f X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
|
|
- Philipp Armbruster
- vor 6 Jahren
- Abrufe
Transkript
1 Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i <i 2 i <...<i k i <i 2 Boferroi-Ugleichug: P A k P A i A i2 P A k j= P A i A i P A k k= Falls B, N, eie Partitio vo Ω bildet, gilt P A k. k= a Satz vo der totale Wahrscheilichkeit: P A = b Bayes-Formel: P B A = Limes suerior ud iferior: lim su k= P A B P B = P A B P B j= P A B, falls P A >. j P B j A = k= =k A, lim if A = Borel-Catelli-Lemma: P A < = P lim su A =. = P A = = P lim su A =, vorausgesetzt{a } N ist s.u. = S := mi{ N X B} heißt erste Eitrittszeit i B. A k= =k Falls X i i.i.d., gilt S Geo mit = P X B. Poisso-Prozess: X i Ex, i.i.d., > { } { Nt = max N X i t = N X i t} Poit, t i= Trasformatiossatz für Dichte: X = X,..., X mit Dichte f X. M R offe mit fx = x M C. T meßbare Abbildug, T = T M. Uter geeigete Voraussetzuge s. Vorl. gilt f X T y,..., y I T M y,..., y f Y y,..., y = det T i x j i,j T y,...,y = det T i f X T y..., y I y T M y,..., y. j i,j i= Summe, Produkt ud Quotiet vo stochastisch uabhägige Zufallsvariable X ud X 2 : Faltug: f X+X 2 y = f X t f X2 y t dt, y R, falls f X, f X2 Dichte. y f X X 2 y = t f X f X2 t dt I, y ud f X y = t X 2 tf X ytf X2 t dt I, y, falls für beide Dichte f X x, f X2 x = für alle x gilt. k f X+X2 k = f X i f X2 k i, k N, für Zähldichte f X, f X2 auf N. i= Erwartugswert: Die Existez aller achfolgede Erwartugswerte sei vorausgesetzt. EgX = EgX = EX = gx i fx i, falls X diskret mit Zähldichte f auf {x, x 2,...}. i= gxfx dx, falls X absolut-stetig mit Dichte f. F x dx + Eigeschafte des Erwartugswertes: Liearität: EaX + by = aex + bey a, b R Mootoie: X Y EX EY X = I A EX = E I A = P A Markoff-Ugleichug: P X > c E X c X, Y s.u. EX Y = EX EY Momete: F x dx, wobei F die Verteilugsfuktio vo X. c > k-tes Momet: E X k, k-tes zetrales Momet: E X EX k Variaz k = 2: VarX = E X EX 2 Kovariaz: CovX, Y = EX EXY EY CovX, Y Korrelatio: CorrX, Y = VarX VarY CovX, Y = EX Y EXEY, VarX = E X 2 EX 2 VaraX + b = a 2 VarX a, b R Var X i = VarX i + 2 CovX i, X j i= i= Cauchy-Schwarz-Ugleichug: CovX, Y VarX VarY i<j
2 Erzeugede Fuktioe: X sei diskrete ZV mit Träger T = {t, t,...} ud Zähldichte f X. G X z = f X t k z k = P X = t k z k, z < k= P X = t k = k! Gk X k= G X+Y z = G X z G Y z, z EX = G, EX X X k + = G k }{{} k-tes faktorielles Momet Lalace-Trasformierte: X sei absolut-stetige ZV mit Dichte f X x = für alle x. L X s = f X x = lim y 2πi e sx f X x dx, s c+iy c iy e sx L X s ds L X+Y s = L X s L Y s, s c R EX = L, E X k = k L k Bedigte Verteiluge: X, Y ZV mit gemeisamer Zähl-Dichte f X,Y x, y f X Y x y = f X,Y x,y f Y y, falls f Y y > X, Y diskret mit Träger T X,Y X, Y absolut-stetig P X A Y = y = f X Y x y F X Y =y x = x T X f X x = f X Y x yf Y y f X x = y T Y EgX Y = y = gxf X Y x y EgX Y = y = x T X EgX = E gx Y = y f Y y EgX = y T Y x f X Y z y dz f X Y x yf Y y dy gxf X Y x y dx E gx Y = y f Y y dy Eie Folge vo ZV e {X } N heißt... P-fast sicher koverget gege X, X X P-f.s., we {ω P lim X ω = Xω } kurz = P lim X = X = P-stochastisch koverget gege X, X X P-stoch., we lim P X X > ε = ε > as verteilugskoverget gege X, X X, X D X, we lim F x = F x für alle Stetigkeitsukte x vo F. Tschebyscheff-Ugleichug: X ZV mit VarX <. P X EX > ε VarX ε 2 ε > Starkes Gesetz großer Zahle SGGZ: {X } N Folge vo ZV, X aarweise ukorreliert, VarX M < N. Da gilt X i EX i i= P-fast sicher. Zetraler Grezwertsatz ZGWS: {X } N Folge vo ZV, X i.i.d, µ = EX, σ 2 = VarX >. Da gilt σ X i µ as N, für. i= Maximum-Likelihood-Schätzer: fx,..., x ϑ, ϑ Θ, seie Zähl-Dichte. Lϑ x,..., x = fx,..., x ϑ heißt Likelihood-Fuktio. ˆϑx,..., x heißt Maximum-Likelihood- Schätzer, falls L ˆϑx,..., x x,..., x = su L ϑ x,..., x x,..., x. ϑ Θ Bayes-Schätzer: ˆϑx sei eie ZV mit Zähl-Dichte fϑ x = fx,ϑ fx = fx ϑπϑ fx ϑπϑdϑ, wobei πϑ eie Zähl- Dichte der a-riori Verteilug ud fx ϑ eie Zähl- Dichte der beobachtete ZV X ist. fϑ x heißt a-osteriori Verteilug. E ˆϑx heißt Bayes-Schätzer vo ϑ. MSE: H = HX,..., X sei ei Schätzer für gϑ R. Der mittlere quadratische Fehler MSE erfüllt E ϑ H gϑ 2 = E ϑ H E ϑ H 2 + E ϑ H gϑ 2 = Var ϑ H + Bias ϑ H 2 Erwartugstreue: H heißt erwartugstreu für gϑ, we E ϑ H = gϑ für alle ϑ Θ. Kofidezitervalle: X,..., X seie ZV mit gemeisamer Verteilug P X,...,X ϑ, ϑ Θ. [ LX,..., X, UX,..., X ] heißt Kofidezitervall zum Niveau α für gϑ R, falls P ϑ gϑ [ LX,..., X, UX,..., X ] α ϑ Θ.
3 Kombiatorische Grudformel Viele Abzählrobleme köe auf kombiatorische Formel zurückgeführt werde, die sich am Beisiel eies Uremodells veraschauliche lasse. I eier Ure seie N Kugel, die wir us vo bis N durchumeriert deke. Nacheiader werde aus der Ure Kugel gezoge. Beim Ziehe eier solche Stichrobe vom Umfag gibt es zwei Vorgehesweise: Stichrobe mit Zurücklege Stichrobe mit Wiederholug Nach jeder eizele Ziehug wird die gezogee Kugel i die Ure zurückgelegt. Kugel köe also i de Ziehuge mehrfach gezoge werde. Stichrobe ohe Zurücklege Stichrobe ohe Wiederholug Jede gezogee Kugel wird ach der Ziehug beiseite gelegt ud icht i die Ure zurückgegebe. Eie beliebige Kugel ka bei eier solche Stichrobe also höchstes eimal auftrete. Bei der Betrachtug des Ziehugsergebisses gibt es wiederum zwei Vorgehesweise: Stichrobe i Reihefolge geordete Stichrobe, Permutatio Das Ergebis wird durch ei -Tuel ω, ω 2,..., ω beschriebe, i dem ω i die Nummer der bei der i-te Ziehug gezogee Kugel agibt, i. Die Reihefolge, i der die Kugel gezoge werde, ist also vo Bedeutug. Stichrobe ohe Reihefolge ugeordete Stichrobe, Kombiatio Iteressiert ur, welche Kugel gezoge werde ud falls mit Zurücklege gezoge wird wie oft eie Kugel gezoge wurde, so sid alle Stichrobe äquivalet, die durch eie Permutatio der Stichrobeelemete auseiader hervorgeheq. Wir beschreibe die Stichrobe deshalb durch ei -Tuel ω, ω 2,..., ω, desse Eiträge der Größe ach geordet sid, ω ω 2... ω. I welcher Ziehug eie Kugel gezoge wurde, ist hier icht vo Bedeutug. Es ergebe sich also vier uterschiedliche Stichroberäume, dere Mächtigkeite wir i folgeder Tabelle agebe wolle: Zusätzlich wolle wir eie alterative Iterretatio agebe Stichrobe vom Umfag mit Zurücklege ohe Zurücklege aus A := {,... N} Ω I = A = {ω,..., ω Ω II = {ω,..., ω A i ω i {,..., N} für i } ω i ω j für i j, i, j } uterscheidbare Reihefolge Ω I = N Ω II = N! N! Murmel Ω IV = {ω,..., ω A Ω III = {ω,..., ω A ohe ω ω 2 ω } ω < ω 2 < < ω } uuterscheid- Reihefolge bare Murmel Ω IV = +N Ω III = N Verteilug vo mit Mehrfach- ohe Mehrfach- Murmel auf N besetzug besetzug Zelle Quelle: Ulrich Kregel, Eiführug i die Wahrscheilichkeitstheorie ud Statistik, S. 7, Vieweg Verlag, Brauschweig/Wiesbade, 99
4
5 Prof. Dr. R. Mathar RWTH Aache, SS 23 Ausgewählte diskrete ud absolut-stetige Verteiluge Zähldichte erzeugede Fuktio EX VarX E z X, z Biomialverteilug Bi,, IN, k k k, k =,,..., z + geometrische Verteilug k, k IN z z Geo, < < k, k IN z egative Biomialverteilug Bir,, r IN, < < Poissoverteilug Poi, > k+r r r k, k IN r r z 2 2 r 2 k e k!, k IN e z Dichte Lalace-Trasform. EX VarX E e sx Rechteckverteilug Ra, b, a < b IR b a, a x b e sa e sb a+b sb a, s IR 2 Exoetialverteilug Ex, > e x, x +s, s Γ-Verteilug Γα,, α, > α Γα xα e x, x >, mit Γα = x α e x dx α = : Erlagvert., Erl, Beachte: Γ =! +s α, s α b a α 2 Normalverteilug Nµ, σ 2, µ IR, σ 2 > σ /2σ 2, x IR 2π e x µ2 e sµ+s2 σ 2 /2, s IR µ σ 2
Prof. Dr. R. Mathar RWTH Aachen, SS 2000
rof. Dr. R. Mathar RWTH Aache, SS 2000 Eiführug i die Stochastik für Iformatiker Satz 2.21. (Borel-Catelli-Lemma (Ω, A, sei ei Wahrscheilichkeitsraum, {A } N eie Ereigisfolge. a (A < = ( lim sup A = 0.
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
Mehr1. Einführung. 1 A (T (x 1,..., x n )) P θ (dx 1 )... P θ (dx n ) X. P θ {T n (X 1,..., X n ) A} =
. Eiführug Bezeichuge: Der durch die Zufallsgröße X defiierte Wahrscheilichkeitsraum [X, B, P X ] heißt auch die Grudgesamtheit X. B ist die σ-algebra der Borelmege aus X. Vielfach wird die Grudgesamtheit
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrBernoulli-Experiment und Binomialverteilung
IV Beroulli-Exerimet ud Biomialverteilug Beroulli-Exerimet ud Beroulliette Defiitio: Zufallsexerimete, bei dee ma sich ur für das Eitrete ( Treffer, Symbol ) oder das Nichteitrete ( Niete, Symbol 0 ) eies
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrMathematik IV für Maschinenbau und Informatik
UNIVERSITÄT ROSTOCK Mathematik IV für Maschiebau ud Iformatik Stochastik Prof. Dr. Friedrich Liese Sommersemester 2007 2 Mathematik IV für Maschiebau ud Iformatik INHALT Ihalt... 2 Vorlesugsverzeichis...
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrProf. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5
Prof. Dr. Holger Dette Musterlösug Statistik I Sommersemester 009 Dr. Melaie Birke Blatt 5 Aufgabe : 4 Pukte Sei X eie Poissoλ verteilte Zufallsvariable mit λ > 0, ud die Verlustfuktio L sei defiiert durch
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
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
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 ]
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrAngStat1(Ue13-21).doc 23
3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also
MehrÜbungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx
Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per
MehrX in einer Grundgesamtheit vollständig beschreiben.
Prof. Dr. Rolad Füss Statistik II SS 008. Puktschätzug vo Parameter eier Grudgesamtheit Nur durch eie Totalerhebug ka ma die Verteilug eier Zufallsvariable X i eier Grudgesamtheit vollstädig beschreibe.
MehrBeispiel 4 (Die Urne zu Fall 4 mit Zurücklegen und ohne Beachten der Reihenfolge ) das Sitzplatzproblem (Kombinationen mit Wiederholung) Reihenfolge
1 Beispiel 4 (Die Ure zu Fall 4 mit Zurücklege ud ohe Beachte der Reihefolge ) das Sitzplatzproblem (Kombiatioe mit Wiederholug) 1. Übersicht Ziehugsmodus ohe Zurücklege des gezogee Loses mit Zurücklege
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
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
MehrA D A E B D D E D E D C C D E
ie Kombiatori beschäftigt sich mit der Zusammestellug vo lemete eier Mege. s werde 2 Kugel ohe Zurüclege aus zwei Ure gezoge. ie erste Ure ethält 3 Kugel ; ; ud die zweite Ure 2 Kugel ;. ie erste Kugel
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrÜbungsblatt 9 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 9 zur Vorlesug Statistische Methode Schätztheorie ud Kofidezitervalle Herausgabe des Übugsblattes: Woche 8, Abgabe der Lösuge: Woche 9 (bis Freitag, 65 Uhr), Besprechug:
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrStochastik für Physiker: Aufgaben und Lösungsvorschläge
Stochastik für Physiker: Aufgabe ud Lösugsvorschläge Simo Stützer Stad: 4. Februar 9 Aufgabe : Vergleiche Sie die Wahrscheilichkeit, beim Spiel mit eiem Würfel i 4 Würfe midestes eimal 6 zu würfel, mit
MehrZählterme (Seite 1) Aufgabe: Wie viele Nummernschilder kann es theoretisch im Raum Dresden geben? Wann müsste die 4.Ziffer eingeführt werden?
Bemerkug: I Mathematik sollte ma keie Fahrpläe verwede, i der Stochastik erst recht icht. Zitat vo S.L. Das Baumdiagramm ist aber fast immer ei geeigetes Hilfsmittel. Produktregel Aufgabe: Wie viele Nummerschilder
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 8.1 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12.075, p-wert: 0.0168 f χ
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,
MehrVorlesung gehalten von Martin Aigner. Wintersemester 2008/9
ELEMENTARE STOCHASTIK Vorlesug gehalte vo Marti Aiger Witersemester 2008/9 Ihaltsverzeichis 1 Grudbegriffe........................... 1 1.1 Zufall........................... 1 1.2 Wahrscheilichkeitsräume................
MehrPraktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle
Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht
MehrEvaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
MehrEinführung in die Wahrscheinlichkeitstheorie
WS 2014/15 Eiführug i die Wahrscheilichkeitstheorie Prof. Dr. Nia Gatert 7. Februar 2015 Ihaltsverzeichis 0 Eileitug 3 1 Diskrete Wahrscheilichkeitsräume 4 1.1 Grudbegriffe..................................
MehrVerteilungsfunktionen
Verteilugsfuktioe Wie sid zufällige Fehler verteilt? Wie sid Messwerte verteilt? Fehler Messwerte Verteilugsfuktioe: Maxwell-Boltza Feri-Dirac Bose-Eistei Placksche Verteilug Frage ist stets, wie groß
MehrFormel- und Tabellensammlung zum Aktuariellen Grundwissen
Formel- ud Tellesmmlug zum Aturielle Grudwisse Schdeversicherugsmthemti A. Zufllsvrile X, Y seie (disrete oder stetige Zufllsvrile. Verteilugsfutio: F( = P( X (Verteilugs-Dichte: f ( F ( = ei differezierrer
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)
Mehr3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-
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)
MehrMathematik für Maschinenbauer, Bauingenieure und Umwelttechniker III. R. Verfürth
Mathematik für Maschiebauer, Bauigeieure ud Umwelttechiker III Vorlesugsskriptum WS 001/0 - WS 00/03 überarbeitet September 008 R. Verfürth Fakultät für Mathematik, Ruhr-Uiversität Bochum Ihaltsverzeichis
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
MehrMethoden zur Konstruktion von Schätzern
KAPITEL 5 Methode zur Kostruktio vo Schätzer 5.1. Parametrisches Modell Sei (x 1,..., x ) eie Stichprobe. I der parametrische Statistik immt ma a, dass die Stichprobe (x 1,..., x ) eie Realisierug vo uabhägige
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
Mehrn gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)
Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem
MehrKapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung
Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier
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
MehrEinführung in die Wahrscheinlichkeitstheorie
Eiführug i die Wahrscheilichkeitstheorie Nikolai Nowaczyk http://math.iko.de/ Lars Wallebor http://math.wallebor.et/ 06.-08. Mai 2011 Ihaltsverzeichis 1 Mege, Abbilduge,
MehrWahrscheinlichkeitsrechnung
Kapitel 7 Wahrscheilichkeitsrechug 7. Kombiatorik Def. 7..:a) Für eie beliebige atürliche Zahl m bezeichet ma das Produkt aus de Zahle vo bis m mit m Fakultät: m! := 2 3 m, 0! :=. b) Für zwei beliebige
MehrÖkonometrie Formeln und Tabellen
Ökoometrie Formel ud Tabelle Formelsammlug 1 Lieares Modell ud KQ-Schätzug 11 Eifachregressio Lieares Modell: Y i = β 0 + β 1 x i + U i, i = 1,2,, Aahme des lieare Modells: A1: E[U i ] = 0 für alle i =
MehrBINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008
Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe
MehrKlassifizierung der Verteilungen. Streuung der diskreten Verteilung
Wichtigste Verteiluge der Biostatisti Disrete Zur Erierug Klassifizierug der Verteiluge Kotiuierliche Disrete Gleichverteilug Kotiuierliche Gleichverteilug Biomialverteilug Normalverteilug Poisso Verteilug
Mehr( ) Formelsammlung. Kombinatorik. Permutation: ohne Wiederholung. n! = n (n - 1) (n - 2)... 3 2 1 n= alle Elemente. Permutation: mit Wiederholung
Formelsammlug Kombiatori Permutatio: ohe Wiederholug! = ( - 1) ( - 2).... 3 2 1 = alle Elemete Permutatio: mit Wiederholug!! P, = = usw. = gleiche Elemete! 1! K 2! Stichprobe (SP) = geordete Auswahl Geordete
Mehr5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
MehrStochastik I - Formelsammlung
Stochastik I - Formelsammlung Ereignis Ergebnisraum: Ω von Julian Merkert, Wintersemester 2005/06, Prof. Bäuerle Ereignisse und Wahrscheinlichkeiten Ereignis: A Ω Elementarereignis: {ω}, ω Ω A B := AB
MehrÜbungsaufgaben. Häufige Fehler: Banale Rechenfehler. Unsaubere Arbeitsweise. Signifikante Stellen falsch. Einheiten vergessen.
Übugsaufgabe Häufige Fehler: Baale Rechefehler Sigifikate Stelle falsch Eiheite vergesse Usaubere Arbeitsweise Rudugsfehler Eiheite falsch ugerechet T. Kießlig: Auswertug vo Messuge ud Fehlerrechug - Verteilugsfuktioe
MehrGüteeigenschaften von Schätzern
KAPITEL 6 Güteeigeschafte vo Schätzer Wir erier a ie Defiitio es parametrische Moells Sei {h θ : θ Θ}, wobei Θ R m, eie Familie vo Dichte oer Zählichte Seie X 1,, X uabhägige u ietisch verteilte Zufallsvariable
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
MehrInhaltsverzeichnis. IV. Statistische Tests 40 IV.1. Hypothesentests IV.2. Neyman-Pearson-Lemma... 41
Stochastik Prof. Reiß Sommersemester 202 Vorlesugsmitschrifte Paul Boeck 2 Zuletzt geädert am 4. Oktober 202 Fehler bitte a boeck@math.hu-berli.de Ihaltsverzeichis I. Wahrscheilichkeitsräume 2 I.. Ereigisse,
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre
Mehrsfg Quadratwurzeln a ist diejenige nichtnegative Zahl (a 0), die quadriert a ergibt: Die Zahl a unter der Wurzel heißt Radikand:
M 9.1 Quadratwurzel a ist diejeige ichtegative Zahl (a 0), die quadriert a ergibt: a 2 = a Die Zahl a uter der Wurzel heißt Radikad: a Quadratwurzel sid ur für ichtegative Zahle defiiert: a 0 25 = 5; 81
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
MehrP{k Fehlschläge vor dem ersten Erfolg} P(X=k) = p k = f(k) = p(1-p) k, k= 0, 1, 2,..., 0< p <1, F(k) = 1 - q k+1, q:=1-p, E(X) = q p, var(x) = q p 2
GEOMETRIC geometrische Verteilug (Pascalverteilug mit r)/geometric distributio (df)/ la loi geometrique/distribució geométrica/distribuzioe geometrica P{k Fehlschläge vor dem erste Erfolg} P(Xk) k f(k)
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.
3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie
MehrMathematische Statistik
Mathematische Statistik Skript Prof. Dr. Zakhar Kabluchko Uiversität Müster Istitut für Mathematische Statistik Ihaltsverzeichis Vorwort 1 Literatur 1 Kapitel 1. Stichprobe ud Stichprobefuktio 1.1. Wahrscheilichkeitstheorie
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrSeminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
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
MehrElementare Wahrscheinlichkeitsrechnung und Statistik
CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar
MehrStochastik für Informatiker
Stochastik für Iformatiker Dr. D. Uhlig-Düvelmeyer - SS 008 Copyright c 008 Tobias Doerffel Diese private Mitschrifte der o.g. Vorlesug erhebe weder de Aspruch auf Vollstädigkeit och auf Fehlerfreiheit.
MehrEinige wichtige Ungleichungen
Eiige wichtige Ugleichuge Has-Gert Gräbe, Leipzig http://www.iformatik.ui-leipzig.de/~graebe 1. Februar 1997 Ziel dieser kurze Note ist es, eiige wichtige Ugleichuge, die i verschiedee Olympiadeaufgabe
Mehr4. Reihen Definitionen
4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a
MehrAuch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.
Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger
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
Mehr4. Vektorräume mit Skalarprodukt
4. Vektorräume mit Skalarprodukt Wiederholug: V=R x, y R: x= x x i x, y= y y, :R R R Skalarprodukt Stadardskalarprodukt lieare Abbildug mit 2 Argumete 4. Eigeschafte vo Skalarprodukte Def.: Es sei V ei
Mehri=0 a it i das erzeugende Polynome von (a 0,..., a j ).
4 Erzeugede Fuktioe ud Polyome Defiitio 4 Sei a = (a 0, a, eie Folge vo atürliche Zahle, da heißt die formale Potezreihe f a (t := i 0 a it i die erzeugede Fuktio vo a Gilt a i = 0 für i > j, so heißt
MehrStochastik für Wirtschaftswissenschaftler
Vorlesugsskript Stochastik für Wirtschaftswisseschaftler Dr. Katharia Best Witersemester 200/20 Ihaltsverzeichis Eileitug 5. Der Begriff Stochastik......................................... 5.2 Geschichtliche
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
MehrEinführung in die Stochastik. Vorlesung von Wolfgang Wefelmeyer Universität zu Köln Wintersemester 2010/2011 Skript von Markus Schulz
Eiführug i die Stochastik Vorlesug vo Wolfgag Wefelmeyer Uiversität zu Köl Witersemester 200/20 Skript vo Markus Schulz Ihaltsverzeichis Diskrete Experimete 2 2 Kombiatorik 4 3 Aweduge der Kombiatorik
MehrMusterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09
Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrDeterminante und Resultante Azadeh Pasandi
Determiate ud Resultate 07.01.2009 Azadeh Pasadi Defiitio ud Grudeigeschafte: sei U, V, W ud Vektor-Raum über Körper F ud beachte eie Abbildug f ( u,v ) vo kartesische Produkt: f: U x V W Diese Abbildug
MehrEinführung in die Stochastik
Eiführug i die Stochastik Notize zu eier Vorlesug a der Johaes-Guteberg-Uiversität Maiz, Witer 06/07 Matthias Birker Vorläufige Versio, 8. Jauar 07 Kommetare, Korrekturvorschläge, Hiweise auf (Tipp-)fehler
MehrStochastik I (Statistik)
Stochastik I (Statistik) Skript Ju.-Prof. Dr. Zakhar Kabluchko Uiversität Ulm Istitut für Stochastik L A TEX-Versio vo Judith Schmidt Ihaltsverzeichis Vorwort Literatur Kapitel. Stichprobe ud Stichprobefuktio..
MehrSBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur
MehrAngewandte Stochastik II
Vorlesugsskript Agewadte Stochastik II Dr. Katharia Best Witersemester 2010/2011 Ihaltsverzeichis 1 Grudidee der statistische Dateaalyse 5 1.1 Stichprobe..............................................
Mehr