Multivariate Verteilungen
|
|
- Felix Färber
- vor 7 Jahren
- Abrufe
Transkript
1 Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig aber X n,i und X n±k,j sind unabhängig für k IN (k 0), 1 i, j d. Grundlegende Eigenschaften von Zufallsvektoren Ein d-dimensionaler Zufallsvektor X = (X 1, X 2,..., X d ) T wird durch seine die gemeinsame Verteilungsfunktion F spezifiziert F(x) = F(x 1, x 2,..., x d ) = P(X 1 x 1, X 2 x 2,..., X d x d ) = P(X x). Die i. Randverteilung F i von F ist die Verteilungsfunktion von X i und ist folgendermaßen gegeben: F i (x i ) = P(X i x i ) = F(,...,, x i,,..., ) Die Verteilungsfunktion F ist stetig wenn es eine nicht negative Funktion f 0 gibt, sodass F(x 1, x 2,..., x d ) = x1 x2... xd f ist in diesem Fall die Dichte von F. f(u 1, u 2,..., u d )du 1 du 2... du d 1
2 Die Komponenten von X sind unabhängig dann und nur dann wenn F(x) = Π d i=1 F i(x i ) oder, wenn f existiert f(x) = Π d i=1 f i(x i ) Ein Zufallsvektor ist eindeutig durch seine charakteristische Funktion φ X (t) spezifiziert: φ X (t) = E(exp{it T X}), t IR d Beispiel 1 Für die multivariate Normalverteilung mit Mittelwert µ und Kovarianzmatrix Σ ist die Dichtefunktion f bzw. die charakteristische Funktion φ X folgendermaßen gegeben ( Σ = Det(Σ) ): 1 f(x) { (2π) d Σ exp 1 } 2 (x µ)t Σ 1 (x µ), x IR d φ X (t) = exp { it T µ 1 2 tt Σt }, t IR d Wenn E(Xk 2 ) < für alle k, dann ist die Kovarianzmatrix eines Zufallsvektors folgendermaßen gegeben: Cov(X) = E((X E(X))(X E(X)) T ) Übung 1 Zeigen Sie das folgende Gleichungen gelten: E(BX + b) = BE(X) + b Cov(BX + b) = BCov(X)B T 2
3 Beispiel 2 (Portfolio Optimierung, Markowitzs Modell) Es wird in d (risikoreiche) Assets investiert. Der erwartete Portfolioertrag muss µ p betragen. Sei X = (X 1, X 2,..., X d ) T der Zufallsvektor der Asset-Returns mit E(X) = µ und Cov(X) = Σ. Die Gewichte des Minimum-Varianz Portfolios sind als Lösung des folgenden quadratischen Optimierungsproblems gegeben: min w sodass w T Σw w T µ = µ p d i=1 w i = 1 (siehe zb. Campbell et al. (1997)) Abhängigkeitsstrukturen Probleme der Modellierung der Abhängigkeitsstrukturen zwischen Finanzgrössen mit Hilfe der (multivariaten) Normalverteilung. Finanzgrößen haben i.a. heavier Tails als die Normalverteilung Die Zusammenhänge bei größeren Verlusten sind i.a. stärker als bei normalen Werten. Diese Art von Zusammenhängen kann mit der multivariaten Normalverteilung nicht modelliert werden. 3
4 Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ), var(x 2 ) (0, ). Der Koeffizient der linearen Korrelation ρ L (X 1, X 2 ) ist folgendermaßen gegeben: ρ L (X 1, X 2 ) = Cov(X 1, X 2 ) var(x1 )var(x 2 ) X 1 und X 2 sind unabhängig ρ L (X 1, X 2 ) = 0 ρ L (X 1, X 2 ) = 0 impliziert nicht, dass X 1 und X 2 unabhängig sind Beispiel 3 Sei X 1 N(0,1) und X 2 = X 2 1. Es gilt ρ L(X 1, X 2 ) = 0 aber X 1 und X 2 sind klarerweise abhängig. Weiters gilt: ρ L (X 1, X 2 ) = 1 α, β IR, β 0, sodass X 2 = α + βx 1 und signum(β) = signum(ρ L (X 1, X 2 )) Der lineare Korrelationskoeff. ist eine Invariante unter streng monoton steigende lineare Transformationen, ist jedoch keine Invariante unter streng monoton steigende nichtlineare Transformationen. 4
5 Übung 2 Seien X 1 und X 2 zwei Zufallsvariablen. Seien α 1, α 2, β 1, β 2 IR, β 1 > 0 und β 2 > 0. Zeigen Sie, dass ρ L (α 1 + β 1 X 1, α 2 + β 2 X 2 ) = ρ L (X 1, X 2 ). Rang Korrelation Die Koeffizienten der Rang Korrelation (Spearmans rho und Kendalls tau) sind Maße für die Übereinstimmung von bivariaten Zufallsvektoren. Seien (x 1, x 2 ) und ( x 1, x 2 ) zwei Punkte in IR 2. Die zwei Punkte heißen übereinstimmend wenn (x 1 x 1 )(x 2 x 2 ) > 0 und nicht übereinstimmend wenn (x 1 x 1 )(x 2 x 2 ) < 0. Seien (X 1, X 2 ) und ( X 1, X 2 ) zwei unabhängige Zufallsvektoren mit gemeinsamer bivariate Verteilung. Die Kendall s Tau ρ τ ist definiert als ρ τ (X 1, X 2 ) = P ( (X 1 X 1 )(X 2 X 2 ) > 0 ) P ( (X 1 X 1 )(X 2 X 2 ) < 0 ) Sei ( ˆX 1, ˆX 2 ) ein dritter von (X 1, X 2 ) und ( X 1, X 2 ) unahängiger Zufallsvektor mit derselben Verteilung wie (X 1, X 2 ) und ( X 1, X 2 ). Die Spearman s Rho ρ S ist definiert als ρ S (X 1, X 2 ) = P ( (X 1 X 1 )(X 2 ˆX 2 ) > 0 ) P ( (X 1 X 1 )(X 2 ˆX 2 ) < 0 ) 5
6 Einige Eigenschaften von ρ τ und ρ S : ρ τ (X 1, X 2 ) [ 1,1] und ρ S (X 1, X 2 ) [ 1,1]. Wenn X 1 und X 2 unabhängig, dann ρ τ (X 1, X 2 ) = ρ S (X 1, X 2 ) = 0. Die Umkehrung gilt i.a. nicht. Sei T:IR IR eine streng monoton steigende Funktion. Dann gilt: ρ τ (T(X 1 ), T(X 2 )) = ρ τ (X 1, X 2 ) ρ S (T(X 1 ), T(X 2 )) = ρ S (X 1, X 2 ) 6
7 Tail-Abhängigkeit Definition 1 Sei (X 1, X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1, X 2 ) T wird folgendermaßen definiert: λ U (X 1, X 2 ) = lim P(X u 1 2 > F2 (u) X 1 > F1 (u)) vorausgesetzt der Limes existiert. Der Koeffizient der unteren Tail-Abhängigkeit von (X 1, X 2 ) T wird folgendermaßen definiert: λ L (X 1, X 2 ) = lim P(X u F2 (u) X 1 F1 (u)) vorausgesetzt der Limes existiert. Wenn λ U > 0 (λ L > 0) heißt es, (X 1, X 2 ) T hat eine obere (untere) Tail-Abhängigkeit. (Siehe Joe 1997, Schmidt und Stadtmüller 2002) Übung 3 Sei X 1 Exp(λ) und X 2 = X 2 1. Bestimmen Sie λ U(X 1, X 2 ), λ L (X 1, X 2 ) und zeigen Sie, dass (X 1, X 2 ) T eine obere und eine untere Tail-Abhängigkeit hat. Berechnen Sie auch den linearen Korrelationskoeffizienten ρ L (X 1, X 2 ). 7
8 Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche Verteilung) wenn X d = µ + AZ, wobei Z = (Z 1, Z 2,..., Z k ) T ein Vektor von i.i.d. normalverteilten ZV (Z i N(0,1), i = 1,2,..., k), A IR d k ist eine konstante Matrix und µ IR d ist ein konstanter Vektor. Für so einen Zufallsvektor X gilt: E(X) = µ, cov(x) = Σ = AA T (Σ positiv semidefinit). Notation: X N d (µ,σ). Theorem 1 (Multivariate Normalverteilung: äquiv. Definitionen) 1. X N d (µ,σ) für einen Vektor µ IR d und eine positiv semidefinite Matrix Σ IR d d, dann und nur dann wenn a IR d, a = (a 1, a 2,..., a d ) T, die Zufallsvariable a T X normal verteilt ist. 2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist: φ X (t) = E(exp{it T X}) = exp{it T µ 1 2 tt Σt} für einen Vektor µ IR d und eine positiv semidefinite Matrix Σ IR d d. 8
9 3. Ein Zufallsvektor X IR d mit E(X) = µ und cov(x) = Σ, wobei die Determinante von Σ positiv ist (det(σ) := Σ > 0), ist normal verteilt, d.h. X N d (µ,σ), dann und nur dann wenn seine Dichtefunktion folgendermaßen gegeben ist { 1 f X (x) = (2π) d Σ exp (x } µ)t Σ 1 (x µ). 2 Beweis: (siehe zb. Gut 1995) Theorem 2 (Eigenschaften der multivariaten Normalverteilung) Für X N d (µ,σ) gilt: Lineare Kombinationen: Für B IR k d und b IR k. Es gilt dann BX+b N k (Bµ+b, BΣB T ). Randverteilungen: ( Setze X T = X (1)T, X (2)T) für X (1)T = (X 1, X 2,..., X k ) T und X (2)T = (X k+1, X k+2,..., X d ) T und analog ( ( ) µ T = µ (1)T, µ (2)T) Σ (1,1) Σ und Σ = (1,2) Σ (2,1) Σ (2,2). ( ) ( Es gilt dann X (1) N k µ (1),Σ (1,1) und X (2) N d k µ (2),Σ ). (2,2) 9
10 Bedingte Verteilungen: Wenn Σ regulär, dann ist auch die bedingte Verteilung X (2) X (1) = x (1) multivarial normal: X (2) X (1) = x (1) N d k ( µ (2,1),Σ (22,1) ) wobei µ (2,1) = µ (2) + Σ (2,1) ( Σ (1,1) ) 1 ( x (1) µ (1) ) und Σ (22,1) = Σ (2,2) Σ (2,1) (Σ (1,1) ) 1Σ (1,2). Quadratische Formen: Wenn Σ regulär, dann gilt D 2 = (X µ) T Σ 1 (X µ) χ 2 d. Die Zufallsvariable D heißt Mahalanobis Distanz. Faltung: Seien X N d (µ,σ) und Y N d ( µ, Σ) zwei unabhängige Zufallsvektoren. Es gilt dann X + Y N d (µ + µ,σ + Σ). 10
11 Normal (variance) mixture Definition 3 Ein Zufallsvektor X IR d hat eine multivariate normal variance mixture Verteilung wenn X d = µ + WAZ wobei Z N k (0, I) hat eine multivariate standard Normalverteilung, W 0 ist eine von Z unabhängige positive Zufallsvariable, µ IR d ist ein konstanter Vektor, A IR d k ist eine konstante Matrix, und I ist die einheitsmatrix. Unter der Bedingung W = w ist X normalverteilt: X N d (µ, w 2 Σ), wobei Σ = AA T. E(X) = µ und cov(x) = E(W 2 AZZ T A T ) = E(W 2 )Σ falls E(W 2 ) < Beispiel 4 Die Inverse Gamma Verteilung hat folgende Dichtefunktion: f(x) = βα Γ(α) x (α+1) exp( β/x) x > 0, α > 0, β > 0 Falls X IG(α, β) dann gilt: E(X) = β α 1 für α > 1, var(x) = β 2 (α 1) 2 (α 2) für α > 2 Sei W 2 IG(α/2, α/2). Dann ist die Verteilung von X = µ + WAZ eine multivariate t α Verteilung mit α Freiheitsgraden: X t d (α, µ,σ). cov(x) = E(W 2 )Σ = α α 2 Σ 11
12 Sphärische Verteilungen Definition 4 Ein Zufallsvektor X = (X 1, X 2,..., X d ) T hat eine sphärische Verteilung wenn für jede orthogonale Matrix U IR d d die Gleichung UX d = X gilt. Theorem 3 Die folgenden Aussagen sind äquivalent. 1. Der Zufallsvektor X IR d hat eine sphärische Verteilung. 2. Es existiert eine Funktion ψ: IR IR, sodass die charakteristische Funktion von X folgendermaßen gegeben wird: φ X (t) = ψ(t T t) = ψ(t t t2 d ) 3. Für jeden Vektor a IR d gilt a t X d = a X 1 wobei a 2 = a a a2 d. 4. X lässt sich als X d = RS repräsentieren, wobei der Zufallsvektor S IR d gleichmäßig verteilt auf der Einheitskugel S d 1, S d 1 = {x IR d : x = 1}, ist, und R 0 eine von S unabhängige ZV ist. Notation einer sphärischen Verteilung: X S d (ψ) 12
13 Beispiel 5 Normalverteilungen sind sphärische Verteilungen. Sei X N(0, I). Dann X S d (ψ) mit ψ = exp( x/2). Tatsächlich: φ X (t) = exp{it T tt It} = exp{ t T t/2} = ψ(t T t). Aus der stochastischen Repräsentation X = RS folgt X 2 = d R 2 χ 2 d. Simulation einer sphärischen Verteilung: (i) Simuliere s aus einer gleichmäßig verteilten Zufallsvektor in S d 1 (zb. in dem y aus einer multivariaten Standard Normalverteilung Y N(0, I) simuliert und s = y/ Y gesetzt wird). (ii) Simuliere r aus R χ 2 d. (iii) Setze x = rs. 13
14 Elliptische Verteilungen Definition 5 Ein Zufallsvektor X IR d hat eine elliptische Verteilung wenn X d = µ+ay, wobei Y S k (ψ), µ IR d ist ein konstanter Vektor und A IR d k ist eine konstante matrix. Die charakteristische Funktion: φ X (t) = E(exp{it T X}) = E(exp{it T (µ+ay )}) = exp{it T µ}e(exp{i(a T t) T Y }) wobei Σ = AA T. = exp{it T µ}ψ(t T Σt), Notation elliptische Verteilungen: X E d (µ,σ, ψ) µ heißt Positionsparameter (location parameter), Σ heißt Dispersionsparameter (dispersion parameter), ψ heißt charakteristischer Generator der elliptischen Verteilung. Falls A IR d d regulär, dann gilt folgende Relation zwischen elliptischen und sphärischen Verteilungen: X E d (µ,σ, ψ) A 1 (X µ) S d (ψ), A IR d d, AA T = Σ 14
15 Theorem 4 ( Charakterisierung der elliptischen Verteilung) Sei X IR d ein d-dimensinaler Zufallsvektor. X E d (µ,σ, ψ) dann und nur dann wenn X d = µ+ras, wobei S IR k ist ein auf der Einheitskugel S k 1 gleichverteilter Zufallsvektor, R 0 ist eine von S unahängige nicht negative Zufallsvariable, A IR d k ist eine konstante Matrix (Σ = AA T ) und µ IR d ist ein konstanter Vektor. Simulation einer elliptischen Verteilung: (i) Simuliere s aus einer gleichmäßig verteilten Zufallsvektor in S d 1 (zb. in dem y aus einer multivariaten Standard Normalverteilung Y N(0, I) simuliert und s = y/ Y gesetzt wird). (ii) Simuliere r aus R. (iii) Setze x = µ + ras. 15
16 Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N d (0, I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor in S k 1 ist und R 2 χ 2 k. Daraus folgt X d = µ+ras und daher X E d (µ,σ, ψ) mit ψ(x) = exp{ x/2}. Beispiel 7 (Multivariate normal variance mixture) Ein Zufallsvektor Z N(0, I) hat eine sphärische Verteilung mit einer stoch. Repräsentation Z d = V S. Falls X = µ + WAZ eine normal variance mixture ist, dann gilt X d = µ + V WAS wobei V 2 χ 2 d. D.h. X hat eine elliptische Verteilung mit R = V W. 16
2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
MehrBeispiel 6 (Multivariate Normalverteilung)
Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Mehr+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert:
Tail Abhängigkeit Definition 12 Sei (X 1,X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: λ U (X
MehrTheorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
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)
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
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)
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
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
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........................
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
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
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
MehrÜbungsblatt 11 zur Vorlesung Statistische Methoden - freiwilliger Teil
Dr. Christof Luchsinger Übungsblatt zur Vorlesung Statistische Methoden - freiwilliger Teil Rechnen mit Matrizen, Multivariate Normalverteilung Herausgabe des Übungsblattes: Woche 0, Abgabe der Lösungen:
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
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer Bergische Universität Wuppertal Dozent: M.Sc. Brice Hakwa
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
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
Mehr2.Tutorium Multivariate Verfahren
2.Tutorium Multivariate Verfahren - Multivariate Verteilungen - Hannah Busen: 27.04.2015 und 04.05.2015 Nicole Schüller: 28.04.2015 und 05.05.2015 Institut für Statistik, LMU München 1 / 21 Gliederung
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
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
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
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
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 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
Mehr2 Multivariate Normalverteilung
2 Multivariate Normalverteilung 2. Multivariate Normalverteilung Definition 2.. Normalverteilung Eine univariat normalverteilte Zufallsvariable X besitzt ie Dichte ) (x µ)2 f (x) = exp ( x R. 2π σ 2σ 2
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
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
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
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
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
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
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 ]
Mehr3 Satz von Fisher Tippett
Theorem 3.1 (Satz von Fisher Tippett; extremal types theorem). Eine Verteilung G ist eine Extremwertverteilung genau dann, wenn es c > 0, d R und γ R gibt mit G(t) = G γ (ct + d). { } Dabei ist G γ eine
MehrDefinition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : ) 1/γ. G γ,ν,β = 1 (1 + γ x ν β
Die POT Methode (Peaks over Threshold) Definition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : G γ (x) = { 1 (1 + γx) 1/γ für γ 0 1 exp{ x} für γ = 0 wobei x D(γ) D(γ) = { 0
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
MehrVERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
KAPITEL 15 VETEILUNGEN VON FUNKTIONEN EINE ZUFALLSVAIABLEN In diesem Kapitel geht es darum, die Verteilungen für gewisse Funktionen von Zufallsvariablen zu bestimmen. Wir werden uns auf den Fall absolut
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
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
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
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 :
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
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
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
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,
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
Mehr1 (2π) m/2 det (Σ) exp 1 ]
Multivariate Normalverteilung: m=1: Y N(µ; σ 2 ) Erwartungswert: µ Varianz: σ 2 f Y (y) = f Y1 Y 2...Y m (y 1,y 2,...,y m ) = [ 1 exp 1 ] 2πσ 2 2 (y µ)2 /σ 2 Σ: m m-matrix, symmetrisch, positiv definit.
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrKapitel 1. Einleitung. 1.1 Einführung in die Thematik und Motivation
1 Kapitel 1 Einleitung 1.1 Einführung in die Thematik und Motivation Im Zentrum des Interesses zahlreicher Fragestellungen der Finanzmarkttheorie sowie der angewandten Statistik stehen die Modellierung
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
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
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
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
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrSolvency II und die Standardformel
Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
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
MehrMathematische Grundlagen Kalman Filter Beispielprogramm. Kalman Filter. Stephan Meyer
Kalman Filter Stephan Meyer FWPF Ortsbezogene Anwendungen und Dienste Georg-Simon-Ohm-Hochschule Nürnberg 07.12.2007 Outline 1 Mathematische Grundlagen 2 Kalman Filter 3 Beispielprogramm Mathematische
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
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 10.10.14 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
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
Mehr8 Die Exponentialverteilung
8 Die Exponentialverteilung 8.1 Einführung Modelle Zuverlässigkeitsmodelle Lebensdauermodelle Bedienungsmodelle. 277 W.Kössler, Humboldt-Universität zu Berlin Def. 26 (Exponentialverteilung) Sei X eine
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
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:
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
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
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
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
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
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
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
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
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
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
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
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
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
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
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........................
Mehr