Simulation mit der Monte Carlo-Methode
|
|
- Kirsten Schneider
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung: Rechnernutzung in der Physik Simulation mit der Monte Carlo-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Teilchenphysik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft WS 17/18
2 Organisatorisches Bitte melden Sie sich im Studierendenportal zur Veranstaltung Rechnernutzung in der Physik an!
3 Zusammenfassung: Bedeutung der MC-Methode Die Monte-Carlo-Methode (auch MC-Simulation ) - abgeleitet vom Namen der durch ihr Spielkasino berühmten Stadt Monte Carlo - ist eine auf (Pseudo-)Zufallszahlen basierende numerische Methode zur Integration in hochdimensionalen Räumen Bestimmung der Eigenschaften von Verteilungen von Zufallszahlen (z.b. von Messgrößen in Experimenten) Nachbildung von komplexen Prozessen (z.b. in Thermodynamik, Wirtschaft oder von experimentellen Apparaturen, u.v.a.) Grundsätzliche Vorgehensweise: I. II. Erzeuge Folge von Zufallszahlen r1, r2,, rm, gleichverteilt in ]0,1]. Transformiere diese zur Erzeugung einer anderen Sequenz x1, x2,, xn, die einer Verteilungsdichte f(x) folgen (Anm.: xi können auch Vektoren sein!) III. Aus den xi werden dann Eigenschaften von f(x) bestimmt Vorteil: einfache Operationen mit den xi ersetzen sehr viel komplexere Operationen auf den Verteilungsdichten
4 Übersicht Grundsätzliches zur MC-Methode MC als Integrationsverfahren Zufallszahlen aus dem Computer heute: Zufallszahlen mit beliebiger Verteilungsdichte Anwendungsbeispiele
5 Erzeugung von Zufallszahlen mit beliebiger Verteilungsdichte
6 Funktionen von Zufallszahlen Computerexperiment: Häufigkeitsverteilung von... r = np.random.rand(10000) t = -np.log(1-r) plt.hist(t, 30, normed=1) plt.show() Wir erhalten exponentiell verteilte Zufallszahlen t! Erklärung: Erhalt der Wahrscheinlichkeit Regel für die Transformation von Verteilungsdichten Anm.: t=log(r) statt t=log(1-r) ergibt identisches Ergebnis (warum?)
7 Funktionen von Zufallszahlen allgemein Wahrscheinlichkeitsdichte von x multipliziert mit dem Betrag der Ableitung der Inversen Funktion a-1(u) Für mehrdimensionale Wahrscheinlichkeitsdichten wird zur Jacobi-Determinante: Ganz analog zur Transformation von Volumenelementen bei mehrdimensionalen Integralen
8 Transformationsmethode zur Erzeugung von Zufallszahlen Den Zusammenhang zwischen der ursprünglichen Verteilungsdichte f(r) und derjenigen einer Transformation t(r) können wir ausnutzen, um beliebig verteilte Zufallszahlen zu erzeugen: Welche Transformation t(r) liefert g(t)? Die gesuchte Transformation ist die Inverse der Verteilungsfunktion G von g Anm: Das Verfahren ist nur dann (effizient) praktikabel, wenn die gesuchte Verteilungsdichte integrierbar und das Integral invertierbar ist!
9 Beispiele Transformationsmethode Dreieck-Verteilung Exponentialverteilung Breit-Wigner-Verteilung Log-Weibull -Verteilung Paar von Gauß-verteilten Zahlen Anm.: 1-r kann durch r ersetzt werden
10 Erzeugung diskreter Verteilungen Das gezeigte Verfahren funktioniert auch für diskrete Verteilungen Beispiel Poisson-Verteilung Durch Summation aller Bins der diskreten Verteilung erhält man die Verteilungsfunktion, repräsentiert als eindimensionales Feld S(j) Eine Zufallszahl ri wird demjenigen Bin j zugeordnet, das dem kleinsten der S(j) mit ri >S(j) entspricht
11 Verteilungen aus Histogrammen Allgemein kann die Transformationsmethode auch zur Erzeugung von Zufallszahlenverteilungen aus vorgegebenen Histogrammen verwendet werden: gleichverteilte Zufallszahl ri bestimmt das Bin k Der Rest ri - S(k-1) kann zur Interpolation innerhalb des Bins verwendet werden Auch für mehr-dimensionale Verteilungen: bilde für jedes i: Randverteilung gi = hij (also Projektion von hij in j) berechne Summenverteilungen über j generiere i und dann für gegebenes i eine Bin-Nummer j Quelle: Wikipedia
12 von Neumann'sches Rückweisungsverfahren Ein allgemein anwendbares, aber nicht immer effizientes Verfahren geht so: Beispiel: Kreisbogen als Verteilungsdichte f(x) y=f(x) xmax x xmin - Verteilungsdichte wird in Rechteck ( Box ) eingeschlossen - erzeuge gleichförmig in der Box verteilte Paare von Zufallszahlen (xi, yi) - x-werte aus Paaren mit y < f(x) werden akzeptiert ( mit einer Wahrscheinlichkeit f(x) / fmax ) Die Häufigkeitsverteilung der akzeptierten x-werte folgt der gewünschten Verteilung Anm: Im gezeigten Beispiel funktioniert das Verfahren effizient; Wenn die Verteilung steil abfällt und Werte für x benötigt werden, kann die Zahl der verworfenen Zufallszahlen unakzeptabel groß werden.
13 Anwendungsbeispiel: 2d-Verteilung aus Bild Auch aus Histogrammen lassen sich Stichproben erzeugen, die gemäß der vorgegebenen Häufigkeit verteilt sind. Hier ein Beispiel, bei dem die Wahrscheinlichkeit der Helligkeit eines Pixels in einem Bild entspricht:... #open an image img=image.open('image.jpeg') # img.show() print "image size:", img.size[0], img.size[1] pix=img.load() def rand_fromimage(): # return pixel coordinate with a probability # proportional to brightness of the pixel r0=np.random.uniform() r1=np.random.uniform() i=int(img.size[0] * r0-0.5) j=img.size[1] -1 int(img.size[1] * r1-0.5) r,g,b = pix[i,j] # brightness of pixel if(3*255*np.random.uniform() > r+b+g): return r0, r1... Rückweisungs-Schritt Script Distribution-fromImage.py
14 Majoranten-Verfahren (engl. Importance Sampling) Verbesserte Wegwerfmethode: Wenn eine Funktion m(x) mit m(x) > f(x) für alle x existiert und x=m-1(r) hinreichend leicht bestimmbar ist (d.h.stammfunktion von m ist invertierbar) -1 generiere xi=m (r2i) und eine weitere Zufallszahl r2i+1 [0,1] akzeptiere xi, wenn r2i+1 m(x) < f(x) ist (für jeden Wert von x wird ein Bruchteil (m(x) -f(x) ) / f(x) an x-werten verworfen) Die akzeptierten Werte von x sind gemäß f(x) verteilt. Beispiel: mit Hilfe von zwei Majoranten kann ein Planck'sches Strahlungsspektrum effizient erzeugt werden.
15 Verfahren zur Varianzreduktion Subtraktion eines analytisch lösbaren Funktionsanteils f(x) Stratified Sampling ( geschichtete Stichprobe) Hohe (niedrige) Ereignisrate in Bereichen von hohem (niedrigem) Interesse (z.b. in der Nähe von Singularitäten und in Ausläufern) Integration für eine leicht modifizierte Funktion gm ( x i) Verwende Gewichte zur Berechnung Wird in der Teilchenphysik extrem häufig verwendet, z.b. Abschätzung der Auswirkung systematischer Unsicherheiten auf das Endergebnis Funktioniert auch mit negativen Gewichten
16 Beispiel gaußverteilte Zufallszahlen Problem: exp(-x2) dx nur numerisch bestimmbar ( in C, C++ über die Funktion verfügbar) Gauß-Funktion in 2 Dimensionen in Polarkoordinaten analytisch integrierbar: Gleichverteiung in Φ, Radialverteilung integrierbar mit r dr = ½ dr2 Verteilungsfunktion des Radialteils lässt sich nach r auflösen d.h. können Transformationsmethode anwenden! => Erzeuge zwei gleichverteilte Zufallszahlen u1, u2 ]0,1], setze x1= (-2ln u1) cos(2π u2) x2= (-2ln u1) sin(2π u2), x1 und x2 sind standardnormalverteilt
17 Effizienteres Verfahren (s. V. Blobel) (Beispiel für die Kombination aus Transformations- und Rückweisungsverfahren) Trigonometrische Funktionen sind numerisch aufwändig, ein etwas effizienteres Verfahren geht so: 1. erzeuge zwei gleichverteilte Zufallszahlen u1, u2 [0,1[ setze v1:= 2u1-1, v2 := 2u v2=v12 + v22 3. falls v2 1 gehe zu 1 (Rückweisungsschritt) (akzeptierte Werte von v1, v2 gleichverteilt innerhalb des Einheitskreises) 4. z1= v1 (-2 ln(v2) /v2 ) z2= v2 (-2 ln(v2) / v2 ) z1 und z2 sind dann unabhängig voneinander standard-normalverteilt Normalverteilte Zufallszahlen mit Erwartungwert μ und Standardabweichung σ erhält man durch die Transformation x = σ z + μ
18 Erzeugung korrelierter, gaußverteilter Zufallszahlen Gaußverteilung in n Dimensionen: x0: V: n Erwartungswerte Kovarianz-Matrix mit (n2+n)/2 unabhängigen Parametern V =det V ist die Determinante von V Sei B = V-1, schreibe B als Produkt aus Dreiecksmatrizen: B = DT D ( Cholesky-Zerlegung ) Setzte dann => Das ist die Verteilung von n unkorrelierten, Gauß-verteilten Zufallszahlen u Damit ist die Vorgehensweise klar: 1. würfle n unabhängige Gauß-verteilte Zufallszahlen u 2. transformiere Vektor u:
19 Korrelierte gaußverteilte Zufallszahlen in 2 Dimensionen Daraus ergibt sich für die Erzeugung von zwei korrelierten Zufallszahlen x1, x2 mit - Erwartungswerten μ1, μ2 - Standardabweichungen σ1, σ2 und - Korrelation ρ Details s. z.b. Blobel / Lohrmann Darstellung eines 2d-Histogramms, gefüllt mit 75% korrelierten, standard-normalverteilten Zufallszahlen ( s. Beispiel rangauss2d.c bzw. rangauss2d-pyroot.py )
20 besondere MC-Methode: Bootstrapping Gesucht: Funktionen T( {xi } ) einer Stichprobe {xi } Für T = Mittelwert oder T = Varianz gibt es allg. Formeln. Für Median, Quantile, Ergebnis einer Parameteranpassung etc. gibt gibt es allerdings keine allg. analytischen Formeln. Ausweg Toy-MC : Ziehen vieler vergleichbarer Stichproben k aus angenommener Verteilung der Grundgesamtheit jeweils Tk bestimmen, Varianz von T aus Varianz der Tk.??? Bestimmung der statistischen Unsicherheit von T bei unbekannter Verteilungsdichte??? Sich an den Schuhriemen (oder, wie Münchhausen) an den eigenen Haaren aus dem Sumpf ziehen Bootstrapping (B. Efron, 1979)
21 Bootstrapping Idee: Verwende neu gemischte Versionen der beobachteten Stichprobe statt einer angenommenen Verteilungsdichte der Grundgesamtheit! Bootstrapping ist eine Resampling-Methode Ziehen vieler Stichproben aus der beobachteten Stichprobe mit Zurücklegen manche Werte der ursprünglichen Stichprobe kommen gar nicht vor, andere mehrmals das ist genau so gewollt! Die Methode besteht also darin, weitere Stichproben zu gewinnen, die so aussehen, wie die Daten auch hätten aussehen können! Damit können statistische Unsicherheiten ohne Zusatzannahmen aus den beobachten Daten bestimmt werden. Beispiele solcher zweifelhaften Zusatzannahmen: - Punkteverteilung bei Prüfungen ist gaußverteilt - Klausurnoten sind gaußverteilt - Zahl der Beobachtungen eines seltenen Phänomens ist so groß, dass von einer Gaußverteilung ausgegangen werden kann. - Gauß ist immer gut, wenn man sonst nichts weiß Hauptanwendung: Parameterfreie Hypothesentests in Wirtschafts- und Sozialwissenschaften
22 Beispiel Bootstrapping 1 6 Origialdaten Beispiel einer neu erzeugten Bootstrap-Probe ein weiteres Beispiel auch möglich, aber extrem selten Bei geringem Stichprobenumfang könnte man alle möglichen Kombinationen untersuchen, Bei großen Stichproben wählt man eine sehr große Anzahl zufällig ausgewählter neuer Proben durch Ziehen mit Zurücklegen aus den Originaldaten
23 Beispiel Bootstrapping in python Bootstrapping ist sehr einfach zu realisieren: Original-Stichprobe {xi }, i =1,, l der Länge l : ziehe zufällig l Indizes k ϵ { 1,, l } { xk } ist weitere Stichprobe typischerweise werden einige Tausend solcher Resamplings erzeugt und statistisch ausgewertet. python: t_bs = numpy.random.choice(t, size=n) erzeugt aus der beobachteten Strichprobe t durch Ziehen mit Zurücklegen ( resampling with replacement ) eine neue Stichprobenvariante
24 Bootstrapping am Beispiel bootstrapillu.py Beispiel von eben: fünf aus der vorderen Stichprobe durch Resampling gewonnene Varianten der Stichprobe Problem: Ausläufer der Verteilung sind meist unterrepräsentiert!
25 Beispiel: Konfidenzintervalle für Mittelwert Beispiel: 30 gaußverteilte Zahlen Bootstrap-Samples Vergleich: Bootstrap-Verteilung mit Gauß-Verteilung um den Mittelwert der Orignaldaten bootstrap.py Fazit: Bootstrapping reproduziert das mit der klassischen Methode bestimmte Konfidenzintervall μ ± 1 σ (68%).
26 Zufallszahlen per Software
27 Zufallszahlen in python Das Paket numpy.random stellt zahlreiche Verteilungsdichten zur Verfügung, hier eine Auswahl: binomial(n, p[, size]) chisquare(df[, size]) exponential([scale, size]) lognormal([mean, sigma, size]) multinomial(n, pvals[, size]) multivariate_normal(mean, cov[, size]) normal([loc, scale, size]) poisson([lam, size]) power(a[, size]) standard_cauchy([size]) standard_exponential([size]) standard_normal([size]) standard_t(df[, size]) triangular(left, mode, right[, size]) uniform([low, high, size])
28 Zufallszahlen in Root Root-Klasse TRandom zur Erzeugung von Zufallszahlen einfacher, linear kongruenter Generator mit Periodenlänge 109 schnell niedrigste Bits nicht unkorreliert! Daher nicht in statistischen Studien verwenden! Statt dessen TRandom1 ( RANLUX-Algorithmus, Periodenlänge ~10171, langsam) TRandom2 ( Periodenlänge ~1025, schnell) TRandom3 ( Mersenne-Twister Alg., Periodenlänge ~10600, akzeptabel schnell) verwenden! Methoden liefern Zufallszahlen gemäß Exp(tau) Integer(imax) Gaus(mean,sigma) Rndm() Uniform(x1) Landau(mpv,sigma) Poisson(mean) Binomial(ntot,prob) und viele mehr
29 Zufallszahlen in Root (2) Methode SetSeed(UInt_t seed=0) zur Initialisierung seed=0: Systemuhr zur Initialisierung (jede Zahlenfolge anders) seed!=0: feste Zahlenfolge, abhängig vom Wert von seed Globaler Zeiger TRandom *grandom in Root initialisiert Sehr nützlich, um immer die gleiche Folge von Zufallszahlen innherhalb eines Root-Programms zu verwenden. // TRandom durch TRandom3 ersetzen delete grandom; grandom = new TRandom3(seed); Man kann auch auch einen eigenen (lokalen) Generator initialisieren: TRandom3 *myrandom=new TRandom3(seed);
30 Zufallszahlen in Root (3) Root-Klassen enthalten bequeme Möglichkeit, Zufallszahlen zu erzeugen, die gemäß einer FunktionTF1, TF2 oder einem Histogramm TH1, TH2 verteilt sind: Methoden GetRandom() für TH1, TF1 GetRandom2() für TH2, TF2 GetRandom3() für TH3, TF2 Achtung: für Funktionen TFi werden die Zufallszahlen ebenfalls über Histogramme mit einer Anzahl von Punkten fnpx erzeugt.
31
Simulation mit der Monte-Carlo-Methode
Rechnernutzung in der Physik Simulation mit der Monte-Carlo-Methode - Grundsätzliches - gleichverteilte (Pseudo-)Zufallszahlen - Verfahren zur Erzeugung beliebiger Verteilungen - Beispiele 1 Grundsätzliches
Monte 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
Grundlagen der Monte-Carlo-Methode
Probieren geht über studieren Institut für experimentelle Kernphysik Karlsruher Institut für Technologie 16. November 2009 Übersicht Definitionen und Motivation 1 Definitionen und Motivation Typische Problemstellung
Monte 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
1.1.1 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............
Einführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
Monte-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
ETWR 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
Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren
Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Michael Unrau HS WS 08/09 14 November 2008 HS 08/09 Monte-Carlo Methoden 14 November 2008 1 / 24
Kapitel 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
Bachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
Anleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
4. 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
I. 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........................
8. 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
Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
Operations Research (OR) II
Operations Research (OR) II Fortgeschrittene Methoden der Wirtschaftsinformatik 27. Juni 2007 Michael H. Breitner, Hans-Jörg von Mettenheim und Frank Köller 27.06.2007 # 1 Stochastische Inputgrößen Stochastische
Monte Carlo Simulationen
Monte Carlo Simulationen Zahlreiche Vorgänge in der Natur werden durch stochastische Prozesse bestimmt. Beispiele: Diffusion Spin-Spin-Wechselwirkung (Magnetisierung eines Ferromagneten, Ising-Modell)
Übungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
Simulationsmethoden in der Bayes-Statistik
Simulationsmethoden in der Bayes-Statistik Hansruedi Künsch Seminar für Statistik, ETH Zürich 6. Juni 2012 Inhalt Warum Simulation? Modellspezifikation Markovketten Monte Carlo Simulation im Raum der Sprungfunktionen
Statistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
Statistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
Mathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
diskrete und kontinuierliche Verteilungen
Vorlesung: Computergestützte Datenauswertung Wahrscheinlichkeit, Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik diskrete und kontinuierliche Verteilungen SS '16 KIT Die Forschungsuniversität
Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
K8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
Kenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
2.1 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
Stochastik 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
1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
Hydrologie und Flussgebietsmanagement
Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik
Medizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen
Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011
Computational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
Zufallsauswahl mit R
Zufallsauswahl mit R Wie in der Vorlesung erwähnt, werden Zufallsstichproben mit Hilfe eines Computers erzeugt. In R kann der Befehl sample() verwendet werden, um aus einer Grundgesamtheit zufällige Elemente
Statistik. 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
Univariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
Eine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
Grundlegende 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
Melanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
Modellbildung und Simulation
Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das
Practical Numerical Training UKNum
Practical Numerical Training UKNum Zufallszahlen, Monte Carlo Methoden PD. Dr. C. Mordasini Max Planck Institute for Astronomy, Heidelberg Programm: 1) Zufallszahlen 2) Transformations Methode 3) Monte
Füllmenge. 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
Kapitel 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
Zufallsgröße. 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
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
Übungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
Simulation 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
Keine Panik vor Statistik!
Markus Oestreich I Oliver Romberg Keine Panik vor Statistik! Erfolg und Spaß im Horrorfach nichttechnischer Studiengänge STUDIUM 11 VIEWEG+ TEUBNER Inhaltsverzeichnis 1 Erstmal locker bleiben: Es längt
MA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring
Über den Autor 7. Teil Beschreibende Statistik 29
Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:
Statistik - Fehlerrechnung - Auswertung von Messungen
2013-11-13 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL I Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Literatur Eindimensionaler Fall: Grundbegriffe Wahrscheinlichkeitsverteilungen:
Wahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik von Karl Mosler, Friedrich Schmid Neuausgabe Wahrscheinlichkeitsrechnung und schließende Statistik Mosler / Schmid schnell und portofrei
F7: Statistik und Radioaktivität
Grundpraktikum F7: Statistik und Radioaktivität Autor: Partner: Versuchsdatum: Versuchsplatz: Abgabedatum: Inhaltsverzeichnis 1 Physikalische Grundlagen und Aufgabenstellung 2 2 Messwerte und Auswertung
Prüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014
Prüfungstutorat: Angewandte Methoden der Politikwissenschaft Polito Seminar Carl Schweinitz 10.12.2014 Übersicht 1. Einheiten und Variablen 2. Skalen und ihre Transformation 3. Deskriptive Statistik 4.
Webinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
Übungsrunde 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
Forschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
Quantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
Die 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
Jost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
Zufallszahlen in AntBrain
Zufallszahlen SEP 291 Zufallszahlen in AntBrain Spezifikation, Teil II: Zum Beispiel könnte ein Objekt vom Typ Match die Spielfelder nach jeweils 1000 Spielrunden speichern; bei einer Anfrage nach den
Spezielle 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
Monte 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
b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
Chi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
6. 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,
Hochschule Bremerhaven Medizintechnik Mathcad Kapitel 6
6. Diagramme mit Mathcad In diesem Kapitel geht es um andere, als X Y Diagramme. 6.. Kreisdiagramme. Schritt: Die darzustellende Funktion muß zunächst als Funktion definiert werden, zum Beispiel f(x):=
Seminar Quantitatives Risikomanagement
Seminar Quantitatives Risikomanagement Kreditrisikomanagement II Fabian Wunderlich Mathematisches Institut der Universität zu Köln Sommersemester 2009 Betreuung: Prof. Schmidli, J. Eisenberg Contents 1
Tabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
Von der Normalverteilung zu z-werten und Konfidenzintervallen
Von der Normalverteilung zu z-werten und Konfidenzintervallen Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH
9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Hauptseminar. Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit. Robert John 2.11.2011
Hauptseminar Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit Robert John 1 Inhalt Herkunft Stochastische Schätzung Monte-Carlo-Methode Varianzreduktion Zufallszahlen Anwendungsgebiete
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
Stetige Wahrscheinlichkeitsverteilung
Stetige Wahrscheinlichkeitsverteilung Stetige Wahrscheinlichkeitsverteilung Gaußsche Normalverteilung [7] S.77 [6] S.7 ORIGIN µ : Mittelwert σ : Streuung :, 9.. Zufallsvariable, Zufallsgröße oder stochastische
Statistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
Vorlesung Wirtschaftsstatistik 2 (FK ) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren. Dipl.-Ing.
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Wiederholungen deskriptive Statistik und Einleitung Normalverteilungsverfahren Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Vorlesungsinhalte Wiederholung:
Muster für einen Studienbericht (in Auszügen) im Fach Mathematik LK
Muster für einen Studienbericht (in Auszügen) im Fach Mathematik LK Name: Zur Vorbereitung verwendetes Hilfsmittel GTR (Modell und Typbezeichnung sind vom Bewerber anzugeben. ) (Modell und Typ sind mit
Biostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
Normalverteilung und Dichtefunktionen
Normalverteilung und Dichtefunktionen Ac Einführung der Normalverteilung als Approximationsfunktion der Binomialverteilung Da die Binomialverteilung für große n das Aussehen einer Glockenkurve besitzt
9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Statistik-Übungsaufgaben
Statistik-Übungsaufgaben 1) Bei der Produktion eine Massenartikels sind erfahrungsgemäß 20 % aller gefertigten Erzeugnisse unbrauchbar. Es wird eine Stichprobe vom Umfang n =1000 entnommen. Wie groß ist
Adaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170 e 500 e 443 e 608 e. Zeichnen Sie das Box-Plot. Sind in dieser Stichprobe Ausreißer vorhanden?
1. Aufgabe: Eine Bank will die jährliche Sparleistung eines bestimmten Kundenkreises untersuchen. Eine Stichprobe von 12 Kunden ergab folgende Werte: 825 e 290 e 542 e 945 e 528 e 486 e 675 e 618 e 170
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
Zeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
Einführung in Statistik und Messwertanalyse für Physiker
Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1
Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
R ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
Korrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
Übungsrunde 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
Stetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
Stochastische 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)