1.3 Zufallsvariablen
|
|
- Marcus Bayer
- vor 6 Jahren
- Abrufe
Transkript
1 1.3 Zufallsvariablen
2 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 : F [0, 1], Trefferzeit vom Zustand B F = {E E Ω} = 2 Ω P({ω}) = T i=1 p ω i 1,ω i τ : Ω R { }, τ(ω) := inf{k {0,..., T } ω k = B} Beispiel: Wette auf frühes Treffen von B C : Ω [0, 1], C(ω) = e τ(ω).
3 Messbare Abbildungen Definition 1.15 Eine Abbildung X : E F zwischen zwei messbaren Räumen (E, E) und (F, F) heißt (E/F-)messbar, falls X 1 (A) E für alle A F. Eine F/B(R)-messbare Abbildung 6 X : Ω R auf einem W-Raum (Ω, F, P) heißt (reelle) Zufallsvariable oder (reelle) Zufallsgröße. Bemerkung A Ω messbar Indikatorfunktion 1 A ist messbar { 1 falls x A mit 1 A : Ω R, 1 A (x) = 0 falls x A. 6 R = R {± }, A B(R) : A R B(R).
4 Sprechweisen Definition 1.16 Bemerkung Definition 1.17 Von einer Abbildung X : E F in einen messbaren Raum (F, F) erzeugte σ-algebra σ(x ) := {X 1 (A) A F} X : E F E/F-messbar σ(x ) E Eine reelle ZV X heißt endlich, falls X (ω) R ω Ω. X heißt beschränkt, falls ein K > 0 existiert, so dass X (ω) K ω Ω.
5 Approximation durch Treppenfunktionen Definition 1.18 Satz 1.11 Eine Zufallsvariable X : (Ω, F) R heißt einfach, falls α 1,..., α N R, mit (A i ) paarweise disjunkt, so dass A 1,..., A N F : Ω = i=1,...n A i X (e) = N i=1 α i1 Ai (e). Jede beschränkte Zufallsvariable X : (Ω, F) R lässt sich durch eine Folge (X n ) n von einfachen Zufallsvariablen (X n ) auf Ω gleichmäßig approximieren, d.h. lim sup X (ω) X n (ω) = 0. n ω Ω Bew: Zu n N definiere X n (ω) = k Z k n 1 X 1 (] k n, k+1 n ])(ω). Bemerkung Analog: Für X 0 endliche ZV ex Folge (X n ) einfacher ZV n X n (ω) X (ω) ω Ω. Summen, Produkte etc. von einfachen ZV n sind einfache ZV n.
6 Der Erwartungswert einer Zufallsvariablen Definition 1.19 Für eine einfache Zufallsvariable X : (Ω, F, P) R heißt N α i P(A i ) =: X (ω)p(dω) i=1 Ω das Integral von X (bzgl. P) bzw. Erwartungswert. Schreibweisen Ω X (ω)p(dω) = E P(X ) = X P. Bemerkung E P (X ) hängt nicht von der genauen Darstellung von X ab. E P (λx + µy ) = λe P (X ) + µe P (Y ). E P (X ) E P ( X ) sup ω Ω X (ω)
7 Integral für beschränkte Zufallsvariablen Satz 1.12 Bew: Falls X eine beschränkte ZV auf (Ω, F, P), so ex. X n (ω)p(dω) =: X (ω)p(dω) lim n Ω für jede gleichmäßige Approximation X n X von X durch einfache ZV en, unabhängig von der genauen Wahl von (X n ). Sei X n X gleichmäßig und Y n X gleichmäßig auf Ω X n Y n 0 gleichmäßig auf Ω. Ω E(X n ) E(Y n ) = E(X n Y n ) sup X n (ω) Y n (ω) n 0. ω Analog: E(X n ) E(X m ) sup ω Ω X n (ω) X m (ω) n,m 0. (E(X n )) n reelle Cauchy-Folge mit lim E(X n ) = lim E(Y n ).
8 Integral für nichtnegative Zufallsvariablen Satz 1.13 Bsp Sei X : (Ω, F, P) R 0 messbar und eine Folge (X n ) einfacher ZV en mit X n (ω) X (ω) ω Ω. Dann ist Ω X (ω)p(dω) := sup X n (ω)p(dω) [0, ] n N Ω unabhängig von der genauen Wahl von (X n ). (Ω, F, P) = ([0, 1], B([0, 1]), λ), X, Y : [0, 1] R 0, X (ω) = 1 ω, Y (ω) = 1 ω. E(X ) = 1 0 ω 1/2 dω = 2ω ω=1 ω=0 = 2 <. E(Y ) = 1 0 ω 1 dω = ln(ω) ω=1 ω=0 = 0 ( ) =.
9 Integral Allgemeiner Fall Definition 1.20 Bemerkung Eine ZV X : (Ω, F, P) heißt (absolut) integrierbar, falls E P (X + ) < und E P (X ) < mit X ± : Ω R 0, X ± (ω) = max(±x (ω), 0). In dem Fall definiert man das Integral von X (bzgl. P) als E P (X ) := E P (X + ) E P (X ). Äquivalente Bedingung E P ( X ) <. Gelegentlich verlangt man nur die einseitige Integrierbarkeit min(e P (X + ), E P (X )) < E P (X ) := E P (X + ) E P (X ) R eindeutig definiert.
10 Integral: Nachträge Definition 1.21 Definition 1.22 Definition 1.23 Für X ZV auf (Ω, F, P) und A F E P (X ; A) := A XdP := Ω X (ω)1 A (ω)p(dω). Zwei ZV X, Y auf (Ω, F, P) heißen äquivalent, falls X = Y fast sicher, d.h. falls {ω Ω, X (ω) Y (ω)} ist P Nullmenge. X L p (Ω, F, P), p 0, falls X eine ZV auf (Ω, F, P) mit E P ( X p ) <. X L (Ω, F, P), falls K 0, s.d. X K P-fast sicher. Bsp X (ω) = 1 ω L 1 ([0, 1], B([0, 1]), λ)) \ L 2 ([0, 1], B([0, 1]), λ) Bemerkung Analog vektorwertige ZV X = (X 1,..., X d ) : Ω R d E(X ) := (E(X 1 ),... E(X d )) R d.
11 Nachträge (Forts.): Maße mit Dichten auf R Definition 1.24 F : R R heißt absolut stetig, falls ex. m : R R messbar F (a) F (b) = a m(s) ds a, b R. b Bsp F (x) = (1 1 x ) 2 + = { x 0 falls t < 1 m(t)dt, m(t) = 2 t falls t 1. 3 Satz 1.14 Bew: Definition 1.25 Sei µ ein W-Maß auf R mit F (x) = µ(], x]) = x m(t)dt. Dann gilt f (x)µ(dx) = f (x)m(x)dx für alle messbaren f : R R. R Klar für f = 1 ]a,b]. Für allgemeine f folgt die Aussage durch Approximation mit einfachen Zufallsvariablen. Ein Maß auf µ auf R heißt absolut stetig : F µ ist abs. stetig. In dem Fall heißt m mit µ(dx) = m(x)dx Dichte vom µ bzgl. λ. R
12 Nachträge (Forts.): Ungleichungen Satz 1.15 (Cauchy-Schwarz) E(X Y ) E(X 2 ) E(Y 2 ) für alle X, Y L 2 (Ω, F, P). Bew: Mit Standardargument, da E[(λX + µy ) 2 ] 0 λ, µ R. Satz 1.16 (Markov) Bew: Satz 1.17 (Jensen) Bew: Sei X 0 und ϕ : R 0 R 0 nicht-fallend, dann P(X δ) 1 ϕ(δ) E(ϕ(X )). P(X δ) = E(1 ; X δ) = E( ϕ(δ) ϕ(δ) ; X δ) E( ϕ(x ) ϕ(δ) ; X δ) 1 E(ϕ(X )) ϕ(δ) Falls X eine reelle ZV und ϕ : R R konvex ϕ(e(x )) E(ϕ(X )). Sei m := E(X ). Konvexität von ϕ s R so, dass ϕ(x) ϕ(m) + s(x m) x R ϕ(x ) ϕ(m) + s(x m) E(ϕ(X )) ϕ(m) + s(e(x ) m) = ϕ(e(x )).
13 1.4 Konvergenz von Zufallsvariablen
14 Fast sichere und stochastische Konvergenz Definition 1.26 Bemerkung Definition 1.27 Bsp Eine Folge (X n ) n von ZV en auf (Ω, F, P) konvergiert P-stochastisch gegen die ZV X, falls ɛ > 0 P( X n X > ɛ) n 0. Andere Bezeichnung: Konvergenz im Maß/in Wahrscheinlichkeit. Eine Folge (X n ) n von ZV en auf (Ω, F, P) konvergiert P-fast-sicher gegen die ZV X, falls X n (.) n X (.) P-fast sicher, d.h. P-Nullmenge N, s.d. X n (ω) X (ω) ω Ω \ N. Es sei (Ω, F, P) = ([0, 1], B([0, 1]), λ) und (q n ) eine Abzählung von Q [0, 1]. Dann gilt für X n : [0, 1] R, X n := 1 ]qn 1 n,qn+ 1 n [ dass (X n ) 0 P-stochastisch, aber nicht P-fast sicher.
15 Satz 1.18 Definition 1.28 Falls X n X P-fast sicher, so auch P-stochastisch. Limes-Superior einer Folge von Mengen lim sup n A n := n N m n A m Bemerkung ω lim sup n A n ω liegt in unendlich vielen A n. Lemma 1.1 P(lim sup A n ) = 0 lim n P(A n ) = 0. Bew: Mit B n := m n A m gilt B n lim sup A n (Stetigkeit von P) P(B m ) < δ für m = m 0 1 P(A n ) δ n m 0. Bew: (Satz 1.18) Folgt aus vorigem Lemma mit A n := { X n X > ɛ} = {ω Ω X n (ω) X (ω) > ɛ}
16 Satz 1.19 Falls X n X P-stochastisch, so ex. Teilfolge X n X P-fast sicher. Lemma 1.2 (Borel-Cantelli) Bew: Falls n µ(a n) <, so ist µ(lim sup A n ) = 0. n µ(a n) < m=n µ(a m) 0 für n. lim sup A n m n A m n. P(lim sup A n ) P( m n A m) m n P(A m) m 0, Bew: (Satz 1.19) Sei (ɛ k ) eine beliebige Nullfolge und (n k ) k so gewählt, dass P({ X nk X > ɛ k }) < ( 1 2 )k. (Borel-Cantelli mit A k = { X nk X > ɛ k }) P({ X nk X > ɛ k unendlich oft}) = 0 Bemerkung Analog für Folgen (X n ) n N : Ω E von ZV en mit Werten in einem metrischen bzw. topologischen Raum (E, d) bzw. (E, τ).
17 Integralkonvergenzsätze atz 1.20 (Dom. Konvergenz) Bsp Satz 1.21 (Lemma v. Fatou) Satz 1.22 (Monotone Konvergenz) Bemerkung Falls (X n ) gleichmäßig beschränkte Folge von ZV en auf (Ω, F, P) ist, d.h. exists K > 0, s.d. X n K P-fast sicher für alle n N und X n X P-stochastisch, so folgt E P ( X X n ) 0 für n. Auf ([0, 1], B([0, 1]), λ) sei X n (ω) = ω n bzw. Y n (ω) = nω n, dann gilt X n 0 und Y n 0 fast sicher, aber nur E(X n ) 0. Falls X n 0 und X n X P-stochastisch, so gilt E(X ) lim inf E(X n ). Falls X n 0 und X n X fast sicher, dann gilt E(X ) = lim E(X n ). Geringfügige Verschärfung gegenüber Standardformulierung: Es wird nur die stochastische Konvergenz benötigt 7. 7 Beweise: Z.B. in [Varadhan]
18 Vitali scher Konvergenzssatz Definition 1.29 Bemerkung Satz 1.23 (Vitali) Eine Familie von ZV en (X λ ) λ Λ heißt gleichgradig integrierbar falls sup λ Λ X λ >K X λ dp K 0. X L 1 {X } gleichgr. int bar, denn Q(A) = X dp ist ein endliches Maß und A { X > K} N := { X = } mit Q(N) = X dp = 0. N Analog: Jede endliche Menge {X 1,..., X N } L 1 (Ω, F, P) ist gleichgradig int bar. Für eine Folge (X n ) von ZV en auf (Ω, F, P) gilt E P ( X n ) 0 genau dann, wenn (X n ) n gleichgradig int bar ist und X n 0 P-stochastisch.
19 Bew: ( ) Bew.: ( ) Stochastische Konvergenz: P( X n > ɛ) = Ω 1 Xn >ɛdp 1 ɛ Ω X n dp = 1 ɛ E P( X n ) 0. Gleichgradige Integrierbarkeit: Sei ɛ > 0. X n >K X n dp X n >K X n X m dp + X n >K X m dp X n >K X n X m dp E( X n X m ) E( X n ) + E( X m ) ɛ 3 für n m := N 0 (ɛ) 1 X n >K X m dp X n >K, X m L X m dp + X m >L X m dp X m >L X m dp ɛ 3 für L := L 0 (ɛ, m). X n >K, X m L X m dp L P( X n > K) L 1 K sup n E X n ɛ 3 für K K 0 (L, ɛ), n N 0. Übungsaufgabe.
20 1.5 Verteilung von Zufallsvariablen
21 Satz 1.24 Bildmaß Es sei (Ω, F, P) ein W-Raum, X : (Ω, F) (S, S) messbar. Dann induziert X ein W-Maß P X auf (S, S) gemäß P X (A) := P(X 1 (A)) A S. Definition 1.30 P X heißt Bildmaß bzw. Verteilung von P unter X. Bemerkung Andere Schreibweisen P X = P X 1 = X P. Fall S = R t F X (t) = P X (], t]) = P(X t) heißt Verteilungsfunktion von X. Bsp (Ω, F, P) = ([0, 1], B([0, 1]), λ)), X : ω R, X (ω) = 1 ω. Definition 1.31 F X (t) = P X (], t]) = P(X t) 1 = λ({ω [0, 1] t}) ω { } 0 f. t < 1 = λ({ω [0, 1] ω 1 = (1 1 }) f. t 1 t 2 t )+. 2 Sei µ ein W-Maß auf (E, E), dann heißt eine ZV X : Ω E µ-verteilt, falls P X = µ. Schreibweise X µ.
22 Integration bzgl. dem Bildmaß (Integral-Transformationssatz) Satz 1.25 Bew: Bemerkung Bsp Sei (Ω, F, P) ein W-Raum und X : (Ω, F) (S, S) messbar. Sei f : (S, S) (R 0, B(R)) messbar, dann gilt E P (f (X )) = f (s)p X (ds). Aussage gilt nach Def. von P X, falls f = 1 A für A S, und somit auch falls f einfach. Durch monotone Approximation f n f mit einfachen Funktionen folgt die Behauptung. Analog für beliebige P X -integrierbare Abbildungen f : S R Für eine ZV X auf (Ω, F, P) mit Verteilung µ = P X auf R gilt E P (X ) = x µ(dx). S R
23 Varianz Definition 1.32 Die Varianz einer Zufallsvariablen X auf (Ω, F, P) ist V (X ) := E [ (X E(X )) 2] [0, ] Satz 1.26 Falls X L 2 (Ω, F, P) gilt V (X ) = E(X 2 ) (E(X )) 2 Lemma 1.3 (Tschebyshev Ungl.) Bew: E[(X E(X )) 2 ] = E[X 2 2X E(X ) + (E(X )) 2 ] = E(X 2 ) 2E(X )E(X ) + (E(X )) 2 = E(X 2 ) (E(X )) 2 Sei X L 2 (Ω, F, P), dann gilt für δ > 0 P( X E(X ) δ) 1 δ V (X ). Bew: Markov-Ungleichung für X E(X ) 0 und ϕ(x) = x 2. Korollar 1.3 X = E(X ) P-fast sicher V (X ) = 0. Bew: : {X E(X )} = n { X E(X ) 1 n }, mit P({ X E(X ) 1 n }) = 0 nach Tschebyshev. klar.
24 Beispiele 8 Gleichverteilung auf [0, 1]: Erwartungswert 1 2, Varianz Binomialverteilung auf [0, 1]: Erwartungswert np, Varianz np(1 p) Poissonverteilung zum Parameter λ > 0: Erwartungswert λ, Varianz λ. Normalverteilung zu den Parametern m R, v > 0: Erwartungswert m, Varianz V. Cauchy-Verteilung zum Parameter α > 0 auf R: µ α (dx) = α π (α2 + x 2 )λ(dx). Erwartungswert α, Varianz. 8 Rechnung an der Tafel, bzw. [Bauer] etc.
25 Definition 1.33 Satz 1.27 Bew: Bsp Gemeinsame Verteilung Es seien X 1,..., X d : Ω R Zufallsvariablen auf dem W-Raum (Ω, F, P), dann heißt mit X = (X 1,..., X d ) R d P X : B(R d ) [0, 1], P X (A) := P( X 1 (A)) die gemeinsame Verteilung von (X 1,..., X n ). P X ist eindeutig bestimmt durch F X : R d [0, 1], F X (t 1,, t n ) := P(X 1 t 1,, X d t d ). B(R d ) = σ(e) mit E ˆ= Ring der endlichen Vereinigungen von Mengen der Form ]s 1, t 1 ] ]s d, t d ]. (vergl. Stieltjes-Maß) (Ω, F, P) = (B 1 R 2, B(B 1 ), 1 π λ2 (dx)) (Gleichverteilung auf dem Einheitsball B 1 R 2 X (ω) := ω X, Y : Ω R, x (x-koordinate) Y (ω) := ω (Abstand zum Urspung) Dann gilt für X = (X, Y ) R 2, mit α(t, s) = arccos( t s ) 0 f. t < min( 1, s) π(1 2α)s P X (], t] ], s]) = 2 +s sin α f. s [0, 1], t s π min (s 2, 1) f. t > s.
Stochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
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
MehrUniversität Leipzig, SoSo 2013
Vorlesung Wahrscheinlichkeitstheorie I Universität Leipzig, SoSo 2013 Prof. Dr. Max v. Renesse renesse@uni-leipzig.de Sprechstunde: Di 13.15-14.45, A 337 Übungen: Mo 11.15 -- 12.45 A 314 K. Zimmermann
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
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........................
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.
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.
MehrKapitel 5: Markovketten
Kapitel 5: Markovketten Definition 5.1 Bezeichnungen Bsp. 5.1 Definition 5.2 Eine Fam. (X i ) i I von ZV en X i : Ω E auf (Ω, F, P) mit Werten im messb. Raum (E, E) heißt Stochastischer Prozess. E Zustandsraum
MehrVorlesungsskript: Martingale
Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale 2 4.1 Einführung.......................................
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
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
MehrSatz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz
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
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
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
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
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.
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
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
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
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
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
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 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
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........................
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
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)
MehrTerminologie Stochastischer Prozesse
Terminologie Stochastischer Prozesse Nikolai Nowaczyk 2014-03-31 Dieses Script ist die Ausarbeitung zum einem Vortrag, gehalten im Seminar zur Wahrscheinlichkeitstheorie im SS 14 an der Uni Regensburg.
MehrGesetz der großen Zahlen
Gesetz der großen Zahlen Marie Reichstein Technische Universität Wien 19. Jänner 2012 Übersicht Geschichte Fragestellung schwaches Gesetz der großen Zahlen starkes Gesetz der großen Zahlen Null-Eins-Gesetze
MehrA. Maß- und Integrationstheorie
A. Maß- und Integrationstheorie Im folgenden sind einige Ergebnisse aus der Maß- und Integrationstheorie zusammengestellt, die wir im Laufe der Vorlesung brauchen werden. Für die Beweise der Sätze sei
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
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
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. D. Castrigiano Dr. M. Prähofer Zentralübung 38. Einschränkung eines Maßes TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 4 (Analysis 3) http://www.ma.tum.de/hm/ma9204
MehrLösungsvorschläge für das 5. Übungsblatt
Lösungsvorschläge für das 5. Übungsblatt Aufgabe 6 a) Sei = [0, ], f(x) := [e x ] für x. Hierbei ist [y] := maxk Z k y} für y. Behauptung: f ist messbar und es ist f(x) dx = 2 log 2. falls x [0, log 2),
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
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
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
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
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
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
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
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........................
MehrÜbersicht Wahrscheinlichkeitsheorie
Übersicht Wahrscheinlichkeitsheorie Gunther Leobacher und Friedrich Pillichshammer Universität Linz, Institut für Finanzmathematik, Altenbergerstrasse 69, 4040 Linz, Austria E-mail: gunther.leobacher@jku.at,
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
MehrMusterlösung Analysis 3 - Maßtherorie
Musterlösung Analysis 3 - Maßtherorie 10. März 2011 Aufgabe 1: Zum Aufwärmen (i) Zeige, dass die Mengensysteme {, X} und P(X) σ-algebren sind. Es sind jeweils nur die Charakteristika nachzuweisen. (1)
MehrMetrische äußere Maße, Borel-Maße
Metrische äußere Maße, Borel-Maße Zum einen haben wir mit dem Fortsetzungssatz gesehen, dass man mit einem äußeren Maß (auf P(X) ) stets eine σ-algebra und ein Maß auf dieser bekommt. Liegt nun ein metrischer
Mehr1 Konvergenz im p ten Mittel
Konvergenz im p ten Mittel 1 1 Konvergenz im p ten Mittel In diesem Paragraphen werden zunächst in Abschnitt 1.1 die L p Räume eingeführt. Diese erweisen sich als vollständige, lineare Räume über R. In
MehrKapitel II. Brownsche Bewegung. Literatur: Karatzas, Shreve (1999, Chap. 2).
Kapitel II Brownsche Bewegung Literatur: Karatzas, Shreve (1999, Chap. 2). Gegeben: Wahrscheinlichkeitsraum (Ω, A, P) mit Filtration F = (F t ) t I, wobei I = [0, [. Definition 1. W = (W t ) t I Brownsche
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrLehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler
Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik II Wahrscheinlichkeitstheorie I Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 26. November 2002
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
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
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
MehrFerienkurs in Maß- und Integrationstheorie
Zentrum Mathematik Technische Universität München Dipl. Math. Wolfgang Erb WS 9/ Übungsblatt Ferienkurs in Maß- und Integrationstheorie Aufgabe. (σ-algebren Sei eine Menge und A eine σ-algebra in. Seien
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
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
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
MehrWAHRSCHEINLICHKEITS- THEORIE II
Skript zur Vorlesung WAHRSCHEINLICHKEITS- THEORIE II Jürgen Gärtner unter Mitwirkung von S. Ribbecke, N. Paetsch und S. Sturm Version Juli 2006 Inhaltsverzeichnis 1. Maßtheoretische Grundlagen 5 1.1.
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
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
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
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
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
MehrWahrscheinlichkeitstheorie 2 & 3. Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 30. Januar 2015
Wahrscheinlichkeitstheorie 2 & 3 Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 3. Januar 215 Inhaltsverzeichnis. Bedingte Erwartungswerte 4 1. Martingale, Stoppzeiten und Filtrierungen 9 1.1.
MehrVorlesungsskript,,Integrationstheorie
Vorlesungsskript,,Integrationstheorie Christoph Kühn aktuelle Version: 15. Februar 2013 Das Skript wird parallel zur Vorlesung im Wintersemester 2012/13 aufgebaut, Hinweise auf Fehler sind sehr willkommen.
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
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 ]
MehrMaße auf Produkträumen
Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge
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
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
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrStochastische Prozesse
Stochastische Prozesse Prof. Dr. H.R. Lerche Abteilung für Mathematische Stochastik Universität Freiburg März 2014 Inhaltsverzeichnis 1 Martingale 1 1.1 Definitionen und Eigenschaften..........................
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehr7 Bedingte Erwartungswerte und Bedingte Verteilungen
7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y
MehrFerienkurs zur Einführung in die Wahrscheinlichkeitstheorie
Ferienkurs zur Einführung in die Wahrscheinlichkeitstheorie Wintersemester 2010/2011 Fabian Benesch 28.02.2011 Information Das Kleingedruckte Dieser Ferienkurs ist kein Bestandteil der Vorlesung Einführung
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
VARIOUS KINDS OF CONVERGENCES OF SEQUENCES OF RANDOM VARIABLES 10 Dezember, 2012 1 Bekannte Konvergenzarten 2 3 1 Bekannte Konvergenzarten 2 3 Wahrscheinlichkeitsraum Im Folgenden betrachten wir immer
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,
Mehr9. Übung zur Maß- und Integrationstheorie, Lösungsskizze Aufgaben
9. Übung zur aß- und Integrationstheorie, Lösungsskizze Aufgaben A 50 (Eine Flächenberechnung mit dem Cavalierischen Prinzip). Es seien a, b > 0 und : { (x, y) R 2 : (x/a) 2 + (y/b) 2 1 }. (a) Skizzieren
MehrDas Lebesgue-Maß im R p
Das Lebesgue-Maß im R p Wir werden nun im R p ein metrisches äußeres Maß definieren, welches schließlich zum Lebesgue-Maß führen wird. Als erstes definieren wir das Volumen von Intervallen des R p. Seien
Mehr2 Folgen und Reihen. 2.1 Folgen in C Konvergenz von Folgen. := f(n)
2 Folgen und Reihen 2.1 Folgen in C 2.1.1 Konvergenz von Folgen Eine Folge komplexer Zahlen ist eine Funktion f : N C. Mit a n schreibt man (a n ) n=1, (a n ) oder auch a 1, a 2,.... := f(n) (a n ) heißt
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
MehrSerie 2 Lösungsvorschläge
D-Math Mass und Integral FS 214 Prof. Dr. D. A. Salamon Serie 2 Lösungsvorschläge 1. Seien folgende Mengen gegeben: und für a, b R R := [, ] := R {, }, (a, ] := (a, ) { }, [, b) := (, b) { }. Wir nennen
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrDer Satz von Lusin. Markus Schuster Juni 2012 Universita t Ulm
Der Satz von Lusin Markus Schuster 29-30 Juni 2012 Universita t Ulm Maßtheorie Seminar 2012 Seite 2 Der Satz von Lusin Markus Schuster 29-30 Juni 2012 Inhaltsverzeichnis Motivation Definitionen Der Satz
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
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
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
MehrERWARTUNGSWERT. ABSOLUT STETIGE VERTEILUNGEN
KAPITEL 11 EWATUNGSWET. ABSOLUT STETIGE VETEILUNGEN In diesem Kapitel werden wir den Begriff des Erwartungswertes einer reellen Zufallsvariablen bezüglich eines beliebigen Wahrscheinlichkeitsmasses definieren
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,
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
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
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.
Mehr