1 Diskrete Wahrscheinlichkeitstheorie
|
|
- Jobst Bergmann
- vor 5 Jahren
- Abrufe
Transkript
1 Prof. A. Sapozhnikov Wahrcheinlichkeittheorie I INHALTSVERZEICHNIS 1 Dikrete Wahrcheinlichkeittheorie 1.1 Laplace-Wahrcheinlichkeit. Urnenmodelle. N! Begriffe: Ziehen ohne Zurücklegen, mit Reihenfolge, Ziehen ohne Zurücklegen, ohne Reihenfolge, ( ) N K Ziehen mit Zurücklegen, mit Reihenfolge, N K Ziehen mit Zurücklegen, ohne Reihenfolge, ( N+K 1 K Hypergeometriche Verteilung, (S )( W w) ( S+W +w ) ) (N K)! Satz 1. (Bertrand Ballot Theorem) Seien S, W N. Sei Ω die Menge aller Folgen (ω 1,..., ω S+W ) mit ω i { 1, 1} und o da die Anzahl der Einen gleich S it. Seien A > = A = { ω : { ω : k k } ω i > 0 für alle 1 k S + W, } ω i 0 für alle 1 k S + W. Dann gelten P (A > ) = S W S + W, P (A ) = S + 1 W S Dikreter Wahrcheinlichkeitraum. Begriffe: Dikreter Wahrcheinlichkeitraum Einzelwahrcheinlichkeit. Beipiel: Bernoulli-, Binomial-, Multinomial-, Hypergeometriche-, Geometriche-, Poionverteilung. Satz 2. (Poion-Approximationatz) Sei λ > 0 und p n eine Folge in [0, 1] mit np n λ. Dann für jede k Z +, ( n )p kn(1 p n ) n k λk k k! e λ. Satz 3. (Satz von DeMoivre-Laplace) Für alle p (0, 1), q = 1 p und a < b, gilt np+a npq k np+b npq ( ) ˆ n b p k q n k 1 e x2 2 dx. k a 2π
2 1.3 Bedingte Wahrcheinlichkeit. Begriffe: Bedingte Wahrcheinlichkeit von A gegeben B, P (A B). Lemma 4. (Eigenchaften) Sei (Ω, P ) dikreter Wahrcheinlichkeitraum. 1. Für alle B Ω mit P (B) > 0, it P ( B) eine Verteilung auf Ω B. 2. Für A B, P (A B) = (Multiplikationatz) P (A 1... A n ) = P (A 1 ) P (A 2 A 1 ) P (A 3 A 1 A 2 )... P (A n A 1... A n 1 ) 4. (Geetz der totalen Wahrcheinlichkeit) Für jede Partition B 1,..., B n von Ω mit P (B i ) > 0, n P (A) = P (B i ) P (A B i ). 5. (Satz von Baye) Sei P (A) > 0 und P (B i ) > 0, dann gilt P (B 1 A) = P (B 1) P (A B 1 ) n P (B i) P (A B i ). Propoition 5. (Gedächtniloigkeit der geometrichen Verteilung) Sei X eine N-wertige Zufallvariable. Dann it X geometrichverteilt genau dann, wenn P (X = k) = P (X = n + k X > n), k, n N. 1.4 Erzeugende Funktion. Begriffe: Erzeugende Funktion einer N 0 -wertige Zufallvariable X, ϕ X. Satz 6. (Eindeutigkeit) Zufallvariablen mit gleichen erzeugenden Funktionen ind gleichverteilt. Propoition 7. Sei X, Y unabhängige N 0 -wertige Zufallvariablen. Dann ϕ X+Y = ϕ X ϕ Y. Beipiel: Summe von binomialverteilten Zufallvarialben it binomialverteilt. Summe von poionverteilten Zufallvariablen it poionverteilt. 2
3 2 Allgemeine Wahrcheinlichkeittheorie 2.1 Wahrcheinlichkeitraum. Begriffe: Wahrcheinlichkeitraum (Ω, F, P ) Ergebnimenge Ω Elementarereigni ω Ω Ereigni (oder auch mebare Menge) A F Verteilung (oder auch Wahrcheinlichkeitmaß) P Wahrcheinlichkeit P (A) Fat icher Ereigni. Notation: f.. oder P -f.. Lemma 8. (Eigenchaften von Verteilungen) 1. P ( ) = 0 2. P (A c ) = 1 P (A) 3. P (A B) = P (A) + P (B) P (A B) 4. (Bonferroni-Ungleichung) P ( A i ) P (A i) 5. (σ-stetigkeit) Fall A i A oder A i A, dann P (A n ) P (A). 6. (Sylveter-Siebformel / Prinzip von Inkluion und Exkluion) P ( n A i ) = = n ( 1) k 1 k=1 n P (A i ) 1 i 1 <i 2 <...<i k n P (A i1... A ik ) P (A i1 A i2 ) + P (A i1 A i2 A i3 ) i 1 <i 2 i 1 <i 2 <i ( 1) n 1 P (A 1... A n ). 2.2 Erzeugte σ-algebra. Lemma von Dynkin. Eindeutigkeit und Exitenz von Wahrcheinlichkeitmaßen. Begriffe: Erzeugte σ-algebra Borelche σ-algebra Da Produkt σ-algebra i I F i. Begriffe: π-sytem Dynkin-Sytem Da von G erzeugte Dynkin-Sytem d(g). 3
4 Lemma 9. (Dynkin) Sei G ein π-sytem auf Ω. Dann d(g) = σ(g). Beipiel: D = {A F : P (A) = Q(A)} it ein Dynkin-Sytem. Satz 10. (Eindeutigkeit) Sei G ein π-sytem auf (Ω, F) mit σ(g) = F und P, Q Verteilungen auf (Ω, F) mit P (A) = Q(A) für alle A G. Dann P = Q. Satz 11. (Erweiterungatz von Carathéodory) Begriffe: Produktmaß n P i. 2.3 Zufallvariable. Begriffe: Zufallvariable Zufallvektor Mebare Abbildung Numeriche Zuvallvariable. Notation: {X B} = X 1 (B) = {ω Ω : X(ω) B} {X x} = {ω Ω : X(ω) x}. Propoition 12. Sei X : (Ω, F) (Ω, F ) and F = σ(g ). Dann it X mebar genau dann, wenn X 1 (A ) F für alle A G. Korollar 13. X it eine Zufallvariable {X x} F für alle x R. Lemma 14. (Eigenchaften von mebaren Abbildungen) 1. Fall f : (Ω, F) (Ω, F ) und g : (Ω, F ) (Ω, F ) mebar ind, dann g f : (Ω, F) (Ω, F ) auch mebar it. 2. Fall X 1,..., X n Zufallvariablen ind und f : (R n, B(R n )) (R, B(R)) mebar it, dann f(x 1,..., X n ) eine Zufallvariable it. 3. Fall X 1, X 2,... numeriche Zufallvariablen ind, dann inf n X n, up n X n, lim inf n X n, lim up n X n auch numeriche Zufallvariablen ind. Propoition 15. (Bild von P unter ϕ) Sei ϕ : (Ω, F, P ) (Ω, F ) mebare Abbildung. Dann it ϕ P : F [0, 1] definiert durch eine Verteilung auf (Ω, F ). ϕ P (A ) = P (ϕ 1 (A )), A F, 4
5 Begriffe: Verteilung von Zuvallvariable X, P X = X P. Gleichverteilte Zufallvariablen, X d = Y. Verteilungfunktion von Zufallvariable X, F X (x) = P (X x) = P X ((, x]). Propoition 16. (Satz von Lebegue-Stiltje): Sei F : R [0, 1]. Dann it F die Vertelungfunktion einer Zufallvariable genau dann, wenn 1. F monoton wachend it 2. F rechttetig it 3. lim x + F (x) = 1 und lim x F (x) = 0. Beipiel: Dikrete Verteilungen: Bernoulli B(p), Binomial B(n, p), Poion P oi(λ), Geometricheverteilung Geo(p). Abolut tetige Verteilungen: Gleichverteilung U[a, b], Exponentialverteilung Exp(λ), Normalverteilung N(m, σ 2 ). 2.4 Integration. Erwartungwert. Varianz. Begriffe: Erwartungwert von Zufallvariable X, E[X]. Integrierbare Zufallvariable. Varianz von Zuvallvariable X, Var(X). p-te Moment von Zuvallvariable X, E[X p ]. Lemma 17. (Eigenchaften de Erwartungwerte) Sei X, Y integrierbare (numeriche) Zufallvariablen. 1. (Linearität) E[aX + by ] = ae[x] + be[y ]. 2. (Monotonie) Fall X Y f.., dann E[X] E[Y ]. 3. Fall X 0 f.. und E[X] = 0, dann X = 0 f.. 4. (Jenen-Ungleichung) Für jede konvexe ϕ : R [0, ), E[ϕ(X)] ϕ(e[x]) 5. (Hölder-Ungleichung) Für p, q 1 mit 1 p + 1 q = 1 gilt E[ XY ] (E[ X p ]) 1 p (E[ Y q ]) 1 q Lemma 18. (Lemma von Fatou) Seien X n 0 numeriche Zufallvariablen. Dann gilt [ ] E lim inf X n lim inf E[X n]. n n 5
6 Satz 19. (Satz von den monotonen Konvergenz) Seien X und X n 0 Zufallvariablen mit X n X f.. Dann gilt lim n E[X n] = E[X]. Satz 20. (Satz von den dominierten Konvergenz / Lebegue) Seien X, Y und X n Zufallvariaben mit X n X f.., X n Y f.. für alle n N, und E[Y ] <. Dann gilt lim E[X n] = E[X]. n Propoition 21. (Markov-Ungleichung) Sei f : R + R + monoton wachend und X 0 eine Zufallvariable. Dann gilt P (X x) E[f(X)]. f(x) Propoition 22. (Chebyhev-Ungleichung) Sei X eine Zufallvariable mit E[X 2 ] <, dann gilt P ( X E[X] x) Var(X) x 2. Propoition 23. (Subtitution) Sei ϕ : (Ω, F, P ) (Ω, F ) eine mebare Abbildung und Y eine Zufallvariable auf (Ω, F ). Dann it Y integrierbar bezüglich ϕ P genau dann, wenn Y ϕ integrierbar bezüglich P it und e gilt E ϕ P [Y ] = E P [Y ϕ]. Inbeondere, für jede Zufallvariable X auf (Ω, F, P ), ˆ E[X] = x dp X. R Beipiel: Erwartungwert und Varianz von Bernoulli-, Binomial-, Poion-, Geometrich-, Gleich-, Exponential-, Normalverteilte Zufallvariable. Lemma 24. (Momente einer nichtnegativen Zufallvariable) Sei X eine nichtnegative Zufallvariable. Dann für jede p > 0, E[X p ] = ˆ 0 px p 1 P (X > x)dx. 6
7 2.5 Unabhängigkeit. Begriffe: Unabhängige Ereignie Unabhängige σ-algebren Unabhängige Zufallvariablen. Propoition 25. Seien G 1,..., G n π-syteme mit Ω G i für alle i. Fall P ( n A i ) = n P (A i ), für alle A 1 G 1,..., A n G n, dann die σ-algebren σ(g 1 ),..., σ(g n ) unabhängig ind. Korollar Zufallvariablen X 1,..., X n ind unabhängig genau dann, wenn P (X 1 x 1,..., X n x n ) = P (X 1 x 1 )... P (X n x n ), x 1,..., x n R. 2. Seien F i,j, 1 i n, 1 j n i, unabhängige σ-algebren. Dann ind die σ- Algebren A i = σ ( n i j=1 F i,j), 1 i n unabhängig. 3. Seien X i,j, 1 i n, 1 j n i, unabhängige Zufallvariablen und f i : R n i R Borel-mebare Funktionen, dann ind die Zufallvariablen Y i = f i (X i,1,..., X i,ni ), 1 i n, unabhängig. Begriffe: Produktraum. Produktmaß n P i Propoition 27. (Gemeinameverteilung unabhängiger Zufallvariablen) Seien X und Y unabhängige Zufallvariablen, dann die Gemeinameverteilung von X und Y gleich P X P Y it. Satz 28. (Satz von Fubini) Seien (Ω 1, F 1, P 1 ) und (Ω 2, F 2, P 2 ) Wahrcheinlichkeiträume und (Ω, F, P ) da Produktraum. Für jede nichtnegative oder P -integrierbare Zufallvariable X auf (Ω, F, P ) gilt ˆ ˆ [ˆ ] ˆ [ˆ ] X dp = X(x, y)p 2 (dy) P 1 (dx) = X(x, y)p 1 (dx) P 2 (dy). Ω Ω 2 Ω 1 Ω 1 Korollar 29. Seien X und Y unabhängige Zufallvariablen. Dann gilt: 1. Fall X und Y integrierbar ind, dann da Produkt XY integrierbar it und Ω 2 E[XY ] = E[X] E[Y ]. 2. F X+Y = F X F Y, d.h., ˆ F X+Y (z) = F X (z y) df Y (y). R 7
8 3. Fall X, Y beitzen Dichten, dann die Dichte von X + Y gleich f X+Y = f X f Y it. Beipiel: Fall X 1 und X 2 unabhängige Zufallvariablen mit X i N(m i, σ 2 i ) ind, dann X 1 + X 2 N(m 1 + m 2, σ σ 2 2). Propoition 30. (Bienaymé Formel) Seien X 1,..., X n unkorrelierte Zufallvariablen mit E[X 2 i ] < für alle 1 i n. Dann gilt Var(X X n ) = Var(X 1 ) Var(X n ). Propoition 31. (Maximale Ungleichung von Kolmogorov) Seien X 1,..., X n unabhängige Zufallvariablen mit E[Xi 2 ] < und E[X i ] = 0 für alle 1 i n. Dann gilt für alle x > 0, ( ) P max S k x Var(S n), 1 k n x 2 wobei S k = X X k. 2.6 Unendliche Folgen von Zufallvariablen. Satz 32. (Erweiterungatz von Kolmogorov) Propoition 33. (Exitenz) Für jede Folge von Verteilungen Q n auf (R, B(R)), exitiert ein Wahrcheinlichkeitraum (Ω, F, P ) und unabhängige Zufallvariablen X 1, X 2,... auf (Ω, F, P ), o da, für alle n N, die Verteilung von X n gleich Q n it. Begriffe: lim up n A n = {A n u.o.} = m n m A n lim inf n A n = m n m A n. Lemma 34. (Lemma von Borel-Cantelli) Seien A 1, A 2,... F. 1. Fall n P (A n) <, dann P (A n u.o.) = Fall n P (A n) < und A 1, A 2,... unabhängig ind, dann P (A n u.o.) = 1. Begriffe: Aymptotiche σ-algebra. Satz 35. (0 1 Geetz von Kolmogorov) Seien X n unabhängige Zufallvariablen. Dann it die aymptotiche σ-algebra T von X n trivial, d.h. für alle A T, P (A) {0, 1}. 8
9 2.7 Konvergenzbegriffe. Begriffe: Fat ichere Konvergenz X n f.. X, Konvergenz in Wahrcheinlichkeit X n Konvergenz in p-mittel X n L p X. P X, Lemma 36. (Zuammenhänge) Seien X, X 1, X 2,... Zufallvariablen. f.. P 1. Fall X n X, dann X n X. L 2. Fall X p P n X, dann X n X. P f.. 3. Fall X n X, dann eine Teilfolge n(k) exitiert, o da X n(k) X. P 4. X n X genau dann, wenn für jede Teilfolge n(k) eine Teilfolge k(m) exitiert, f.. o da X n(k(m)) X. Lemma 37. (Eigenchaften) Seien X, Y, X n, Y n Zufallvariablen auf (Ω, F, P ). 1. Fall X n X und X n Y (f.. oder in Wahrcheinlichkiet oder in p-mittel), dann X = Y f.. 2. Fall X n X und Y n Y (f.. oder in Wahrcheinlichkiet oder in p-mittel), dann ax n + by n ax + by (f.. oder in Wahrcheinlichkiet oder in p-mittel). 3. Fall X n X und Y n Y (f.. oder in Wahrcheinlichkeit), dann X n Y n XY (f.. oder in Wahrcheinlichkeit). Satz 38. (Schwache Geetz von der großen Zahlen) Seien X 1, X 2,... unabhängige identich verteilte integrierbare Zufallvariaben. Dann 1 n n X i P E[X 1 ]. Satz 39. (Starke Geetz von der großen Zahlen) Seien X 1, X 2,... paarweie unabhängige identich verteilte integrierbare Zufallvariaben. Dann 1 n n X i f.. E[X 1 ]. 9
10 2.8 Konvergenz tochaticher Reihe. Satz 40. (Zweireihenatz von Kolmogorov) Seien X n unabhängige Zufallvariablen. Fall 1. n=1 Var(X n) < 2. n=1 E[X n] konvergiert, dann die Reihe n=1 X n konvergiert fat icher. Lemma 41. (Lemma von Kronecker) Seien x n und a n Folgen von reellen Zahlen. Fall die Reihe x n n=1 a n konvergiert, dann 1 n a n k=1 x k 0. Satz 42. (Dreireihenatz von Kolmogorov) Seien X n unabhängige Zufallvariablen. Die folgene Bedingungen ind äquivalent: 1. Die Reihe n=1 X n konvergiert fat icher. 2. E gibt A > 0 o da für Y n = X n 1 Xn A, konvergiern die folgende Reihe: (a) n=1 P ( X n > A), (b) n=1 E[Y n], (c) n=1 Var(Y n). 3. Die zweite Bedingung gilt für alle A > Schwache Konvergenz. Konvergenz in Verteilung. Begriffe: Schwache Konvergenz von Verteilungen, µ n µ. Konvergenz in Verteilung von Zufallvariablen, X n = X. Propoition 43. (Äquivalente Bedingungen der chwachen Konvergenz) Die folgende Bedingungen ind äquivalent: 1. µ n µ. 2. E exitiern Zufallvariablen X und X n, n 1, auf einem Wahrcheinlichkeitraum (Ω, F, P ), o da X n µ n -verteilt it, X µ-verteilt it, und X n P f.. X. 3. Für alle tetige bechränkte Funktionen f : R R, ˆ ˆ fdµ n fdµ. R Lemma 44. (Lemma von Helly) Sei F n eine Folge von Verteilungfunktionen auf R. Dann exitiert eine Teilfolge n(k) und eine rechttetige monoton wachende F : R [0, 1],.d. F n(k) (x) F (x) für alle Stetigkeittellen x von F. R 10
11 Begriffe: Straffe Folge von Verteilungen. Satz 45. Für jede traffe Folge von Verteilungen µ n auf R, exitiert eine Teilfolge n(k) und eine Verteilung µ auf R, o da µ n(k) µ. Propoition 46. Seien µ n und µ Verteilungen auf R, o da für jede Teilfolge n(k) exitiert eine Teilfolge k(m) mit µ n(k(m)) µ. Dann µ n µ Charakteritiche Funktion. Begriffe: Charakteritiche Funktion von Verteilung µ, ϕ µ. Charakteritiche Funktion von Zufallvariable X, ϕ X. Propoition 47. (Eigenchaften) Sei ϕ die charakteritiche Funktion einer Verteilung. Dann gelten: 1. ϕ(0) = 1 2. ϕ(t) 1, für alle t R 3. ϕ( t) = ϕ(t) 4. ϕ it gleichmäßig tetig auf R Propoition 48. (Charakteritiche Funktion von Summe unabhängiger Zufallvariablen) Seien X und Y unabhängige Zufallvariablen. Dann ϕ X+Y = ϕ X ϕ Y. Beipiel: Charakteritiche Funktion von Bernoulli-, Poion-, Normal-, Cauchyverteilter Zufallvariable. Satz 49. (Eindeutigkeit) Seien µ und ν Verteilungen auf R mit ϕ µ = ϕ ν. Dann µ = ν. Beipiel: 1. Zufallvariable X i ymmetrich genau dann, when ϕ X (t) R für alle t. 2. Summe von Poionverteilten Zufallvariablen it Poionverteilt. 3. Summe von Normalverteilten Zuvallvariablen it Normalverteilt. Lemma 50. Sei µ eine Verteilung auf R. Dann gelten: 1. Für alle δ > 0, µ ({x : x 2δ ) } 1 δ ˆ δ δ (1 ϕ µ (t))dt 2. Fall x k dµ < für k N, dann ϕ µ k-mal tetig differenzierbar it und ˆ ϕ (l) µ (t) = (ix) l e itx dµ, für alle 0 l k. R 11
12 Satz 51. (Stetigkeitatz) Sie µ n eine Folge von Verteilungen auf R. 1. Fall µ n µ, dann ϕ µn (t) ϕ µ (t) für alle t R. 2. Fall ϕ µn (t) ϕ(t) für alle t R, wobei ϕ eine tetige in 0 Funktion it, dann eine Verteilung µ auf R exitiert mit ϕ µ = ϕ und µ n µ. Satz 52. (Zentraler Grenzwertatz) Seien X n unabhängige identich verteilte Zufallvariablen mit E[X 2 1] <. Dann konvergiert für n die Folge S n mn σ n, wobei S n = X X n, m = E[X 1 ], σ 2 = Var(X 1 ), in Verteilung gegen eine tandardnormalverteilte Zuvallvariable. 12
Wahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
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
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,
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........................
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
MehrStochastik. Frank Eckert und. Thomas Huppertz Letzte Änderung:
Stochastik getext von Frank Eckert Frank.Eckert@post.rwth-aachen.de und Thomas Huppertz thuppert@fh-niederrhein.de Letzte Änderung: 4.Juli.2000 INHALTSVERZEICHNIS Inhaltsverzeichnis Kombinatorische Grundformeln
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............................
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
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
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
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
MehrTransformationen und Summen von ZVen
Transformationen und Summen von ZVen Anton Klimovsky 14. April 015 Erzeugende Funktionen. Momenterzeugende Funktionen. (Characteristische Funktionen. Beweis vom ZGS. In diesem Abschnitt werden wir einige
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 ]
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........................
MehrListe wichtiger Stammfunktionen
Liste wichtiger Stammfunktionen Funktion Stammfunktion x n, x ln(x) n R \ { } n + xn+ ln( x ) x ln(x) x a x, a > sin(x) cos(x) sin 2 (x) cos 2 (x) x 2 x 2 a x ln(a) cos(x) sin(x) (x sin(x) cos(x)) 2 (x
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
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
MehrWahrscheinlichkeitsräume und Zufallsvariablen
Kapitel Wahrscheinlichkeitsräume und Zufallsvariablen. W-Raum Unter einem Zufallsexperiment verstehen wir einen vom Zufall beeinflussten Vorgang, der ein entsprechend zufälliges Ergebnis hervorbringt.
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
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
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
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
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
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
MehrMaße und Integrale. begleitend zur Vorlesung Stochastik I Humboldt-Universität zu Berlin SS 2008 P. Imkeller. Berlin, den 26.
Maße und Integrale begleitend zur Vorlesung Stochastik I Humboldt-Universität zu Berlin SS 2008 P. Imkeller Berlin, den 26. April 2008 Inhaltsverzeichnis 1 Konstruktion von Maßen 3 2 Konstruktion von Integralen
MehrVorlesung Wahrscheinlichkeit und Statistik D-Math, ETH Überblick über den Stoff der einzelnen Stunden
Vorlesung Wahrscheinlichkeit und Statistik D-Math, ETH Überblick über den Stoff der einzelnen Stunden Hansruedi Künsch Frühlingssemester 2013 Repetition vom 19. 2. Ein Wahrscheinlichkeitsraum besteht aus
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
Mehr5 Die Poisson-Approximation
5 Die Poion-Approximation Im vierten Kapitel hatten wir mit der Normalverteilung die icherlich wichtigte und meittudierte Verteilung der W.-Theorie kennengelernt und geehen, daß man diee al Lime eine geeignet
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
MehrVertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 5.6.2013 8. Unabhängigkeit von Zufallsgrößen, Erwartungswert und Varianz 8.1
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,
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
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
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
MehrGesetz der großen Zahlen
Gesetz der großen Zahlen Marie Reichstein Technische Universität Wien 19. Jänner 2012 Übersicht Geschichte Fragestellung schwaches Gesetz der großen Zahlen starkes Gesetz der großen Zahlen Null-Eins-Gesetze
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:
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
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
MehrFerienkurs in Maß- und Integrationstheorie
Zentrum Mathematik Technische Universität München Dipl. Math. Wolfgang Erb WS 9/ Übungsblatt Ferienkurs in Maß- und Integrationstheorie Aufgabe. (σ-algebren Sei eine Menge und A eine σ-algebra in. Seien
MehrErwartungswerte, Varianzen
Kapitel 3 Erwartungswerte, Varianzen Wir wollen nun Zufallsvariablen eine Maßzahl zuordnen, die ihr typisches Verhalten in vager Weise angibt. Haben wir n Punkte x 1,...,x n R d, so ist der Schwerpunkt
MehrMusterlösung Klausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 3/4 Andreas Eberle, Lisa Hartung / Patrick Müller Musterlösung Klausur,,Einführung in die W theorie. (Zufallsvariablen und ihre Verteilung) a) Was ist
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
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
MehrSeminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze
Seminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie - Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze Klaus Kuchler 0. Januar 03 Zentraler Grenzwertsatz. Grundlagen,
MehrStochastik 2. Beispielaufgaben. Institut für Stochastik WS 2006/07 Universität Karlsruhe Prof. Dr. N. Bäuerle Blatt 0 Dipl.-Math. oec. A.
Institut für Stochastik WS 2006/07 Universität Karlsruhe Prof. Dr. N. Bäuerle Blatt 0 Dipl.-Math. oec. A. Mundt Übungen zur Vorlesung Stochastik 2 Beispielaufgaben Hinweis: Zu diesem Aufgaben werden in
MehrProf. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 9
Prof r Holger ette Muterlöung Statitik I Sommeremeter 009 r Melanie Birke Blatt 9 Aufgabe : 4 Punkte E eien X,, X n unabhängig identich N µ, -verteilt a Man berechne die Fiher-Information I µ für µ b E
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer 4 Wahrscheinlichkeit und Statistik BSc D-INFK. a (iii b (ii c (iii d (i e (ii f (i g (iii h (iii i (i j (ii. a Die Anzahl der bestellten Weine in einem Monat kann
MehrKlausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 017/18 Andreas Eberle, Maximilian Fels Klausur,,Einführung in die W theorie Bitte diese Felder in Druckschrift ausfüllen Name: Matrikelnr.: Vorname: Studiengang:
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
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...........................
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
MehrStochastik - 2. Teil
Stochastik - 2. Teil Andrej Depperschmidt Vorlesungsskript Universität Freiburg Sommersemester 2016 Version: 13. Juli 2016 1 Einleitung und Wiederholung In diesem Kapitel wiederholen wir kurz einige grundlegende
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
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
MehrWahrscheinlichkeitstheorie Wintersemester 2003/04. Peter Eichelsbacher
Wahrscheinlichkeitstheorie Wintersemester 2003/04 Peter Eichelsbacher In der Wahrscheinlichkeitstheorie werden wir versuchen, Abläufe/Experimente, die vom Zufall gesteuert werden, zu untersuchen. Gibt
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
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
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
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
MehrKapitel 2.9 Der zentrale Grenzwertsatz. Stochastik SS
Kapitel.9 Der zentrale Grenzwertsatz Stochastik SS 07 Vom SGGZ zum ZGWS Satz.4 (Schwaches Gesetz großer Zahlen) Sei (X i ) i eine Folge unabhängiger, identisch verteilter Zufallsvariablen mit E[X ]
Mehr3 Produktmaße und Unabhängigkeit
3 Produktmaße und Unabhängigkeit 3.1 Der allgemeine Fall Im Folgenden sei I eine beliebige Indexmenge. i I sei (Ω i, A i ein messbarer Raum. Weiter sei Ω : i I Ω i ein neuer Ergebnisraum. Wir definieren
MehrStatistik für Informatiker, SS Erwartungswert, Varianz und Kovarianz
Erwartungswert, Varianz und Kovarianz 1/65 Statistik für Informatiker, SS 2018 1.4 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo18/ 14.5.2018 / 28.5.2018
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrFerienkurs zur Einführung in die Wahrscheinlichkeitstheorie
Ferienkurs zur Einführung in die Wahrscheinlichkeitstheorie Wintersemester 2010/2011 Fabian Benesch 28.02.2011 Information Das Kleingedruckte Dieser Ferienkurs ist kein Bestandteil der Vorlesung Einführung
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)
MehrALMA II - ÜBERBLICK STOCHASTIK. Jochen Garcke
ALMA II - ÜBERBLICK STOCHASTIK Jochen Garcke GRUNDBEGRIFFE Wahrscheinlichkeitsraum (Ω, A, P) beschreibt Zufallssituation Realisierung, Stichprobe, Elementarereignis ω Ω Ergebnisraum zufälliges Ereignis
MehrStochastik I - Formelsammlung
Stochastik I - Formelsammlung Ereignis Ergebnisraum: Ω von Julian Merkert, Wintersemester 2005/06, Prof. Bäuerle Ereignisse und Wahrscheinlichkeiten Ereignis: A Ω Elementarereignis: {ω}, ω Ω A B := AB
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
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)
MehrVorlesungsskript: Martingale
Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale 2 4.1 Einführung.......................................
MehrWahrscheinlichkeitsrechnung
i Dominique Foata Aime Fuchs Wahrscheinlichkeitsrechnung Aus dem Französischen von Volker Strehl Birkhäuser Verlag Basel Boston Berlin INHALTSVERZEICHNIS Vorwort zur deutschen Ausgabe Liste der benutzten
MehrFourier-Transformation von W-Maßen. Fourier-Transformation von Wahrscheinlichkeitsmaßen! Vortragender: Daniel Krizanovic
Fourier-Transformation von Wahrscheinlichkeitsmaßen! Vortragender: Integraltransformation Def. 1.1: Eine Integraltransformation bildet eine Originalfunktion f auf eine Bildfunktion F ab mittels F (y) :=
Mehr7 Bedingte Erwartungswerte und Bedingte Verteilungen
7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
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
MehrStochastik I. Matthias Hahne und das latexki-team
Stochastik I Matthias Hahne und das latexki-team Dieses Dokument ist eine persönliche Vorlesungsmitschrift der Vorlesung Stochastik I im Sommersemester 2005 bei Prof. Dr. Bäuerle. Diese Version des Skriptes
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 13.10.2017 Wir gehen stets von einem Wahrscheinlichkeitsraum Ω,A,P aus. Aufgabe 1 15 Punkte Seien a,b > 0 und x,y fest. Gegeben sei das Maß µ : B 1 [0,, µa := a1 A x+b1 A
MehrStatistik für Informatiker, SS Erwartungswert, Varianz und Kovarianz
1/65 Statistik für Informatiker, SS 2017 1.3 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 7.6.2017 / 14.6.2017 2/65 Der Erwartungswert ist eine
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
MehrKapitel 7. Martingale 1
Kapitel 7 Martingale 1 7.1 Definition: a) (Ω, F) sei ein messbarer Raum. Eine Filtration (oder Filtrierung) ist eine aufsteigende Folge F = (F n ) n N von Teil-σ-Algebren von F, d.h. F n F n+1 F für n
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
MehrEinführung in die Stochastik
Einführung in die Stochastik Mitschrift der Vorlesung Einführung in die Stochastik von Dr. Martin Wendler an der Universität zu Köln im WS 4/5. Kann Fehler enthalten. Veröffentlicht unter (CC BY-NC-SA
MehrStochastik I. Christian Bayer 12. Juli 2015
Stochastik I Christian Bayer 2. Juli 205 Wahrscheinlichkeitsräume. Mengensysteme Sei Ω eine allgemeine, nichtleere Menge. Wir sprechen von der Menge aller möglichen Versuchsausgänge. Typisch in der Wahrscheinlichkeitstheorie
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 7
ETH Zürich FS 4 D-MATH Koordinator Prof. Dr. J. Teichmann Mayra Bermúdez C. Wahrscheinlichkeit & Statistik Musterlösung Serie 7. a) P[t < T t + h T > t] λ(t) lim h h P[{t < T t + h} {T > t}] lim h P[T
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 und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
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
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
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
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
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
MehrUniversität Leipzig, SoSo 2013
Vorlesung Wahrscheinlichkeitstheorie I Universität Leipzig, SoSo 2013 Prof. Dr. Max v. Renesse renesse@uni-leipzig.de Sprechstunde: Di 13.15-14.45, A 337 Übungen: Mo 11.15 -- 12.45 A 314 K. Zimmermann
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
MehrErwartungswerte. Kapitel 5
Kapitel 5 Erwartungswerte Wir haben bisher Erwartungswerte nur für diskrete und für absolut stetige Zufallsvariable definiert und berechnet. Ziel dieses Abschnitts ist die Erweiterung des Begriffs des
Mehr