsfunktion Satz 8 Es sei X eine zufällige Variable mit der Verteilungsfunktion F(x) = P(X < x) = P({ω: X(ω) < x}) = P X (],x[). Dann gelten die folgenden Aussagen: 1. Die Funktion F(x) ist monoton wachsend. 2. lim F(x) = 0, lim x F(x) = 1. x + 3. Die Funktion F(x) ist linksseitig stetig. Es gilt also: 183 W.Kössler, Humboldt-Universität zu Berlin
33 lim F(x) = F(x 0). x x 0 4. P(a X < b) = F(b) F(a). Beweis: 1. Es sei x 1 < x 2 < x. Wir definieren zwei Mengen: Dann gilt: A := {ω: X(ω) < x 1 }, B := {ω: X(ω) < x 2 }. F(x 1 ) = P({ω: X(ω) < x 1 }) = P(A), F(x 2 ) = P({ω: X(ω) < x 2 }) = P(B). 184 W.Kössler, Humboldt-Universität zu Berlin
34 Wegen A B folgt: P(A) P(B), d.h. F(x 1 ) F(x 2 ), d.h. die Funktion F(x) monoton wachsend. 2. Sei (x n ) eine monoton fallende Folge mit x n. Sei (y n ) eine monoton wachsende Folge mit y n. Wir definieren: A n := {ω: X(ω) < x n }, B n := {ω: X(ω) < y n }. Für die Folgen (A n ) und B n ) gilt: (A n ) ist monoton fallend (A n A n+1, n N), (B n ) monoton wachsend (B n B n+1, n N). 185 W.Kössler, Humboldt-Universität zu Berlin
35 Offensichtlich gilt: F(x n ) = P(A n ), F(y n ) = P(B n ). Wegen der Stetigkeit der Wkt. von oben und unten ist lim P(A n) = P( lim A n ) = P(X < ) = 0. n n lim P(B n) = P( lim B n ) = P(X < + ) = 1. n n Das bedeutet jedoch nichts anderes als: lim F(x) = lim F(x n) = 0, x n lim F(x) = lim F(y n) = 1. x + n (Das können wir schlußfolgern, da Grenzwerte von 186 W.Kössler, Humboldt-Universität zu Berlin
36 Funktionen von der Wahl der Folgen unabhängig sind.) 3. Wir definieren eine Menge und eine Folge von Mengen A = {ω: X(ω) < x 0 } A n = {ω: X(ω) < x n }, wobei (x n ) eine monotone Folge ist, die von links gegen x 0 konvergiert (x n x 0 0). Offenbar ist die Folge (A n ) monoton wachsend (A n A n+1 ). Außerdem gilt: lim A n = A. n 187 W.Kössler, Humboldt-Universität zu Berlin
37 Dann können wir schlußfolgern: lim F(x n) = n Das bedeutet aber: lim P(X < x n ) n = lim P(A n ) n = P( lim A n ) n = P(A) = P(X < x 0 ) = F(x 0 ) lim F(x) = F(x 0). x x W.Kössler, Humboldt-Universität zu Berlin
38 4. Es gilt: P(a X < b) = P({X < b} \ {X < a}) = P(X < b) P(X < a) (Subtraktivität (vgl. Folg = F(b) F(a) 189 W.Kössler, Humboldt-Universität zu Berlin
10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
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
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
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.
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)
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 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: EX p
MehrWerkzeuge der empirischen Forschung
Wolfgang Kössler Institut für Informatik, Humboldt-Universität zu Berlin SS2008 18. April 2008 Übersicht 1 2 Dateneingabe und Transformation Allgemeine Eingabe über die Eingabe durch externes File Wichtige
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
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
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
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
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
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........................
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
MehrDiskrete Strukturen II
SS 2004 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2004ss/ds/index.html.de 18. Juni 2004 Exponentialverteilung als Grenzwert der geometrischen
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
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
MehrWichtige 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
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
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
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
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
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
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
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. Bsp (3-maliges Werfen einer Münze) Menge der Elementarereignisse:
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit von Ereignissen Bsp. 1.19 (3-maliges Werfen einer Münze) Menge der Elementarereignisse: Ω {zzz, zzw,zwz,wzz,zww,wzw,wwz,www}. Dabei gilt: Ω 2 3 8 N. Wir definieren
Mehr5.3 Diskrete zufällige Variablen
5.3 Diskrete zufällige Variablen X(ω) { x 1,x 2,x 3,... } X : x 1 x 2 x 3 x n p 1 p 2 p 3 p n p i = P(X = x i ) > 0, i = 1, 2, 3,... Die Funktion f(x i ) = p i heißt Wahrscheinlichkeitsfunktion. i=1 p
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
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
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
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
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 Unabhängigkeit von Ereignissen A, B unabhängig:
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)
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
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
Mehr2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit
2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit a) Fortsetzungssatz, Eindeutigkeit Es wird gezeigt, dass jedes Prämaß µ auf einem Ring R zu einem Maß µ auf A(R) fortgesetzt werden kann, d.h. µ kann
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
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
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
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
Mehr2 Zufallsvariablen und deren Verteilungen
2 Zufallsvariablen und deren Verteilungen 2.1 Zufallsvariablen Zufallsvariablen sind Funktionen von Ω in die reellen Zahlen R. Beispiel 2.1.1 (Zweimaliger Münzwurf). Ω = ZZ, KK, KZ, ZK}. Sei X(ω) die Anzahl
Mehr15.3 Statistische Tests von Pseudozufallszahlen
15.3 Statistische Tests von Pseudozufallszahlen Def. 52 Ein Test ist eine Entscheidungsvorschrift, die über die Akzeptanz genau einer von zwei alternativen Hypothesen entscheidet. Bsp. 109 (Analogie zur
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:
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
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........................
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
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrVorlesung 5b. Zufallsvariable mit Dichten
Vorlesung 5b 1 Vorlesung 5b Zufallsvariable mit Dichten Vorlesung 5b Zufallsvariable mit Dichten Wiederholung aus Vorlesung 2b+: Kontinuierlich uniform verteilte Zufallsvariable: Sei S eine Teilmenge des
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/...
MehrÜ b u n g s b l a t t 7
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrMathematik 2 für Bauingenieure
Mathematik 2 für Bauingenieure Name (bitte ausfüllen): Prüfung am 6.3.2015 Reinhard Winkler Matrikelnummer (bitte ausfüllen): Die mündliche Prüfung findet in der Woche von 16. bis 20.3.2015 statt. Wenn
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 Die Exponentialverteilung
8 Die Exponentialverteilung 8.1 Einführung Modelle Zuverlässigkeitsmodelle Lebensdauermodelle Bedienungsmodelle. 277 W.Kössler, Humboldt-Universität zu Berlin Def. 26 (Exponentialverteilung) Sei X eine
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
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
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
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
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
Mehr11 Mehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen. Begriffe Def. 34 Es seien X i, i =,...,p reellwertige, zufällige Variablen auf dem Wahrscheinlichkeitsraum (Ω, E,P). Dann heißt X = (X,...,X p ) T : Ω R p, zufälliger
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
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
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
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Zufallsvariablen Beschreibung von Ereignissen
MehrZufallsvariablen: Die allgemeine Definition
KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
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
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 18: Woche vom
Übungsaufgaben 9. Übung SS 18: Woche vom 11. 6. 15. 6. 2018 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/...
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
Mehrf Z (z) = 0 sonst = 1
Lösungsvorschläge zu Blatt 8) Da das Teilchen sich mit konstanter Winkelgeschwindigkeit bewegt und zufällig gestoppt wird und da Z und Z + kπ, k Z, das gleiche X liefern, kann Z als eine auf [ π, π] gleichverteilte
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
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,
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
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
Mehr1 1 e x2 =2 d x 1. e (x2 +y 2 )=2 d x d y : Wir gehen nun zu Polarkoordinaten uber und setzen x := r cos und y := r sin.
Lemma 92 Beweis: Wir berechnen zunachst I 2 : I 2 = Z 1 I := e x2 =2 d x p = 2: 1 Z 1 1 Z 1 Z 1 = 1 1 Z 1 e x2 =2 d x 1 e (x2 +y 2 )=2 d x d y : e y2 =2 d y Wir gehen nun zu Polarkoordinaten uber und setzen
Mehr