Zusammenfassung Stochastik I + II
|
|
- Gerhardt Grosse
- vor 7 Jahren
- Abrufe
Transkript
1 Zusammenfassung Stochastik I + II Stephan Kuschel Vorlesung von Dr. Nagel Stochastik I: WS 007/08 Stochastik II: SS 008 zuletzt aktualisiert: 7. Juli 009 Da diese Zusammenfassung den Menschen, die sie lesen helfen soll bitte ich darum, Fehler und andere Verbesserungsideen an mich weiterzuleiten: Vorname.Nachname@uni-jena.de (entsprechend Deckblatt ersetzen) Inhaltsverzeichnis I Stochastik I 1 1 Wahrscheinlichkeitsraum 1 Zufällige Variablen, Zufallsgrößen, zufällige Vektoren 3 3 Verteilungsgesetze von transformierten Zufallsgrößen 4 4 Erwartungswert, Varianz, Kovarianz 4 5 Ungleichungen & Grenzwertsätze 5 II Stochastik II: mathematische Statistik 7 1 Stichproben und der statistische Raum 8 Punktschätzungen 9 3 Verteilungen 10 4 Konfidenzintervalle 11 5 Tests 11 6 Stat. Methoden für -dim Stichproben (Multivariatstatistik) 14
2 Stochastik I Wahrscheinlichkeitsraum 1 Teil I Stochastik I Inhaltsverzeichnis 1 Wahrscheinlichkeitsraum Wahrscheinlichkeitsraum Beschreibungsmöglichkeiten für Wahrscheinlichkeitsmaße Spezielle Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten stochastische Unabhängigkeit Zufällige Variablen, Zufallsgrößen, zufällige Vektoren 3.1 Zufällige Variablen Zufallsgrößen Unabhängigkeit von Zufallsgrößen diskrete Zufallsgrößen stetige Zufallsgrößen Verteilungsgesetze von transformierten Zufallsgrößen Transformationen von 1dim. Zufallsgrößen Summe zweier Zufallsgrößen Produkt & Quotient zweier Zufallsgrößen Injektive diffbare Transformationen von zufälligen Vektoren Erwartungswert, Varianz, Kovarianz Erwartungswert Varianz Kovarianz Die Kovarianzmatrix Ungleichungen & Grenzwertsätze Markov-Ungleichung Tschebyscheff Ungleichung Gesetz der großen Zahlen Der zentrale Grenzwertsatz Wahrscheinlichkeitsraum 1.1 Wahrscheinlichkeitsraum Wahrscheinlichkeitsraum [Ω, A, P ], Ereignis A A, dann gilt: Ω A A A A A A Ω A p(ω) ist σ-algebra. A i A A i A Axiomensystem von Kolmogorov: P : A [0, 1]
3 Stochastik I Wahrscheinlichkeitsraum P (Ω) = 1 ( A i A j ) P A i Folgerungen: = = P (A i ) P ( ) = 0 P (Ω) = 1 P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) A B P (A) P (B) P (B \ A) = P (B) P (A) A 1 A... P ( i A i) = lim i P (A i ) A 1 A... P ( i A i) = lim i P (A i ) (σ-additivität von P ) 1. Beschreibungsmöglichkeiten für Wahrscheinlichkeitsmaße P (A) = ω A P ({ω}) 1.3 Spezielle Wahrscheinlichkeitsräume siehe Verteilungen 1.4 Bedingte Wahrscheinlichkeiten P (A B) = P (A B) P (B) A 1, A disjunkt P (A 1 A B) = P (A 1 B) + P (A B) P (A B) = P (A B) P (B) = P (B A) P (A) P (B A) = P (A B) P (B) P (A) Entnahme ohne Zurücklegen: P (A 1... A n ) = P (A 1 ) P (A A 1 ) P (A 3 A A 1 ) stochastische Unabhängigkeit A, B stochastisch unabhängig P (A B) = P (A) P (B) A i stochastisch vollständig unabhängig P ( i A i) = i P (A i) paarweise stochastische Unabhängigkeit ist etwas anderes! (A, B) unabhängig (A, B ), (A, B), (A, B ) unabhängig
4 Stochastik I Zufällige Variablen, Zufallsgrößen, zufällige Vektoren 3 Zufällige Variablen, Zufallsgrößen, zufällige Vektoren.1 Zufällige Variablen g : Ω Ω g 1 : p(ω ) p(ω) g 1 (A ) : {ω Ω : g(ω) A } mit A Ω. Zufallsgrößen X : Ω R P X (B) = P (X 1 (B)) B R Verteilungsfunktion: F X (x) = P (X x) P (a < X < b) = F X (b) F X (a) P (X = a) = F X (a) F X (a 0) F X ( ) = 0 F X ( ) = 1 x R.3 Unabhängigkeit von Zufallsgrößen X, Y sollen unabh. heißen, wenn all Paare von Ereignissen, die Mithilfe von X, Y formuliert werden können unabhängig sind. P (X B 1, Y B ) = P (X B 1 ) P (Y B ) X, Y unabh. P (X 1 B 1, X B,... X n B n ) = P (X 1 B 1 )... P (X n B n ) = X 1,..., X n vollständig unabhängig = X 1,..., X n i.i.d., falls X 1,..., X n Zufallsgrößen über demselben W.-Raum.3.1 diskrete Zufallsgrößen X, Y unabhängig P (X = x, Y = y) = P (X = x) P (Y = y) X geometrisch verteilt: ( Gedächtnislosigkeit ) P (X = k + l X k) = P (X = l).3. stetige Zufallsgrößen X = (X 1,..., X n ) Randverteilungsfunktion: F Xi (x) = P (X 1 R,..., x i x,..., X n R) gemeinsame Verteilungsfunktion: F X (x 1,..., x n ) = P (X 1 x 1,..., X n x n ) X 1,..., X n unabhängig F X (x 1,..., x n ) = F X1 (x 1 )... F Xn (x n ) xn x1 Dichtefunktion F X (x 1,..., x n ) =... f X (t 1,..., t n )dt 1... dt n mit f X (t)dt = 1 f heißt Dichtefunktion R n Randdichte f xi = f X (t) R\span(x i )
5 Stochastik I Erwartungswert, Varianz, Kovarianz 4 3 Verteilungsgesetze von transformierten Zufallsgrößen 3.1 Transformationen von 1dim. Zufallsgrößen F g(x) (x) = P (g(x) x) = P (X g 1 ((, x])) oder Darstellung F g(x) (x) = x k(t)dt g(x) hat VD k 3. Summe zweier Zufallsgrößen Seien X 1, X unabhängig P (X 1 + X = s) = x 1 P (X 1 = x 1, X = s x ) = x 1 P (X 1 = x 1 ) P (X = s x 1 ) X 1 Π λ1, X Π λ, X 1 + X Π λ1 +λ f X1 +X = f X1 (t)f X (s t)dt X 1 N µ1,σ 1, X N µ,σ, X 1 + X N µ1 +µ,σ 1 +σ f X1 X = f X1 (t)f X (t s)dt 3.3 Produkt & Quotient zweier Zufallsgrößen f X1 X (s) = f X 1 X (s) = ( ) 1 s t f X 1 f X (t)dt t t f X1 (st) f X (t)dt 3.4 Injektive diffbare Transformationen von zufälligen Vektoren f Y (u) = f X(T 1 (u)) det T (T 1 (u)) 4 Erwartungswert, Varianz, Kovarianz Erwartungswert ˆ= Mittelwert Varianz ˆ= mittlere quadratische Abweichung 4.1 Erwartungswert EX = Existenz: xf X (x)dx, Eg(X) = x f X (x)dx < g(x)f X (x)dx E(aX 1 + b) = aex + b E(X 1 + X ) = EX 1 + EX (gilt immer) E(X 1 X ) = EX 1 EX (Zgr. unabhängig!)
6 Stochastik I Ungleichungen & Grenzwertsätze 5 4. Varianz varx = E(X EX) = EX (EX) var(ax + b) = a varx var(x 1 ± X ) = varx 1 + varx, X 1, X unabhängig 4.3 Kovarianz cov(x 1, X ) = E(X 1 X ) (EX 1 ) (EX ) var(x 1 + X ) = varx 1 + varx + cov(x 1 X ) cov(x 1, X ) = 0 X 1, X unkorreliert cov(x, ax + b) = avarx cov(x, X) = varx X i N µi σ i : cov(x 1, X ) = ρσ 1 σ ρ X1,X = cov(x 1, X ) varx1 varx 4.4 Die Kovarianzmatrix X = (X 1,..., X n ) zufälliger Vektor Σ X = E(X EX) T (X EX) = (cov(x i, X j )) ij n-dim Normalverteilung: ( ) σ N µ,σ, n = : Σ = 1 ρσ 1 σ ρσ 1 σ σ 5 Ungleichungen & Grenzwertsätze 5.1 Markov-Ungleichung P ( X c) E(g( X )) g(c) g monoton, nicht fallend 5. Tschebyscheff Ungleichung P ( X EX c) varx c X N µ,σ : P ( X µ kσ) σ k σ = 1 k 5.3 Gesetz der großen Zahlen (X i ) i i.i.d. ( ) 1 n lim P X i EX 1 > ɛ = 0 n n
7 Stochastik I Ungleichungen & Grenzwertsätze Der zentrale Grenzwertsatz (X i ) i i.i.d. mit EX i <, varx i = σ > 0, EX i = m mit Φ(x) VF von N 0,1 ( n ) lim P X i nµ x = Φ(x) n nσ Summen von i.i.d.zgr. sind asymptotisch normalverteilt. P (X i = 1) = p = 1 P (X i = 0) ( ) n lim P X i np x = Φ(x) n np(1 p) mit Korrekturformel: P ( i X i k) = P ( i X i < k) = Φ Approx der Binomialverteilung: Poissonverteilung: λ = np, n groß, p klein Normalverteilung: µ = np, σ = np(1 p) ( ) k+ 1 np np(1 p)
8 Stochastik II: mathematische Statistik Ungleichungen & Grenzwertsätze 7 Teil II Stochastik II: mathematische Statistik Inhaltsverzeichnis 1 Stichproben und der statistische Raum Liste wichtiger Statistiken Punktschätzungen 9.1 Punktschätzungen für Erwartungswert Punktschätzung für die Varianz Gütekriterien Die Maximum-Likelihood-Methode Verteilungen χ -Verteilung t-verteilung F-Verteilung Konfidenzintervalle Konfidenzintervall für Erwartungswert bei bekannter Varianz Konfidenzintervall für Erwartungswert bei unbekannter Varianz Konfidenzintervall für Varianz bei unbekanntem Erwartungswert Tests Grundbegriffe Tests für Normalverteilte Grundgesamtheit Gausstest: Prüfung des Erwartungswertes bei bekannter Varianz t-test: Prüfung des Erwartungswertes bei unbekannter Varianz χ -Test: Prüfung der Varianz bei unbekanntem Erwartungswert Zwei Testprobleme für disjunkte Verteilungen Likelihood-Quotienten Methode Testen von Hypothesen über Parameter der hypergeometrischen Verteilung Anpassungstests (Kolmogorov-Smirnov) Zwei-Stichproben Test Stat. Methoden für -dim Stichproben (Multivariatstatistik) Test auf Unabhängigkeit von Beobachtungsparametern Randverteilungen Korrelationskoeffizient χ Unabhängigkeitstest Regressionsanalyse
9 Stochastik II: mathematische Statistik Stichproben und der statistische Raum 8 1 Stichproben und der statistische Raum Stichproben math. Stichprobe: X 1,..., X n konkrete Stichprobe: x 1,..., x n Der statistische Raum: [R n, R n, {Pθ n, θ Θ}] Θ R l, l 1, P θ ist Wahrscheinlichkeitsmaß auf [R, R] θ 1.1 Liste wichtiger Statistiken 1. Stichprobenmittel / empirischer Erwartungswert T (x 1,..., x n ) = 1 n x i = x n. r-tes Stichprobenmoment / empirisches r-tes Moment 3. Stichprobenstreuung / empirische Varianz T (x 1,..., x n ) = 1 n x r i n T (x 1,..., x n ) = 1 n (x i x) = σ n 4. korrigierte Stichprobenstreuung / korrigierte empirische Varianz T (x 1,..., x n ) = 1 n 1 5. konkrete geordnete Stichprobe / Variationsreihe n (x i x) = ˆσ = n n 1 σ T (x 1,..., x n ) = (x 1,..., x n) (sortieren) mit x 1... x n 6. i-te geordnete Statistik / i-te Rangstatistik T (x 1,..., x n ) = x i (nach Sortieren, i-tes Element) 7. Spannweite einer Stichprobe T (x 1,..., x n ) = x n x 1 8. Stichprobenmedian / empirischer Zentralwert T (x 1,..., x n ) = x 1 = x n+1 ( 1 x n + x n +1 ) falls n ungerade falls n gerade
10 Stochastik II: mathematische Statistik Punktschätzungen 9 9. Stichproben-α-Quantil / empirisches α-quantil, α (0, 1) x nα +1 falls nα nicht ganzzahlig T (x 1,..., x n ) = x α = ( 1 x nα + x nα+1) falls nα ganzzahlig 10. empirische Verteilungsfunktion T (x 1,..., x n ) = ˆF (s) = 1 n n 1 [xi,α)(s) = 1 n {i 1,..., n : x i s} 11. Histogramm oder rel. Häufigkeiten zu einer Vorgegebenen Klasseneinteilung 1,..., k ( 1 n T (x 1,..., x n ) = 1 1 (x i ),..., 1 ) n 1 k (x i ) n n 1. Box-Plot 1,... k paarweise Disjunkt, äquidistant Faustregel von STURGES: k = log 10 n T (x 1,..., x n ) = ( x 0.1, x 0.5, x 0.5, x 0.75, x 0.9 ) Punktschätzungen.1 Punktschätzungen für Erwartungswert ˆµ(x 1,..., x n ) = x var θ ˆµ(X 1,..., X n ) = 1 n var θx 1 falls X 1,..., X n i.i.d.. Punktschätzung für die Varianz ˆσ (x 1,..., x n ) = 1 n 1 n (x i x).3 Gütekriterien T erwartungstreue Punktschätzung für γ E θ T (X 1,..., X n ) = γ(θ) θ Θ T 1 effizienter als T var θ T 1 (X 1,..., X n ) < var θ T (X 1,..., X n ) < T bester erwartungstreuer Schätzer (BUE - best unbiased estimator) var θ T (X 1,..., X n ) var θ T i (X 1,..., X n ) θ Θ und T i erwartungstreu i Mögliche andere Kriterien E θ (T (X 1,..., X n ) θ) Asymptot. Verhalten für n Anmerkung: ˆµ = x ist bester erwartungstreuer Schätzer, falls Grundgesamtheit normalverteilt, poissonverteilt, binomialverteilt, aber nicht bei Gleichverteilung auf (a, b), a, b unbekannt.
11 Stochastik II: mathematische Statistik Verteilungen 10.4 Die Maximum-Likelihood-Methode θ Θ suchen für das diese Stichprobe den Maximalwert der Wahrscheinlichkeitsdichte liefert. Likelihood-Funktion: L : θ R n [0, ) n L(θ, x 1,..., x n ) = f θ (x i ) n = P θ (X i = x i ) Maximum-Likelihood Schätzwert ˆθ L(ˆθ, x 1,..., x n ) L(θ, x 1,..., x n ) Zur Berechnung häufig ln L betrachten. θ Θ (stetig) (diskret) 3 Verteilungen X i N 0,1 Z i N µ,σ 3.1 χ -Verteilung r Xi χ r 1 σ n(z i µ) χ n 1 σ n(z i Z) χ n 1 Y 1 χ r 1 Y χ r Y 1 + Y χ r 1 +r χ = ε 1 0 x < 0 f Y (x) = 1 r Γ( r ) x r 1 e x x 0 3. t-verteilung f Y ( x) = f Y (x) r = 1: Cauchy-Verteilung { f Y (x) = Γ( r+1 ) Γ( r ) πr r : Normalverteilung mit µ = 0, σ = 1 ) r+1 (1 + x r x R X 0 1 r r Xi t r n 1 n 1 Z µ n (X i X) t n 1
12 Stochastik II: mathematische Statistik Tests F-Verteilung 0 x < 0 f Y (x) = ( s ) s r x s 1 ( 1 + s r x) s+r x 0 1 s r+s i=r+1 X i 1 r r X i F s,r 4 Konfidenzintervalle (1 α)-konfidenzintervall P n θ (C(X 1,..., X n ) γ(θ)) 1 α θ Θ Häufig (1 α) {0.9; 0.95; 0.99} 4.1 Konfidenzintervall für Erwartungswert bei bekannter Varianz C(x 1,..., x n ) = [ x σ Φ 1 (1 α n ), x + σ Φ 1 (1 α ] n ) ist (1 α)-ki 4. Konfidenzintervall für Erwartungswert bei unbekannter Varianz ist (1 α)-ki C(x 1,..., x n ) = [ x ] ˆσ ˆσ t n n 1,1 α, x + t n n 1,1 α 4.3 Konfidenzintervall für Varianz bei unbekanntem Erwartungswert (n 1)ˆσ C(x 1,..., x n ) =, χ n 1,1 α (n 1)ˆσ χ n 1, α weil (n 1)ˆσ σ χ n 1 5 Tests 5.1 Grundbegriffe Θ partitionieren in Θ 0, Θ 1 H 0 : θ Θ 0 Nullhypothese H 1 : θ Θ 1 Alternativhypothese H 0 wahr H 1 wahr H 0 wählen Fehler. Art H 0 ablehnen Fehler 1. Art.Art: irrtümliche Annahme von H 1 1.Art: irrtümliche Ablehnung von H 0 Test: D : R n {H 0, H 1 } Testgröße: T : R n R
13 Stochastik II: mathematische Statistik Tests 1 Kritischer Bereich K R sodass T (x 1,..., x n ) K H 1 wählen T (x 1,..., x n ) K H 0 wählen Gütefunktion des Tests D β D : θ [0, 1] mit β(θ) = Pθ n (D(X 1,..., X n ) = H 1 ) Signifikanzniveau zum Niveau α β D (θ) α θ Θ β D (θ) sup β D (θ ) θ Θ 1 (Unverfälschtheit) θ Θ 0 5. Tests für Normalverteilte Grundgesamtheit 5..1 Gausstest: Prüfung des Erwartungswertes bei bekannter Varianz (a) H 0 : µ = µ 0 H 1 : µ µ 0 T (X 1,..., X n ) = n X µ 0 σ 0 K = ( ( )) α, Φ 1 N 0,1 falls µ=µ 0 (!) ) (Φ 1 ( 1 α ), (b) H 0 : µ µ 0 H 1 : µ < µ 0 Testgröße wie bei Punkt a K = ( ), Φ 1 (1 α) 5.. t-test: Prüfung des Erwartungswertes bei unbekannter Varianz (a) H 0 : µ = µ 0 H 1 : µ µ 0 T (X 1,..., X n ) = n ˆσ ( X µ 0 ) t n 1 falls µ=µ 0 (!) K = (, t n 1,1 α ) (t n 1,1 α, ) K ist ein wenig kleiner als beim entsprechenden Gauss-Test α kann auch als Überschreitungswahrscheinlichkeit gelesen werden, sodass PÜ(X 1,..., X n ) < α (b) H 0 : µ µ 0 H 1 : µ < µ 0 Testgröße wie bei Punkt a K = (, t n 1,1 α )
14 Stochastik II: mathematische Statistik Tests χ -Test: Prüfung der Varianz bei unbekanntem Erwartungswert und normalverteilter Grundgesamtheit (a) H 0 : σ = σ 0 H 1 : σ σ 0 T (X 1,..., X n ) = ˆσ (n 1) = 1 σ 0 σ0 n (X i X) falls σ =σ 0 (!) χ n 1 K = [0, χ n 1, α ) (χ n 1,1 α, ) (b) H 0 : σ σ 0 H 1 : σ < σ 0 Testgröße wie bei Punkt a T (X 1,..., X n ) K α p ü 1 α K = (0, χ n 1,α) 5.3 Zwei Testprobleme für disjunkte Verteilungen Likelihood-Quotienten Methode Allgemeines Prinzip zur Konstruktion von Tests bzw von Testgrößen. Betrachten [R n, R n {P θ0, P θ1 }] d.h. θ = {P θ0, P θ1 } H 0 : θ = θ 0 H 1 : θ = θ 1 L(θ1, x1,..., xn) L(θ 0, x 1,..., x n ) > c dann H 0 ablehnen c so wählen, dass Wahrscheinlichkeit für Fehler 1.Art β(θ 0 ) α 0 Man kann zeigen, dass dieser Test, falls β(θ 0 ) = α bester α-signifikanztest ist, in dem Sinne, dass β(θ 1 ) β D (θ 1 ) α-signifikanztests D Testen von Hypothesen über Parameter der hypergeometrischen Verteilung N - Gesamtzahl der Produkte in einer Lieferung θ - Anzahl der fehlerhaften Produkte (unbekannt), θ {0, 1,,..., N} = Θ m - Anzahl geprüfter Produkte Zufallsgröße: κ - Anzahl der fehlerhaften Produkte unter den geprüften Produkten. κ besitzt eine hypergeometrische Verteilung mit Parametern N, θ, m = H N,θ,m ( θ N θ ) P θ (κ = k) = k)( m k ( N m) H 0 : θ θ 0 H 1 : θ θ 1 Kritischen Bereich aus Quantilen wählen. N >> m H N,θ,m B m, θ N Diese Binomialverteilung gegebenenfalls mithilfe des zentralen Grenzwertsatzes durch Normalverteilung oder durch Poissonverteilung mit λ = m θ N nähern.
15 Stochastik II: mathematische Statistik Stat. Methoden für -dim Stichproben (Multivariatstatistik) Anpassungstests (Kolmogorov-Smirnov) H 0 : F = F 0 H 1 : F F 0 T (x 1,..., x n ) = n sup t R ˆF (t) F 0 (t) 5.5 Zwei-Stichproben Test H 0 : µ 1 µ H 1 : µ 1 > µ T (X 1,..., X n, Y 1,..., Y n ) = Vergleich der Varianzen: F-Test σ1 σ : Welch Test n m n + m X Ȳ ˆσ ˆσ 1 = n + m K = (t m+n,1 α, ) falls µ 1 =µ und varx 1 =varx =σ ( (n 1)ˆσ X + (m 1)ˆσ Y ) t n+m 6 Stat. Methoden für -dim Stichproben (Multivariatstatistik) 6.1 Test auf Unabhängigkeit von Beobachtungsparametern Randverteilungen F (X,Y ) (x, y) = F X (x) F Y (y) Unabhängigkeit von X und Y mit F (X,Y ) (x, y) = P (X x, Y y) 6.1. Korrelationskoeffizient ρ X,Y = cov(x, Y ) varx vary nur falls X, Y normalverteilt gilt immer X, Y unabhängig χ Unabhängigkeitstest Es seien a 1,..., a r R und b 1,..., b s R p ij = P (X 1 = a i, Y 1 = b j ) mit i,j p ij = 1 Bezeichnung: s p i = p ij = P (X 1 = a i ) r p j = p ij = P (Y 1 = b j ) j=1 H 0 : p ij = p i p j i,j H 1 : p ij p i p j für wenigstens ein Paar (i, j)
16 Stochastik II: mathematische Statistik Stat. Methoden für -dim Stichproben (Multivariatstatistik) 15 Zufallsgröße: H ij - Anzahl {l : X l = a i, Y l = b j } ˆ= Absolute Häufigkeit des Auftretens ddes Paares (a i, b j ) in der Stichprobe. s H i = H ij r H j = H ij j=1 Testgröße: Kritischer Bereich: T = n s j=1 ( r H ij H i H j n H i H j ) ) K = [χ (r 1)(s 1),1 α, χ (r 1)(s 1) asymptot. n H 0 wahr Falls X 1 und Y 1 nicht diskret mithilfe von Klasseneinteilung diskretisieren ACHTUNG: Falls H 0 abgelehnt wird, dann Annahme dass notwendige Bedingung für die Unabhängigkeit verletzt ist! Falls H 0 angenommen wird, dann also keine Aussage über die Unabhängigkeitshypothese möglich 6. Regressionsanalyse MKQ is BLUE Gauss Markov Theorem Zufällige Prozesse!
1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
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
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
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrWahrscheinlichkeitsrechnung. Sommersemester Kurzskript
Wahrscheinlichkeitsrechnung Sommersemester 2008 Kurzskript Version 1.0 S. Döhler 1. Juli 2008 In diesem Kurzskript sind Begriffe und Ergebnisse aus der Lehrveranstaltung zusammengestellt. Außerdem enthält
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/...
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
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
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
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt 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........................
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
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
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
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
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
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2010 FORMELSAMMLUNG STATISTIK B Dr. Scheer / J. Arns Version vom April 2010 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Zufallsvariablen 5 3 Diskrete Verteilungsmodelle 7 4 Parameterschätzung
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
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
MehrGrundgesamtheit, Merkmale, Stichprobe. Eigenschaften der Stichprobe. Klasseneinteilung, Histogramm. Arithmetisches Mittel, empirische Varianz
- 1 - Grundgesamtheit, Merkmale, Stichprobe Dimension, Umfang Skalierung Eigenschaften der Stichprobe kennzeichnende Größen Eigenschaften der Stichprobe kennzeichnende Größen Punktediagramm, Regressionsgerade,
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
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,
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
MehrInstitut für Statistik der LMU. FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER
Institut für Statistik der LMU FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER 2003 2003 Inhaltsverzeichnis 1 Elementare Wahrscheinlichkeitsrechnung 1 1.1 Die Axiome von Kolmogorov...........................
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
Mehr2.2 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
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
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
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/...
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,
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie
Stochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie Sommersemester 2018 Kapitel 8: Elemente der mathematischen Statistik Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik
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
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
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
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
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrInhaltsverzeichnis. Robert Galata, Sandro Scheid. Deskriptive und Induktive Statistik für Studierende der BWL. Methoden - Beispiele - Anwendungen
Inhaltsverzeichnis Robert Galata, Sandro Scheid Deskriptive und Induktive Statistik für Studierende der BWL Methoden - Beispiele - Anwendungen Herausgegeben von Robert Galata, Markus Wessler ISBN (Buch):
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............................
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
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
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:
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
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
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 14. Übung SS 18: Woche vom
Übungsaufgaben 14. Übung SS 18: Woche vom 16. 7. 20. 7. 2018 Stochastik VIII: Statistik; Konf.-interv.; Tests Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
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/
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
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrStatistik. Andrej Depperschmidt. Sommersemester 2016
Statistik Andrej Depperschmidt Sommersemester 2016 Schätzen der Varianz mit Stichprobenmittel Sei X = (X 1,..., X n ) eine Stichprobe u.i.v. ZV mit E[X i ] = µ R, Var[X i ] = σ 2 (0, ) und µ 4 = E[(X i
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
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,
Mehr15.3 Statistische Tests von Pseudozufallszahlen
15.3 Statistische Tests von Pseudozufallszahlen Def. 52 Ein Test ist eine Entscheidungsvorschrift, die über die Akzeptanz genau einer von zwei alternativen Hypothesen entscheidet. Bsp. 109 (Analogie zur
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
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
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 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
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 ]
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
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
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
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
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
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
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
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
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
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
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...........................
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
Mehr