Mehrdimensionale Zufallsvariablen
|
|
- Gudrun Burgstaller
- vor 5 Jahren
- Abrufe
Transkript
1 Mehrdimensionale Zufallsvariablen 3 Inhaltsverzeichnis 3. Problemstellung Univariate Zufallsvariablen Zufallsmatrizen und Zufallsvektoren Multivariate Normalverteilung Problemstellung In Ka. 2 haben wir einfache Verfahren zur Darstellung hochdimensionaler Datensätze kennengelernt. Bei diesen Datensätzen handelt es sich in der Regel um Stichroben aus Poulationen, wie sie bei Kauermann & Küchenhoff (2) detailliert beschrieben werden. Poulationen werden auch Grundgesamtheiten genannt. Um Schlüsse von einer Stichrobe über die zugrunde liegenden Poulationen ziehen zu können, muss man Annahmen über die Merkmale machen. Hierzu benötigen wir das Konzet der Zufallsvariablen. Wir werden in diesem Kaitel zunächst univariate Zufallsvariablen betrachten. Anschließend werden wir die wesentlichen Eigenschaften von mehrdimensionalen Zufallsvariablen herleiten, die wir im weiteren Verlauf des Buches immer wieder benötigen werden. 3.2 Univariate Zufallsvariablen Beisiel 8 In Beisiel 2 wurden die 2 Studenten unter anderem danach befragt, ob sie den Leistungskurs Mathematik besucht haben. Kodiert man j mit und n mit, so erhält man folgende Daten. Sringer-Verlag GmbH Deutschland 27 A. Handl, T. Kuhlenkaser, Multivariate Analysemethoden, Statistik und ihre Anwendungen, DOI.7/ _3 7
2 72 3 Mehrdimensionale Zufallsvariablen In Ka. 2 haben wir gesehen, wie wir diesen Datensatz beschreiben können. Hier wollen wir die Daten als Zufallsstichrobe aus einer Grundgesamtheit auffassen, über die man Aussagen treffen will. In der Regel will man Parameter schätzen oder Hyothesen testen. Um zu sinnvollen Schlussfolgerungen zu gelangen, muss man für das Merkmal eine Wahrscheinlichkeitsverteilung unterstellen. Das Merkmal wird dann zu einer Zufallsvariablen. Man unterscheidet diskrete und stetige Zufallsvariablen. Definition 3. Eine Zufallsvariable Y, die höchstens abzählbar viele Werte annehmen kann, heißt diskret. Dabei heißt P.Y D y/ die Wahrscheinlichkeitsfunktion von Y. Für die Wahrscheinlichkeitsfunktion einer diskreten Zufallsvariablen Y gilt X P.Y D y/ D und für alle y 2 IR. y P.Y D y/ Beisiel 8 (Fortsetzung) Es liegt nahe, die Zufallsvariable Y zu betrachten, die wir Leistungskurs nennen wollen. Sie kann die Werte und annehmen. Die Wahrscheinlichkeit des Wertes sei. Somit ist die Wahrscheinlichkeit des Wertes gleich. Wir erhalten somit die Wahrscheinlichkeitsfunktion P.Y D / D ; P.Y D / D Definition 3.2 Die Zufallsvariable Y heißt Bernoulli-verteilt mit dem Parameter,wenn gilt P.Y D / D ; P.Y D / D Man kann die Wahrscheinlichkeitsverteilung der Bernoulli-Verteilung auch komakter schreiben. Es gilt P.Y D y/ D y. / y für y D ; Oft ist die Frage von Interesse, ob eine Zufallsvariable Y Werte annimmt, die kleiner oder gleich einem vorgegebenen Wert y sind.
3 3.2 Univariate Zufallsvariablen 73 Definition 3.3 Sei Y eine Zufallsvariable. Dann heißt F Y.y/ D P.Y y/ die Verteilungsfunktion von Y. Betrachten wir stetige Zufallsvariablen. Definition 3.4 Eine Zufallsvariable Y heißt stetig, wenn eine Funktion f Y existiert, sodass für die Verteilungsfunktion F Y.y/ von Y gilt W IR! IR F Y.y/ D Z y f Y.u/ du Die Funktion f Y.y/ heißt Dichtefunktion der Zufallsvariablen Y. Die Dichtefunktion f Y.y/ erfüllt folgende Bedingungen. 2. f Y.y/ für alle y 2 IR ; Z f Y.y/ dy D Man kann zeigen, dass jede Funktion, die diese Bedingungen erfüllt, als Dichtefunktion einer stetigen Zufallsvariablen aufgefasst werden kann. Das wichtigste Verteilungsmodell für eine stetige Zufallsvariable ist die Normalverteilung. Definition 3.5 Die Zufallsvariable Y heißt normalverteilt mit den Parametern und 2, wenn ihre Dichtefunktion gegeben ist durch f Y.y/ D 2 ex.y /2 2 2 für y 2 IR (3.) Wir schreiben Y N.; 2 /. Abb. 3. zeigt die Dichtefunktion der Normalverteilung mit D und D, die Standardnormalverteilung heißt. harakteristika von Verteilungen werden durch Maßzahlen beschrieben. Die beiden wichtigsten sind der Erwartungswert und die Varianz. Der Erwartungswert ist die wichtigste Maßzahl für die Lage einer Verteilung.
4 74 3 Mehrdimensionale Zufallsvariablen f(y) y Abb. 3. Dichtefunktion der Standardnormalverteilung Definition 3.6 Sei Y eine Zufallsvariable mit Wahrscheinlichkeitsfunktion P.Y D y/ beziehungsweise Dichtefunktion f Y.y/. Der Erwartungswert E.Y / von Y ist definiert durch E.Y / D X y yp.y D y/; falls Y diskret ist, und durch falls Y stetig ist. Z E.Y / D yf Y.y/ dy;
5 3.2 Univariate Zufallsvariablen 75 Schauen wir uns die Bernoulli-Verteilung und die Normalverteilung an. Für eine mit Parameter Bernoulli-verteilte Zufallsvariable Y gilt Dies sieht man folgendermaßen E.Y / D (3.2) E.Y / D. / D Für eine mit den Parametern und 2 normalverteilte Zufallsvariable Y gilt E.Y / D (3.3) Der Beweis ist bei Mood et al. (974) gegeben. Der ErwartungswertE.g.Y//einer Funktion g.y / der Zufallsvariablen Y ist definiert durch E.g.Y//D X y g.y/ P.Y D y/ ; falls Y diskret ist, und durch E.g.Y//D Z g.y/ f Y.y/ dy ; falls Y stetig ist. Der Erwartungswert besitzt folgende wichtige Eigenschaft E.a Y b/ D ae.y/ b (3.4) Wir zeigen dies für eine diskrete Zufallsvariable Y mit Wahrscheinlichkeitsfunktion P.Y D y/ E.a Y b/ D X y.a y b/p.y D y/ D X y.a y P.Y D y/ bp.y D y// D X y ayp.y D y/ X y bp.y D y/ D a X y yp.y D y/ b X y P.Y D y/ D ae.y/ b Definition 3.7 Sei Y eine Zufallsvariable. Dann ist die Varianz von Y definiert durch Var.Y / D E.Y E.Y // 2 (3.5)
6 76 3 Mehrdimensionale Zufallsvariablen Für eine mit Parameter Bernoulli-verteilte Zufallsvariable Y gilt Dies sieht man folgendermaßen Var.Y / D. / Var.Y / D. / 2. /. / 2 D. /. / D. / Für eine mit den Parametern und 2 normalverteilte Zufallsvariable Y gilt Var.Y / D 2 Der Beweis ist bei Mood et al. (974) gegeben. Die Parameter und 2 sind also gerade der Erwartungswert und die Varianz einer normalverteilten Zufallsvariablen. Die Varianz besitzt folgende Eigenschaft Var.a Y b/ D a 2 Var.Y / (3.6) Dies sieht man mit (3.4) folgendermaßen Var.a Y b/ D E h.a Y b E.a Y b// 2i h D E.a Y b ae.y/ b/ 2i D E h.a.y E.Y /// 2i h D a 2 E.Y E.Y // 2i D a 2 Var.Y / 3.3 Zufallsmatrizen und Zufallsvektoren Wir wollen nun mehrere Zufallsvariablen gleichzeitig betrachten. Beginnen wir mit einem Theorem, dessen Aussage wir im Folgenden immer wieder benötigen. Theorem 3. Seien Y ;;Y univariate Zufallsvariablen. Dann gilt E! X X Y i D E.Y i / (3.7) id id Der Beweis des Theorems ist bei Rice (26) zu finden. Man kann mehrere Zufallsvariablen zu einer Zufallsmatrix oder einem Zufallsvektor zusammenfassen.
7 3.3 Zufallsmatrizen und Zufallsvektoren 77 Definition 3.8 Seien W ;;W n ;;W m ;;W mn univariate Zufallsvariablen. Dann heißt W W n W W D 2 W 2n A W m W mn Zufallsmatrix. Wie auch bei univariaten Zufallsvariablen ist bei Zufallsmatrizen der Erwartungswert von Interesse Definition 3.9 Sei W eine Zufallsmatrix. Dann heißt E.W / E.W n / E.W E.W/ D 2 / E.W 2n / E.W m / E.W mn / A der Erwartungswert von W. Der Erwartungswert einer Zufallsmatrix besitzt eine wichtige Eigenschaft Theorem 3.2 Seien W eine.m; n/-zufallsmatrix, A eine.l; m/-matrix und B eine.n; /- Matrix, dann gilt E.AWB/ D AE.W/B (3.8) Beweis Das Element in der i-ten Zeile und j -ten Salte von AWB erhält man, indem man das innere Produkt der i-ten Zeile von AW und der j -ten Salte der Matrix B bildet. Die i-te Zeile der Matrix AW ist! mx mx a ir W r ; ; a ir W rn rd rd und die j -te Salte von B ist b j b nj A
8 78 3 Mehrdimensionale Zufallsvariablen Bildet man das innere Produkt dieser beiden Vektoren, so erhält man b j m X a ir W r b nj m X rd rd a ir W rn D D Nun gilt mx mx a ir W r b j a ir W rn b nj rd nx sd mx a ir W rs b sj rd rd E! nx mx nx a ir W rs b sj D sd rd sd mx a ir E.W rs /b sj rd Dies ist aber gerade das Element in der i-ten Zeile und j -ten Salte der Matrix AE.W/B. Diese Eigenschaft von Zufallsmatrizen werden wir gleich verwenden. Wir werden uns im Folgenden aber nicht mit Zufallsmatrizen, sondern mit Zufallsvektoren beschäftigen, die wir auch als mehrdimensionale Zufallsvariablen bezeichnen. Definition 3. Seien Y ;;Y univariate Zufallsvariablen. Dann heißt -dimensionale Zufallsvariable. Y D In Analogie zum Erwartungswert einer Zufallsmatrix definieren wir den Erwartungswert einer -dimensionalen Zufallsvariablen. Y Y A Definition 3. Sei Y eine -dimensionale Zufallsvariable. Dann heißt Erwartungswert von Y. E.Y/ D E.Y / E.Y / Wir haben bei univariaten Zufallsvariablen Y gesehen, dass der Erwartungswert einer Lineartransformation von Y gleich der Lineartransformation des Erwartungswertes ist. Eine entsrechende Eigenschaft gilt für mehrdimensionale Zufallsvariablen. A
9 3.3 Zufallsmatrizen und Zufallsvektoren 79 Theorem 3.3 Sei Y eine -dimensionale Zufallsvariable, A eine.m; /-Matrix, b ein m-dimensionaler Vektor. Dann gilt Beweis Die i-te Komonente des Vektors AY b ist Nun gilt E.AY b/ D AE.Y/ b (3.9) X a ik Y k b i kd E! X X a ik Y k b i D a ik E.Y k / b i kd kd Dies ist aber gerade die i-te Komonente von AE.Y/ b. Wie das folgende Theorem zeigt, gilt die Aussage von Theorem 3. auch für - dimensionale Zufallsvariablen. Theorem 3.4 Seien Y ;;Y n -dimensionale Zufallsvariablen mit Dann gilt Y i D Y i Y i A E! nx nx Y i D E.Y i / (3.) id id Beweis E 2 P 3! n nx id Y i Y i D E 6B 7 4@ A5 id P D n id Y i E. P n P n id E.Y i/ E.Y nx i / D A P D n id E.Y id i/ E.Y i / E. P n id Y i/ id Y i/ A D A nx E.Y i / id
10 8 3 Mehrdimensionale Zufallsvariablen In Ka. 2 haben wir die emirische Kovarianz als Maß für den linearen Zusammenhang zwischen zwei Merkmalen kennengelernt. Sie ist definiert durch s ij D n nx.x ki Nx i /.x kj Nx j / Diesen Ausdruck können wir direkt auf zwei Zufallsvariablen übertragen. kd Definition 3.2 Seien Y und Z univariate Zufallsvariablen. Dann ist die Kovarianz ov.y; Z/ zwischen Y und Z definiert durch Offensichtlich gilt ov.y; Z/ D EŒ.Y E.Y //.Z E.Z// (3.) ov.y; Z/ D ov.z; Y / (3.2) Setzen wir in (3.) Z gleich Y, so ergibt sich die Varianz von Y Var.Y / D ov.y; Y / (3.3) Das folgende Theorem gibt wichtige Eigenschaften der Kovarianz an. Theorem 3.5 Seien U, V, Y und Z univariate Zufallsvariablen und a, b, c und d reelle Zahlen. Dann gilt und Beweis Wir beweisen zunächst (3.4) ov.u V;Y Z/ D ov.u; Y / ov.u; Z/ ov.v; Y / ov.v; Z/ (3.4) ov.a V b; c Y d/ D acov.v; Y / (3.5) ov.u V;Y Z/ D EŒ.U V E.U V//.Y Z E.Y Z// D EŒ.U V E.U/ E.V //.Y Z E.Y / E.Z// D EŒ.U E.U/ V E.V //.Y E.Y / Z E.Z// D EŒ.U E.U //.Y E.Y //.U E.U //.Z E.Z//.V E.V //.Y E.Y //.V E.V //.Z E.Z//
11 3.3 Zufallsmatrizen und Zufallsvektoren 8 (3.5) gilt wegen D EŒ.U E.U //.Y E.Y // EŒ.U E.U //.Z E.Z// EŒ.V E.V //.Y E.Y // EŒ.V E.V //.Z E.Z// D ov.u; Y / ov.u; Z/ ov.v; Y / ov.v; Z/ ov.a V b; c Y d/ D EŒ.aV b E.a V b//.c Y d E.c Y d// D EŒ.aV b ae.v/ b/.c Y d ce.y/ d/ D aceœ.v E.V //.Y E.Y // D acov.v; Y / Setzen wir in (3.4) U gleich Y und V gleich Z, so gilt ov.y Z;Y Z/ D ov.y; Y / ov.y; Z/ ov.z; Y / ov.z; Z/ D Var.Y / 2 ov.y; Z/ Var.Z/ Es gilt also Entsrechend kann man zeigen Var.Y Z/ D Var.Y / Var.Z/ 2 ov.y; Z/ (3.6) Var.Y Z/ D Var.Y / Var.Z/ 2 ov.y; Z/ (3.7) (3.5) zeigt, dass die Kovarianz nicht skaleninvariant ist. Das haben wir auch schon in Ka. 2 gesehen. Misst man die Körergröße in Zentimetern und das Körergewicht in Gramm und bestimmt die Kovarianz zwischen diesen beiden Zufallsvariablen, so ist die Kovarianz -mal so groß, als wenn man die Körergröße in Metern und das Körergewicht in Kilogramm bestimmt. Eine skaleninvariante Maßzahl für den Zusammenhang zwischen zwei Zufallsvariablen erhält man, indem man die beiden Zufallsvariablen standardisiert. Wir bilden Y D Y E.Y / Var.Y / (3.8) und Z D Z E.Z/ Var.Z/ (3.9)
12 82 3 Mehrdimensionale Zufallsvariablen Wie man mit (3.4) und (3.6) leicht zeigen kann, gilt und Für die Kovarianz zwischen Y und Z gilt E.Y / D E.Z / D (3.2) Var.Y / D Var.Z / D (3.2) ov.y ;Z / D ov.y; Z/ Var.Y / Var.Z/ (3.22) Dies sieht man mit (3.5) folgendermaßen ov.y ;Z / D ov D D! Y E.Y / Z E.Z/ ; Var.Y / Var.Z/ Var.Y / Var.Z/ ov.y E.Y /;Z E.Z// ov.y; Z/ Var.Y / Var.Z/ Definition 3.3 Seien Y und Z Zufallsvariablen. Der Korrelationskoeffizient Y;Z zwischen Y und Z ist definiert durch Y;Z D ov.y; Z/ Var.Y / Var.Z/ (3.23) Der Korrelationskoeffizient ist skaleninvariant. Sind a undc ositive reelle Zahlen, so gilt ay;cz D Y;Z Mit (3.6) und (3.5) sieht man dies folgendermaßen ov.a Y; c Z/ acov.y; Z/ ay;cz D D Var.a Y / Var.c Z/ a2 Var.Y / c 2 Var.Z/ acov.y; Z/ D ac Var.Y / Var.Z/ D ov.y; Z/ D Y;Z Var.Y / Var.Z/ Das folgende Theorem gibt eine wichtige Eigenschaft des Korrelationskoeffizienten an.
13 3.3 Zufallsmatrizen und Zufallsvektoren 83 Theorem 3.6 Für den Korrelationskoeffizienten Y;Z zwischen den Zufallsvariablen Y und Z gilt Y;Z (3.24) Dabei ist j Y;Z jd genau dann, wenn Konstanten a und b existieren, sodass gilt P.Z D a by/d Beweis Seien Y und Z die standardisierten Variablen. Dann gilt wegen (3.6) Var.Y Z / D Var.Y / Var.Z / 2 ov.y ;Z / D 2 2 Y;Z Da die Varianz nichtnegativ ist, gilt und somit Außerdem gilt wegen (3.7) Hieraus folgt Also gilt Ist so gilt 2 2 Y;Z Y;Z Var.Y Z / D Var.Y / Var.Z / 2 ov.y ;Z / D 2 2 Y;Z Y;Z Y;Z Y;Z D ; Var.Y Z / D
14 84 3 Mehrdimensionale Zufallsvariablen Somit gilt siehe dazu Rice (26). Also gilt mit P.Y Z D / D ; P.Y D a bz/d a D E.Y / Var.Y / Var.Z/ E.Z/ und b D Var.Y / Var.Z/ Eine analoge Beziehung erhält man für Y;Z D. Das Konzet der Kovarianz kann auch auf mehrdimensionale Zufallsvariablen übertragen werden. Definition 3.4 Sei Y eine -dimensionale Zufallsvariable und Z eine q-dimensionale Zufallsvariable, dann heißt ov.y ;Z / ov.y ;Z q / ov.y; Z/ D A (3.25) ov.y ;Z / ov.y ;Z q / die Kovarianzmatrix von Y und Z. Man kann die Kovarianzmatrix von Y und Z auch mithilfe des äußeren Produkts darstellen ov.y; Z/ D E.Y E.Y//.Z E.Z// (3.26)
15 3.3 Zufallsmatrizen und Zufallsvektoren 85 Dies sieht man folgendermaßen ov.y ;Z / ov.y ;Z q / ov.y; Z/ D A ov.y ;Z / ov.y ;Z q / EŒ.Y E.Y //.Z E.Z // EŒ.Y E.Y //.Z q E.Z q // D A EŒ.Y E.Y //.Z E.Z // EŒ.Y E.Y //.Z q E.Z q //.Y E.Y //.Z E.Z //.Y E.Y //.Z q E.Z q // D E A.Y E.Y //.Z E.Z //.Y E.Y //.Z q E.Z q // 2 3 Y E.Y /.Z E.Z / Z q E.Z q // D E 6B 7 4@ A 5 Y E.Y / D E.Y E.Y//.Z E.Z// InTheorem3.5wurdenEigenschaftenvonov.Y; Z/ bewiesen. ov.y; Z/ besitzt analoge Eigenschaften. Theorem 3.7 Seien U und V -dimensionale Zufallsvariablen, Y und Z q-dimensionale Zufallsvariablen, A eine.m; /-Matrix, eine.n; q/-matrix, b ein m-dimensionaler Vektor und d ein n-dimensionaler Vektor. Dann gilt und ov.u V; Y Z/ D ov.u; Y/ ov.v; Y/ ov.u; Z/ ov.v; Z/ (3.27) Beweis Wir zeigen zunächst (3.27) ov.av b; Y d/ D A ov.v; Y/ (3.28) ov.u V; Y Z/ D EŒ.U V E.U V//.Y Z E.Y Z// D EŒ.U V E.U/ E.V//.Y Z E.Y/ E.Z// D EŒ.U E.U/ V E.V//.Y E.Y/ Z E.Z// D EŒ.U E.U//.Y E.Y//.U E.U//.Z E.Z//.V E.V//.Y E.Y//.V E.V//.Z E.Z//
16 86 3 Mehrdimensionale Zufallsvariablen (3.28) ist erfüllt wegen D EŒ.U E.U//.Y E.Y// EŒ.U E.U//.Z E.Z// EŒ.V E.V//.Y E.Y// EŒ.V E.V//.Z E.Z// D ov.u; Y/ ov.u; Z/ ov.v; Y/ ov.v; Z/ ov.av b; Y d/ D EŒ.AV b E.AV b//.y d E.Y d// D EŒ.AV AE.V//.Y E.Y// D EŒ.A.V E.V//..Y E.Y/// D EŒA.V E.V//.Y E.Y// (3.29) D AEŒ.V E.V//.Y E.Y// (3.3) D A ov.v; Y/ Der Übergang von (3.29)zu(3.3) gilt aufgrund von (3.8). Definition 3.5 Sei Y eine -dimensionale Zufallsvariable. Dann nennt man ov.y; Y/ die Varianz-Kovarianz-Matrix Var.Y/ von Y. Für die Varianz-Kovarianz-Matrix schreiben wir auch. Sie sieht folgendermaßen aus Var.Y / ov.y ;Y 2 / ov.y ;Y / ov.y D 2 ;Y / Var.Y 2 / ov.y 2 ;Y / A ov.y ;Y / ov.y ;Y 2 / Var.Y / Wegen ov.y i ;Y j / D ov.y j ;Y i / ist die Varianz-Kovarianz-Matrix symmetrisch. Diese Eigenschaft wird im Folgenden von zentraler Bedeutung sein. Theorem 3.8 Sei Y eine -dimensionale Zufallsvariable, A eine.m; /-Matrix und b ein m-dimensionaler Vektor. Dann gilt Beweis Wegen (3.28) gilt Var.AY b/ D AVar.Y/A (3.3) Var.AY b/ D ov.ay b; AY b/ D A ov.y; Y/A D A Var.Y/A
17 3.3 Zufallsmatrizen und Zufallsvektoren 87 Ist in (3.3) A eine.; /-Matrix, also ein -dimensionaler Zeilenvektor a, und b D,so gilt Var.a Y/ D a Var.Y/ a D a a (3.32) Da die Varianz nichtnegativ ist, gilt für jeden -dimensionalen Vektor a a Var.Y/ a Also ist eine Varianz-Kovarianz-Matrix immer nichtnegativ definit. Setzen wir in (3.32)füra den Einservektor ein, erhalten wir Var! X X Y i D Var. Y/ D Var.Y/ D Var.Y i / X id i j id ov.y i ;Y j / Sind die Zufallsvariablen Y ;;Y also unkorreliert, so gilt Var! X X Y i D Var.Y i / id id Die Varianz-Kovarianz-Matrix der standardisierten Zufallsvariablen nennt man auch Korrelationsmatrix P Dabei gilt 2 P D 2 2 A (3.33) 2 ij D ov.y i ;Y j / Var.Yi / Var.Y j / Wir bezeichnen E.Y i / mit i und Var.Y i / mit i.sei QY die zentrierte -dimensionale Zufallsvariable Y. Es gilt also Y QY D A (3.34) Y
18 88 3 Mehrdimensionale Zufallsvariablen Die standardisierte -dimensionale Zufallsvariable Y bezeichnen wir mit Y. Es gilt Y D Y Y A (3.35) Bilden wir die Diagonalmatrix D D 2 A ; so gilt Y D D QY Da Korrelationen gerade die Kovarianzen zwischen den standardisierten Zufallsvariablen sind, folgt Diese Beziehung werden wir in Ka. 9 benötigen. P D Var.D QY/ (3.36) 3.4 Multivariate Normalverteilung Die wichtigste stetige Verteilung ist die Normalverteilung. Die Dichtefunktion einer mit den Parametern und 2 normalverteilten Zufallsvariablen ist gegeben durch f Y.y/ D 2 ex.y /2 2 2 für y 2 IR Wir können diesen Ausdruck direkt übertragen auf eine -dimensionale Zufallsvariable Y. Definition 3.6 Die -dimensionale Zufallsvariable Y heißt -variat normalverteilt mit den Parametern und, falls die Dichtefunktion von Y gegeben ist durch f Y.y/ D.2 / =2 j j 5 exf 5.y /.y /g (3.37)
19 3.4 Multivariate Normalverteilung 89.5 f(y) Abb. 3.2 Dichtefunktion der bivariaten Standardnormalverteilung Abb. 3.2 zeigt die Dichte einer bivariaten Standardnormalverteilung. Es gilt also D! und D! Das folgende Theorem gibt den Erwartungswert und die Varianz-Kovarianz-Matrix einer -dimensionalen Normalverteilung an.
20 9 3 Mehrdimensionale Zufallsvariablen Theorem 3.9 Sei Y eine mit den Parametern und -variat normalverteilte Zufallsvariable. Dann gilt und E.Y/ D Var.Y/ D Ein Beweis dieses Theorems ist bei Seber (977) gegen.das folgende Theorem benötigen wir in Ka. 9. Theorem3. Sei Y eine mit den Parametern und -variat normalverteilte Zufallsvariable, A eine (m,)-matrix vom Rang m und b ein m-dimensionaler Vektor. Dann ist AY b m-variat normalverteilt mit den Parametern A b und A A. Ein Beweis dieses Theorems ist ebenfalls bei Seber (977) enthalten.
21 htt//
Kapitel 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
Mehr3. 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
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
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)
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
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
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.
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
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
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 ]
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
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
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
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
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
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
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
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
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
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
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
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
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,
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 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
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
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
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
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
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
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
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
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
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
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
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
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
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............................
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
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
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,
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
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
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: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
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
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/31 Kruschwitz/Husmann (2012) Finanzierung und Investition 2/31 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München
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
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
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
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
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
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
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
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
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
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........................
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
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,
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
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
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrI Beschreibende Statistik 1
Inhaltsverzeichnis Vorwort ix I Beschreibende Statistik 1 Lernziele zu Teil I 2 1 Statistik, Daten und statistische Methoden 3 1.1 Statistik im Alltag, in Politik und Gesellschaft...... 3 1.2 Aufgaben
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
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
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,
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
MehrStatistik Klausur Wintersemester 2013/2014 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 1 2. Klausur Wintersemester 2013/2014 Hamburg, 18.03.2014 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
Mehr1 Beispiele multivariater Datensätze... 3
Inhaltsverzeichnis Teil I Grundlagen 1 Beispiele multivariater Datensätze... 3 2 Elementare Behandlung der Daten... 15 2.1 Beschreibung und Darstellung univariater Datensätze... 15 2.1.1 Beschreibung und
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
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
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.
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
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...........................
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
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrDie Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten
Die Funktion f ;Y (x; y) := Pr[ = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen und Y. Aus der gemeinsamen Dichte f ;Y kann man ableiten f (x) = y2w Y f ;Y (x; y) bzw. f Y (y) = Die Funktionen
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
Mehr+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert:
Tail Abhängigkeit Definition 12 Sei (X 1,X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: λ U (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
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
Mehr[ 2 ] Die Zufallsvariablen X und Y haben die in der Tabelle gegebene gemeinsame Wahrscheinlichkeitsfunktion
Paare von Zufallsvariablen Kapitel : Paare von Zufallsvariablen A: Übungsaufgaben: [ ] Die Zufallsvariable X kann die Werte, 2 und die Zufallsvariable Y die Werte 0,, 2 annehmen. Die gemeinsame Verteilungsfunktion
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
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
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
Mehr