Wahrscheinlichkeitsräume und Zufallsvariablen
|
|
- Oldwig Schulz
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 1 Wahrscheinlichkeitsräume und Zufallsvariablen 1.1 Modellierung von Zufallsexperimenten Der Begriff Zufallsexperiment steht hier für jeden realen Vorgang, der vom Zufall beeinflusst wird. Typischerweise liefert ein Zufallsexperiment ein Ergebnis, das zufällig (zumindest teilweise) ist. Beispiele für Zufallsexperimente: Glücksspiele (z.b. Münzwurf, Würfeln, Lotto) 0-1-Experimente (Bernoulli-Experimente), wobei z.b. 1 für Erfolg und 0 für Misserfolg steht (z.b. Therapie, Platzierung, Schießen). Das betrachtete Zufallsexperiment kann die einmalige Durchführung eines 0-1-Experimentes sein oder auch eine mehrmalige (z.b. die 10-malige) unabhängige Durchführung eines 0-1-Experimentes. Zufällige Anzahlen (z.b. Anzahl von Kunden oder Aufträgen, Anzahl von Verkehrsunfällen, Anzahl radioaktiver Zerfälle) Lebensdauern / Ausfallzeitpunkte (z.b. von technischen Bauteilen, von Lebewesen) Industrielle Fertigung: Quantitative Charakteristika gefertigter Produkte (z.b. elektr. Widerstände, Festigkeit von Materialien, geometrische Abmessungen von techn. Bauteilen) Mathematisches Modell eines Zufallsexperiments: Ein W-Raum (M, A, P ), wobei die Bestandteile diese Tripels folgende Bedeutung haben. M ist die Menge aller möglichen Ergebnisse des Zufallsexperiments. Die Festlegung der Ergebnismenge M kann ruhig auch Redundanzen beinhalten, d.h. Elemente x als mögliche Ergebnisse einbeziehen, die praktisch gar nicht möglich sind. A ist ein System von Ereignissen, denen jeweils eine Wahrscheinlichkeit zugeordnet werden kann; ein Ereignis A ist eine Teilmenge von M und steht für das Ereignis, dass das Ergebnis x des Zufallsexperiments in A liegt (x A). P ist eine W-Verteilung, die jedem Ereignis A A eine W keit P (A) [ 0, 1 ] zuordnet. Die W-Verteilung P ist geeignet festzulegen ( Verteilungsannahme ) entsprechend dem konkret zu beschreibenden Zufallsexperiment. Im diskreten Fall, d.h. wenn die Ergebnismenge M abzählbar ist (z.b. endlich ist), definiert man eine W-Verteilung P einfach durch Festlegung der W keiten P (x) für jedes mögliche Ergebnis x M (Elementarereignis); das Ereignissystem A ist die gesamte Potenzmenge von M und die W keiten für beliebige Ereignisse ergeben sich dann durch P (A) = x A P (x) A M. 1
2 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 2 In nicht-diskreten Fällen (z.b. M = R) ist das komplizierter; hier können wir uns i.a. nicht auf Elementarereignisse zurückziehen; auch kann i,a. das Ereignissystem A nicht als die gesamte Potenzmenge P(M) gewählt werden. Beispiele: Modelle für einige einfache Zufallsexperimente (1) Würfeln (einmal). M = 1, 2, 3, 4, 5, 6},. P (x) = 1/6 x = 1, 2,..., 6. (2) Würfeln (zweimal, unabhängig voneinander). Ein Würfel wird zweimal geworfen (erster Wurf und zweiter Wurf), oder es werden zwei unterscheidbare Würfel (Würfel Nr. 1 und Würfel Nr. 2) gleichzeitig geworfen. M = x = (x 1, x 2 ) : x 1, x 2 1, 2, 3, 4, 5, 6} }, P (x) = 1/36 x = (x 1, x 2 ) M. (3) Lotto-Ziehung 6 aus 49 ohne Zusatzzahl. M = x = (x 1, x 2,..., x 6 ) : 1 x 1 < x 2 <... < x 6 49, x i N (1 i 6) }, P (x) = 1 /( ) 49 6 x M. (4) 0-1-Experiment (einmalige Durchführung). M = 0, 1 }, P (x) = p, falls x = 1 1 p, falls x = 0, wobei p [ 0, 1 ] gegeben ist (die Erfolgswahrscheinlichkeit ). Interessanter sind mehrmalige unabhängige Durchführungen des 0-1-Experiments: (5) 0-1-Experiment (n-malige unabhängige Durchführung). M = 0, 1} n = x = (x 1, x 2,..., x n ) : x i 0, 1} i = 1,..., n }, P (x) = p S(x) (1 p) n S(x) x = (x 1,..., x n ) M, wobei S(x) = n (6) Eine zufällige Anzahl: Binomial-Modell. Zufallsexperiment: Ein 0-1-Experiment (mit Erfolgswahrscheinlichkeit p [ 0, 1 ] ) wird n-mal unabhängig durchgeführt, und als Ergebnis wird lediglich die Anzahl der erzielten Erfolge festgehalten. Modell: ( ) n M = 0, 1, 2,..., n }, P (x) = p x (1 p) n x x = 0, 1,..., n. x (6) Eine zufällige Anzahl: Poisson-Modell. Z.B.: Die Anzahl der Ankünfte von Kunden oder Aufträgen in einer Service-Station in einem definierten Zeitraum; die Anzahl von Verkehrsunfällen in einer definierten Region in einem definierten Zeitraum; die Anzahl verkaufter Produkte in einem definierten Zeitraum; die Anzahl registrierter Impulse in der Umgebung einer radioaktiven Substanz in einem definierten Zeitraum. Ein oft verwendetes Modell: x i. M = N 0, mit einem geeigneten λ ( 0, ). λ λx P (x) = e x! x N 0,
3 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen Sigma-Algebra, W-Verteilung und W-Raum Definition 1.1 (Sigma-Algebra) Seien M eine nicht-leere Menge und A P(M) (Potenzmenge von M). Das Mengensystem A heißt eine Sigma-Algebra in M, wenn es die folgenden drei Bedingungen erfüllt. (i) M A. (ii) Wenn A A, dann A c A (wobei A c = M \ A). (iii) Wenn A n A für alle n N, dann n=1 A n A. Wenn A eine Sigma-Algebra in M ist, dann heißt das Paar (M, A) ein Messraum oder ein messbarer Raum. Folgerung: Man zeigt leicht, dass eine Sigma-Algebra A in M auch folgende Eigenschaften hat: Wenn A, B A, dann A B A, A B A und A \ B A ; wenn A n A n N, dann n=1 A n A. Insbesondere für überabzählbare Mengen M (wie M = R oder M = R k ) wird die folgende implizite Definition von interessanten Sigma-Algebren wichtig. Lemma 1.2 (Erzeugte Sigma-Algebra) Seien M eine nicht-leere Menge und E P(M). Dann: Es existiert genau eine Sigma-Algebra A 0 in M, die die beiden folgenden Bedingungen (1) und (2) erfüllt. (1) E A 0. (2) Für jede Sigma-Algebra A in M mit E A gilt A 0 A. Die Sigma-Algebra A 0 heißt die von E erzeugte Sigma-Algebra in M; abkürzende Schreibweise: A 0 = σ(e) Definition 1.3 (W-Verteilung) Seien (M, A) ein Messraum und P : A [ 0, 1 ]. Die Funktion P heißt eine W-Verteilung auf (M, A), wenn P die folgenden beiden Bedingungen erfüllt. (i) P ( ) = 0 und P (M) = 1. (ii) Wenn A n A (n N) eine Folge paarweise disjunkter Mengen ist, dann ( ) P A n n=1 = P ( ) A n. n=1 (Diese Bedingung nennt man die Sigma-Additivität von P ). Wenn P eine W-Verteilung auf (M, A) ist, dann heißt das Tripel (M, A, P ) ein W-Raum.
4 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 4 Bemerkung Eine W-Verteilung P hat insbesondere die Eigenschaft der Additivität : Wenn A, B A und A B =, dann P (A B) = P (A) + P (B). Desweiteren implizieren Bedingungen (i), (ii) von Definition 1.3 weitere Eigenschaften: Lemma 1.4 (Weitere Eigenschaften einer W-Verteilung) Sei (M, A, P ) ein W-Raum. Dann gilt: (1) Wenn A, B A und A B, dann P (A) P (B) und P (B \ A) = P (B) P (A). Insbesondere: P ( A c) = 1 P (A) A A. ( ) (2) Wenn A n A für alle n N, dann P A n P ( ) A n. n=1 n=1 (3) Wenn A n A (n N) eine isotone Mengenfolge ist (d.h. A n A n+1 n N), ( ) dann: P A n = lim P (A n). (Stetigkeit von unten) n n=1 Wenn B n A (n N) eine antitone Mengenfolge ist (d.h. B n+1 B n n N), ( ) dann: P B n = lim P (B n). (Stetigkeit von oben) n n=1 Für Situationen, in denen eine Sigma-Algebra nur implizit durch einen Erzeuger definiert ist, ist das folgende Eindeutigkeitsresultat für W-Verteilungen bisweilen nützlich. Lemma 1.5 (Durchschnitt-stabiler Erzeuger / Eindeutigkeitsresultat) Sei E P(M) ein durchschnitt-stabiles Mengensystem, d.h.: Wenn E, F E, dann E F E. Sei A = σ(e), und seien P 1 und P 2 zwei W-Verteilungen auf (M, A), die auf E übereinstimmen: P 1 (E) = P 2 (E) E E. Dann folgt: P 1 = P 2, d.h. P 1 (A) = P 2 (A) A A. 1.3 Diskrete W-Räume Kleiner Exkurs: Abzählbare Summation nicht-negativer erweitert-reeller Zahlen Seien I eine abzählbare Menge und a i [ 0, ] = [ 0, ) } i I. Dann wird a i [ 0, ] i I wie folgt (in Schritten (0) - (3)) definiert. Zunächst sei vorausgesetzt: a i < i I. (0) Im Fall I = : a i := 0. i (1) Wenn I und I endlich ist, I = r und I = i 1,..., i r }, dann r a i := a in. i I n=1
5 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 5 (2) Wenn I unendlich ist, dann sei eine bijektive Abbildung σ : N I gewählt, und a i := a σ(n), wobei im Fall der (bestimmten) Divergenz der Reihe: a σ(n) :=. i I n=1 Anmerkung: Nach dem Umordnungssatz für absolut konvergente Reihen ist damit i I d.h. unabhängig von der speziellen Wahl der Abzählung σ. n=1 a i wohldefiniert, (3) Im Fall, dass nicht alle a i endlich sind, also ein i 0 I mit a i0 = existiert, wird definiert: a i ; =. i I Zwei Folgerungen: } a i = sup a i : E I, E endlich. i I i E (Das Supremum einer nicht-leeren Teilmenge S [ 0, ] ist das kleinste c [ 0, ] mit s c s S ; außerdem wird hier definiert: sup := 0). Sei eine disjunkte Zerlegung von I in abzählbar viele Teilmengen gegeben: I = k K I k, wobei K abzählbar und I k I, (k K), paarweise disjunkt. Dann: a i = ( ) a i. i I k K i I k Lemma 1.6 (Diskrete W-Verteilung und Zähldichte) Sei M eine nicht-leere abzählbare Menge, und A = P(M) (die Potenzmenge von M). (a) Sei P eine W-Verteilung auf ( M, P(M) ) ; betrachte die reelle Funktion auf M : M x P (x) := P ( x} ) (die Zähldichte von P ). Diese Funktion erfüllt die Bedingung P (x) 0 x M und und es gilt P (A) = x A P (x) A M. P (x) = 1, x M ( ) (b) Sei umgekehrt eine reelle Funktion M x P (x) gegeben, die die Bedingung ( ) erfüllt; dann ist durch P (A) := x A P (x) A M eine W-Verteilung auf ( M, P(M) ) definiert. Bemerkung: Wenn M abzählbar und P eine W-Verteilung auf ( M, P(M) ) sind, dann nennen wir (M, P(M), P ) einen diskreten W-Raum, für den wir auch einfach (M, P ) schreiben. Definition 1.7 (Spezielle diskrete W-Verteilungen) In den nachfolgend genannten Fällen (1) (6) wird jeweils eine abzählbare Menge M spezifiziert und durch Angabe einer Zähldichte P (x) eine W-Verteilung P auf ( M, P(M) ) definiert.
6 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 6 (1) Sei M irgendeine nicht-leere endliche Menge. Die Gleichverteilung auf M, Abk.: P = U(M), ist durch die konstante Zähldichte definiert: P (x) = 1 für alle x M. M (2) Sei M = 0, 1,..., n } für ein gegebenes n N, und sei noch p [ 0, 1 ] gegeben. Die Binomialverteilung zu den Parameterwerten n und p, Abk.: P = Bi(n, p), ist durch die Zähldichte definiert: ( ) n P (x) = p x (1 p) n x für alle x = 0, 1,..., n. x (3) Sei M = 0, 1,..., n } für ein gegebenes n N, und seien noch N N, s N 0 mit N s und N n gegeben. Die hypergeometrische Verteilung zu den Parameterwerten N, s und n, Abk.: P = Hyp(N, s, n), ist durch die Zähldichte definiert: P (x) = ( s ( N s ) x) n x ( N für alle x = 0, 1,..., n. n) (4) Seien M = N 0 und λ eine gegebene positive reelle Zahl. Die Poisson-Verteilung zum Parameterwert λ, Abk.: P = Poi(λ), ist durch die Zähldichte definiert: P (x) = e λ λx x! für alle x N 0. (5) Seien M = x N : x r } mit einem gegebenen r N, und sei noch p ( 0, 1) gegeben. Die negative Binomialverteilung zu den Parameterwerten r und p, Abk.: P = NegBi(r, p), ist durch die Zähldichte definiert: P (x) = p r ( x 1 r 1 ) (1 p) x r für alle x = r, r + 1, r + 2,.... Im Fall r = 1, d.h. M = N und P (x) = p (1 p) x 1 für alle x N, heißt NegBi(r, p) auch die geometrische Verteilung zum Parameterwert p, Abk.: Geo(p). (6) Sei M = x = (x 1, x 2,..., x k ) N k 0 : } k j=1 x j = n, für gegebene k N, k 2, und n N, und seien noch p 1, p 2,..., p k [ 0, 1 ] mit k j=1 p j = 1 gegeben. Die Multinomialverteilung zu den Parameterwerten n und p 1, p 2,..., p k, Abk.: P = Mu(n; p 1, p 2,..., p k ), ist durch die Zähldichte definiert: n! P (x) = x 1! x 2! x k! px 1 1 px 2 2 px k k x = (x 1, x 2,..., x k ) M. Diskrete Verteilungen von Definition 1.7 : Typische Zufallsexperimente (1) Gleichverteilung Ein Objekt wird rein zufällig aus einer endlichen Grundgesamtheit M gezogen. Modell: Der W-Raum ( M, U(M) ). (2) Binomialverteilung n-malige unabhängige Durchführung eines 0-1-Experiments mit Wahrscheinlichkeit p für 1 und 1 p für 0, und als Ergebnis des (Gesamt-)Experiments wird die Anzahl der erzielten 1 -en festgehalten. Modell: Der W-Raum ( 0, 1,..., n}, Bi(n, p) ).
7 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 7 (3) Hypergeometrische Verteilung Gegeben eine Grundgesamtheit mit N Objekten; jedes Objekt trägt einen binären (0-1-wertigen) Merkmalswert (z.b. gut/schlecht); insgesamt haben genau s Objekte den Merkmalswert 1. Zufallsexperiment: Es wird eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit gezogen (Ziehen ohne Zurücklegen), und als Ergebnis wird die Anzahl aller Objekte der Stichprobe mit Merkmalswert 1 festgehalten. Modell: Der W-Raum ( 0, 1,..., n}, Hyp(N, s, n) ). (4) Poisson-Verteilung Eine zufällige Anzahl, die nicht von vorne herein nach oben beschränkt ist (im Unterschied zu (2) und (3)), kann oft näherungsweise modelliert werden durch den W-Raum ( N 0, Poi(λ) ) (mit einem geeigneten λ > 0). Konkretere Beispiele etwa: Anzahl von Kunden, die innerhalb eines definierten Zeitraumes eine bestimmte Service-Station besuchen; Anzahl der zerfallenen Teilchen einer radioaktiven Substanz in einem definierten Zeitraum. (5) Negative Binomialverteilung, insbes. Geometrische Verteilung Ein 0-1-Experiment mit Wahrscheinlichkeit p für 1 und 1 p für 0 wird so oft unabhängig durchgeführt, bis 1 r-mal aufgetreten ist (z.b. warten auf den r-ten Erfolg ). Die Anzahl der benötigten Durchführungen ist das Ergebnis des (Gesamt-)Zufallsexperiments. Modell: Der W-Raum ( r, r + 1, r + 2,...}, NegBi(r, p) ). (6) Multinomialverteilung Das Zufallsexperiment bestehe in der n-maligen unabhängigen Durchführung eines Einzelexperiments, das k mögliche verschiedene Ergebnisse a 1, a 2,..., a k hervorbringen kann, und zwar mit den jeweiligen W keiten p 1, p 2,..., p k. Als Ergebnis des (Gesamt-)Experiments werde nur festgehalten x = (x 1, x 2,..., x k ) mit x j = Anzahl des Auftretens von a j (1 j k). Modell: Der W-Raum ( M, Mu(n; p 1, p 2,..., p k ) ) mit M = x = (x 1, x 2,..., x k ) N k 0 : k j=1 } x j = n. 1.4 W-Verteilungen auf der Zahlengeraden Hier beschäftigen wir uns mit W-Verteilungen im Fall M = R. Zunächst ist eine geignete Sigma- Algebra zu definieren. Definition 1.8 (Borelsche Sigma-Algebra in R) Bezeichne I 1 das System aller links offenen und rechts abgeschlossenen Intervalle endlicher Länge: } I 1 = (a, b ] : a, b R, a b. Die von I 1 in R erzeugte Sigma-Algebra heißt die Borelsche Sigma-Algebra in R, und wir bezeichnen sie mit B 1 Bemerkung:. Andere Erzeuger der Borelschen Sigma-Algebra Es lassen sich viele andere Mengensysteme in R finden, die ebenfalls Erzeuger von B 1 sind, z.b. die links unbeschränkten und rechts abgeschlossenen Intervalle: } (, b ] : b R.
8 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 8 W-Verteilungen auf (R, B 1 ) können wir nicht elementar direkt definieren, zumindest nicht die stetigen W-Verteilungen (s.unten). Elementar definierbar sind jedoch diskrete W-Verteilungen auf (R, B 1 ) : Dies sind effektiv diskrete W-Verteilungen auf ( M, P(M) ) wie in Abschnitt 1.3, wobei M eine abzählbare Teilmenge von R ist, z.b. M = 0, 1..., n} für ein gegebenes n N, oder M = N 0. Es gilt nämlich: Lemma 1.9 (Diskrete W-verteilungen auf (R, B 1 )) Sei M eine nicht-leere, abzählbare Teilmenge von R, und sei P eine W-Verteilung auf ( M, P(M) ). Dann können wir P zu einer W-Verteilung auf (R, B 1 ) machen: P (A) := P (A M) A B 1. Anmerkung: Dies ist eine triviale Fortsetzung der W-Verteilung P ; es gilt offensichtlich: P P(M) = P, und P (R \ M) = 0. Im Wesentlichen sind P und P dasselbe, aber formal verschieden. Ein wichtiges Hilfsmittel zur Beschreibung beliebiger W-Verteilungen auf (R, B 1 ) erweist sich der Begriff der Verteilungsfunktion. Definition 1.10 (Verteilungsfunktion einer W-Verteilung auf (R, B 1 )) Sei P eine W-Verteilung auf (R, B 1 ). Die Verteilungsfunktion von P ist die Funktion F P : R [ 0, 1 ], F P (b) := P ( (, b ] ) b R. Lemma 1.11 (Eigenschaften einer Verteilungsfunktion) Für die Verteilungsfunktion F P einer W-Verteilung P auf (R, B 1 ) gilt: (i) F P ist isoton; (ii) F P ist rechtsseitig stetig; (iii) lim F (b) = 0 und lim F (b) = 1. b b Weiterhin gilt: P ( (a, b ] ) = F P (b) F P (a) a, b R, a b ; P ( c} ) = F P (c) F P (c -) c R, wobei F P (c -) := lim x c, x<c F P (x). Bemerkung: Stetige W-Verteilung Wenn P eine W-Verteilung auf (R, B 1 ) ist, deren Verteilungsfunktion F P stetig ist, dann nennen wir P eine stetige W-Verteilung (im Kontrast zu einer diskreten W-Verteilung). Nach Lemma 1.11 ist P genau dann stetig, wenn P ( c} ) = 0 c R. Das entscheidende Resultat über Verteilungsfunktionen ist nun, dass eine Eins-zu Eins-Korrespondenz zwischen Verteilungsfunktionen und W-Verteilungen auf (R, B 1 ) besteht. Dabei heiße jetzt jede Funktion F : R [ 0, 1 ], die die Bedingungen (i), (ii) und (iii) von Lemma 1.11 (mit F statt F P ) erfüllt,
9 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 9 eine Verteilungsfunktion auf R, wobei nicht gesagt ist, dass F tatsächlich die Verteilungsfunktion einer W-Verteilung auf (R, B 1 ) ist. Dem ist aber so, wie das folgende Hauptresultat zeigt. Theorem 1.12 (Korrespondenz: W-Verteilung Verteilungsfunktion) Bezeichne V(R) die Menge aller Verteilungsfunktionen auf R und W(R, B 1 ) die Menge aller W- Verteilungen auf (R, B 1 ). Dann ist durch P F P eine bijektive Abbildung von W(R, B 1 ) auf V(R) gegeben. Die für uns wichtigen stetigen W-Verteilungen sind sogar Lebesgue-stetig, d.h. sie besitzen eine Lebesgue- Dichte im Sinne des nachfolgenden Lemmas. Lemma 1.13 (W-Verteilung mit Lebesgue-Dichte) Sei f : R [ 0, ) eine über R integrierbare Funktion mit Dann ist durch F (b) := b f(x) dx b R f(x) dx = 1. eine (stetige) Verteilungsfunktion auf R gegeben und damit eine W-Verteilung P auf (R, B 1 ). Man sagt: P besitzt die Lebesgue-Dichte f. Bemerkung: W keiten als Integrale der Lebesgue-Dichte Die W-Verteilung P besitze die Lebesgue-Dichte f. Dann: P ( [ a, b ] ) = b a f(x) dx a, b R, a b ; P ( [ a, ) ) = a f(x) dx a R. Darüber hinaus, wenn wir die allgemeinere Theorie des Lebesgue-Integrals einbeziehen: P (A) = f dµ A B 1. A Definition 1.14 (Spezielle Lebesgue-stetige W-Verteilungen) In den nachfolgenden Fällen (1) (6) wird jeweils eine W-Verteilung P auf (R, B 1 ) durch eine Lebesgue- Dichte f definiert. (1) Seien β R und σ ( 0, ) gegeben. Die Normalverteilung zu den Parameterwerten β und σ 2, Abk.: P = N(β, σ 2 ), ist definiert durch die Lebesgue-Dichte: ( 1 f(x) = σ 2π exp 1 ( x β ) ) 2 x R. 2 σ (2) Seien c, d R mit c < d gegeben. Die Rechteck-Verteilung oder die Gleichverteilung auf dem Intervall ( c, d ), Abk.: P = R(c, d), ist definiert durch die Lebesgue-Dichte: 1/(d c), falls c < x < d f(x) = x R. 0, sonst (3) Sei λ ( 0, ) gegeben. Die Exponentialverteilung zum Parameterwert λ, Abk.: P = Exp(λ), ist definiert durch die Lebesgue-Dichte: ( ) λ exp λ x, falls x > 0 f(x) = x R. 0, sonst
10 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 10 (4) Seien c, λ ( 0, ) gegeben. Die Weibull-Verteilung zu den Parameterwerten c und λ, Abk.: P = Wei(c, λ), ist definiert durch die Lebesgue-Dichte: ( ) c λ f(x) = c x c 1 exp (λx) c, falls x > 0 x R. 0, sonst (5) Seien c, λ ( 0, ) gegeben. Die Gamma-Verteilung zu den Parameterwerten c und λ, Abk.: P = Ga(c, λ), ist definiert durch die Lebesgue-Dichte: λ c f(x) = Γ(c) xc 1 exp ( λx ), falls x > 0 x R, 0, sonst wobei Γ die Gamma-Funktion bezeichnet, d.h. Γ(c) = 0 t c 1 exp( t ) dt. (6) Seien β R und σ ( 0, ) gegeben. Die Log-Normalverteilung zu den Parameterwerten β und σ 2, Abk.: P = LogN(β, σ 2 ), ist definiert durch die Lebesgue-Dichte: ( 1 f(x) = σ 1 2π x exp 1 ( ln(x) β ) ) 2 x ( 0, ) ; f(x) = 0 x 0. 2 σ Bemerkung: Modellierung Exponential- und Weibull-Verteilungen werden insbesondere zur Modellierung zufälliger Lebensdauern verwendet. Beispiele zur Verwendung von Normalverteilungen und Log-Normalverteilungen: Charakteristik eines gefertigten Produkts (z.b. Dicke eines Bleches, Länge eines Stiftes, Widerstand eines elektrischen Bauteils). Insbesondere Normalverteilungen werden in vielen weiteren Situationen zur Modellierung verwendet. 1.5 W-Verteilungen im euklidischen Raum Wir betrachten den k-dimensionalen euklidischen Raum R k, (k N gegeben). In Verallgemeinerung von Definition 1.8 definiert man die Borelsche Sigma-Algebra in R k wie folgt. Definition 1.15 (Borelsche Sigma-Algebra in R k ) Bezeichne I k das System aller links offenen und rechts abgeschlossenen achsen-parallelen Quader : } I k = ( a, b ] : a, b R k, a b, wobei für a = (a 1,..., a k ) R k und b = (b 1,..., b k ) R k definiert sei: a b : a i b i i = 1,..., k ; a < b : a i < b i i = 1,..., k ; und für a, b R k mit a b : ( a, b ] := x R k : a < x b } = k ( a i, b i ]. Die von I k in R k erzeugte Sigma-Algebra heißt die Borelsche Sigma-Algebra in R k, und wir bezeichnen sie mit B k Bemerkung: Andere Erzeuger von B k Es ist nicht schwer zu zeigen, dass jedes der folgenden Mengensysteme ebenfalls ein Erzeuger der Borelschen Sigma-Algebra B k ist.
11 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 11 (i) Das System aller abgeschlossenen nicht-degenerierten achsen-parallelen Quader: [ a, b ] : a, b R k, a < b }, wobei [ a, b ] : x R k : a x b } ; (ii) das System (iii) das System k (, b i ] : b = (b 1,..., b k ) R k} ; k } A i : A i B 1 i = 1,..., k ; (iv) das System aller offenen Teilmengen von R k ; (v) das System aller abgeschlossenen Teilmengen von R k ; (vi) das System aller kompakten Teilmengen von R k. Bemerkung:. Lebesgue-messbare Mengen (im Sinne der Analysis) Das System der Lebesgue-messbaren Teilmengen von R k, das in der Analysis eingeführt wurde, steht mit der Borelschen Sigma-Algebra in folgendem Zusammenhang (was aber nicht leicht zu sehen ist). (a) Wenn A R k eine Lebesgue-messbare Menge (im Sinne der Analysis) ist, dann gibt es eine Borelsche Menge B B k und eine Lebesgue-Nullmenge N R k, so dass A = B N. (b) Jede Borelsche Menge B B k mit endlichem äußeren Lebesgueschen Maß ist eine Lebesguemessbare Menge. Analog zum Fall der Dimension k = 1 lassen sich diskrete W-Verteilungen auf (R k, B k ) auf simple Weise gewinnen: Lemma 1.16 (Diskrete W-Verteilungen auf (R k, B k )) Sei M eine nicht-leere, abzählbare Teilmenge von R k, und sei P eine W-Verteilung auf ( M, P(M) ). Dann können wir P zu einer W-Verteilung P auf (R k, B k ) fortsetzen: P (A) := P (A M) A B k. Beispiel: Multinomial-Verteilung (s. Definition 1.7, Punkt (6)). Die Korrespondenz zwischen W-Verteilungen und Verteilungsfunktionen im Fall k = 1 (Theorem 1.12) lässt sich auf beliebige Dimension k 1 verallgemeinern, was hier aber nicht dargestellt werden soll (weil recht aufwändig). Als stetige W-Verteilungen auf (R k, B k ) seien hier nur die Lebesgue-stetigen W-Verteilungen genannt, die also eine Lebesgue-Dichte besitzen. Hier wird der Begriff des Lebesgue- Integrals der Analysis verwendet. Lemma 1.17 (W-Verteilung auf (R k, B k ) mit Lebesgue-Dichte) Sei f : R k [ 0, ) eine Lebesgue-integrierbare Funktion mit f dµ = 1. R k Dann ist durch P (A) := f dµ := f 1 A dµ A B k A R k eine W-Verteilung P auf (R k, B k ) gegeben. Man sagt: P besitzt die Lebesgue-Dichte f. Dabei bezeichnet 1 A die Indikatorfunkttion von A R k, d.h. 1 A (x) = 1, falls x A 0, falls x A c, x R k.
12 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 12 Von besonderem Interesse sind Lebesgue-Dichten, die aus k eindimensionalen Lebesgue-Dichten durch eine Produkt gewonnen werden: Lemma 1.18 (Produkt von k Lebesgue-stetigen W-Verteilungen auf (R, B 1 )) Seien f 1,..., f k mit f i : R [ 0, ) und f i (x) dx = 1, für alle i = 1,..., k. Bezeichne P i die W-Verteilung auf (R, B 1 ) mit Lebesgue-Dichte f i (s. Lemma 1.13), i = 1,..., k. Definiere: k f : R k [ 0, ), f(x) = f i (x i ) x = (x 1,..., x k ) R k. Dann erfüllt f die Bedingungen von Lemma 1.17; die W-Verteilung P auf (R k, B k ) mit der Lebesgue- Dichte f heißt das Produkt der W-Verteilungen P 1,..., P k, Abk.: P = k P i. Beispiel: Produkt von Normalverteilungen Seien P i = N(β i, σi 2) mit β i R, σ i ( 0, ), i = 1,..., k. Dann ist die Lebesgue-Dichte von P = k N(β i, σi 2 ) gemäß Lemma 1.18 gegeben durch: f(x) = k ( 1 exp ( (x i β i ) 2 ) ) ( k = (2π) k/2 σ i 2π 2σ 2 i σ 2 i ) 1/2 exp ( 1 2 k (x i β i ) 2 ). Unter Verwendung von etwas Matrix-Formalismus, wenn x als Spaltenvektor geschrieben ist und wir den (Spalten-)Vektor β = (β 1,..., β k ) t und die Diagonalmatrix D = diag ( σ1 2,..., k) σ2 einführen, können wir die Dichte f auch so schreiben: f(x) = (2π) k/2 ( det(d) ) ) 1/2 exp ( 1 2 (x β)t D 1 (x β). σ 2 i Allgemeiner definiert man eine k-dimensionale Normalverteilung (die nicht Produnkt von ein-dimensionalen Normalverteilungen sein muss) wie folgt. Definition 1.19 (k-dimensionale Normalverteilung) Seien β = (β 1,..., β k ) t R k und V eine positiv definite (reelle) k k Matrix (also V symmetrisch und a t V a > 0 für alle (Spalten-)Vektoren a R k \0} ). Die Normalverteilung N(β, V ) ist die W-Verteilung auf (R k, B k ) mit der Lebesgue-Dichte f(x) = (2π) k/2 ( det(v ) ) ) 1/2 exp ( 1 2 (x β)t V 1 (x β), x R k.
13 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen Zufallsvariablen In diesem Abschnitt gehen wir von einem W-Raum (Ω, C, P) und einem Messraum (M, A) aus. Definition 1.20 (Messbare Abbildung / Zufallsvariable) Eine Abbildung X : Ω M heißt messbar (bezgl. der Sigma-Algebren C und A), wenn gilt: X 1 (A) C A A. Dabei bezeichnet X 1 (A) für A M das Urbild von A unter der Abbildung X, d.h. Statt X 1 (A) schreiben wir auch X A}. X 1 (A) = ω Ω : X(ω) A }. Eine messbare Abbildung X : Ω M, (wobei (Ω, C, P) ein W-Raum und (M, A) ein Messraum sind), heißt eine Zufallsvariable (auf Ω mit Werten in M). Lemma 1.21 (Verteilung einer Zufallsvariablen) Sei X : Ω M eine Zufallsvariable. Definiere P X : A [ 0, 1 ] durch: P X (A) := P ( X 1 (A) ) A A. Dann ist P X eine W-Verteilung auf (M, A) ; sie heißt die Verteilung von X. Anmerkung: Andere gebräuchliche Bezeichnungen für P X sind X(P) und P X. Spezialfall: Diskrete Zufallsvariable Wenn M abzählbar ist und A = P(M), dann nennen wir eine Zufallsvariable X : Ω M diskrete Zufallsvariable. Ihre Verteilung ist durch ihre Zähldichte vollständig beschrieben: eine P X (x) = P(X = x) x M, wobei X = x} = ω Ω : X(ω) = x } und P(X = x) = P ( X = x} ). Bemerkung: Zufallsexperiment: Modellformulierung mit Zufallsvariablen Der W-Raum (M, A, P ) sei das Modell für ein Zufallsexperiment. Eine virtuell andere (aber äquivalente) Modellformulierung ist die folgende. Gegeben sei ein W-Raum (Ω, C, P) (der meistens nicht konkretisiert wird) und eine Zufallsvariable X : Ω M (die ebenfalls meistens nicht näher spezifiziert wird, außer ihrer Verteilung, s. unten). Ein Ergebnis x M des Zufallsexperiments wird als Wert der Zufallsvariablen X aufgefasst, (der Zufall wählt ein Element ω Ω und das Ergebnis des Zufallsexperiments ist dann x = X(ω)). Die Verteilung P X der Zufallsvariablen X ist geeignet festzulegen: P X = P. Effektiv ist wiederum der W-Raum (M, A, P ) das Modell für das Zufallsexperiment.
14 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 14 Lemma 1.22 (Komposition messbarer Abbildungen) Seien (Ω, C, P) ein W-Raum, (M, A) und (N, B) zwei Messräume und X : Ω M eine Zufallsvariable und T : M N eine messbare Abbildung (bezgl. der Sigma-Algebren A und B). Betrachte die Komposition T X : Ω N, (T X)(ω) = T ( X(ω) ) ω Ω. Dann ist T X eine Zufallsvariable (auf Ω mit Werten in N), und für ihre Verteilung gilt: P T X = ( P X) T. Definition 1.23 (Produkt-Sigma-Algebra) Seien n 2 Messräume (M i, A i ), i = 1,..., n, gegeben. Betrachte das cartesische Produkt M := n M i. Die Produkt-Sigma-Algebra A = n wird vom Mengensystem E := n A i A i } : A i A i, i = 1,..., n. ist die Sigma-Algebra in M, die erzeugt Beispiel: Diskrete Messräume Seien M i abzählbare Mengen und A i = P(M i ), i = 1,..., n. Man zeigt leicht: n P(M i ) = P(M), wobei M = n M i (ebenfalls eine abzählbare Menge). Beispiel: Borelsche Sigma-Algebren Seien (M i, A i ) = (R, B 1 ), i = 1,..., n. Man zeigt leicht: n B 1 = B n. Lemma 1.24 (Mehrere Zufallsvariablen, gemeinsame Verteilung) Seien (Ω, C, P) ein W-Raum, (M i, A i ) (i = 1,..., n) Messräume und X i : Ω M i (i = 1,..., n) Zufallsvariablen. Betrachte die Abbildung (X 1,..., X n ) : Ω M := n M i, (X 1,..., X n )(ω) := ( X 1 (ω),..., X n (ω) ) ω Ω. Dann ist (X 1,..., X n ) eine Zufallsvariable, d.h. messbar bezgl. der Sigma-Algebren C und A := n A i. Die Verteilung P (X 1,...,X n) von (X 1,..., X n ) wird die gemeinsame Verteilung der Zufallsvariablen X 1,..., X n genannt. Bemerkung: Gemeinsame Verteilung und Randverteilungen Der gemeinsame Verteilung P (X 1,...,X n ) bestimmt die Verteilungen P X i (i = 1,..., n) der einzelnen Zufallsvariablen (sog. Randverteilungen) eindeutig, denn: Betrachte die Projektionsabbildungen Π i : M M i, Π i (x 1,..., x n ) := x i (x 1,..., x n ) M, (i = 1,..., n). Man sieht leicht, dass Π i messbar ist (bezgl. der Sigma-Algebren A und A i. Wegen X i = Π i (X 1,..., X n ) gilt nach Lemma 1.22 : ( ) P X i = P Π i (X 1,...,X n ) = P (X Π 1,...,X n ) i, i = 1,..., n.
15 Kapitel 1: Wahrscheinlichkeitsräume und Zufallsvariablen 15 Das lässt sich auch einfacher sehen, z.b. für i = 1 haben wir für jedes A 1 A 1 : P X 1 (A 1 ) = P(X 1 A 1 ) = P ( (X 1,..., X n ) A 1 M 2... M n ) = P (X 1,...,X n) ( A 1 M 2... M n ). Umgekehrt aber bestimmen die Randverteilungen P X i (i = 1,..., n) i.a. nicht die gemeinsame Verteilung P (X 1,...,X n ). Wichtige Ausnahme: Der Fall, dass die Zufallsvariablen X 1,..., X n stochastisch unabhängig sind, (s. Kap. 2). Spezialfall: Diskrete Zufallsvariablen Seien X 1,..., X n diskrete Zufallsvariablen, d.h. M i ist abzählbar und A i = P(M i ) für alle i = 1,..., n. Dann ist (X 1,..., X n ) ebenfalls eine diskrete Zufallsvariable (da M = n M i abzählbar und A = n P(M i ) = P(M) ). Die gemeinsame Verteilung P (X 1,...,X n ) ist durch ihre Zähldichte vollständig beschrieben: P (X 1,...,X n) (x 1,..., x n ) = P ( X 1 = x 1, X 2 = x 2,..., X n = x n ) (x 1,..., x n ) M, wobei X 1 = x 1, X 2 = x 2,..., X n = x n } = ω Ω : X i (ω) = x i i = 1,..., n }. Die Zähldichten der Randverteilungen P X i erhält man durch die entsprechenden Randsummen der gemeinsamen Zähldichte, z.b. für i = 1 : P X 1 (x 1 ) = P (X1,X2,...,Xn) (x 1, x 2,..., x n ) x 1 M 1. x 2 M 2,..., x n M n
Einführung 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
Mehr1 Elemente der Wahrscheinlichkeitstheorie
H.-J. Starkloff Unendlichdimensionale Stochastik Kap. 01 11. Oktober 2010 1 1 Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
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.
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
MehrAngewandte Stochastik I
Angewandte Stochastik I Vorlesungsskript Prof. Dr. Evgeny Spodarev Ulm Sommersemester 2013 Vorwort Das vorliegende Skript der Vorlesung Angewandte Stochastik gibt eine Einführung in die Problemstellungen
MehrAllgemeine Wahrscheinlichkeitsräume
Kapitel 3 Allgemeine Wahrscheinlichkeitsräume 3. Einleitung Wir hatten schon bemerkt, dass der Begriff des diskreten Wahrscheinlichkeitsraums nicht ausreicht, um das unendliche Wiederholen eines Zufallsexperiments
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
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
MehrIm gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge
1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten
MehrBedingte Wahrscheinlichkeiten und Unabhängigkeit
Kapitel 5 Bedingte Wahrscheinlichkeiten und Unabhängigkeit Mitunter erhält man über das Ergebnis eines zufälligen Versuches Vorinformationen. Dann entsteht die Frage, wie sich für den Betrachter, den man
MehrZiel der Wahrscheinlichkeitsrechnung. Teil V. Wahrscheinlichkeitsrechnung. Experiment: Wurf eines Würfels
Ziel der Wahrscheinlicheitsrechnung Teil V Wahrscheinlicheitsrechnung Aussagen über Experimente und Prozesse mit unsicherem Ausgang. Beispiele Würfeln Literatur: Ziehen von Losen aus einer Urne Glücsspiele
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrDieser Begriff wurde von Jacob Bernoulli Ars conjectandi geprägt (1773), in dem das erste Gesetz der großen Zahlen bewiesen wurde.
10.1 Über den Begriff Stochastik Die Wahrscheinlichkeitsrechnung ist eine Teildisziplin von Stochastik. Dabei kommt das Wort Stochastik aus dem Griechischen : die Kunst des Vermutens (von Vermutung, Ahnung,
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
MehrGrundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
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
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrTopologische Räume und stetige Abbildungen Teil 2
TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des
MehrZufallsvariablen: Die allgemeine Definition
KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)
MehrLineare Algebra 1. Detlev W. Hoffmann. WS 2013/14, TU Dortmund
Lineare Algebra 1 Detlev W. Hoffmann WS 2013/14, TU Dortmund 1 Mengen und Zahlen 1.1 Mengen und Abbildungen Eine Menge ist eine Zusammenfassung wohlunterscheidbarer Objekte unserer Anschauung/unseres Denkens/unserer
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
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
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrFragenkatalog Kapitel 1 Fehleranalyse
Teil 1: Numerik katalog Kapitel 1 Fehleranalyse 1. Zwischen was besteht ein funktionaler Zusammenhang z i? Welche Form hat er? 2. Welche 4 Typen von Fehlerquellen gibt es? Nenne Beispiele! 3. Wie berechnet
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrÜbungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006
3.75. Angabe Übungsrunde 9, Gruppe 2 LVA 07.369, Übungsrunde 8, Gruppe 2, 2.2. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 2/2006 X sei eine stetige sg mit Dichte f(x), x R. Ermitteln Sie einen
MehrDer Abschluss D ist die Menge, die durch Hinzunahme der Intervallränder entsteht, in den obigen Beispielen also
Festlegung Definitionsbereich 11.1 Festlegung Definitionsbereich Festlegung: Wir betrachten Funktionen f : D Ñ R, deren Definitionsbereich eine endliche Vereinigung von Intervallen ist, also z.b. D ra,
Mehr1 Mengen. 1.1 Elementare Definitionen. Einige mathematische Konzepte
Einige mathematische Konzepte 1 Mengen 1.1 Elementare Definitionen Mengendefinition Die elementarsten mathematischen Objekte sind Mengen. Für unsere Zwecke ausreichend ist die ursprüngliche Mengendefinition
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr1 Eingebettete Untermannigfaltigkeiten des R d
$Id: unter.tex,v 1.2 2014/04/14 13:19:35 hk Exp hk $ 1 Eingebettete Untermannigfaltigkeiten des R d In diesem einleitenden Paragraphen wollen wir Untermannigfaltigkeiten des R d studieren, diese sind die
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester Lösungshinweise zum Klausurvorbereitungsblatt. (z) i f. 2xe (x2 +y 2) i2ye (x2 +y 2 ) 2
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6. MATHEMATIK Prof. Dr. Roland Speicher M.Sc. Tobias Mai Übungen zur Vorlesung Funktionentheorie Sommersemester 0 Lösungshinweise zum Klausurvorbereitungsblatt (3
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
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
Mehr19 Folgen. Grenzwerte. Stetigkeit
19 Folgen. Grenzwerte. Stetigkeit Jörn Loviscach Versionsstand: 27. Dezember 2014, 16:35 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen beim Ansehen der Videos: http://www.j3l7h.de/videos.html
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrSurjektive, injektive und bijektive Funktionen.
Kapitel 1: Aussagen, Mengen, Funktionen Surjektive, injektive und bijektive Funktionen. Definition. Sei f : M N eine Funktion. Dann heißt f surjektiv, falls die Gleichung f(x) = y für jedes y N mindestens
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
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.
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrDer Konsistenzsatz von Kolmogorov
Der Konsistenzsatz von Kolmogorov Im Rahmen der Theorie stochastischer Prozesse betrachten wir W-Maße auf unendlichen Produkträumen wie bspw. (R N, B N ) als Bildraum eines Prozesses (X t ) t N in diskreter
MehrWirtschaftsstatistik I [E1]
040571-1 WMS: Wirtschaftsstatistik 1 :: WiSe07/08 Wirtschaftsstatistik I [E1] Schwab, Harald 1 harald.schwab@univie.ac.at http://homepage.univie.ac.at/harald.schwab October 7, 2007 1 Sprechstunde: MO 17-18h
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.
Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen
MehrKapitel 5. Stetige Funktionen 5.1. Stetigkeit
Kapitel 5. Stetige Funktionen 5.1. Stetigkeit Reelle Zahlen sind ideale Objekte, die es uns ermöglichen, eine transparente und leistungsfähige Theorie aufzubauen. Ein Computer kann jedoch nur mit Approximationen
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehr3 Vom Zählen zur Induktion
7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
MehrTabellarische und graphie Darstellung von univariaten Daten
Part I Wrums 1 Motivation und Einleitung Motivation Satz von Bayes Übersetzten mit Paralleltext Merkmale und Datentypen Skalentypen Norminal Ordinal Intervall Verältnis Merkmalstyp Diskret Stetig Tabellarische
Mehr3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba.
Die Eindeutigkeit nach Satz 3 ergibt schließlich (5). (6) folgt aus (2) und () wegen Aussage (7) ergibt sich aus () und (6). 0 = log b = log b ( a a) = log b a +log ba. 3 Reihen 3. Konvergenz und Divergenz
MehrCaputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
MehrStetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
MehrHalbgruppen, Gruppen, Ringe
Halbgruppen-1 Elementare Zahlentheorie Einige Bezeichnungen Halbgruppen, Gruppen, Ringe Die Menge N 0 der natürlichen Zahlen 0, 1, 2, Die Menge N = N 1 der von Null verschiedenen natürlichen Zahlen Die
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
Mehrlim Der Zwischenwertsatz besagt folgendes:
2.3. Grenzwerte von Funktionen und Stetigkeit 35 Wir stellen nun die wichtigsten Sätze über stetige Funktionen auf abgeschlossenen Intervallen zusammen. Wenn man sagt, eine Funktion f:[a,b] R, definiert
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrGrundlagen der Mengenlehre
mathe plus Grundlagen der Mengenlehre Seite 1 1 Grundbegriffe Grundlagen der Mengenlehre Def 1 Mengenbegriff nach Georg Cantor (1845-1918) Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrLösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
MehrKap 1: VEKTORRÄUME. (c) (λµ) v = λ (µ v) (b) λ (v + w) = (λ v) + (λ w) (d) 1 v = v
Kap 1: VEKTORRÄUME Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung ϕ : I X, i ϕ(i) = x i, wobei die Menge I in diesem Zusammenhang auch Indexmenge genannt wird. Man schreibt vereinfacht
MehrPunktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm
Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener
MehrEine Menge A ist die Zusammenfassung gleichartiger Elemente zu einer Gesamtheit. Eine Menge kann definiert werden durch
1.2 Mengenlehre Grundlagen der Mathematik 1 1.2 Mengenlehre Definition: Menge, Element, Variablenraum Eine Menge A ist die Zusammenfassung gleichartiger Elemente zu einer Gesamtheit. Eine Menge kann definiert
MehrMathematische Grundlagen der Computerlinguistik
Mengen und Mengenoperationen (Teil II) Centrum für Informations- und Sprachverarbeitung (CIS) 2. Juni 2014 Table of Contents 1 2 3 Definition Mengenfamilie Eine Menge, deren sämtliche Elemente selbst wiederum
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
Mehr2 Mengen und Abbildungen
2.1 Mengen Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen. Die Objekte heiÿen Elemente. Ist M eine Menge und x ein Element von M so schreiben wir x M. Wir sagen auch:
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
MehrMengen und Abbildungen
Mengen und Abbildungen Der Mengenbegriff Durchschnitt, Vereinigung, Differenzmenge Kartesisches Produkt Abbildungen Prinzip der kleinsten natürlichen Zahl Vollständige Induktion Mengen und Abbildungen
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
Mehr3. Relationen Erläuterungen und Schreibweisen
3. Relationen Eine Relation ist allgemein eine Beziehung, die zwischen Dingen bestehen kann. Relationen im Sinne der Mathematik sind ausschließlich diejenigen Beziehungen, bei denen stets klar ist, ob
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
Mehr1 1. Übung. Einleitung. 1.1 Urnenmodelle. 1.2 Beispiele. 1.3 Aufgaben
Einleitung Dieses sind die kompletten Präsenzaufgaben, die bei der Übung zur Vorlesung Einführung in die Stochastik im Sommersemester 2007 gerechnet wurden. Bei Rückfragen und Anmerkungen bitte an brune(at)upb.de
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrÜbungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten
MehrVorlesung Einführung in die Wahrscheinlichkeit
Vorlesung Einführung in die Wahrscheinlichkeit Prof. C. Mazza Wintersemester 007/008 Literatur W. Feller, An introduction to probability theory and some of its applications I Wiley 1968. K.L. Chung, Elementary
Mehr11 Stochastisches Integral und Itô-Formel
11 Stochastisches Integral und Itô-Formel Im diskreten Finanzmodell bei selbstfinanzierender Strategie ϑ = {ϑ n n=,...,n mit Anfangswert V gilt : Ṽ n ϑ = V + n ϑ T j S j. j=1 Dieser diskontierte Wertprozess
MehrKapitel 10. Bayes sche Verfahren Einführung Das Theorem von Bayes
Kapitel 10 Bayes sche Verfahren 10.1 Einführung Alle bislang besprochenen Konzepte und Methoden (einschließlich der Grundstudiumsinhalte), können unter der Überschrift Klassische Methoden eingeordnet werden.
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrWenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe. a 0 + a 1 + a 2 +
8 Reihen 38 8 Reihen Wenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe a 0 + a + a 2 + zu bilden. Wir wollen nun erklären, was wir darunter verstehen wollen. Zunächst kann man die
Mehr