Musterlösung Klausur,,Einführung in die W theorie
|
|
- Steffen Falk
- vor 7 Jahren
- Abrufe
Transkript
1 Institut für angewandte Mathematik Wintersemester 3/4 Andreas Eberle, Lisa Hartung / Patrick Müller Musterlösung Klausur,,Einführung in die W theorie. (Zufallsvariablen und ihre Verteilung) a) Was ist eine reellwertige Zufallsvariable? Wie sind die Verteilung und die Verteilungsfunktion definiert? [5 Pkt.] b) Skizzieren Sie die Graphen der Verteilungsfunktionen von Zufallsvariablen mit den folgenden Verteilungen: (i) X N(3,9), (ii) T Exp(5), (iii) max(z,) mit Z N(,). [6] c) Seien S und T unabhängige, zum Parameter λ = exponentialverteilte Zufallsvariablen. Berechnen Sie die Verteilungsfunktionen und Dichten der Zufallsvariablen (i) exp( T), (ii) T, (iii) S T. [] d) Zeigen Sie: Für eine nicht-negative Zufallsvariable X gilt: E[X] = ( F X (c))dc. [5] e) Die gemeinsame Verteilung der reellwertigen Zufallsvariablen X und Y sei absolutstetig mit Dichte { ax für < y < x <, f(x,y) = sonst. Bestimmen Sie die Konstante a, und berechnen Sie die Dichte von X, sowie die bedingte Dichte von Y gegeben X. Sind X und Y unabhängig? [9] Lösung: a) Reellwertige Zufallsvariable: Eine Abbildung X : Ω R heisst messbar, falls (M) X (B) A für alle B B(R). Eine reellwertige Zufallsvariable ist eine auf einem Wahrscheinlichkeitsraum definierte messbare Abbildung nach R.
2 Sei (Ω,A,P) ein Wahrscheinlichkeitsraum. Eine Abbildung X : Ω R ist genau dann eine Zufallsvariable bzgl. der Borelschen σ-algebra, wenn {X c} = {ω Ω X(ω) c} A c R, bzw. wenn {X < c} = {ω Ω X(ω) < c} A c R. Verteilung: µ X ist die Wahrscheinlichkeitsverteilung auf B(R) mit µ X [B] = P[X B] = P[X (B)]. Verteilungsfunktion: Die Funktion F X : R [,], F X (c) := P[X c] = µ X [(,c]] heisst Verteilungsfunktion (distribution function) der Zufallsvariable X : Ω R bzw. der Wahrscheinlichkeitsverteilung µ X auf (R,B(R)). b) (i) Verteilungsfunktion von N(3, 9): Wichtig: F(3)=/, Standardabweichung σ = 3, schnelle Konvergenz gegen bzw. für x bzw. x. (ii) Verteilungsfunktion von Exp(5): Wichtig: F(c) = fürc, F(/5) = /e, exponentielle Konvergenz gegen für x. (iii) Verteilungsfunktion von max(z,), Z N(,): Wichtig: F(c) = für c, F() = /, F(x) = /+Φ(c)/ für c >, d.h. schnelle Konvergenz gegen für x >>. c) (i) Für x [,] gilt F(x) =P( e T x) = P(e T x) () =P(T log( x)) = ( x) = x () Für x < ist F(x) =, und für x > gilt F(x) =, also F(x) = x + (Gleichverteilung). Insbesondere ist F absolutstetig mit Dichte f(x) = F (x) = [,] (x) für fast alle x. (3) (ii) Für x gilt: F(x) = P( T x) = P(T x) = e x. (4) Für x > ist F(x) =, also F(x) = exp(x). Insbesondere ist F absolutstetig mit Dichte f(x) = e x (,) (x) f.ü. (5)
3 (iii) Für x R ergibt sich die Dichte von S T als Faltung der Dichten der unabhängigen Zufallsvariablen S und T: f(x) = = = max(x,) f S (s)f T (x s)ds e s e x s (, ) (s) (,) (x s)ds e x s ds = ex x+ = e x. Die Verteilungsfunktion ergibt sich durch Integrieren: F(c) = c f(x)dx = { e c für c, e c für c. (6) d) Mithilfe des Satzes von Fubini erhalten wir ( F(c))dc = P(X > c)dc = E [ ] {X>c} dc (7) [ ] [ X ] =E {X>c} dc = E dc = E[X], (8) wobei wir X benutzt haben! e) Wegen f(x,y)dydx = x axdydx = ax dx = a 3 muss man a = 3 wählen, um eine W dichte zu erhalten. Dichte von X: Es gilt fast überall x f X (x) = f(x,y)dy = axdy = ax = 3x. () für < x <, und f X (x) = sonst. Bedingte Dichte von Y gegeben X: (9) f Y X (y x) = f(x,y) f X (x) = 3x (,x)(y) 3x = x (,x)(y) () für < x <, andernfalls willkürlich definiert(verschiedene Versionen der bedingten Dichte). Die Zufallsvariablen sind nicht unabhängig da die bedingte Dichte von x abhängt. 3
4 . (Zentraler Grenzwertsatz) a) Was bedeutet Konvergenz in Verteilung einer Folge (X n ) n N von reellen Zufallsvariablen (Definition)? Zeigen Sie anhand eines Beispiels, dass aus Konvergenz in Verteilung nicht die Konvergenz der Verteilungen in Variationsdistanz folgt. b) Formulieren und beweisen Sie den zentralen Grenzwertsatz für unabhängige, identisch verteilte, quadratintegrierbare Zufallsvariablen. Nötige Aussagen aus der Analysis sowie der Konvergenzsatz von Lévy können ohne Beweis vorausgesetzt werden - die verwendeten Aussagen sollten aber vollständig mit Voraussetzungen angegeben werden. [5 Pkt.] [5] c) Seien U eine auf (, ) gleichverteilte, und Z eine standardnormalverteilte Zufallsvariable. (i) Zeigen Sie, dass E[U] = / und Var[U] = / gilt. [5] (ii) Berechnen Sie den Erwartungswert und die Varianz von Z. [5] d) Sei S die Summe von unabhängigen, auf (, ) gleichverteilten Zufallsvariablen U i, i =,,...,. Berechnen Sie die Wahrscheinlichkeit P[S > 6] näherungsweise. Hinweis: Für eine standardnormalverteilte Zufallsvariable Z gilt: P[ Z > ],37, P[ Z > ],46, und P[ Z > 3],6. [6] Lösung: a) Konvergenz in Verteilung von Zufallsvariablen: Eine Folge (X n ) n N von Zufallsvariablen mit Werten in S konvergiert in Verteilung gegen eine Zufallsvariable X bzw. gegen die Verteilung von X, falls Verteilung(X n ) w Verteilung(X), d.h. falls E[f(X n )] E[f(X)] für alle f C b (S) gilt. Gegenbeispiel: Seien X n = /n mit Wahrscheinlichkeit. Die Verteilungen sind δ /n und δ. Es gilt für alle n, aber für f C b (S) gilt δ /n δ TV δ /n () δ () = E[f(X n )] = f(/n) f() = E[f(X)]. 4
5 b) Zentraler Grenzwertsatz: Seien X,X,... L (Ω,A,P) unabhängige, identisch verteilte Zufallsvariablen mit Varianz σ und sei S n = X +...+X n. Dann konvergieren die Verteilungen der standardisierten Summen schwach gegen N(,σ ). Ŝ n = S n E[S n ] n = n n i= (X i E[X i ]) Beweis des Satzes: O.B.d.A. sei E[X i ] =, ansonsten betrachten wir die zentrierten Zufallsvariablen X i := X i E[X i ].NachdemKonvergenzsatz vonlévygenã gteszuzeigen, dassdie 4 charakteristischen Funktionen der standardisierten Summen Ŝn punktweise gegen die charakteristische Funktion der Normalverteilung N(,σ ) konvergieren, d.h. φŝn (t) φ N(,σ )(t) = e σ t t R. () Da die Zufallsvariablen X i unabhängig, identisch verteilt und zentriert sind, gilt für t R: ( ) ( ( )) n E[S n]= t X φŝn (t) = φ Sn i iid t = φ X. n n Aus X L folgt φ X C (R), und φ X (t) = E[e itx ] = +ite[x ]+ (it) E[X ]+o(t ) = t σ +o(t ), wobei o für eine Funktion o : R + o(ǫ) C mit lim ǫ = steht. Damit erhalten wir: ǫ ( )) φŝn (t) = ( t σ t n n +o. n Dieser Ausdruck konvergiert für n gegen e t σ, denn für komplexe Zahlen z i,w i C mit z i, w i gilt nach der Dreiecksungleichung n n z i w i = (z w )z z 3 z n +w (z w )z 3 z 4 z n +...+w w n (z n w n ) i= i= n z i w i, i= und damit ) ( )) φ Ŝ n (t) exp ( t σ = ( t σ t n ) n +o exp( t σ n n n ( ) ) n t σ t n +o exp ( t σ. n n 5
6 c) (i) Der Erwartungswert ist gegeben durch E(U) = Für das zweite Moment erhält man Daher gilt für die Varianz (ii) Der Erwartungswert ist E( Z ) = π E(U ) = Das zweite Moment ist gleich Daher ist die Varianz gleich xdx = x dx = [ ] x =. [ ] 3 x3 = 3. Var(U) = E(X ) E(X) =. z e z / dz = π E( Z ) = E(Z ) =. Var( Z ) = E( Z ) E( Z ) = ze z / dz = ] [ e z / π ( ) = π π. = π. d) Nach Aufgabenteil c) (i) gilt und für alle i. Damit gilt E(S) = E(U ) = 6 σ := Var(U i ) = P[S > 6] = P[S E[S] > ] = P [ ] S E[S] >. σ Nach dem ZGS ist die Zufallsvariable auf der rechten Seite approximativ standardnormalverteilt. Daher erhalten wir näherungsweise P[S > 6] P(Z > ) = P( Z > )
7 3. (Konvergenzbegriffe für Zufallsvariablen) a) Seien Z n : Ω R (n N) und Z : Ω R reelle Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω, A, P). Wie sind die fast sichere Konvergenz, die stochastische Konvergenz, und die L -Konvergenz von (Z n ) n N gegen Z definiert? [3 Pkt.] b) Sei α R. Es gelte P[Z n = n α ] = n, P[Z n = ] = n Zeigen Sie, dass (Z n ) genau dann in L gegen konvergiert, wenn α < / ist. Wann konvergiert (Z n ) stochastisch gegen? [6] c) Seien A n (n N) Ereignisse mit n= P[A n] <. Zeigen Sie, dass mit Wahrscheinlichkeit nur endlich viele der Ereignisse eintreten. [5] d) Folgern Sie: Gilt für eine Folge (Z n ) von Zufallsvariablen P[ Z n Z > ε] < für alle ε >, n= dann konvergiert (Z n ) fast sicher gegen Z. [4] e) Seien U,U,... unabhängige, auf (,) gleichverteilte Zufallsvariablen, und sei Zeigen Sie: Z n = min(u,...,u n ). (i) Z n P-fast sicher. (ii) Für die Zufallsvariablen W n := nz n gilt [5] P[W n c] { e c für c >, für c. [5] f) In einem Glücksspiel verdoppelt bzw. halbiert sich das Kapital des Spielers in jeder Runde mit Wahrscheinlichkeit p bzw. p, p (,). Sei Z n das Kapital nach n Runden bei Startkapital Z =. (i) Beschreiben Sie Z n (n =,,,...) als Zufallsvariablen in einem geeigneten Modell. (ii) Für welche Werte von p konvergiert (Z n ) in L gegen? [3] (iii) Zeigen Sie, dass (Z n ) für p < / fast sicher gegen konvergiert. [3] [] 7
8 Lösungen: a) Fast sichere Konvergenz: Die Folge (Y n ) n N konvergiert P-fast sicher gegen Y, falls gilt: [ ] P lim Y n = Y = P[{ω Ω Y n (ω) Y(ω)}] =. Stochastische Konvergenz: Die Folge (Y n ) n N konvergiert P-stochastisch gegen Y (Notation Y n P Y), falls lim P[ Y n Y > ǫ] = für alle ǫ > gilt. L -Konvergenz : (Y n ) n N konvergiert in L (Ω,A,P) gegen Y, falls b) L -Konvergenz: lim E[ Y n Y ] =. E[ Z n ] = n α n = nα gdw. α < (3) Stochastische Konvergenz gegen gilt immer: { falls ǫ > n α P( Z n > ǫ) = sonst für n. (4) n c). Borel - Cantelli - Lemma: Für Ereignisse A,A,... A mit P[A n ] < gilt: [ ] P[ unendlich viele der A n treten ein ] = P A n =. Beweis: Da die Folge ergibt sich P n m [ m m n m A n =: B m von Ereignissen aus A monoton fallend ist, n m A n ] [ ] = P B m m = lim P[B m] m [ ] = lim P A n m n m }{{} liminf m P[A n] n=m P[A n ] =, n=m }{{} m da die Summe P[A n ] nach Voraussetzung konvergiert. 8
9 d) Aus schneller stochastischer Konvergenz folgt fast sichere Konvergenz. Beweis: Wir können o.b.d.a. Z = annehmen. Konvergiert Z n schnell stochastisch gegen, dann gilt für alle ε > : P[limsup Z n ǫ] P[ Z n ǫ nur endlich oft] =. Es folgt P[limsup Z n ] = P {limsup Z n > ǫ} =. ǫ Q + e) (i) Wegen der Unabhängigkeit der U i erhalten wir für ε > : P[ Z n > ε] = P[min(U,...,U n ) > ε] = P[U i > ε i n] = n P[U i > ε] = ( ε) n i= Nach d) folgt die fast sichere Konvergenz von Z n gegen, da die geometrische Reihe summierbar ist. (ii) Für c > gilt P[W n c] = P[Z n c n ] = ( c n )n e c, (5) für c ist P[W n c] = für alle n. { mit W keit p f) (i) Es seien A k = mit W keit p unabhängig, und Z n = n k= A k. ODER Es seien X k = { mit WSK p mit WSK p (ii) Wegen der Unabhängigkeit der A i gilt E[ Z n ] = ( E[A ] ) n = ( p+ ( p) ) n = Dies konvergiert genau dann gegen Null, wenn p 5. unabhängig, und Z n = n k= Xn ( 5 4 p+ ) n (6) 4 (iii) MitderzweitenDarstellungunddemWissendassS n = n k= X k einklassischer Random walk ist, der für p < / fast sicher gegen konvergiert, folgt fast sicher für alle p < /. Z n = Sn 9
10 4. (Entropie) Seien µ und ν Wahrscheinlichkeitsverteilungen auf einer abzählbaren Menge S. a) Wie ist die Entropie H(µ) definiert? Zeigen Sie: H(µ ν) = H(µ)+H(ν) und H(µ n ) = nh(µ) für n N. [8 Pkt.] b) Berechnen Sie die Entropie der folgenden Wahrscheinlichkeitsverteilungen: (i) µ = δ a (a S), (ii) µ = U S, (iii) µ = Geom(p) ( < p < ). [9] c) Seien X,X,... unabhängige Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω,A,P) mit Verteilung µ. Geben Sie die Massenfunktion p n von (X,...,X n ) explizit an, und zeigen Sie n logp n(x,...,x n ) H(µ) P-fast sicher. [6] d) Sei ε >. Folgern Sie, dass die Wahrscheinlichkeiten der Mengen B n,ε := { x S n : e n(h(µ)+ε) p n (x,...,x n ) e n(h(µ) ε)} unter dem Produktmaß µ n für n gegen konvergieren. [4] e) Seien A n S n Mengen mit Zeigen Sie, dass für alle ε > lim P[(X,...,X n ) A n ] =. lim A n B n,ε p n (x,...,x n ) = gilt, und folgern Sie lim inf n log A n H(µ). [9] Lösung: a) Entropie einer diskreten Wahrscheinlichkeitsverteilung µ auf S: H(µ) := x S µ(x) µ(x)logµ(x) [, ]
11 Faktorisierungseigenschaft: H(ν µ) = H(ν)+H(µ). Beweis: Nach Definition der Entropie gilt: H(ν µ) = ν(x)µ(y) log(ν(x)µ(y)) x,y ν(x)µ(y) = x:ν(x) = H(ν)+H(µ). ν(x)log(ν(x)) y:µ(y) µ(y) log(µ(y)) Beweis von H(µ n ) = nh(µ): Induktion über n. Für n = ist die Aussage klar. Nehme nun an das die Behauptung für n richtig ist. Dann gilt sie auch für n+, da nach der eben gezeigten Faktorisierungseigenschaft und Induktionsvoraussetzung: H(µ n+ ) = H(µ n µ) = H(µ n )+H(µ) = (n+)h(µ). b) (i) Nach Definition H(δ a ) = µ(a)log(µ(a)) =. (ii) Nach Definition (iii) Nach Definiton H(U S ) = x S H(Geom(p)) = n= ( ) ( ) S log = log = log( S ). S S p( p) n log ( p( p) n ) n= = plog(p) ( p) n log( p) (n )p( p) n = log(p) log( p) ( ) p n= = log(p) p p log( p). Beim Berechnen der zweiten Summe haben wir benutzt, dass der Erwartungswert einer Geom(p)-verteilten Zufallsvariable T gleich /p ist - die Summe ist der Erwartungswert von T. c) DieMassenfunktionp n istdiewahrscheinlichkeit einerfolgevonausgängenx,...,x n bei Entnehmen einer Stichprobe von n unabhängigen Zufallsgrößen mit Verteilung µ und ist gegeben durch n p n (x,...,x n ) = µ(x i ). i=
12 Mit Wahrscheinlichkeit gilt < µ(x i ) für alle i, also p n (X,...,X n ) > und logµ(x i ). Nach dem Gesetz der Großen Zahlen (ohne Integrierbarkeit) folgt fast sicher n logp n(x,...,x n ) = n logµ(x i ) logµdµ = H(µ). n d) Wir schreiben die Mengen B n,ǫ um: B n,ǫ i= = {x S n : n(h(µ)+ǫ) logp n (x,...,x n ) n(h(µ) ǫ)} { = x S n : H(µ) ǫ } n logp n(x,...,x n ) H(µ)+ǫ { } = x S n : n logp n(x,...,x n )+H(µ) ǫ Nun folgt die Aussage aus Aufgabenteil c), da aus der fast sicheren Konvergenz die stochastische Konvergenz folgt. e) Es gilt A n B n,ǫ p n (x,...,x n ) = P[(X,...,X n ) A n B n,ǫ )]. (7) Nach Voraussetzung konvergiert P[(X,...,X n ) A n ] gegen Null. Außerdem gilt nach d): P[(X,...,X n ) B n,ε ] = µ n [B C n,ε ]. Also gilt nach (7): lim A n B n,ǫ p(x,...,x n ) =. Da für x B n,ǫ gilt p n (x,...,x n ) e n(h(µ) ǫ), erhalten wir A n B n,ǫ p(x,...,x n ) A n B n,ǫ e n(h(µ) ǫ) A n e n(h(µ) ǫ). Daraus folgt für alle ǫ > : n log A n H(µ) ǫ+ n log p(x,...,x n ) A n B n,ǫ Folglich n log A n H(µ)+ n log p(x,...,x n ). A n B n,ǫ Nun lassen wir n gegen unendlich laufen und erhalten wegen der eben gezeigten Aussage: lim inf n log A n H(µ).
Klausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 017/18 Andreas Eberle, Maximilian Fels Klausur,,Einführung in die W theorie Bitte diese Felder in Druckschrift ausfüllen Name: Matrikelnr.: Vorname: Studiengang:
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
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
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........................
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
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
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
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
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,
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
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
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
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
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrSatz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
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
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
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...........................
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrDWT 3.3 Warteprobleme mit der Exponentialverteilung 275/467 Ernst W. Mayr
Poisson-Prozess Wir hatten bei der Diskussion der geometrischen und der Poisson-Verteilung festgestellt: Wenn der zeitliche Abstand der Treffer geometrisch verteilt ist, so ist ihre Anzahl in einer festen
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
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
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
Mehr2 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
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrSeminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze
Seminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie - Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze Klaus Kuchler 0. Januar 03 Zentraler Grenzwertsatz. Grundlagen,
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 7
ETH Zürich FS 4 D-MATH Koordinator Prof. Dr. J. Teichmann Mayra Bermúdez C. Wahrscheinlichkeit & Statistik Musterlösung Serie 7. a) P[t < T t + h T > t] λ(t) lim h h P[{t < T t + h} {T > t}] lim h P[T
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
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
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
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........................
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
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
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
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
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
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
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
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
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
Mehr1 Diskrete Wahrscheinlichkeitstheorie
Prof. A. Sapozhnikov Wahrcheinlichkeittheorie I INHALTSVERZEICHNIS 1 Dikrete Wahrcheinlichkeittheorie 1.1 Laplace-Wahrcheinlichkeit. Urnenmodelle. N! Begriffe: Ziehen ohne Zurücklegen, mit Reihenfolge,
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 7. Mai 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 5 Version: 30. April
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
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
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 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:
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
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
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
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
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
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
MehrSammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien
Sammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien Prof. F. Merkl 23. Mai 2016 Zu Ihrer Information und als zusätzliches Übungsmaterial sind hier die Aufgaben
MehrWahrscheinlichkeitsrechnung
i Dominique Foata Aime Fuchs Wahrscheinlichkeitsrechnung Aus dem Französischen von Volker Strehl Birkhäuser Verlag Basel Boston Berlin INHALTSVERZEICHNIS Vorwort zur deutschen Ausgabe Liste der benutzten
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 24. November 2010 1 Stetige Verteilungen Normalapproximation Gleichverteilung Exponentialverteilung Normalapproximation
MehrKlausur,,Algorithmische Mathematik II
Institut für angewandte Mathematik Sommersemester 03 Andreas Eberle Matthias Erbar / Jan Maas Klausur Algorithmische Mathematik II Musterlösung. (Zufallsvariablen und ihre Verteilung a Wir nehmen an dass
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
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,
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
Mehr1 Verbandstheorie. Aufgabensammlung. Höhere Mathematik für Physiker III Wintersemester 2014
Aufgabensammlung Höhere Mathematik für Physiker III Wintersemester 2014 1 Verbandstheorie 1. Aufgabe: (a) Sei f C(R) eine stetige Funktion. Wenn Rf(x)φ(x)dx = 0 für alle Testfunktionen φ Cc (R) gilt, dann
MehrTransformationen und Summen von ZVen
Transformationen und Summen von ZVen Anton Klimovsky 14. April 015 Erzeugende Funktionen. Momenterzeugende Funktionen. (Characteristische Funktionen. Beweis vom ZGS. In diesem Abschnitt werden wir einige
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
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
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
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
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/...
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
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
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
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
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
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) =
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
MehrKlausur,,Algorithmische Mathematik II
Institut für angewandte Mathematik Sommersemester 017 Andreas Eberle, Matthias Erbar / Behrend Heeren Klausur,,Algorithmische Mathematik II Musterlösung 1 (Unabhängige Zufallsvariablen) a) Wir bezeichnen
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
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
MehrStochastik 2. Beispielaufgaben. Institut für Stochastik WS 2006/07 Universität Karlsruhe Prof. Dr. N. Bäuerle Blatt 0 Dipl.-Math. oec. A.
Institut für Stochastik WS 2006/07 Universität Karlsruhe Prof. Dr. N. Bäuerle Blatt 0 Dipl.-Math. oec. A. Mundt Übungen zur Vorlesung Stochastik 2 Beispielaufgaben Hinweis: Zu diesem Aufgaben werden in
Mehr