Varianz und Kovarianz
|
|
- Caroline Schuster
- vor 7 Jahren
- Abrufe
Transkript
1 KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ] <. () X L, falls E[X ] <. Lemma Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X, Y : Ω zwei Zufallsvariablen. Dann gilt: (1) X, Y L X + Y L. () X L, a ax L. (3) X L X L 1. Beweis von (1). Seien X, Y L, also E[X ] <, E[Y ] <. Aus der Ungleichung (X + Y ) X + Y folgt, dass Somit gilt X + Y L. E[(X + Y ) ] E[X ] + E[Y ] <. Beweis von (). Sei X L, also E[X ] <. Es folgt, dass E[(aX) ] = a E[X ] <, somit ax L. Beweis von (3). Sei X L, also E[X ] <. Es gilt die Ungleichung X X +1, also [ ] [ ] X + 1 X E[ X ] E = E + 1 <. Somit ist X L 1. Definition Sei X L. Die Varianz von X ist: Die Standardabweichung von X ist: Var X = E[(X E[X]) ] <. σ(x) = Var X. Bemerkung Die Varianz beschreibt die erwartete quadratische Abweichung einer Zufallsvariable von ihrem Erwartungswert. Wird X in irgendwelchen physikalischen Einheiten, etwa in Metern, gemessen, so wird Var X in Quadratmetern gemessen. Deshalb führt man die Standardabweichung von X ein. Diese wird dann wieder in Metern gemessen, hat 1
2 also die gleichen Einheiten wie X. Die Standardabweichung und die Varianz beschreiben, wie stark die Zufallsvariable um ihrem Erwartungswert streut. Für eine konstante Zufallsvariable X = c gilt zum Beispiel, dass Var X = σ(x) = 0, da es in diesem Fall gar keine Streuung gibt. Satz Für jede Zufallsvariable X L gilt die Formel: Var X = E[X ] (E[X]). Bemerkung Es gilt Var X 0. Als Korollar erhalten wir, dass (E[X]) E[X ]. Beweis. Wir benutzen die Linearität des Erwartungswerts: Var X = E[(X EX) ] = E[X X EX + (EX) ] = E[X ] E[EX X] + E[(EX) ] = E[X ] EX EX + (EX) = E[X ] (EX). Dabei haben wir benutzt, dass EX eine Konstante ist. Beispiel Sei X U[0, 1] gleichverteilt auf dem Intervall [0, 1]. Wir berechnen Var X. Lösung. Die Dichte von X ist Wir berechnen EX: EX = f X (y) = { 1, y [0, 1], 0, y [0, 1]. yf X (y)dy = 1 0 ydy = 1. Wir berechnen E[X ] mit der Transformationsformel für den Erwartungswert: Somit erhalten wir E[X ] = y f X (y)dy = Var X = 1 3 ( 1 Für die Standardabweichung ergibt sich σ(x) = ) = 1 1. y dy = 1 3. Satz Sei X L eine Zufallsvariable und a, b Konstanten. Dann gilt: (1) Var(aX + b) = a Var X. () σ(ax + b) = a σ(x).
3 Beweis von (1). Wir benutzen die Linearität des Erwartungswerts: Var(aX+b) = E[(aX+b E(aX+b)) ] = E[(aX+b aex b) ] = E[a (X EX) ] = a Var X. Beweis von (). σ(ax + b) = Var(aX + b) = a Var X = a σ(x). Beispiel Sei X U[a, b] gleichverteilt auf einem Intervall [a, b]. Es gilt EX = a+b. Wir berechnen Var X. Lösung. Wir haben die Darstellung X = (b a)y + a, wobei Y U[0, 1]. Var X = Var((b a)y + a) = (b a) Var Y = Für die Standardabweichung ergibt sich σ(x) = b a 1. (b a). 1 Bemerkung Die Varianz einer Zufallsvariable ist immer 0. Für eine konstante Zufallsvariable X = c gilt Var X = 0. Können wir die Umkehrung dieser Aussage beweisen? Sei X eine Zufallsvariable mit Var X = 0. Dann kann man behaupten, dass P[X = EX] = 1. Das heißt: die Zufallsvariable X ist fast sicher konstant. Wir werden das später mit Hilfe der Tschebyscheff-Ungleichung beweisen. Satz Sei X N(µ, σ ) normalverteilt mit Parametern (µ, σ ). Dann gilt EX = µ und Var X = σ. Beweis. Zuerst betrachten woir den Fall µ = 0, σ = 1. Die Dichte von X ist dann f X (y) = 1 π e y /, y. Für den Erwartungswert erhalten wir EX = yf X (y)dy = 1 π ye y / dy = 0, da die Funktion ye y / ungerade ist. Für die Varianz erhalten wir Var X = E[X ] (EX) = y f X (y)dy = 1 y e y / dy. π Um dieses Integral zu berechnen, benutzen wir partielle Integration: Var X = 1 y( e y / ) dy = 1 ye y / + e y / dy = 1. π π Sei nun X N(µ, σ ) normalverteilt mit beliebigen Parametern (µ, σ ). Dann haben wir die Darstellung X = σy + µ, wobei Y (0, 1). Es gilt dann EX = E[σY + µ] = µ 3
4 und Var X = Var(σY + µ) = σ Var Y = σ. Für die Standardabweichung ergibt sich übrigens σ(x) = σ (wobei wir immer annehmen, dass σ > 0). Satz Sei X Poi(λ) Poisson-verteilt mit Parameter λ > 0. Dann gilt EX = Var X = λ. Beweis. Wir haben bereits gezeigt, dass EX = λ. Wir berechnen Var X. Betrachte zunächst E[X(X 1)] = k(k 1) P[X = k] = k=0 k= = e λ λ = e λ λ e λ = λ. λ λk k(k 1)e k! k= λ k (k )! Für E[X ] gilt dann E[X ] = E[X(X 1)] + EX = λ + λ. Für die Varianz erhalten wir Var X = E[X ] (E[X ]) = λ + λ λ = λ. 9.. Kovarianz und Korrelationskoeffizient Definition Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X, Y : Ω zwei Zufallsvariablen mit X, Y L. Dann ist die Kovarianz von X und Y wie folgt definiert: Bemerkung 9... Cov(X, X) = Var X. Cov(X, Y ) = E[(X EX)(Y EY )]. Bemerkung Wir zeigen, dass die Kovarianz wohldefiniert ist. Seien X, Y L. Nach Lemma 9.1. existieren EX und EY. Außerdem gilt dann X := X EX L und Ỹ := Y EY L. Wir zeigen, dass E[ XỸ ] existiert. Es gilt Daraus folgt, dass E[ XỸ ] 1 XỸ X + Ỹ. ( E[ X ) ] + E[Ỹ ] <. 4
5 Somit ist die Zufallsvariable existiert. XỸ = (X EX)(Y EY ) integrierbar und die Kovarianz Satz Seien X, Y L. Dann gilt: Cov(X, Y ) = E[XY ] E[X] E[Y ]. Beweis. Wir benutzen die Linearität des Erwartungswerts: Cov(X, Y ) = E[(X EX)(Y EY )] = E[XY X EY Y EX + (EX)(EY )] = E[XY ] E[EY X] E[EX Y ] + E[(EX)(EY )] = E[XY ] EY EX EX EY + (EX)(EY ) = E[XY ] E[X] E[Y ]. Dabei haben wir EX und EY wie Konstanten behandelt. Bemerkung Für die Berechnung der Kovarianz kann man folgende Formeln benutzen: (1) Für X, Y diskret: E[XY ] = st P[X = s, Y = t]. s Im X t Im Y () Für X, Y absolut stetig mit gemeinsamer Dichte f X,Y : E[XY ] = st f X,Y (s, t)dsdt. Satz Seien X, Y L Zufallsvariablen und a, b, c, d Konstanten. Dann gilt: Cov(aX + b, cy + d) = ac Cov(X, Y ). Beweis. Übungsaufgabe. Für die Kovarianz gelten ähnliche echenregeln wie für das Skalarprodukt. Satz Seien X 1,..., X n, Y 1,..., Y m L Zufallsvariablen und a 1,..., a n, b 1,..., b m Konstanten. Dann gilt: n m Cov(a 1 X a n X n, b 1 Y b m Y m ) = a i b j Cov(X i, Y j ). i=1 j=1 Beweis. Übungsaufgabe. Satz 9..8 (Cauchy-Schwarz-Ungleichung). Seien X, Y L Zufallsvariablen. Dann gilt E[XY ] E[X ] E[Y ]. 5
6 Bemerkung Zum Vergleich: Für zwei Vektoren x, y d gilt die Ungleichung x, y = x y cos(φ) x y = x, x y, y. Beweis von Satz Für beliebige Konstante a gilt 0 E[(aX + Y ) ] = E[a X + axy + Y ] = a E[X ] + ae[xy ] + E[Y ]. Die rechte Seite ist eine quadratische Funktion von a. Diese Funktion ist für alle a nichtnegativ. Die Diskriminante D muss somit 0 sein: Das beweist die Behauptung. D = 4(E[XY ]) 4E[X ] E[Y ] 0. Korollar Für beliebige Zufallsvariablen X, Y L gilt Cov(X, Y ) Var X Var Y. Beweis. Betrachte die zentrierten Zufallsvariablen X := X EX L und Ỹ := Y EY L. Nun wenden wir die Cauchy-Schwarz-Ungleichung auf die Zufallsvariablen X und Ỹ an: Cov(X, Y ) = E[ E[ XỸ ] X ] E[Ỹ ] = Var X Var Y. Definition Seien X, Y L zwei Zufallsvariablen. Der Korrelationskoeffizient von X und Y ist ρ(x, Y ) = Cov(X, Y ). Var X Var Y Dabei nehmen wir an, dass X und Y nicht fast sicher konstant sind, so dass Var X 0 und Var Y 0. Bemerkung Aus Korollar folgt, dass ρ(x, Y ) 1. Der Korrelationskoeffizient ist ein Maß für den linearen Zusammenhang zwischen X und Y. Später werden wir zeigen, dass der Korrelationskoeffizient genau dann ±1 ist, wenn zwischen X und Y ein linearer Zusammenhang besteht, d.h., wenn Y = ax + b. Bemerkung Seien a, b, c, d und a, c > 0. Dann gilt: ρ(ax + b, cy + d) = ρ(x, Y ). Bemerkung ρ(x, X) = 1, ρ(x, X) = 1. Definition Zwei Zufallsvariablen X, Y L heißen unkorreliert, wenn Cov(X, Y ) = 0 (und somit auch ρ(x, Y ) = 0). Satz Seien X, Y L unabhängig. Dann sind X und Y unkorreliert, d.h. Cov(X, Y ) = 0. Beweis. Für unabhängige Zufallsvariablen gilt E[XY ] = E[X] E[Y ]. Wir erhalten Somit sind X und Y unkorreliert. Cov(X, Y ) = E[XY ] E[X] E[Y ] = 0. 6
7 Beispiel Unabhängige Zufallsvariablen sind unkorreliert. Die Umkehrung dieser Aussage gilt jedoch nicht. Sei (X, Y ) ein Vektor, der gleichverteilt auf dem Einheitskreis A = {(t, s) : t + s < 1} ist. Wir behaupten, dass Cov(X, Y ) = 0 und dass dennoch X und Y abhängig sind. Lösung. Die gemeinsame Dichte von (X, Y ) ist f X,Y (t, s) = 1 π 1 A(t, s). Die anddichten (d.h. die Dichten von X und Y ) sind f X (t) = f Y (t) = π 1 t 1 t <1. Wegen Symmetrie sind die Erwartungswerte von X und Y gleich 0: Nun berechnen wir E[XY ]: E[XY ] = A EX = EY = π 1 1 tsf X,Y (t, s)dtds = 1 π t 1 t dt = 0. ts1 A (t, s)dtds = 0. Dabei ist das Integral gleich 0, da sich die Funktion ts1 A (t, s) bei der Transformation (t, s) ( t, s) in ts1 A (t, s) verwandelt. Somit sind X und Y unkorreliert: Cov(X, Y ) = 0. Und doch sind X, Y abhängig, denn wären X und Y abhängig, dann müsste die gemeinsame Dichte f X,Y (t, s) mit dem Produkt der anddichten f X (t)f X (s) für alle (t, s) außerhalb einer Menge vom Lebesgue-Maß 0 übereinstimmen. Dies ist jedoch nicht der Fall, denn f X,Y (t, s) = 1 ( ) π 1 A(t, s) 1 t 1 s π 1 t <1, s <1 = f X (t) f Y (s) zum Beispiel für alle (t, s) mit t < 1, s < 1 und t + s unkorreliert, aber abhängig. > 1. Somit sind X und Y Satz Für beliebige Zufallsvariablen X, Y L gilt Var(X + Y ) = Var(X) + Var(Y ) + Cov(X, Y ). Beweis. Mit X := X EX und Ỹ = Y EY gilt Var(X + Y ) = E[((X EX) + (Y EY )) ] = E[( X + Ỹ ) ] = E[ X ] + E[ XỸ ] + E[Ỹ ] = Var(X) + Cov(X, Y ) + Var(Y ). 7
8 Korollar Für unabhängige Zufallsvariablen X, Y L gilt Var(X + Y ) = Var(X) + Var(Y ). Bemerkung Zum Vergleich: Für beliebige Zufallsvariablen X, Y L 1 gilt E[X + Y ] = E[X] + E[Y ]. Bemerkung Für beliebige X 1,..., X n L gilt n Var(X X n ) = Var(X i ) + i=1 Für unabhängige X 1,..., X n L gilt sogar Var(X X n ) = 1 i<j n n Var(X i ). i=1 Cov(X i, X j ) Beispiel 9... Sei X Bin(n, p) binomialverteilt mit Parametern n, p. Berechne Var X. Lösung. Wir können X als die Anzahl der Erfolge in einem n-fachen Bernoulli-Experiment auffassen. Wir haben also die Darstellung X = X X n, wobei { 1, Erfolg beim i-ten Experiment, X i = i = 1,..., n. 0, sonst, Dabei sind X 1,..., X n unabhängig mit P[X i = 1] = p und P[X i = 0] = 1 p. Für jedes X i gilt E[X i ] = 1 p + 0 (1 p) = p und Var X i = E[X i ] (E[X i ]) = E[X i ] (E[X i ]) = p(1 p). Für die Varianz von X erhalten wir (wegen der Unabhängigkeit von X 1,..., X n ) Var X = Var(X X n ) = Var(X 1 ) Var(X n ) = np(1 p). Bemerkung Die maximale Varianz wird angenommen, wenn p = 1. Die minimale Varianz tritt ein, wenn p = 0 oder p = 1. (In diesem Fall ist X konstant und Var X = 0). Im nächsten Satz zeigen wir, dass der Korrelationskoeffizient genau dann gleich ±1 ist, wenn es einen linearen Zusammenhang zwischen X und Y gibt. Dabei entspricht der Wert +1 einem positiven Zusammenhang und 1 einem negativen Zusammenhang. Satz Seien X, Y : Ω zwei Zufallsvariablen mit X, Y L und Var X 0, Var Y 0. Es gilt: (1) ρ(x, Y ) = 1 es existieren a > 0 und b mit P[Y = ax + b] = 1. () ρ(x, Y ) = 1 es existieren a < 0 und b mit P[Y = ax + b] = 1. Beweis von (1). Sei ρ(x, Y ) = 1. Definiere Var Y a = > 0 und b = EY aex. Var X 8
9 Definiere die Zufallsvariable = Y (ax + b). Wir zeigen, dass P[ = 0] = 1. Es gilt = (Y EY ) a(x EX) = Ỹ a X. Somit ist E[ ] = EỸ ae X = 0. Weiterhin gilt Var = E[ ] = E[Ỹ a XỸ + a X ] = Var Y a Cov(X, Y ) + a Var X Var Y = Var Y Var X Var Y + Var Y Var X Var X Var X = 0. Somit gilt P[ = E ] = 1, also P[ = 0] = 1. 9
5 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,
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
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
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
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
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........................
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
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
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 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
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
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
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
Mehr2 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
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
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............................
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
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)
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
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
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
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
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
MehrVorlesung 5a. Die Varianz
Vorlesung 5a Die Varianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert
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
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 für Informatiker, SS Erwartungswert, Varianz und Kovarianz
Erwartungswert, Varianz und Kovarianz 1/65 Statistik für Informatiker, SS 2018 1.4 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo18/ 14.5.2018 / 28.5.2018
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
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 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert als Var X := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
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
MehrVorlesung 8b. Kovarianz, Korrelation und Regressionsgerade
Vorlesung 8b Kovarianz, Korrelation und Regressionsgerade 1 1. Die Kovarianz und ihre Eigenschaften 2 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
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
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
MehrStatistik für Informatiker, SS Erwartungswert, Varianz und Kovarianz
1/65 Statistik für Informatiker, SS 2017 1.3 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 7.6.2017 / 14.6.2017 2/65 Der Erwartungswert ist eine
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,
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
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
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
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
Mehr1.5 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
MehrVorlesung 9b. Kovarianz und Korrelation
Vorlesung 9b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
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
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
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
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
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
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)
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
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. 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)
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
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:
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.
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...........................
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
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
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrUnabhängigkeit von Zufallsvariablen
Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1
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
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrErwartungswerte. Kapitel 5
Kapitel 5 Erwartungswerte Wir haben bisher Erwartungswerte nur für diskrete und für absolut stetige Zufallsvariable definiert und berechnet. Ziel dieses Abschnitts ist die Erweiterung des Begriffs des
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
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
MehrVorlesung 7b. Kovarianz und Korrelation
Vorlesung 7b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
MehrDiskrete Zufallsvariable
Diskrete Zufallsvariablen Slide 1 Diskrete Zufallsvariable Wir gehen von einem diskreten W.-raum Ω aus. Eine Abbildung X : Ω Ê heißt diskrete (numerische) Zufallsvariable oder kurz ZV. Der Wertebereich
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
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
Mehr8 Zufallsvariablen und Verteilungen. Themen: Zufallsvariablen Verteilungen Gesetz der großen Zahlen
8 Zufallsvariablen und Verteilungen Themen: Zufallsvariablen Verteilungen Gesetz der großen Zahlen 8.1 Zufallsvariablen (Ω, P) = Wahrscheinlichkeitsraum. X : Ω Ê heißt Zufallsvariable. 8.1 Zufallsvariablen
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
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
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
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,
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/...
MehrWahrscheinlichkeit und Statistik
ETH Zürich HS 5 Prof. Dr. P. Embrechts D-INFK Lösungen Serie Lösung -. (a) Die Dichte muss zu eins aufintegrieren, deshalb gilt:.version: Polynom ausmultiplizieren: c (x ) dx = c.version: Mit Substitution:
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
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
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
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
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrErwartungswerte, Varianzen
Kapitel 3 Erwartungswerte, Varianzen Wir wollen nun Zufallsvariablen eine Maßzahl zuordnen, die ihr typisches Verhalten in vager Weise angibt. Haben wir n Punkte x 1,...,x n R d, so ist der Schwerpunkt
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
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
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
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
Mehr7. Übungsblatt - Lösungsskizzen
Einführung in die Wahrscheinlicheitstheorie und Statisti Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 08/9 7. Übungsblatt - Lösungssien Aufgabe 5 Faltung und Ausdünnung einer Poisson-Verteilung,
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
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
Mehr