1.5 Mehrdimensionale Verteilungen
|
|
- Dörte Hofer
- vor 5 Jahren
- Abrufe
Transkript
1 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, ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0, k Bemerkung zur hypergeometrischen Verteilung Es lassen sich auch Grenzverteilungssätze für eine hypergeometrisch verteilte Zufallsgröße X H(n,N,M) formulieren. Wenn z.b. N, M und M N p für n gilt, so nutzt man die Näherung ( M N M ) ( ) P(X = k) = k)( n k n ( N p n) k ( p) n k, k d.h man ersetzt die hypergeometrische Verteilung näherungsweise durch eine entsprechende Binomialverteilung. Es gibt jedoch keine handhabbaren Faustregeln für die Nutzung dieser Approximation. Um die so erhaltene Binomialverteilung auszuwerten, kann man dann den Grenzverteilungssatz von Moivre/Laplace oder den Grenzverteilungssatz von Poisson verwenden..5 Mehrdimensionale Verteilungen Bisher wurden ausschließlich reellwertige, d.h. eindimensionale, Zufallsgrößen betrachtet. Wir haben also stets nur ein Merkmal des zu beobachtenden Objekts bei unseren Untersuchungen berücksichtigt. Häufig sind aber bei praktischen Modellierungsproblemen mehrere Merkmale der Beobachtungsobjekte gleichermaßen von Interesse. Somit benötigen wir mehrdimensionale Zufallsgrößen..5. Einführung Definition.5.. Sei X = (X,X 2,...,X n ) eine Zusammenfassung von n Zufallsgrößen X,X 2,...,X n. Dann heißt das Objekt X n-dimensionale Zufallsgröße oder zufälliger Vektor. Definition.5.2. Die durch F(x,...,x n ) := P(X < x,...,x n < x n ) für alle Vektoren (x,...,x n ) R n definierte reelle Funktion F heißt Verteilungsfunktion des zufälligen Vektors X = (X,...,X n ). Wir werden im Folgenden nicht immer den allgemeinen Fall X = (X,...,X n ) betrachten, sondern uns auf n = 2, d.h. X = (X,Y), beschränken, wenn dies das Verständnis erleichtert. Ein Großteil der Aussagen gilt dann analog für allgemeines n. 48
2 Definition.5.3. Für einen zufälligen Vektor X = (X, Y) heißen die Funktionen F X (x) := lim y F(x,y) und F Y(y) := lim x F(x,y) Randverteilung von X bzw. Y. Die zu einer Randverteilung gehörende Wahrscheinlichkeitsbzw. Dichtefunktion bezeichnen wir ebenfalls als Randverteilung. Eigenschaften der Verteilungsfunktion 0 F(x,y) x,y R. lim F(x,y) = 0 y R, lim x F(x,y) = 0 x R. y Die Randverteilungen F X und F Y sind die Verteilungsfunktionen der eindimensionalen Zufallsgrößen X und Y, d.h. lim x y F X (x) = P(X < x) x R und F Y (y) = P(Y < y) y R. F(x,y) =. F(x, y) ist in beiden Komponenten monoton wachsend, d.h. x < x 2 F(x,y) F(x 2,y) y R, y < y 2 F(x,y ) F(x,y 2 ) x R. F(x,y) ist in beiden Komponenten linksseitig stetig, d.h. lim F(x h,y) = F(x,y) = lim F(x,y h) x,y R. h 0 h>0.5.. Kovarianz und Korrelationskoeffizient Für einen zufälligen Vektor (X,Y) bezeichnen wir mit µ X := EX den Erwartungswert und mit σ 2 X := D2 X die Varianz der Randverteilung von X. Analog µ Y := EY und σ 2 Y := D2 Y für die Randverteilung von Y. h 0 h>0 Definition.5.4. Seien X und Y zwei Zufallsgrößen. Dann heißt die Größe σ XY := Cov(X,Y) := E(X EX)(Y EY) Kovarianz der Zufallsgrößen X und Y. Die Kovarianz ist ein Maß für das stochastische Verhalten der Zufallsgrößen zueinander. Die Zufallsgrößen X und Y heißen unkorreliert, wenn Cov(X,Y) = 0 gilt. Eigenschaften der Kovarianz Cov(X,Y) = E(XY) EXEY = Cov(Y,X), Cov(a+bX,c+dY) = bdcov(x,y), 49
3 Cov(X,X) = D 2 X. Satz.5.5. Existieren die zweiten Momente der Randverteilungen von X und Y, so existiert auch die Kovarianz Cov(X,Y). Definition.5.6. Besitzen die beiden Zufallsgrößen X und Y endliche Streuungen, so heißt die Größe ρ XY := σ XY σ X σ Y Korrelationskoeffizient von X und Y. Satz.5.7. Für den Korrelationskoeffizienten zweier Zufallsgrößen X und Y gilt ρ XY = ρ YX. Der Korrelationskoeffizient ρ XY zweier Zufallsgrößen X und Y ist also ein normiertes Maß für das stochastische Verhalten beider Zufallsgrößen zueinander. X und Y sind offensichtlich genau dann unkorreliert, wenn ρ XY = 0 gilt. ρ XY drückt starke negative Korrelation und ρ XY starke positive Korrelation aus Diskrete Verteilungen Definition.5.8. Ein zufälliger Vektor X = (X,...,X n ) heißt diskret verteilt, wenn alle eindimensionalen Randverteilungen diskrete Verteilungen sind. Die Komponenten eines diskret verteilten zufälligen Vektors X = (X,...,X n ) nehmen die Werte X = x i,...,x n = x nin an, wobei für endliches X j i j {,...,l j } =: I Xj mit l j N und für abzählbar unendliches X j i j N =: I Xj gilt. Die Wahrscheinlichkeitsfunktion von X lässt sich als n-dimensionales Feld schreiben: p i...i n = P(X = x i,...,x n = x nin ). Im Fall n = 2 bezeichnen wir die Werte der beiden Komponenten X und Y des zufälligen Vektors X mit x j und y k, wobei j I X und k I Y. Die Wahrscheinlichkeitsfunktion von X lässt sich dann als endliche oder unendliche Matrix mit Einträgen der Form p jk = P(X = x j,y = y k ) schreiben. Für die Randverteilungen von X und Y erhalten wir p j = p jk und p k = p jk. k I Y j I X Für Erwartungswert, Varianz und Kovarianz von X und Y gilt: EX = µ X = x j p j, EY = µ Y = y k p k, j I X k I Y D 2 X = σ 2 X = j I X (x j µ X ) 2 p j, Cov(X,Y) = σ XY = j I X D 2 Y = σ 2 Y = k I Y (x j µ X )(y k µ Y )p jk. k I Y (y k µ Y ) 2 p k, 50
4 Beispiel. In einer Urne befinden sich 2 Lose: 2 Geldgewinne, 4 Freilose und 6 Nieten. Es werden ohne Zurücklegen 2 Lose gezogen. Wir bezeichnen mit X die Anzahl der gezogenen Geldgewinne und mit Y die Anzahl der gezogenen Freilose. Gesucht werden die Wahrscheinlichkeitsfunktion p jk = P(X = x j,y = y k ) des zufälligen Vektors (X,Y) und die zugehörigen Randverteilungen p j und p k seiner Komponenten X und Y. Aus kombinatorischen Überlegungen ergibt sich: ( 2 x j )( 4 6 y k )( 2 x j y k ), 0 x p jk = ( 2 j +y k 2 2). 0, x j +y k > 2 Die Wahrscheinlichkeitsfunktion lässt sich zusammen mit den Randverteilungen wie folgt als Tabelle darstellen: y j 4 2 p j 5 22 x k p k = 0 33 Die Randverteilung p j bzw. p k von X bzw. Y erhält man dabei aus den Spalten- bzw. Zeilensummen der 3 3-Matrix. Da die Randverteilungen eindimensionale Wahrscheinlichkeitsfunktionen sind, sind die Summen der Werte der Randverteilungen stets Stetige Verteilungen Definition.5.9. Ein zufälliger Vektor X = (X,...,X n ) heißt stetig verteilt mit der Verteilungsfunktion F, wenn es eine integrierbare Dichtefunktion f gibt mit F(x,...,x n ) = P(X < x,...,x n < x n ) = x x n f(t,...,t n )dt dt n. Definition.5.0. Sei g eine reelle Funktion von n reellen Veränderlichen und sei X = (X,...,X n ) eine stetig verteilte n-dimensionale Zufallsgröße. Dann ist der Erwartungswert Eg(X) gegeben durch Eg(X) := g(x,...,x n )f(x,...,x n )dx dx n. Definition.5.. Sei(X, Y) ein stetig verteilter zufälliger Vektor und f seine Dichtefunktion. Dann heißen die Funktionen f X (x) = Randdichten der Komponenten X und Y. f(x,y)dy und f Y (y) = f(x,y)dx 5
5 Die Randdichten sind eindimensionale Dichtefunktionen. Für Erwartungswert, Varianz und Kovarianz von X und Y erhalten wir: EX = µ X = xf X (x)dx, EY = µ Y = yf Y (y)dy, D 2 X = σ 2 X = Cov(X,Y) = σ XY = (x µ X ) 2 f X (x)dx, D 2 Y = σ 2 Y = (x µ X )(y µ Y )f(x,y)dxdy. (y µ Y ) 2 f Y (y)dy, Beispiel. Als Beispiel für eine mehrdimensionale Verteilung betrachten wir die zweidimensionale Normalverteilung. Ein zufälliger Vektor (X, Y) ist normalverteilt, wenn er die Dichtefunktion ( [ (x µx ) 2 ( )( ( ) ]) 2 exp 2( ρ 2 ) σ X 2ρ x µx y µy σ X σ Y )+ y µy σ Y f(x,y) = 2πσ X σ Y ρ 2 mit den Parametern σ X > 0, σ Y > 0 und < ρ < besitzt. Als Randdichten ergeben sich die Funktionen f X (x) = exp ( (x µ X) 2 ) und f Y (y) = exp ( (y µ Y) 2 ), 2πσX 2πσY 2σ 2 X d.h. die Randverteilungen sind eindimensionale Normalverteilungen. Der Parameter ρ = ρ XY = σ XY σ X σ Y ist der Korrelationskoeffizient und somit ist Cov(X,Y) = σ XY = ρσ X σ Y. Ist ρ = 0, so sind X und Y also unkorreliert und für die Dichtefunktion f gilt die Produktdarstellung f(x,y) = exp ( (x µ X) 2 2πσ X σ Y.5..4 Stochastische Unabhängigkeit 2σ 2 X (y µ Y) 2 2σ 2 Y ) = f X (x)f Y (y). Definition.5.2. Zwei Zufallsgrößen X und Y heißen stochastisch unabhängig, wenn für den zufälligen Vektor (X, Y) gilt: F(x,y) = F X (x)f Y (y) x,y R. Bemerkung. Handelt es sich bei den stochastisch unabhängigen Zufallsgrößen X und Y um diskrete Verteilungen, so gilt p jk = p j p k x,y R. Im stetigen Fall gilt analog f(x,y) = f X (x)f Y (y) x,y R. Satz.5.3. Seien X und Y stochastisch unabhängige Zufallsgrößen mit D 2 X < und D 2 Y <. Dann gilt Cov(X,Y) = 0, d.h. aus der stochastischen Unabhängigkeit folgt stets die Unkorreliertheit. 2σ 2 Y 52
6 Beweis (für stetige Zufallsgrößen). Da X und Y stochastisch unabhängig sind, gilt: Cov(X,Y) = (x µ X )(y µ Y )f(x,y)dxdy = (x µ X )(y µ Y )f X (x)f Y (y)dxdy = (x µ X )f X (x)dx (y µ Y )f Y (y)dx = (E(X µ X ))(E(Y µ Y )) = (µ X µ X )(µ Y µ Y ) = 0 Wie wir am vorhergehenden Beispiel gesehen haben, folgt im Falle einer zweidimensionalen Normalverteilung aus der Unkorreliertheit der beiden Komponenten deren stochastische Unabhängigkeit. Zusammen mit dem vorhergehenden Satz erhalten wir also die nachfolgende Aussage. Satz.5.4. Sei (X, Y) ein (zweidimensional) normalverteilter zufälliger Vektor. Dann sind die Komponenten X und Y genau dann stochastisch unabhängig, wenn sie unkorreliert sind..5.2 Bedingte Verteilungen In diesem Abschnitt betrachten wir nur den Fall n = 2, d.h. zufällige Vektoren der Form X = (X,Y). X und Y seien dabei stetig verteilte Zufallsgrößen. Bei bedingten Verteilungen wird nur eine der beiden Komponenten eines zufälligen Vektors betrachtet, d.h. die andere Komponente bleibt konstant. Wir erhalten also z.b. Aussagen über die Verteilung der Zufallsgröße X, wenn Y einen festen Wert hat. Definition.5.5. Seien X und Y stetig verteilte Zufallsgrößen mit den Randdichten f X und f Y, wobei f X (x) > 0 und f Y (y) > 0 für alle x,y R. Dann heißen die Funktionen f X Y=y (x) = f(x,y) f Y (y) und f Y X=x (y) = f(x,y) f X (x) bedingte Dichten. Bemerkung. f X Y=y (x) ist eine eindimensionale Dichtefunktion, da f X Y=y (x) 0 und f X Y=y (x)dx = f(x,y) f Y (y) dx = f Y (y) f(x,y)dx = f Y(y) f Y (y) =. f X Y=y ist also die Dichtefunktion der Zufallsgröße X unter der Bedingung Y = y. Analoges gilt für f Y X=x (y) 53
7 Definition.5.6. Die Größe E(X Y = y) = xf X Y=y (x)dx heißt bedingter Erwartungswert der Zufallsgröße X unter der Bedingung, dass Y den Wert y annimmt. Beispiel. Wir betrachten nochmals einen normalverteilten Zufallsvektor (X,Y). Als bedingte Dichte haben wir ( ) f X Y=y (x) = f(x,y) f Y (y) = exp x 2 µ X +ρ σ X σy (y µ Y ) 2πσX ρ 2 2 σ X ρ 2. Daraus ergibt sich der bedingte Erwartungswert E(X Y = y) = µ X +ρ σ X σ Y (y µ Y ). Die Gerade x = E(X Y = y) heißt Regressionsgerade im (x, y)-koordinatensystem und gibt für jedes y den Wert (x,y) des Zufallsvektors an, für den X den Erwartungswert unter der Bedingung Y = y annimmt. Ist ρ = 0, d.h. X und Y sind unkorreliert und damit stochastisch unabhängig, so ist die Regressionsgerade x = µ x parallel zur y-achse und es gilt f X Y=y (x) = f X (x)..5.3 Erwartungswertevektor, Kovarianzmatrix, Normalverteilung Da wir in diesem Abschnit mit Matrizen rechnen, schreiben wir Vektoren immer als Spaltenvektoren. Wir betrachten den n-dimensionalen Fall, d.h. Definition.5.7. Den Vektor X = µ = EX = µ. µ n X. X n. = EX. der Erwartungswerte der Komponenten X,...,X n eines zufälligen Vektors X nennen wir Erwartungswertevektor von X. Definition.5.8. Sei X ein zufälliger Vektor mit den Komponenten X,...,X n. Dann heißt die Matrix ( ) Σ = CovX = Cov(X i,x j ) = E(X EX)(X EX)T i,j=...n Kovarianzmatrix von X. EX n 54
8 Satz.5.9. Existiert die Kovarianzmatrix Σ des Zufallsvektors X, so ist sie symmetrisch, d.h. Σ = Σ T, und positiv semidefinit, d.h. für alle v R n gilt (Σv,v) = v T Σv 0. Beweis. Die Symmetrie der Kovarianzmatrix folgt direkt aus Cov(X i,x j ) = Cov(X j,x i ) und es gilt v T Σv = v T ( E(X EX)(X EX) T) v = E ( v T (X EX) ) 2 0. Definition Ein Zufallsvektor X mit den Komponenten X,...,X n heißt nichtsingulär n-dimensional normalverteilt mit den Parametern µ = EX und Σ = Cov(X), geschrieben X N(µ,Σ), wenn Σ symmetrisch und positiv definit ist und die Dichtefunktion f die Form f(x) = Σ (2π) n 2 exp ( 2 (x µ)t Σ (x µ) ) besitzt, wobei Σ die Determinante der Inversen der Kovarianzmatrix bezeichnet. Falls für X N(µ,Σ) die Komponenten X i N(µ i,σi 2 ) paarweise disjunkt sind, d.h. so gilt Σ = σ σ n und f(x) = Σ = n i= σ σ 2 n 2πσi exp, ( (x i µ i ) 2 Die Dichte f des Zufallsvektors X ist also in diesem Fall gleich dem Produkt der Randdichten seiner Komponenten X i. 2σ 2 i ). 55
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung SS 18: Woche vom
Übungsaufgaben 12. Übung SS 18: Woche vom 2. 7. 6. 7. 2018 Stochastik VI: Zufallsvektoren; Funktionen von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrÜbungsrunde 10, Gruppe 2 LVA , Übungsrunde 10, Gruppe 2, Markus Nemetz, TU Wien,
Übungsrunde, Gruppe 2 LVA 7.369, Übungsrunde, Gruppe 2, 9..27 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 9..27 Anmerkung: Viele dieser Lösungsvorschläge stammen aus dem Informatik-Forum, Subforum
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 18: Woche vom
Übungsaufgaben 11. Übung SS 18: Woche vom 25. 6. 29. 6. 2016 Stochastik V: ZG; Momente von ZG; Zufallsvektoren Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 13: Woche vom
Übungsaufgaben 11. Übung SS 13: Woche vom 24. 6. 13-28. 6. 2013 Stochastik V: ZG Momente von ZG; Grenzverteilungssätze Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
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
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
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
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
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
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
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............................
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
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
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........................
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
MehrSind f X bzw. f Y die wie auf Folie 242 definierten Dichtefunktionen zur N(µ X, σx 2 )- bzw. N(µ Y, σy 2 )-Verteilung, so gilt (genau) im Fall ρ = 0
Beispiel: Zweidimensionale Normalverteilung I Beispiel: Zweidimensionale Normalverteilung II Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale multivariate Normalverteilung Spezifikation am
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
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
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
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
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
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
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 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
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 ]
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,
MehrStochastik Musterlösung 7
ETH Zürich HS 216 RW, D-MATL, D-MAVT Prof. Dr. Martin Schweizer Koordinator Calypso Herrera Stochastik Musterlösung 7 1. a) Es sind folgende zwei Eigenschaften zu zeigen: f X,Y (x, y) für alle (x, y) R
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
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
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
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
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...........................
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
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
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 =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
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........................
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrVorlesung 8b. Kovarianz, Korrelation und Regressionsgerade
Vorlesung 8b Kovarianz, Korrelation und Regressionsgerade 1 1. Die Kovarianz und ihre Eigenschaften 2 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und
MehrAnhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen
Kapitel 9 Anhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen 9 Definitionen, Eigenschaften Wir betrachten jetzt p Zufallsvariablen X, X 2,, X p Alle Definitionen, Notationen und Eigenschaften
MehrVorlesung 5a. Die Varianz
Vorlesung 5a Die Varianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert
Mehr2. Zufallsvektoren. Zufallsvektoren allgemein. Diskreter Fall. Multivariate Verteilungsfunktion. Stetige Zufallsvektoren
2 Zufallsvektoren 2. Zufallsvektoren Zufallsvektoren allgemein Diskreter Fall Multivariate Verteilungsfunktion Stetige Zufallsvektoren Unabhängigkeit von Zufallsvariablen Korrelationskoeffizienten Dr.
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
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
MehrVorlesung 9b. Kovarianz und Korrelation
Vorlesung 9b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
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
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
Mehr2.Tutorium Multivariate Verfahren
2.Tutorium Multivariate Verfahren - Multivariate Verteilungen - Hannah Busen: 27.04.2015 und 04.05.2015 Nicole Schüller: 28.04.2015 und 05.05.2015 Institut für Statistik, LMU München 1 / 21 Gliederung
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
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
MehrA. Grundlagen der Stochastik
A. Grundlagen der Stochastik Satz A.1 (Axiome der Wahrscheinlichkeit). Folgende Axiome der Wahrscheinlichkeit können definiert werden: (1) Die Wahrscheinlichkeit P(A) eines Ergebnisses A bei einem Experiment
MehrA. Grundlagen der Stochastik
A. Grundlagen der Stochastik Satz A.1 (Axiome der Wahrscheinlichkeit). Folgende Axiome der Wahrscheinlichkeit können definiert werden: (1) Die Wahrscheinlichkeit P(A) eines Ergebnisses A bei einem Experiment
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
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
Mehr5 Zufallsvariablen, Grundbegriffe
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
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
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
MehrWahrscheinlichkeitstheorie Kapitel XIII - Funktion und Transformation Mehrdimensionaler Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel XIII - Funktion und Transformation Mehrdimensionaler Zufallsvariablen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrWahrscheinlichkeitsrechnung und Statistik
7. Vorlesung - 2018 Bemerkung: Sei X = X 1,..., X n Zufallsvektor. Der n dimensionale Vektor EX = EX 1,..., EX n ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N0, 1. X, Y sind die Koordinaten
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,
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
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
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
MehrÜbungsblatt 11 zur Vorlesung Statistische Methoden - freiwilliger Teil
Dr. Christof Luchsinger Übungsblatt zur Vorlesung Statistische Methoden - freiwilliger Teil Rechnen mit Matrizen, Multivariate Normalverteilung Herausgabe des Übungsblattes: Woche 0, Abgabe der Lösungen:
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. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
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
MehrMultivariate Zufallsvariablen
Kapitel 7 Multivariate Zufallsvariablen 7.1 Diskrete Zufallsvariablen Bisher haben wir immer nur eine Zufallsvariable betrachtet. Bei vielen Anwendungen sind aber mehrere Zufallsvariablen von Interesse.
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:
MehrKapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - Funktion und Transformation mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D.
Mehr