Kapitel 8 Probabilistische und Possibilistische Logik. 23. Juni 2005
|
|
- Daniela Stein
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 8 Probabilistische und Possibilistische Logik 23. Juni 2005
2 Zusammenfassung Kapitel 1-2 Grundlagen, Kapitel 3 Fuzzy-Mengen und -Relationen, Kapitel 4 Erweiterung des klassischen Beweisbegriffes, Kapitel 5 Abstrakte Fuzzy-Logik, Kapitel 6 Fuzzy-Logik zur Modellierung von Vagheit, Kapitel 7 kanonische Erweiterungen zweiwertiger Operatoren,
3 Plan für heute Kapitel 8: Fuzzy-Logik zur Modellierung von Unsicherheit, - Possibilistisches Schließen, - Probabilistisches Schließen.
4 Zufallsgrößen mit Hilfe von Zufallsgröße wird der (unsichere) Ausgang eines Zufallsexperimentes beschrieben, die Zufallsgröße X nimmt Werte aus einem Grundbereich Ω an, falls Ω endlich oder abzählbar: diskrete Zufallsgröße, Zufallsexperiment des Würfelns: Ω = {1,.., 6}, Information über den Würfel Wahrscheinlichkeitsverteilung.
5 Beispiel Würfel Wahrscheinlichkeiten für einen gleichverteilten Würfel: { 1/6, falls 1 ωi 6; P(ω i ) = 0, sonst. Die Summe aller Wahrscheinlichkeiten in Ω muß 1 ergeben. Die Wahrscheinlichkeit mit einem Würfel eine Sechs zu würfeln: P(6) = P(X = 6) = 1/6.
6 Stetige Zufallsgrößen falls Ω nicht diskret ist, ist die Wahrscheinlichkeit für das Eintreten eines konkreten Ergebnisses häufig gleich 0, stattdessen die Wahrscheinlichkeit für gewisse Teilmengen A von Ω, P(A) = P(X A), Definition Sei Ω eine Menge. Eine σ-algebra B ist eine nichtleere Familie von Teilmengen von Ω so daß folgende Bedingungen erfüllt sind: 1. B, 2. falls A in B liegt, dann liegt auch das Komplement von A in B, 3. für eine Folge {A i } i I, A i B, ist auch i I A i in B.
7 Wahrscheinlichkeitsraum Wahrscheinlichkeitsraum (Ω, B, P), mit: Ω: Grundmenge der Elementarereignisse, B: σ-algebra der zu bewertenden Ereignisse, P: Wahrscheinlichkeitsmaß. Definition Eine Funktion P : B [0, 1], mit 1. P( ) = 0, P(Ω) = 1 2. P( i I A i) = i I P(a i) für paarweise disjunkte Mengen A i. heißt Wahrscheinlichkeitsmaß P auf (Ω, B). P(A) ist die Wahrscheinlichkeit, daß der Ausgang des Experimentes in A liegt.
8 Wahrscheinlichkeitverteilung und Dichte Sei Ω = R, (kumulative) Verteilungsfunktion F : R [0, 1] : F (x) = P(X x) X heißt stetige Zufallsgröße, falls F stetig ist. Wahrscheinlichkeitsdichte: f (x) = F (x) P(A) = P(X = x A) = [a,b] f (x)dx.
9 Gleichverteilung auf einem Intervall [a, b] 0, falls x a; 1 f(x) = b a, falls a < x b; 0, falls x > b. f(x) 1 b a Dichtefunktion a b
10 (µ, σ)-normalverteilung Dichte f (x) = 1 σ 2π e 1 2 ( x µ σ )2 F (x) = 1 σ 2π µ: Erwartungswert, σ: Standardabweichung Verteilungsfunktion x e 1 2 ( t µ σ )2 dt µ = 0,σ = 1 µ = 1,σ = π π
11 Possibilistisches Schließen eingeführt von Dubois und Prade, Grade für die Möglichkeit des Wahrseins Möglichkeitsgrad einer Formel ist dual zu ihrem Notwendigkeitsgrad: falls ϕ mindestens zum Grad a notwendig ist, dann ist ϕ höchstens zum Grad 1 a möglich.
12 Possibilitätsverteilung Idee: auf einer Grundmenge Ω sei eine Verteilung der Möglichkeiten gegeben. Definition Eine Possibilitätsverteilung π über Ω ist eine Funktion π : Ω [0, 1], für die mindestens ein ω Ω existiert, so daß π(ω) = 1 (Normalisiertheit). POSS(Ω) Menge aller Possibilitätsverteilungen über Ω.
13 Possibilitätsverteilung Bei gegebener Possibilitätsverteilung fragen wir nach der Möglichkeit, daß für einen bestimmten Objektzustand ω gilt: ω Σ. Semantik von Probabilistischen und Possibilistischen Verteilungen ist verschieden: großer Unterschied zwischen der Möglichkeit z.b. jeden Morgen schwimmen zu gehen und der Wahrscheinlichkeit dafür.
14 Possibilitätsmaße Definition Sei π 0 POSS(Ω) eine Possibilitätsverteilung, dann ist POSS π : P(Ω) [0, 1], mit heißt Possibilitätsmaß von π. NEC π : P(Ω) [0, 1], mit POSS π (A) := sup{π(ω) ω A} NEC π (A) := inf{1 π(ω) ω Ω \ A} heißt Notwendigkeitsmaß von π. Ein hoher Grad POSS π0 (A) ist nicht ausreichend, um sicher feststellen zu können, daß ω 0 tatsächlich zu A gehört.
15 Beispiel π 0 u wolkig Ω = [1, 100] Possibilitätsverteilung für den Bedeckungsgrad am in Potsdam. Grundbereich Prozent u wolkig
16 Beispiel wähle A = [65, 70] POSS π0 (A) = 1 und NEC π0 (A) = 0 ein Bedeckungsgrad zwischen 65 und 70 Prozent wird als uneingeschränkt möglich angesehen, aber nicht als sicher.
17 Wahrscheinlichkeit und Möglichkeit die Möglichkeit eines Ereignisses folgt aus seiner (positiven) Wahrscheinlichkeit, Wahrscheinlichkeitstheorie und Possibilitätstheorie modellieren das Phänomen der Unsicherheit auf verschiedene Weise, π0 ist keine Dichtefunktion, das Integral [0,100] π 0(ω)dω = 35 ist verschieden von 1. Auch nach Normalisierung mit π π 0 ergibt das von π 0 induzierte Wahrscheinlichkeitsmaß P den Wert P(A) = 1 7 POSS π 0 (A)
18 Eigenschaften von Possibilitäts- und Necessity-Maßen Satz Für alle π POSS(Ω) und alle A, B Ω gilt: 1. Poss π ( ) = Nec π ( ) = 0, 2. Poss π (Ω) = Nec π (Ω) = 1, 3. Poss π (A B) = max{poss π (A), Poss π (B)}, 4. Nec π (A B) max{nec π (A), Nec π (B)}, 5. Poss π (A B) min{poss π (A), Poss π (B)}, 6. Nec π (A B) = min{nec π (A), Nec π (B)}, 7. Nec π (A) Poss π (A).
19 Possibilistisches Schließen u F(FL ) Fuzzy-Menge von Formeln. u(ϕ) ist untere Schranke für den Notwendigkeitsgrad von ϕ, ein Notwendigkeitsmaß N erfüllt ϕ, wenn N(ϕ) u(ϕ), jedes Paar (ϕ, u(ϕ)) ist ein Konstraint für die Menge der Notwendigkeitsmaße, Ω Menge der klassischen aussagenlogischen Modelle, π : Ω [0, 1] Possibilitätsverteilung, π(ω)ist der Grad zu dem ω möglicherweise die reale Welt ist.
20 Induzierte Maße Definition Das von π induzierte Möglichkeitsmaß ist eine Funktion Π : F L [0, 1] ist definiert durch: Π π (ϕ) = sup{π(ω) ω = ϕ}. Das von π induzierte Notwendigkeitsmaß ist eine Funktion N : F L [0, 1], die definiert ist durch: N π (ϕ) = 1 Π( ϕ) = inf{1 π(ω) ω = ϕ}.
21 Possibilistisches Schließen Definition 1. Eine Possibilitätsverteilung π erfüllt das Paar (ϕ, a), π = (ϕ, a), falls N π (ϕ) a. 2. π erfüllt die Fuzzy-Menge u, falls für alle ϕ supp(u) gilt π = (ϕ, u(ϕ)). 3. (ψ, b) ist eine logische Konsequenz von u, falls für alle π mit π = u gilt π = (ψ, b). Schreibweise: u = (ψ, b). D P (u)(ϕ) := sup{a (0, 1], u = (ϕ, a)}
22 Prinzip der minimalen Spezifität für jedes u existiert eine größte Possibilitätsverteilung πu, mit π u = u, π u (ω) = { min{1 u(ϕ i ) ω = ϕ i, ϕ i supp(u)}, 1 falls ω = ϕ 1... ϕ n. falls supp(u) = {ϕ 1,... ϕ n } Satz Eine Possibilitätsverteilung π erfüllt eine Fuzzy-Menge u genau dann, wenn π π u, d.h. für alle ω gilt π u (ω) π(ω).
23 Probabilistische Logiken Modellierung von Unsicherheit im Sinne von (subjektiver) Wahrscheinlichkeit, klassische Tautologien werden stets mit 1 bewertet, logisch äquivalente Formeln erhalten denselben Grad, Klasse der Formeln, die betrachtet wird, ist die Lindenbaum-Algebra B der klassischen Logik mit dem größten Element 1 und kleinsten Element 0
24 Probabilistische Semantiken Msa der konstante-summen-super-additiven Maße, Mul der upper-lower Wahrscheinlichkeiten, Mp der endlich-additiven Maße, Wir konzentrieren uns auf endlich-additive Wahrscheinlichkeitsmaße.
25 endlich-additive Wahrscheinlichkeitsmaße Definition Ein endlich-additives Wahrscheinlichkeitsmaß ist eine Abbildung P : B [0, 1] mit 1. P(1) = 1, 2. für alle ϕ, ψ B mit ϕ ψ = 0 gilt: P(ϕ ψ) = P(ϕ) + P(ψ), 3. für alle ϕ B gilt: 1 = P(ϕ) + P( ϕ).
26 Probabilistische Information die Wahl von Wahrscheinlichkeitsmaßen als Modelle erscheint vernünftig, da ein Wahrscheinlichkeitsmaß vollständige Information über ein Zufallsphänomen enthält, d.h. eine vollständige Theorie ist, die Information, die von einer Anfangsbelegung u gegeben wird ist, daß für jede Formel ϕ die Wahrscheinlichkeit größer oder gleich u(ϕ) ist, eine probabilistische Theorie JMP ist die größte untere Schranke der Wahrscheinlichkeitsmaße, die größer oder gleich u sind, eine Abbildung, die als größte untere Schranke von Wahrscheinlichkeitsmaßen bestimmt wird heißt eine untere Hülle (envelope)
27 Probabilistisches Schließen MP ist balanciert, d.h. m M P gilt stets m(ϕ) + m( ϕ) = 1, damit gibt eine Fuzzy-Menge immer ein Intervall-Constraint für eine unbekannte Wahrscheinlichkeitsverteilung, JMP erlaubt uns, dieses Intervall-Constraint zu verbessern, bzw. das bestmögliche Intervall-Constraint für u zu finden. Suche nach einem Fuzzy-H-System zu dieser Semantik ist äquivalent zur Suche nach einem Algorithmus, mit dessen Hilfe das beste Intervall-Constraint für eine gegebene Information u gefunden werden kann, Problem ist eng mit der Entwicklung von Diagnose-Systemen verbunden.
28 Konsistenzbegriff für probabilistische Information durch Einführung einer neuen Familie von Junktoren Definition Sei h N, k N 0. Ein h k-junktor ist eine h-stellige Operation C k auf B, die wie folgt definiert wird: 1. C 0 : B h B ist die konstante Abbildung mit C 0 (ϕ 1... ϕ h ) = 1, 2. falls k 0 ist für beliebige ϕ 1,..., ϕ h B C k (ϕ 1... ϕ h ) = sup{ϕ i(1)... ϕ i(k) i(1)... i(k) paarweise disjunkt aus {1,..., h}}
29 Interpretation der Junktoren als Spiel - ein Spieler kann auf eine Folge von Ereignissen ϕ 1... ϕ h aus B wetten, - die Bank bezahlt einen Euro für irgendein eingetretenes Ereignis ϕ i. In diesem Fall ist C k (ϕ 1... ϕ h ) die Menge der Elementarereignisse für die eine Mehrfachwette auf ϕ 1... ϕ h uns ermöglicht zumindestens k Euros zu gewinnen.
30 Interpretation der Junktoren als Spiel II C 0 (ϕ 1... ϕ h ) C 1 (ϕ 1... ϕ h )... C h (ϕ 1... ϕ h ), C 1 (ϕ 1... ϕ h ) = ϕ 1... ϕ h, C h (ϕ 1... ϕ h ) = ϕ 1... ϕ h, C h+1 (ϕ 1... ϕ h ) = C h+2 (ϕ 1... ϕ h ) =... = 0, C k (ϕ 1... ϕ h ) C k (ϕ 1... ϕ h 1 ), C k (ϕ 1... ϕ h ) = C k (ϕ 1... ϕ h, 0) = C k+1 (ϕ 1... ϕ h, 1).
31 Wahrscheinlichkeitsmaße und h k-junktoren Satz Eine Abbildung P : B [0, 1] ist ein Wahrscheinlichkeitsmaß, gdw. 1. P(0 = 0 und P(1 = 1, und 2. P(ϕ 1 ) P(ϕ h ) = P(C 1 (ϕ 1... ϕ h )) P(C h (ϕ 1... ϕ h )). Beispiel: Seien ϕ 1,..ϕ 4 paarweise disjunkt, dann gilt: P(ϕ 1 ) P(ϕ 4 ) = P(C 1 (ϕ 1... ϕ 4 ))
32 Maximaler Gewinn Sei ϕ 1... ϕ h gegeben. Wir definieren: M(ϕ 1... ϕ h ) = max{k N C k (ϕ 1... ϕ h ) 0}, oder äquivalent dazu: M(ϕ 1... ϕ h ) = min{k N C k (ϕ 1... ϕ h ) = 0} 1. C k (ϕ 1... ϕ h ) 0 bedeutet, daß es möglich ist, k Euros zu gewinnen, M(ϕ1... ϕ h ) ist der maximal mögliche Gewinn für einen Spieler, der auf ϕ 1... ϕ h wettet.
33 Konsistenz für Probabilistische Interpretation Satz Die Semantik M P ist logisch kompakt. Eine Anfangsbelegung ist erfüllbar, gdw. ϕ 1... ϕ h B gilt: u(ϕ 1 ) u(ϕ h ) M(ϕ 1... ϕ h ) die Bedingung des Satzes erlaubt es, allein den Träger von u zu berücksichtigen, falls der Träger endlich ist, ist die Überprüfung auf Erfüllbarkeit sehr einfach, falls die ϕ1... ϕ h paarweise disjunkt sind u genau dann erfüllbar, wenn u(ϕ 1 ) u(ϕ h ) 1.
34 Hilbert-Kalkül und Probabilistische Theorien Satz Sei τ eine Fuzzy-Menge von Formeln, so daß τ(1) = 1. Dann sind die folgenden Aussagen äquivalent: 1. τ ist eine J MP -Theorie, 2. τ(ϕ 1 ) τ(ϕ h ) (M(ϕ 1... ϕ h ) k + 1) τ(c k (ϕ 1... ϕ h )) + k 1 für jedes h N, k N 0 und Formelmengen {ϕ 1... ϕ h }, 3. für jede Formel ϕ B gibt es ein Wahrscheinlichkeitsmaß P mit P(ϕ) = τ(ϕ).
35 Hilbert-Kalkül und Fuzzy-Inferenzregeln Aussage (2) kann man auch schreiben als: τ(c k (ϕ 1... ϕ h )) τ(ϕ 1) τ(ϕ h ) k + 1. M(ϕ 1... ϕ h ) k + 1 h, m, k N 0 mit h m k definieren wir eine h-m-k-fuzzy-inferenzregel r hmk = (r, r ) durch: ϕ 1... ϕ h C k (ϕ 1... ϕ h ) a 1... a h n( (a a h k+1) m k+1 ) Dom(r hmk ) = {ϕ 1... ϕ h M(ϕ 1... ϕ h ) = m}.
36 Fuzzy-Inferenzregeln Die Bedeutung der Ableitungsregeln ist nur in einigen Fällen klar. für paarweise disjunkte ϕ1... ϕ h ist h 1 1-Regel ist eine verallgemeinerte Disjunktionsregel ϕ 1... ϕ h C k (ϕ 1... ϕ h ) a 1... a h n( (a a h k+1) m k+1 ) für ϕ1... ϕ h 0 erhält man bei h = k = m eine verallgemeinerte Konjunktionsregel ϕ 1... ϕ h ϕ 1... ϕ h a 1... a h a 1... a h
37 Wenn wir Formeln ϕ 1... ϕ h mit den Graden a 1,... a h abgeleitet haben, die die Konsistenzbedingung verletzen, dann können wir die Kontradiktion 0 zum Grad 1 beweisen. m-collapsing-regeln Wir haben für jede Anfangsbelegung u u(ϕ 1 ) u(ϕ h ) M(ϕ 1... ϕ h ) Definition Sei m, h N mit h m. Eine m-collapsing-regel r C = (r C, r C ) wird definiert durch: r C (ϕ 1... ϕ h ) = 0 { r C (a 1 falls a a h m, 1,... a h ) = 0 sonst.
38 Vollständigkeitssatz Satz Das Fuzzy-Hilbertsystem bestehend aus der Fuzzy-Menge der Axiome Ax(1) = 1 und der Menge der h m k-fuzzy-inferenzregeln und m collapsing Regeln ist eine vollständige und korrekte Axiomatisierung für die Semantik M P der additiven probabilistischen Maße. Offenbar ist die Axiomatisierung von MP nur theoretisch interessant, es ist ein offenes Problem, ob sich der Fuzzy-Hilbert-Kalkül noch verkleinern läßt.
39 Der Spieler M(ϕ1... ϕ h ) stellt dann den maximal möglichen Gewinn bei einer Wette auf die Menge ϕ 1... ϕ h Anfangsinformation u als eine Wettfunktion interpretieren, u(ϕ) den Wetteinsatz für ϕ, u(ϕ 1 ) u(ϕ h ) der Einsatz für die Gesamtwette Wette ist Spieler-vernünftig, wenn es Belegungen u gibt, sd. u(ϕ 1 ) u(ϕ h ) M(ϕ 1... ϕ h ) Spieler hat die Chance zumindestens den Betrag zu gewinnen, den er eingesetzt hat, Wettfunktion ist Spieler-vernünftig, falls alle Mehrfachwetten Spieler-vernünftig sind, wegen der 0-Regel ist Roulette nicht Spieler-vernünftig, eine Wettfunktion ist Spieler-vernünftig, wenn sie erfüllbar ist.
40 Die Bank vernünftig für die Bank: m(ϕ 1,..., ϕ h ) = max{t N 0 C t (ϕ 1,..., ϕ h ) = 1} m(ϕ1,..., ϕ h ) stellt den kleinstmöglichen Geldbetrag dar, den ein Spieler bei einer Wette auf ϕ 1,..., ϕ h sicher gewinnt, eine Wettfunktion u ist Bank-vernünftig, wenn m(ϕ 1,..., ϕ h ) u(ϕ 1 ) u(ϕ h ), eine Wettfunktion ist Bank-vernünftig, wenn es keine Mehrfachwette gibt, bei der ein Spieler sicher gewinnt.
41 Probabilistische Maße als Wettfunktionen Satz Eine Abbildung P : B [0, 1] ist ein additives Wahrscheinlichkeitsmaß, genau dann wenn für alle ϕ 1,..., ϕ h B gilt: m(ϕ 1,..., ϕ h ) P(ϕ 1 ) P(ϕ h ) M(ϕ 1... ϕ h ) Wahrscheinlichkeitsmaße sind Wettfunktionen, die sowohl Spieler-vernünftig, als auch Bank-vernünftig sind, bei denen also weder ein sicheres Gewinnen noch Verlieren möglich sind.
Teil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
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.
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
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
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
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
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrWahrscheinlichkeitstheorie und Maßtheorie
KAPITEL 7 Wahrscheinlichkeitstheorie und Maßtheorie 7.1. Vorüberlegungen Die folgenden drei Beispiele sind Spezialfälle des Oberbegriffs Maß. Beispiel 7.1.1 (Verteilung der Ladung oder der Masse). Man
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
MehrWahrscheinlichkeitsrechnung und Statistik
1. und 2. Vorlesung - 2017 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich werde mit Sicherheit gewinnen! Ist das wirklich unmöglich?
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
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
MehrAufgaben zur Verbandstheorie
TU Bergakademie Freiberg WS 2005/06 Institut für Diskrete Mathematik & Algebra Prof. Dr. Udo Hebisch Aufgaben zur Verbandstheorie 1. Für ein beliebiges n IN sei X n die Menge aller Teiler von n. Definiert
MehrKapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit
Teil I: Wahrscheinlichkeitstheorie 1 Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 3: Bedingte Wahrscheinlichkeit Kapitel 4: Zufallsvariablen Kapitel 5: Erwartungswerte, Varianz, Kovarianz
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.
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrKapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrDie Prädikatenlogik erster Stufe: Syntax und Semantik
Die Prädikatenlogik erster Stufe: Syntax und Semantik 1 Mathematische Strukturen und deren Typen Definition 1.1 Eine Struktur A ist ein 4-Tupel A = (A; (R A i i I); (f A j j J); (c A k k K)) wobei I, J,
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,
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
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
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
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........................
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........................
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
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
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
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
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 :
MehrDIE SPRACHE DER WAHRSCHEINLICHKEITEN
KAPITEL 1 DIE SPRACHE DER WAHRSCHEINLICHKEITEN Es ist die Aufgabe der ersten drei Kapitel, eine vollständige Beschreibung des grundlegenden Tripels (Ω, A, P) und seiner Eigenschaften zu geben, das heutzutage
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
MehrLösungsskizzen zur Präsenzübung 04
Lösungsskizzen zur Präsenzübung 04 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 23. November 2015 von:
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
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
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
MehrKapitel XI - Die n-fache unabhängige Wiederholung eines Experiments
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Die n-fache unabhängige Wiederholung eines Experiments Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig
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
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
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 1
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/ Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie svorschläge zu
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
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
MehrWahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele
Wahrscheinlichkeitstheorie Kapitel I - Einführende Beispiele Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Wahrscheinlichkeitstheorie Agenda:
MehrAppendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie
Appendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie Vorbemerkung: Die folgenden Seiten sind nicht zur Abschreckung gedacht, sondern als Ergänzung zu den Darstellungen, die
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrGrundlagen der Logik
Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
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
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
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
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........................
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
MehrLogik erster Stufe FO
Logik erster Stufe FO Sonderstellung als die Logik für die Grundlegung der Mathematik natürliche Semantik (Tarski) und große Ausdrucksstärke vollständige Beweiskalküle (Gödelscher Vollständigkeitssatz)
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
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
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrMusterlösung 11.Übung Mathematische Logik
Lehr- und Forschungsgebiet Mathematische Grundlagen der Informatik RWTH Aachen Prof. Dr. E. Grädel, F. Reinhardt SS 2015 Aufgabe 2 Musterlösung 11.Übung Mathematische Logik Geben Sie für die folgenden
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
Mehrσ-algebren, Definition des Maßraums
σ-algebren, Definition des Maßraums Ziel der Maßtheorie ist es, Teilmengen einer Grundmenge X auf sinnvolle Weise einen Inhalt zuzuordnen. Diese Zuordnung soll so beschaffen sein, dass dabei die intuitiven
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 4. Zufallsgrösse X Literatur Kapitel 4 * Storrer: Kapitel (37.2)-(37.8), (38.2)-(38.3), (38.5), (40.2)-(40.5) * Stahel: Kapitel 4, 5 und 6 (ohne
MehrAnwendungen der Logik, SS 2008, Martin Goldstern
Anwendungen der Logik, SS 2008, Martin Goldstern Total geordnete Körper Ein total geordneter Körper ist ein Körper (K, +,, 0, 1, ) mit einer totalen (=linearen) Ordnung, die mit den Operationen verträglich
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
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrNotengebung. Teilnote Kreuzerlliste: 60% 69% 4; 70% 79% 3; 80% 89% 2; 90% 100% 1. Falls Sie weitere Fragen haben, bitte melden Sie sich bei mir.
Notengebung Die Gesamtnote für die Übung ergibt sich je zur Hälfte aus der Teilnote Kreuzerlliste und der Teilnote Zwischentest, gerundet auf freundliche Weise; für eine positive Benotung müssen beide
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 3
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Einführung in die Wahrscheinlichkeitstheorie svorschläge zu Übungsblatt
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
MehrÜbungen zur Wahrscheinlichkeitstheorie und Statistik
Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils
Mehr2.3 Deduktiver Aufbau der Aussagenlogik
2.3 Deduktiver Aufbau der Aussagenlogik Dieser Abschnitt beschäftigt sich mit einem axiomatischen Aufbau der Aussagenlogik mittels eines Deduktiven Systems oder eines Kalküls. Eine syntaktisch korrekte
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,
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
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
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.
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
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
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)
Mehr3. STOCHASTISCHE PROZESSE 73
3. STOCHASTISCHE PROZESSE 73 3. Stochastische Prozesse 3.1. Grundlegende Begriffe bei zufälligen Prozessen. In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
Mehr