Die Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten
|
|
- Otto Kerner
- vor 6 Jahren
- Abrufe
Transkript
1 Die Funktion f ;Y (x; y) := Pr[ = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen und Y. Aus der gemeinsamen Dichte f ;Y kann man ableiten f (x) = y2w Y f ;Y (x; y) bzw. f Y (y) = Die Funktionen f und f Y nennt man Randdichten. x2w f ;Y (x; y) : DWT 99/460
2 Die Ereignisse Y = y\ bilden eine Partitionierung des Wahrscheinlichkeitsraumes, und " es gilt daher Pr[ = x] = Pr[ = x; Y = y] = f (x) : y2w Y Die Dichten der einzelnen Zufallsvariablen entsprechen also genau den Randdichten. Fur zwei Zufallsvariablen deniert man die gemeinsame Verteilung F ;Y (x; y) = Pr[ x; Y y] = Pr[f!; (!) x; Y (!) yg] = x 0 x y 0 y f ;Y (x 0 ; y 0 ) : DWT 4.3 Mehrere Zufallsvariablen 100/460
3 Die Randverteilung ergibt sich gema F (x) = sowie F Y (y) = x 0 x y 0 y f (x 0 ) = f Y (y 0 ) = x 0 x y 0 y y2w Y f ;Y (x 0 ; y) x2w f ;Y (x; y 0 ) : DWT 101/460
4 4.3.1 Unabhangigkeit von Zufallsvariablen Denition 45 Die Zufallsvariablen 1 ; : : : ; n heien unabhangig, wenn fur alle (x 1 ; : : : ; x n ) 2 W 1 : : : W n gilt Pr[ 1 = x 1 ; : : : ; n = x n ] = Pr[ 1 = x 1 ] : : : Pr[ n = x n ] : Alternativ: f 1 ;:::; n (x 1 ; : : : ; x n ) = f 1 (x 1 ) : : : f n (x n ) : Bei unabhangigen Zufallsvariablen ist also die gemeinsame Dichte gleich dem Produkt der Randdichten. Ebenso gilt F 1 ;:::; n (x 1 ; : : : ; x n ) = F 1 (x 1 ) : : : F n (x n ) : DWT 102/460
5 Satz 46 Seien 1 ; : : : ; n unabhangige Zufallsvariablen und S 1 ; : : : ; S n beliebige Mengen mit S i W i. Dann sind die Ereignisse " 1 2 S 1 \,..., " n 2 S n \ unabhangig. Beweis: Pr[ 1 2 S 1 ; : : : ; n 2 S n ] = x 1 2S 1 : : : Unabh. = = x 1 2S 1 : : : x n2s n Pr[ 1 = x 1 ; : : : ; n = x n ] 1 x n2s n Pr[ 1 = x 1 ] : : : Pr[ n = x n ] Pr[ 1 = x 1 ] A : : : x 1 2S 1 = Pr[ 1 2 S 1 ] : : : Pr[ n 2 S n ] : x n2s n Pr[ n = x n ]! DWT 4.3 Mehrere Zufallsvariablen 103/460
6 Satz 47 Seien f 1 ; : : : ; f n reellwertige Funktionen (f i : R! R fur i = 1; : : : ; n). Wenn die Zufallsvariablen 1 ; : : : ; n unabhangig sind, dann gilt dies auch fur f 1 ( 1 ); : : : ; f n ( n ). Beweis: Sei z i 2 W fi ( i ) fur i = 1; : : : ; n und S i = fx; f i (x) = z i g. Pr[f 1 ( 1 ) = z 1 ; : : : ; f n ( n ) = z n ] = Pr[ 1 2 S 1 ; : : : ; n 2 S n ] Unabh. = Pr[ 1 2 S 1 ] : : : Pr[ n 2 S n ] = Pr[f 1 ( 1 ) = z 1 ] : : : Pr[f n ( n ) = z n ] : DWT 4.3 Mehrere Zufallsvariablen 104/460
7 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Wurfel werde zweimal geworfen. bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := + Y die Summe der gewurfelten Augenzahlen. Fur Z gilt z.b.: Pr[Z = 1] = Pr[;] = 0, Pr[Z = 4] = Pr[f(1; 3); (2; 2); (3; 1)g] = DWT 4.3 Mehrere Zufallsvariablen 105/460
8 Fur die Verteilung der Summe zweier unabhangiger Zufallsvariablen gilt der folgende Satz: Satz 49 Fur zwei unabhangige Zufallsvariablen und Y sei Z := + Y. Es gilt f Z (z) = x2w f (x) f Y (z x) : DWT 106/460
9 Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = = = x2w Pr[ + Y = z j = x] Pr[ = x] x2w Pr[Y = z x] Pr[ = x] x2w f (x) f Y (z x) : Den Ausdruck P x2w f (x) f Y (z x) aus Satz 49 nennt man in Analogie zu den entsprechenden Begrien bei Potenzreihen auch Faltung oder Konvolution der Dichten f und f Y. DWT 107/460
10 Beispiel (Forts.) Berechne die Dichte von Z = + Y : Pr[Z = z] = = x2w Pr[ = x] Pr[Y = z x] 6 x=1 1 Pr[Y = z x] = 6 minf6;z 1g x=maxf1;z 6g 1 36 : Fur 2 z 7 erhalten wir Und fur 7 < z 12: Pr[Z = z] = z 1 i= = z 1 36 : Pr[Z = z] = 13 z 36 : DWT 4.3 Mehrere Zufallsvariablen 108/460
11 4.3.3 Momente zusammengesetzter Zufallsvariablen Satz 50 (Linearitat des Erwartungswerts) Fur Zufallsvariablen 1 ; : : : ; n und := a a n n mit a 1 ; : : : ; a n 2 R gilt E[] = a 1 E[ 1 ] + + a n E[ n ] : Beweis: E[] =!2 = a 1 (a 1 1 (!) + : : : + a n n (!)) Pr[!]! 1 (!) Pr[!] + + a n!2!2 = a 1 E[ 1 ] + : : : + a n E[ n ] : n (!) Pr[!]! DWT 109/460
12 Beispiel 51 n betrunkene Seeleute torkeln nach dem Landgang in ihre Kojen. Sie haben vollig die Orientierung verloren, weshalb wir annehmen, dass jede Zuordnung der Seeleute zu den n Betten gleich wahrscheinlich ist (genau ein Seemann pro Bett). Wie viele Seeleute liegen im Mittel im richtigen Bett? Die Anzahl der Seeleute im richtigen Bett zahlen wir mit der Zufallsvariablen, die als Summe der Zufallsvariablen 1 ; : : : ; n dargestellt wird, wobei ( 1 falls Seemann i in seinem Bett liegt, i := 0 sonst. Oenbar gilt := n. DWT 4.3 Mehrere Zufallsvariablen 110/460
13 Beispiel 51 Fur die Variablen i erhalten wir Pr[ i = 1] = 1 n, da jedes Bett von Seemann i mit gleicher Wahrscheinlichkeit aufgesucht wird. Daraus folgt und somit E[ i ] = 0 Pr[ i = 0] + 1 Pr[ i = 1] = 1 n ; E[] = n i=1 E[ i ] = n i=1 1 n = 1 : Im Mittel hat also nur ein Seemann sein eigenes Bett aufgesucht. DWT 110/460
14 Satz 52 (Multiplikativitat des Erwartungswerts) Fur unabhangige Zufallsvariablen 1 ; : : : ; n gilt E[ 1 n ] = E[ 1 ] E[ n ] : Beweis: Wir beweisen den Fall n = 2. Der allgemeine Fall ist analog. E[ Y ] = xy Pr[ = x; Y = y] x2w y2w Y Unabh: = = xy Pr[ = x] Pr[Y = y] x2w y2w Y x2w x Pr[ = x] = E[] E[Y ] : y2w Y y Pr[Y = y] DWT 4.3 Mehrere Zufallsvariablen 111/460
15 Dass fur die Gultigkeit von Satz 52 die Unabhangigkeit der Zufallsvariablen wirklich notwendig ist, sieht man beispielsweise am Fall Y = fur eine Zufallsvariable mit einer von Null verschiedenen Varianz. Dann gilt E[ Y ] = E[ 2 ] 6= (E[]) 2 = E[] E[Y ] : DWT 112/460
16 Denition 53 Zu einem Ereignis A heit die Zufallsvariable ( 1 falls A eintritt; I A := 0 sonst Indikatorvariable des Ereignisses A. Beobachtung: Fur die Indikatorvariable I A gilt nach Denition Ebenso gilt E[I A ] = 1 Pr[A] + 0 Pr[ A] = Pr[A] : E[I A1 : : : I An ] = Pr[A 1 \ : : : \ A n ]; da das Produkt von Indikatorvariablen genau dann gleich 1 ist, wenn alle entsprechenden Ereignisse eintreten. DWT 4.3 Mehrere Zufallsvariablen 113/460
17 Beispiel (Forts.) Wir betrachten wieder das Beispiel der total betrunkenen Matrosen. Sei A i das Ereignis, dass der i-te Seemann im richtigen Bett liegt. Mit der Notation der Indikatorvariablen sei i = I Ai. Dann gilt fur beliebige i; j 2 f1; : : : ; ng, i 6= j: E[ i j ] = E[I Ai I Aj ] = Pr[A i \ A j ] = 1 n(n 1) ; sowie E[ 2 i ] = 02 Pr[ A i ] Pr[A i ] = Pr[A i ] = 1=n: DWT 114/460
18 Beispiel (Forts.) Daraus folgt wegen der Linearitat des Erwartungswerts fur = n : E[ 2 ] = E 2 4 n i=1 2 i + Fur die Varianz erhalten wir somit den Wert 3 n i j 5 i=1 j6=i = n 1 n + n(n 1) 1 n(n 1) = 2 : Var[] = E[ 2 ] E[] 2 = 2 1 = 1: DWT 4.3 Mehrere Zufallsvariablen 115/460
19 Einfacher Beweis fur Satz 9 mit Hilfe von Indikatorvariablen: Zur Erinnerung: Satz 9 (Siebformel, Prinzip der Inklusion/Exklusion) Fur Ereignisse A 1 ; : : : ; A n (n 2) gilt: Pr " n[ i=1 A i # = n Pr[A i ] i=1 1i 1 <i 2 n + ( 1) l 1 1i 1 <:::<i l n + ( 1) n 1 Pr[A 1 \ : : : \ A n ] : Pr[A i1 \ A i2 ] + : : : Pr[A i1 \ : : : \ A il ] + : : : DWT 116/460
20 Beweis: Zur Erinnerung: Zu Ereignissen A 1 ; : : : ; A n wollen wir die Wahrscheinlichkeit Pr[B] des Ereignisses B := A 1 [ : : : [ A n ermitteln. Wir betrachten die Indikatorvariablen I i := I Ai der Ereignisse A 1 ; : : : ; A n und die Indikatorvariable Q IB des Ereignisses B. n Das Produkt i=1 (1 I i) ist genau dann Q gleich 1, wenn I 1 = : : : = I n = 0, d.h. wenn B nicht eintritt. Somit gilt IB = n i=1 (1 I i) und wir erhalten: also I B = 1 1in I i + 1i 1 <i 2 n I i1 I i2 + : : : + ( 1) n I 1 : : : I n ; I B = 1 I B = 1in I i 1i 1 <i 2 n I i1 I i2 + : : : + ( 1) n 1 I 1 : : : I n : DWT 4.3 Mehrere Zufallsvariablen 117/460
21 Beweis: Wegen der Eigenschaften von Indikatorvariablen gilt Pr[B] = 1 Pr[ B] = 1 E[I B ]: Mit Hilfe von Satz 50 " verteilen\ wir den Erwartungswert auf die einzelnen Produkte von Indikatorvariablen. Wenn wir nun E[I i ] durch Pr[A i ] und allgemein E[I i1 : : : I ik ] durch Pr[A i1 \ : : : \ A ik ] ersetzen, haben wir Satz 9 (dieses Mal vollstandig) bewiesen. DWT 117/460
22 Satz 54 Fur unabhangige Zufallsvariablen 1 ; : : : ; n und := 1 + : : : + n gilt Var[] = Var[ 1 ] + : : : + Var[ n ] : Beweis: Wir betrachten nur den Fall n = 2 mit den Zufallsvariablen und Y. E[( + Y ) 2 ] = E[ 2 + 2Y + Y 2 ] = E[ 2 ] + 2E[]E[Y ] + E[Y 2 ] E[ + Y ] 2 = (E[] + E[Y ]) 2 = E[] 2 + 2E[]E[Y ] + E[Y ] 2 Wir ziehen die zweite Gleichung von der ersten ab und erhalten E[( + Y ) 2 ] E[ + Y ] 2 = E[ 2 ] E[] 2 + E[Y 2 ] E[Y ] 2 : Mit Hilfe von Satz 39 folgt die Behauptung. DWT 118/460
23 Fur abhangige Zufallsvariablen 1 ; : : : ; n gilt Satz 54 im Allgemeinen nicht. Als Beispiel funktioniert wiederum der Fall = Y : Var[ + Y ] = 0 6= 2 Var[] = Var[] + Var[Y ] : DWT 4.3 Mehrere Zufallsvariablen 119/460
24 5. Wichtige diskrete Verteilungen Wir diskutieren nun einige wichtige diskrete Verteilungen. Bei diesen Verteilungen handelt es sich um Funktionen, die von gewissen Parametern abhangen. Eigentlich betrachten wir also immer eine ganze Familie von ahnlichen Verteilungen. DWT 120/460
25 5.1 Bernoulli-Verteilung Eine Zufallsvariable mit W = f0; 1g und der Dichte ( p fur x = 1; f (x) = 1 p fur x = 0: heit Bernoulli-verteilt. Den Parameter p nennen wir Erfolgswahrscheinlichkeit. Eine solche Verteilung erhalt man z.b. bei einer einzelnen Indikatorvariablen. Es gilt mit q := 1 p E[] = p und Var[] = pq; wegen E[ 2 ] = p und Var[] = E[ 2 ] E[] 2 = p p 2. DWT 121/460
26 Der Name der Bernoulli-Verteilung geht zuruck auf den Schweizer Mathematiker Jakob Bernoulli (1654{1705). Wie viele andere Mathematiker seiner Zeit hatte auch Bernoulli nach dem Wunsch seines Vaters ursprunglich Theologe werden sollen. Sein Werk ars conjectandi stellt eine der ersten Arbeiten dar, die sich mit dem Teil der Mathematik beschaftigen, den wir heute als Wahrscheinlichkeitstheorie bezeichnen. DWT 5.1 Bernoulli-Verteilung 122/460
27 5.2 Binomialverteilung Eine Bernoulli-verteilte Zufallsvariable entspricht der Verteilung einer Indikatorvariablen. Haug betrachtet man jedoch Summen von Indikatorvariablen. Denition 55 Sei := 1 + : : : + n als Summe von n unabhangigen, Bernoulli-verteilten Zufallsvariablen mit gleicher Erfolgswahrscheinlichkeit p deniert. Dann heit binomialverteilt mit den Parametern n und p. In Zeichen schreiben wir Bin(n; p) : DWT 123/460
28 Es gilt W = f0; : : : ; ng. Die Binomialverteilung besitzt die Dichte n f (x) := b(x; n; p) = p x q n x x mit q := 1 p. Da die Binomialverteilung eine sehr wichtige Rolle spielt, fuhren wir fur die Dichtefunktion die Abkurzung b(x; n; p) ein. Mit den Satzen uber Erwartungswert und Varianz von Summen unabhangiger Zufallsvariablen erhalten wir sofort E[] = np und Var[] = npq : DWT 5.2 Binomialverteilung 124/460
29 0,4 Ü ½¼ ¼ ½µ 0,4 Ü ½¼ ¼ µ 0,3 0,3 0,2 0,2 0,1 0,1 0, , ,4 Ü ½¼ ¼ µ 0,4 Ü ½¼ ¼ µ 0,3 0,3 0,2 0,2 0,1 0,1 0, , Dichte der Binomialverteilung DWT 5.2 Binomialverteilung 125/460
30 Satz 56 Wenn Bin(n x ; p) und Y Bin(n y ; p) unabhangig sind, dann gilt fur Z := + Y, dass Z Bin(n x + n y ; p). Beweis: Die Aussage folgt sofort, wenn man gema der Denition der Binomialverteilung und Y als Summen von Indikatorvariablen darstellt. Z ist dann oensichtlich wieder eine Summe von unabhangigen Indikatorvariablen. DWT 126/460
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
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.
MehrSatz 16 (Multiplikationssatz)
Haug verwendet man die Denition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A \ B] = Pr[BjA] Pr[A] = Pr[AjB] Pr[B] : (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1 ; : : : ; A n
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2015 Diskrete Wahrscheinlichkeitstheorie Susanne Albers Fakultat fur Informatik TU Munchen http://www14.in.tum.de/lehre/2015ss/dwt/ Sommersemester 2015 DWT Kapitel 0 Organisatorisches Vorlesungen: Di
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
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
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie
Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2011 Diskrete Wahrscheinlichkeitstheorie Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ss/dwt/ Sommersemester 2011 DWT Kapitel 0 Organisatorisches Vorlesungen: Di
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2010 Diskrete Wahrscheinlichkeitstheorie Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2010ss/dwt/ Sommersemester 2010 DWT Kapitel 0 Organisatorisches Vorlesungen: Di
MehrSatz 61 (Chebyshev-Ungleichung)
Die folgende Abschätzung ist nach Pavnuty Lvovich Chebyshev (1821 1894) benannt, der ebenfalls an der Staatl. Universität in St. Petersburg wirkte. Satz 61 (Chebyshev-Ungleichung) Sei X eine Zufallsvariable,
MehrSatz 104 (Skalierung exponentialverteilter Variablen)
2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrDiskrete Zufallsvariable
Diskrete Zufallsvariablen Slide 1 Diskrete Zufallsvariable Wir gehen von einem diskreten W.-raum Ω aus. Eine Abbildung X : Ω Ê heißt diskrete (numerische) Zufallsvariable oder kurz ZV. Der Wertebereich
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
Mehrp k (1 p) n k s k = (1 p + ps) n. k p(1 p) k 1 s k ((1 p)s) k 1 =
Binomialverteilung Für X Bin(n, p) gilt nach der binomischen Formel G X (s) = E[s X ] = n ( ) n p k (1 p) n k s k = (1 p + ps) n. k Geometrische Verteilung Sei X eine geometrisch verteilte Zufallsvariable
MehrPaarweise Unabhängigkeit vs. Unabhängigkeit
Paarweise Unabhängigkeit vs. Unabhängigkeit Beispiel: Wir betrachten das Szenario von zuvor. Wissen bereits, dass A 1, A 2 und A 1, B unabhängig sind. Analog folgt, dass A 2 und B unabhängige Ereignisse
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
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
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
MehrKapitel I Diskrete Wahrscheinlichkeitsräume
Kapitel I Diskrete Wahrscheinlichkeitsräume 1. Grundlagen Definition 1 1 Ein diskreter Wahrscheinlichkeitsraum ist durch eine Ergebnismenge Ω = {ω 1, ω 2,...} von Elementarereignissen gegeben. 2 Jedem
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
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
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
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
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
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
MehrWie groß ist die Wahrscheinlichkeit Pr[X > y + x X > x]? Da bei den ersten x Versuchen kein Erfolg eintrat, stellen wir uns vor, dass das
Sei X geometrisch verteilt mit Erfolgswahrscheinlichkeit p. Dann ist Pr[X = k] die Wahrscheinlichkeit, dass wir bei einem binären Experiment mit Erfolgswahrscheinlichkeit p genau in der k-ten unabhängigen
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
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
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
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
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert als Var X := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
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:
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 ]
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
MehrWiederholungsklausur DWT
LÖSUNG Wiederholungsklausur DWT Sommersemester 2008 Hinweis: Alle Antworten sind zu begründen. Insbesondere sollte bei nicht-trivialen Umformungen kurz angegeben werden, weshalb diese Umformungen erlaubt
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
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
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
MehrBeziehungen zwischen Verteilungen
Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie
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
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,
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrAusgewählte spezielle Verteilungen
Ausgewählte spezielle Verteilungen In Anwendungen werden oft Zufallsvariablen betrachtet, deren Verteilung einem Standardmodell entspricht. Zu den wichtigsten dieser Modelle gehören: diskrete Verteilungen:
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie
Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html 27./29.
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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,...)
MehrPr[A] = Pr[C (A B)] = Pr[C] + Pr[A B]. Wegen A B = C B folgt daraus. Pr[A B] = Pr[C B] = Pr[C] + Pr[B] = Pr[A] Pr[A B] + Pr[B]
Beweis: Wir betrachten zunächst den Fall n = 2. Dazu setzen wir C := A \ B = A \ (A B). Gemäß dieser Definition gilt, dass C und A B sowie C und B disjunkt sind. Deshalb können wir Eigenschaft 5 von Lemma
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.
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6
1 Lösungen ausgewählter Übungsaufgaben zum Buch Elementare Stochastik (Springer Spektrum, 2012) Teil 3: Aufgaben zu den Kapiteln 5 und 6 Aufgaben zu Kapitel 5 Zu Abschnitt 5.1 Ü5.1.1 Finden Sie eine maximum-likelihood-schätzung
MehrBeispiel: Zufallsvariable
Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
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,
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrÜbungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker
Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 07. Januar 2015 Klausuranmeldung Prüflinge müssen sich bis spätestens 14 Tage vor
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
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
MehrAufgaben zu Kapitel 38
Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrKapitel 6. Irrfahrten und Bernoullischemata
Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie
Wahrscheinlichkeitsrechnung und Statistik für Biologen 3. Grundlagen aus der Wahrscheinlichkeitstheorie Martin Hutzenthaler & Dirk Metzler 11. Mai 2011 Inhaltsverzeichnis 1 Deterministische und zufällige
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
Mehr