Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
|
|
- Etta Kalb
- vor 6 Jahren
- Abrufe
Transkript
1 Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
2 10. Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Gegeben: k- dimensionale Zufallsvariable X mit W - Verteilung z.b. in Form der Verteilungsfunktion F(α 1,...α k ). Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 1
3 Beispiele:. Gemeinsame Verteilung von Dollar/Euro Wechselkurs und Exportvolumen in die USA Gemeinsame Verteilung der Kurse der im DAX enthaltenen Aktien Gemeinsame Verteilung von Sonnenstunden/Monat und Umsatz an Sonnenschutzmittel Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 2
4 Mögliche Fragestellung: a Wie ist die Verteilung der Zufallsvariablen separat betrachtet? b Beeinflusst ein fixierter Wert bei einer der Komponenten die (gemeinsame) Verteilung der übrigen k 1 Werte? c Gibt es einen wahrscheinlichtheoretischen Zusammenhang zwischen den Zufallsvariablen? Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 3
5 Gegeben: ZV X = (X 1,,X k ) Die Verteilung einer Komponente X i heißt Randverteilung von X i. Verteilungsfunktion einer Komponente X i F Xi = P(X i α) = P(X i α,x i beliebig für i i ) = P(X i α,x i für i i ) = lim α i F(α 1,,α, α k ) für i i F Xi ist die Verteilungsfunktion von X i Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 4
6 Beispiel - gemeinsame und Randverteilungen Gegeben sei die bivariate Dichte f(x,y) = { 6 5x, 1 x 2, 0 y x 1 0, sonst Dann folgt für die Verteilung von Y F Y (x 1 ) = α 1 f(x,y)dx = α 1 y xdx = [ 6 5 x 2 2 ] α1 y+1 = 3 5 α (y + 1)2 = 3 5 α y2 6 5 y 3 5 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 5
7 Für die gemeinsame Verteilung von X und Y an den Stellen α 1 bzw. α 2 gilt dann F(α 1,α 2 ) = α 2 ( 3 5 α y2 6 5 y 3 5 )dy 0 = 3 5 α2 1α α α α 2 für (α 1,α 2 ) I Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 6
8 Integration, falls (α 1, α 2 ) / I Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 7
9 Gesucht: Randverteilungen Beispiel: Für X, 1 α 1 2 : lim F(α 1, α 2 ) = F(α 1,α 1 1) α 2 = 3 5 (α 1) 2 (α 1 1) 1 5 (α 1 1) (α 1 1) (α 1 1) = 2 5 (α 1) (α 1) F X (α) = 0 α < (α 1) (α 1) α 2 1 α > 2 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 8
10 Für Y : 0 α 2 1 lim F(α 1,α 2 ) = F(2, α 2 ) α 1 = 3 5 4α (α 2) (α 2) α 2 = 9 5 α (α 2) (α 2) 3 F Y (α) = 0 α < α 3 5 (α) (α)3 0 α 1 1 α > 1 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 9
11 X diskret mit Werten x, j I X diskret Wahrscheinlichkeitsverteilung von Komponente X i : x R P(X i = x) = P(X i = x, X i beliebig für i i ) Wahrscheinlichkeitsverteilung von X i erhält man, indem man den Wert von X i festhält und über alle Werte der übrigen Komponente aufsummiert. Also: Suche alle Werte x j mit x j i = x (Komponente i von x j ist x). Dann P(X i = x) = P(X = x j ) x j mit x j i =x Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 10
12 Beispiel: Drei Qualitätsmerkmale (Beispiel 10.2) Bei einem Bauteil werden drei Qualitätsmerkmale überprüft: 1. Oberflächengüte (X 1 ) 2. Bruchfestigkeit (X 2 ) 3. Masstreue (X 3 ) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 11
13 Bei allen drei Merkmalen wird eine Einstufung in die Ausprägung gut/schlecht mit den Codierungen 0 (gut) und 1 (schlecht) vorgenommen. Dementsprechend gibt es 8 verschiedene Kombinationsmöglichkeiten. (x 1, x 2, x 3 ) P((X 1, X 2, X 3 ) = (x 1, x 2, x 3 )) x 1 (0,0,0) 0.85 x 2 (0,0,1) 0.01 x 3 (0,1,0) 0.02 x 4 (0,1,1) 0.02 x 5 (1,0,0) 0.03 x 6 (1,0,1) 0.01 x 7 (1,1,0) 0.04 x 8 (1,1,1) 0.02 Gemeinsame Wahrscheinlichkeitsverteilung der Zufallsvariablen X 1,X 2, X 3 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 12
14 Bestimmung der Randverteilung von X 1 : P(X 1 = 1) =? (x 1, x 2, x 3 ) P((X 1, X 2, X 3 ) = (x 1, x 2, x 3 )) x 1 (0,0,0) 0.85 x 2 (0,0,1) 0.01 x 3 (0,1,0) 0.02 x 4 (0,1,1) 0.02 x 5 (1,0,0) 0.03 x 6 (1,0,1) 0.01 x 7 (1,1,0) 0.04 x 8 (1,1,1) 0.02 Werte: (1,0, 0) (1,0,1) (1,1,0) (1,1,1) }{{}}{{}}{{}}{{} x 5 x 6 x 7 x 8 P(X 1 = 1) = 8 P(X = x j ) = = 0.1 j=5 P(X 1 = 0) = 0.9 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 13
15 Bestimmung der Randverteilung von X 2 : P(X 2 = 1) =? (x 1, x 2, x 3 ) P((X 1, X 2, X 3 ) = (x 1, x 2, x 3 )) x 1 (0,0,0) 0.85 x 2 (0,0,1) 0.01 x 3 (0,1,0) 0.02 x 4 (0,1,1) 0.02 x 5 (1,0,0) 0.03 x 6 (1,0,1) 0.01 x 7 (1,1,0) 0.04 x 8 (1,1,1) 0.02 Werte: (0, 1, 0) (0, 1,1) (1,1, 0) (1,1,1) }{{}}{{}}{{}}{{} x 3 x 4 x 5 x 6 P(X = x j ) = 0,1 j=3,4,7,8 P(X 2 = 0) = 0.9 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 14
16 Bestimmung der Randverteilung von X 3 : P(X 2 = 1) =? (x 1, x 2, x 3 ) P((X 1, X 2, X 3 ) = (x 1, x 2, x 3 )) x 1 (0,0,0) 0.85 x 2 (0,0,1) 0.01 x 3 (0,1,0) 0.02 x 4 (0,1,1) 0.02 x 5 (1,0,0) 0.03 x 6 (1,0,1) 0.01 x 7 (1,1,0) 0.04 x 8 (1,1,1) 0.02 Werte: X 2 = (0,0, 1),X 4 = (0,1,1),X 6 = (1,0,1),X 8 = (1,1,1) P(X 3 = 1) = j=2,4,6,8 P(X 3 = 0) = 0,094 P(X = x j ) = 0,06 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 15
17 Verteilungsfunktion: Damit: F(x 1,x 2, x 3 ) = 0 x 1 < 0 oder x 2 < 0 oder x 3 < x 1 < 1, 0 x 2 < 1, 0 x 3 < x 1 < 1, 0 x 2 < 1, 1 x x 1 < 1, 1 x 2, 0 x 3 < x 1, 0 x 2 < 1, 0 x 3 < x 1 < 1, 1 x 2, 1 x x 1, 0 x 2 < 1, 1 x x 1, 1 x 2, 0 x 3 < x 1, 1 x 2, 1 x 3 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 16
18 Alternative Berechnung der Randverteilung von X 1 : 0 x 1 < 0 F X1 (x 1 ) = lim F x(x 1,x 2,x 3 ) = x 1 < 1 x 2,x x 1 P(x 1 = 0) = 0.9; P(X 1 = 1) = 0.1 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 17
19 X stetig mit gemeinsamer Verteilungsfunktion F X : Es gilt F Xi (α) = lim x i F X(x 1,,α,,x k ), i i F x (α 1,,α k ) = α k α 1 f(x 1,,x k )dx 1 dx k Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 18
20 Damit ist X stetig F Xi (α) = lim F X (α 1,,α i, α k ) α i für i i = lim α i i i α k α α 1 f(x 1,,x k )dx 1 dx k dx i F X i (α) = f(x 1,,x, x k )dx 1 dx k }{{} dx i Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 19
21 Sei F(x 1,x 2 ) = 1. Beispiel - zweidimensionale stetige ZV { 1 + exp λ 1 x 1 exp λ 2x 2 exp λ 1x 1 exp λ 2x 2, x 1,x 2 > 0 0,sonst die gemeinsame Verteilungsfunktion einer zweidimensionalen Zufallsvariablen X = (X 1,X 2 ). Dann gilt für α > 0 F X1 (α) = P(X 1 α) = lim F(α,x 2) x 2 = lim (1 + x 2 exp λ1α exp λ 2x 2 exp λ1α exp λ 2x 2 ) = 1 exp λ 1α (= 0 für α = 0) Die Randverteilung ist also eine Exponentialverteilung. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 20
22 f(x,y) = 2. Beispiel - zweidimensionale stetige ZV { 6 5 x 1 x 2, 0 y x 1 Dichte von X 1 : 1 x 2 0 sonst f X1 (x) = f(x, y)dy = x xdy = [ ] x xy 0 = 6 5 x2 6 5 x f X1 (x) = { 6 5 x2 6 5 x 1 < x 2 0 sonst Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 21
23 Dichte von X 2 : 0 y 1 f X2 (y) = f(x, y)dx = 2 y xdx = [ ] x2 y 1 = y2 6 5 y 3 5 = y2 6 5 y f X2 (y) = { y 3 5 y2 0 y 1 0 sonst Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 22
24 Frage: Wie beeinflusst ein fixierter Wert x bei einer Komponente die Verteilung der restlichen Komponenten? Zunächst: Zweidimensionale ZV (X, Y ) diskret betrachtet x fixierter Wert bei X Ereignis A : X = x y j beliebiger Wert von Y Ereignis B j : Y = y j Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 23
25 Frage: Gibt es einen Einfluss von A auf B? Antwort: Die bedingte Wahrscheinlichkeit P(B j A) = (A B j) P(A) = P(X = x, Y = y j) P(X = x) = P(Y = y j X = x) wird verglichen mit P(Y = y j ) P(Y = y j X = x) heißt bedingte Verteilung von Y unter der Bedingung X = x Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 24
26 Frage: Gibt es einen Einfluss von A auf B? Kein Einfluss, wenn bzw. P(Y = y j X = x) = P(Y = y j ) P(Y = y j, X = x) P(X = x) = P(Y = y j ) bzw. P(Y = y j, X = x) = P(Y = y j )P(X = x) (Unabhängigkeit der Ereignisse X = x und Y = y j ) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 25
27 Definition: (X, Y ) diskret X und Y heißen unabhängig, wenn P(X = x,y = y) = P(X = x)p(y = y) für alle Werte x von X und alle Werte y von Y gilt. Unabhängigkeit von X und Y bedeutet also Unabhängigkeit von X = x und Y = y für alle Werte x und y. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 26
28 Beispiel: Drei Qualitätsmerkmale Frage: Hängt die Qualität der beiden Merkmale Oberflächengüte und Bruchfestigkeit zusammen? Gemeinsame Wahrscheinlichkeitsverteilung der Bruchfestigkeit : P((X 1,X 2 ) = (0,0)) = P((X 1,X 2, X 3 ) = (0,0, x 3 ),x 3 beliebig ) = P((X 1,X 2, X 3 ) = (0,0, 0)) + P((X 1,X 2,X 3 ) = (0,0,1)) = = 0.86 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 27
29 Analog für (0, 1),(1, 0),(1, 1) Oberflächengüte (X 1 ) gut schlecht Randverteilung von X Gemeinsame Wahrscheinlichkeitsverteiung Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 28
30 Bedingte Wahrscheinlichkeit der Bruchfestigkeit (X 2 ) unter der Bedingung schlecht bei Oberflächengüte (X 1 = 1) P(X 2 = 0 X 1 = 1) = P(X 2=0,X 1 =1) P(X 1 =1) = = 0.4 P(X 2 = 1 X 1 = 1) = P(X 2=1,X 1 =1) P(X 1 =1) = = 0.6 Wir haben: P(X 2 = 0) = 0.9 P(X 2 = 0 X 1 = 1) = 0.4 P(X 2 = 1) = 0.1 P(X 2 = 1 X 1 = 1) = 0.6 P(X 1 = 1,X 2 = 0) = 0.86 P(X 1 = 0)P(X 2 = 0) = = 0.81 Folgerung: Keine Unabhängigkeit Vermutlich gemeinsame Ursache, z.b. Materialfehler. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 29
31 (X, Y ) stetig Problem: Bei einer stetigen Zufallsvariable X gilt für jede reelle Zahl x P(X = x) = 0 Folgerung: Die bedingte Verteilung unter der Bedingung X = x kann nicht direkt gebildet werden. Statt x betrachten wir das Intervall [x,x + ǫ] A ǫ = X [x,x + ǫ] = {ω Ω x X(ω) x + ǫ} A ǫ verwenden wir als Bedingung unter der Voraussetzung: P(A ǫ ) = P(X X x + ǫ) 0 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 30
32 Bedingte W-verteilung von Y unter der Bedingung A ǫ : Gehen wir von der Verteilungsfunktion aus, so betrachtet man Y y unter der Bedingung A ǫ : F Y Aǫ (y) = P(Y y x X x + ǫ) = = = P(Y y,x X x + ǫ) P(x X x + ǫ) P(X x + ǫ,y y) P(X x, Y y) F X (x + ǫ) F X (X) 1 ǫ (F (X,Y )(x + ǫ, y) F (X,Y ) (x, y)) 1 ǫ (F X(x + ǫ) F X (x)) hängt von ǫ ab. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 31
33 ǫ 0 : lim F Y A ǫ 0 ǫ (y) = lim ǫ 0 = x F (X,Y ) (x,y) d dx F X(x) F (X,Y ) (x+ǫ,y) F (X,Y ) (X,y) ǫ F X (x+ǫ) F X (x) ǫ = F Y X=x (y) = x F (X,Y ) (x,y) f X (x) bedingte Verteilungsfunktion von Y unter der Bedingung X = x. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 32
34 Bedingte Dichte von Y unter der Bedingung X = x : ) f Y X=x (y) = d dy ( F(X,Y ) (x,y) x f X (x) = f (X,Y ) (x,y) f X (x) Die bedingte Dichte hat die Eigenschaft einer Dichtefunktion. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 33
35 Bedingte Verteilung stetiger ZV Variierende Belastungsbedingungen bei einer Anlage X 1 Belastung, X 2 Lebensdauer Gemeinsame Dichte: f(x 1,x 2 ) = { x1 exp x 1x 2, 0 x 1 1,0 x 2 0, sonst Frage: Soll Belastung kontrolliert werden z.b. Wert 0.7? Bedingte Dichte von X 2 unter der Bedingung X 1 = 0.7 f X2 X 1 =0.7(x 2 ) = f (X 1,X 2 )(x,y) f X1 (0.7) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 34
36 Zuerst: Berechnung der Randdichte von X 1 : f X1 (x 1 ) = f (X1,X 2 )(x 1,x 2 )dx 2 = x 1 exp x 1x 2 dx 2 = 1,x 1 [0,1] 0 X 1 gleichverteilt auf [0,1] Damit bedingte Dichte: f X2 X 1 =x 1 (x 2 ) = { x 1 exp x 1 x 2 1 = x 1 exp x 1x 2 für x für x 2 < 0 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 35
37 Resultat: Exponentialverteilung mit Parameter x 1. Somit: 1 x 1 mittlere Lebensdauer, x 1 Ausfallrate. Bei kontrollierter Belastung mit Wert x 1 steigt die Lebensdauer (bzw. die Ausfallrate) mit fallendem x 1. fällt Bedingte Dichte hängt von der Bedingung X 1 = x 1 ab. (x 2 0) Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 36
38 Überprüfungsaufgabe: Berechnung der Randverteilung von X 2 f X2 (x 2 ) = + f (X1,X 2 )(x 1,x 2 )dx = 1 x 1 e x 1x 2 dx 1 = [ x 1 1 x 2 e x 1x 2 0 ] 1 0 = 1 x 2 e x 2 Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 37
39 Zusammenfassung Im diskreten Fall: Bedingte Wahrscheinlichkeitsverteilung von Y unter der Bedingung X = x mit P(X = x) 0: P(Y = y X = x) = P(Y =y,x=x) P(X=x) für alle Werte y von Y. Zu vergleichen mit der Wahrscheinlichkeitsverteilung von Y (Randverteilung von Y ). Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 38
40 Zusammenfassung Im stetigen Fall: bedingte Dichte von Y unter der Bedingung X = x mit f X (x) 0 : f Y X=x (y) = f X,Y (x,y) f X (x) zu vergleichen mit der Randdichte von Y. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 39
41 Unabhängigkeit X und Y heißen unabhängig, wenn (a) im diskreten Fall die bedingte Wahrscheinlichkeitsverteilung von Y nicht von der Bedingung abhängt und mit der Verteilung von Y übereinstimmt (b) Im stetigen Fall die bedingte Dichte nicht von der Bedingung abhängt und mit der Randdichte übereinstimmt Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 40
42 formal - Unabhängigkeit (a)p(y = y X = x) = P(X = x, Y = y) P(X = x) = P(Y = y) P(X = x,y = y) = P(X = x)p(y = y), für alle x und y (b) f X,Y (x,y) f X (x) = f Y (y) f X,Y (x,y) = f X (x)f Y (y), für alle x und y Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 41
43 formal - Unabhängigkeit Aus (a) bzw. (b) folgt: F X,Y (x,y) = F X (x)f Y (y), für alle x und y Die Umkehrung gilt auch (Übungsaufgabe). Die Definition lässt sich ausdehnen für X 1,...,X n mit n > 2. Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen 42
Statistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrVerteilungsmodelle. Verteilungsfunktion und Dichte von T
Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrMini-Skript Wahrscheinlichkeitstheorie und Statistik
Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................
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
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrKompaktskript zur Vorlesung Stochastische Risikoanalyse
Kompaktskript zur Vorlesung Stochastische Risikoanalyse Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik
Einführung in die Wahrscheinlichkeitsrechnung und Statistik Jan Kallsen und Claudia Klüppelberg Zentrum Mathematik Technische Universität München WS 2005/06 Inhaltsverzeichnis Vorwort Vorbemerkungen i
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
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
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
Mehr2.1 Berechnung gleichverteilter Zufallszahlen. (Linearer Kongruenz-Generator)
Seydel: Skript umerische Finanzmathematik, Kap. 2 (Version 20) 33 ¾º Ö ÒÙÒ ÚÓÒ Ù ÐÐ Þ Ð Ò Definition (Stichprobe einer Verteilung) Eine Folge von Zahlen heißt Stichprobe (sample) von einer Verteilungsfunktion
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrBisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners
1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrMathematische Methoden in den Wirtschaftswissenschaften. Grundkurs. Josef Leydold. Department für Statistik und Mathematik WU Wien SS 2006.
Mathematische Methoden in den Wirtschaftswissenschaften Grundkurs Josef Leydold Department für Statistik und Mathematik WU Wien SS 2006 Josef Leydold c 2006 Mathematische Methoden 1 / 356 Übersicht Josef
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
MehrAufgaben zur Flächenberechnung mit der Integralrechung
ufgaben zur Flächenberechnung mit der Integralrechung ) Geben ist die Funktion f(x) = -x + x. a) Wie groß ist die Fläche, die die Kurve von f mit der x-chse einschließt? b) Welche Fläche schließt der Graph
MehrZ = 60! 29!31! 1,1 1017.
Aufgabe : Eine Hochzeitsgesellschaft besteht aus 60 Personen. a Wieviele verschiedene Möglichkeiten für Sitzordnungen gibt es? b Nehmen Sie nun an, dass 9 Gäste aus dem Familien- und Freundeskreis der
MehrLebensdauer eines x-jährigen
Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrZuverlässigkeitstechnik. Grundlagen. VL PLT-2 Professur für Prozessleittechnik
Fakultät Elektrotechnik & Informationstechnik Institut für Automatisierungstechnik, Professur für Prozessleittechnik Zuverlässigkeitstechnik Grundlagen VL PLT-2 Professur für Prozessleittechnik Übersicht
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten
MehrStatistiktraining im Qualitätsmanagement
Gerhard Linß Statistiktraining im Qualitätsmanagement ISBN-0: -446-75- ISBN-: 978--446-75-4 Leserobe Weitere Informationen oder Bestellungen unter htt://www.hanser.de/978--446-75-4 sowie im Buchhandel
MehrEinführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar
Einführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar getext von René Wörzberger rene@woerzberger.de Bilder Thorsten Uthke Review Diego Biurrun diego@pool.informatik.rwth-aachen.de
MehrEinführung in die Statistik
Meteorologisches Institut der Universität Bonn Skript zur Vorlesung Einführung in die Statistik Wintersemester 2004/2005 Andreas Hense Thomas Burkhardt Petra Friederichs Version: 31. Oktober 2005 1 Inhaltsverzeichnis
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.
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrElementare statistische Methoden
Elementare statistische Methoden Vorlesung Computerlinguistische Techniken Alexander Koller 28. November 2014 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen? Ziel
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrEinführung in die. Wahrscheinlichkeitstheorie und Statistik
Institut für Mathematische Stochastik Einführung in die Wahrscheinlichkeitstheorie und Statistik (Kurzskript zur Vorlesung Wintersemester 2014/15 von Prof. Dr. Norbert Gaffke Inhaltsverzeichnis 1 Wahrscheinlichkeitsräume
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
MehrModellgestützte Analyse und Optimierung Übungsblatt 4
Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
MehrSchleswig-Holstein 2011. Kernfach Mathematik
Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative
MehrMonte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 014 Inhaltsverzeichnis Inhaltsverzeichnis 1 Was sind Monte Carlo Simulationen? 3 Zufallszahlen 3
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrUbungenzurAnalysis2 Prof.Dr.Kohnen WS1996/97 Dr.O.Delzeith
UbungenzurAnalysis2 Prof.Dr.Kohnen WS1996/97 Dr.O.Delzeith 1.(i)EntscheidenSie,obdieFunktion (ii)berechnensiedieintegrale impunktx0=0dierenzierbarist.bestimmensieggfs.dieableitungf0(x0). (a)1 Z0xf:(R!R
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrEinführung in die schließende Statistik - Von der Wahrscheinlichkeit zur Hypothese mit Beispielen in R und SPSS
Einführung in die schließende Statistik - Von der Wahrscheinlichkeit zur Hypothese mit Beispielen in R und SPSS Version 0.9 (7.5.204) Haiko Lüpsen Universität zu Köln Regionales Rechenzentrum (RRZK) Kontakt:
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrHauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg
Baden-Württemberg: Abitur 04 Pflichtteil www.mathe-aufgaben.com Hauptprüfung Abiturprüfung 04 (ohne CAS) Baden-Württemberg Pflichtteil Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrDie Binomialverteilung
Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel
MehrMonty Hall-Problem. Wochen 3 und 4: Verteilungen von Zufallsvariablen. Lernziele. Diskrete Verteilungen
Monty Hall-Problem Wochen 3 und 4: Verteilungen von Zufallsvariablen US-amerikanische Fernseh-Show Let s make a deal, moderiert von Monty Hall: WBL 15/17, 04.05.2015 Alain Hauser
MehrGrundprinzipien der Bayes-Statistik
Grundprinzipien der Bayes-Statistik Karl-Rudolf Koch Zusammenfassung: In drei wesentlichen Punkten unterscheidet sich die Bayes-Statistik von der traditionellen Statistik. Zunächst beruht die Bayes-Statistik
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
MehrTheorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie
Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
MehrGenexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression
Genexpressionsmessung Genexpression Transkription (Vorgang) Genexpression (quantitativ) Wieviele m-rna Moleküle eines bestimmten Gens sind in den Zellen? Genomische Datenanalyse 8. Kapitel Wie mißt man
MehrMathematik-Klausur vom 05.10.2011 Finanzmathematik-Klausur vom 26.09.2011
Mathematik-Klausur vom 05.10.2011 Finanzmathematik-Klausur vom 26.09.2011 Studiengang BWL DPO 2003: Aufgaben 2,3,4 Dauer der Klausur: 60 Min Studiengang B&FI DPO 2003: Aufgaben 2,3,4 Dauer der Klausur:
MehrGeschäftszielorientierte, Toolgestützte, Szenariobasierte Risikoaggregation bei der SAP
Geschäftszielorientierte, Toolgestützte, Szenariobasierte Risikoaggregation bei der SAP Diplomarbeit am Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB) Prof. Dr. D. Seese Fakultät
MehrHierarchische Archimedische Copulas
Hierarchische Archimedische Copulas Bachelorarbeit im Studiengang Wirtschaftsmathematik am Fachbereich Mathematik und Informatik der Philipps-Universität Marburg eingereicht von Yuriy Pinkhasik Marburg,
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrEigenMath Howto. Beispiele: Was erhält man, wenn man 100 mal die Zahl 2 mit sich multipliziert? Antwort 1267650600228229401496703205376
EigenMath Howto EigenMath ist ein kleines Programm, das als 'Taschenrechner' für die Mathematik der Oberstufe verwendet werden kann. Es ist viel weniger mächtig als die großen Brüder Sage, Maxima, Axiom
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrBeispiele zur UE Wirtschaftsstatistik 1 bei Nagel
Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrPhysica-Lehrbuch. Ein anwendungsorientiertes Lehr- und Arbeitsbuch. von Christine Duller
Physica-Lehrbuch Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch von Christine Duller Neuausgabe Einführung in die Statistik mit EXCEL und SPSS Duller schnell
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrAnalyse klassierter Daten: Vor der Analyse fasst man jeweils mehrere Merkmalsausprägungen in (Merkmalswerte-)Klassen zusammen.
4. Analyse univariater Daten: Übersicht Mathematik ist die Wissenschaft der reinen Zahl, Statistik die der empirischen Zahl Von univariaten Daten spricht man, wenn bei der Datenerhebung nur ein Merkmal
MehrEinführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik () Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de Gliederung Allgemeine Statistik. Deskriptive Statistik. Wahrscheinlichkeitstheorie.3
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
MehrMathematische Ökologie
Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrGrundlagen der Elektrotechnik 1
Grundlagen der Elektrotechnik 1 Kapitel 5: Elektrisches Strömungsfeld 5 Elektrisches Strömungsfeld 5.1 Definition des Feldbegriffs 5. Das elektrische Strömungsfeld 3 5..1 Strömungsfeld in einer zylindrischen
Mehra n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n
Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen
MehrFinanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013
Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrStatistische Methoden
Statistische Methoden Dr. C.J. Luchsinger 3 Grundlagen der Statistik Literatur Kapitel 3: Lindgren: Kapitel 7 3.1 Überblick Die Statistik ist ein ausuferndes Wissensgebiet. Man könnte problemlos 20 Semester
MehrDie Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen
Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Die Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen Marco A. Harrendorf Karlsruhe Institut für Technologie, Bachelor Physik Vortrag
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrEinführung in die Theorie stochastischer Prozesse
Einführung in die Theorie stochastischer Prozesse Dr. Ingo Röder, IMISE, Universität Leipzig Folie 247 Stochastische Prozesse, Grundlagen Motivation Warum Modellierung mittels stochastischer Prozesse?
MehrKünstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
MehrStochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006
Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 26 Markus Reiß Universität Heidelberg reiss@statlab.uni-heidelberg.de VORLÄUFIGE FASSUNG: 28. Juli 26 Inhaltsverzeichnis 1 Der Poissonprozess
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
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
MehrProf. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38
Prof. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38 Offene Fragen Warum ist ein ET bereit, für eine Feuerversicherung mit einer Versicherungshöhe von 1 Million und einer Jahreseintrittswahrscheinlichkeit
Mehr