Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
|
|
- Gerrit Vogel
- vor 6 Jahren
- Abrufe
Transkript
1 Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen Diskrete Zufallsvariablen Stetige Zufallsvariablen Erwartungswert 8 5 Varianz 10 6 Höhere Momente 10 7 Bivariate Wahrscheinlichkeitsrechnung Diskrete Zufallsvariablen Stetige Zufallsvariablen Unabhängige Zufallsvariablen Erwartungswert Kovarianz und Korrelationskoeffizient Wichtige Verteilungen Diskrete Verteilungen Stetige Verteilungen Tabellen zur Standardnormalverteilung Evelina Erlacher 1 WS 2016
2 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben wir: := {} leere Menge x A x ist ein Element von A x / A x ist kein Element von A A := Anzahl der Elemente in A Kardinalität von A A B : (x A x B) A ist eine Teilmenge von B B A (: A B) B ist eine Obermenge von A A B : (A B A B) B A (: A B) A ist eine echte Teilmenge von B B ist eine echte Obermenge von A P(A) := Menge aller Teilmengen von A Potenzmenge von A [a, b] := {x R a x b} abgeschlossenes Intervall von a bis b (a, b) := {x R a < x < b} offenes Intervall von a bis b (a, ) := {x R a < x} und [a, ) := {x R a x} (, b) := {x R x < b} und (, b] := {x R x b} Mengenoperatoren (1): Es seien A, B Teilmengen von Ω. Dann definieren wir: A B := {x Ω x A x B} Vereinigung von A und B A B := {x Ω x A x B} Durchschnitt von A und B A\B := {x Ω x A x / B} Differenz von A und B, A ohne B A c := {x Ω x / A} = Ω\A Komplement von A (in Ω) Mengenoperatoren (2): Es sei I eine Indexmenge. Für i I sei A i eine Teilmenge von Ω. Dann schreiben wir: k i=1 A i := A 1 A 2... A k = {x Ω i : x A i } k i=1 A i := A 1 A 2... A k = {x Ω i : x A i } i I A i := {x Ω i I : x A i } i I A i := {x Ω i I : x A i }. Evelina Erlacher 2 WS 2016
3 Es gelten (unter anderen) die folgenen Gesetze: A B = B A, A B = B A Kommutativgesetz (A B) C = A (B C), (A B) C = A (B C) Assoziativgesetz A (B C) = (A B) (A C), A (B C) = (A B) (A C) Distributivgesetz i I Ac i = ( i I A ) c, i i I Ac i = ( i I A c i) Gesetz von de Morgan Weiters gilt: A B A A B A\B = A B c A B A B A, B endlich, A B = A B = A + B P(A) = 2 A Definition (disjunkt): Zwei Mengen A und B heißen disjunkt, wenn A B = gilt. Eine Mengenfamilie (A i ) i I heißt paarweise disjunkt, wenn A i A j = für i j gilt. Definition (Partition): Eine Mengenfamilie (A i ) i I paarweise disjunkt ist und Ω = i I A i gilt. heißt Partition von Ω, wenn sie 2 Wahrscheinlichkeiten Es sei Ω eine Menge und der Ereignisraum (=Ergebnisraum) eines Zufallsexperiments. Ereignisse sind (gewisse) Teilmengen von Ω. Ereignisse der Form {ω} (mit ω Ω) heißen Elementarereignisse. Definition (Wahrscheinlichkeit): Es sei A ein Ereignis. Eine Funktion P : A P (A) mit den Eigenschaften (P1) P (A) [0, 1] (P2) P (Ω) = 1 (P3) A 1, A 2, A 3... paarweise disjunkt P ( i=1 A i) = i=1 P (A i) Evelina Erlacher 3 WS 2016
4 heißt Wahrscheinlichkeit auf Ω. Die Eigenschaften (P1), (P2) und (P3) werden auch als die Axiome von Kolmogorov bezeichnet. Aus dieser Definition leiten sich weitere Eigenschaften von P ab: (P-i) P ( ) = 0 (P-ii) Spezialfall von (P3): A B = P (A B) = P (A) + P (B) (P-iii) Gegenwahrscheinlichkeit: P (A c ) = 1 P (A) (P-iv) Siebformel: P (A B) = P (A) + P (B) P (A B) (P-v) Monotonie: A B P (A) P (B) (P-vi) A B P (B\A) = P (B) P (A) (P-vii) P (B\A) = P (B) P (A B) Laplace sche Wahrscheinlichkeit: Sind alle Elementarereignisse gleich wahrscheinlich, so kann die Wahrscheinlichkeit eines beliebigen Ereignisses A nach der Formel berechnet werden. P (A) = A Ω Definition (bedingte Wahrscheinlichkeit): Es seien A und B Ereignisse mit P (B) > 0. Dann heißt die durch P (A B) P (A B) := P (B) definierte Zahl P (A B) die bedingte Wahrscheinlichkeit von A unter der Bedingung B. Mit dieser Definition gelten die folgenden Sätze: Satz von Bayes: Es seien A und B Ereignisse mit positiver Wahrscheinlichkeit. Dann gilt P (B A)(P (A) P (A B) =. P (B) Satz (Produktformel): Es seien A 1,..., A n Ereignisse. Dann gilt P (A 1... A n ) = P (A 1 )P (A 2 A 1 )P (A 3 A 1 A 2 )... P (A n A 1... A n 1 ). Satz von der totalen Wahrscheinlichkeit: Es sei {B 1,..., B n } eine Partition von Ω (d.h.: Ω = n i=1 B i und B i B j = für i j). Dann gilt für ein beliebiges Ereignis A: P (A) = P (A B 1 )P (B 1 ) P (A B n )P (B n ). Evelina Erlacher 4 WS 2016
5 Weiters gilt: P (A c B) = 1 P (A B). Definition (unabhängige Ereignisse): Zwei Ereignisse A und B heißen unabhängig, wenn P (A B) = P (A)P (B) gilt. Andernfalls heißen A und B abhängig. Die Ereignisse A 1,..., A n heißen unabhängig, wenn für jede Auswahl von mindestens zwei Ereignissen A i1,..., A ik (mit verschiedenen Indizes) P (A i1... A ik ) = P (A i1 )... P (A ik ) gilt. Andernfalls heißen A 1,..., A n abhängig. 3 Zufallsvariablen Definition (Zufallsvariable): Eine (reelle) Zufallsvariable X auf Ω ist eine Funktion der Form X : Ω R. Die Menge der Werte, die X auch annimmt, bezeichnen wir mit X(Ω). Also: X(Ω) heißt das Bild von X. X(Ω) := {x R ω Ω mit X(ω) = x}. Schreibweisen: Es seien X, Y : Ω R Zufallvariablen, x R und A R. {X = x} = {ω Ω : X(ω) = x} {X x} = {ω Ω : X(ω) x} {X A} = {ω Ω : X(ω) A} P (X = x) = P ({ω Ω : X(ω) = x}) P (X x) = P ({ω Ω : X(ω) x}) P (X A) = P ({ω Ω : X(ω) A}) Wir schreiben X Y, falls X(ω) Y (ω) für alle ω Ω gilt. Definition (Verteilungsfunktion): Die Verteilungsfunktion F X einer Zufallsvariablen X ist durch F X : R [0, 1], F X (x) := P (X x) gegeben. Evelina Erlacher 5 WS 2016
6 Es gilt (Charakterisierung der Verteilungsfunktion): Eine Funktion F : R [0, 1] ist genau dann eine Verteilungsfunktion einer Zufallsvariablen, wenn sie folgende drei Eigenschaften besitzt: (1) F ist monoton wachsend. (2) F ist rechtsseitig stetig, d.h. F (a + ) = F (a), wobei F (a + ) := lim x a F (x). (3) lim x F (x) = 0, lim x F (x) = 1 Weitere Eigenschaften von Verteilungsfunktionen: P (X < a) = F X (a ), wobei F X (a ) := lim x a F X (x) P (X = a) = F X (a) F X (a ), wobei F X (a ) := lim x a F X (x) P (a < X b) = F X (b) F X (a) 3.1 Diskrete Zufallsvariablen Definition (diskrete Zufallsvariable): Es sei X : Ω R eine Zufallsvariable. Ist die Menge X(Ω) endlich oder abzählbar, so heißt die Zufallsvariable X diskret. Spezialfall: Wenn Ω eine endliche oder abzählbare Menge ist, dann kann X auch nur endlich oder abzählbar viele verschiedene Werte annehmen, d.h. X(Ω) ist endlich oder abzählbar und X ist diskret. Definition (Wahrscheinlichkeitsfunktion): Die Wahrscheinlichkeitsfunktion p X einer diskreten Zufallsvariablen X : Ω R ist jene Funktion, die jedem x X(Ω) die Wahrscheinlichkeit, dass X diesen Wert annimmt, zuordnet. Also: p X : X(Ω) [0, 1], p X (x) := P (X = x). Eigenschaften der Wahrscheinlichkeitsfunktion: Es sei X : Ω R eine diskrete Zufallsvariable. Dann gilt: p X (x) = P (X =x) = P ({ω}). ω Ω: X(ω)=x Es sei g : X(Ω) R eine Funktion. Wir definieren Y : Ω R, Y (ω) := (g X)(ω) = g(x(ω)). Dann ist Y selbst wieder eine diskrete Zufallsvariable, und es gilt p Y (y) = P (Y =y) = P ({ω}) = P (X =x) p X (x) für y Y (Ω) = g(x(ω)). ω Ω: Y (ω)=y x X(Ω): g(x)=y x X(Ω): g(x)=y Evelina Erlacher 6 WS 2016
7 Zusammenhang von Verteilungs- und Wahrscheinlichkeitsfunktion: Die Verteilungsfunktion F X einer diskreten Zufallsvariable X (mit X(Ω) = {x 1, x 2, x 3,... (, x n )}) ist eine Treppenfunktion. Sie ist durch F X (x) = P (X x) = x i x P (X = x i ) = x i x p X (x i ) gegeben. Die Sprunghöhe an der Stelle x entspricht der Wahrscheinlichkeit p X (x i ). 3.2 Stetige Zufallsvariablen Definition (stetige Zufallsvariable): Es sei X : Ω R eine Zufallsvariable und F X die zugehörige Verteilungsfunktion. Ist die Verteilungsfunktion F X stetig, dann heißt die Zufallsvariable X stetig. Ist X stetig, so ist Ω meist ein Intervall des Raums R (oder ein kartesisches Produkt von Intervallen im Raum R n ). Ist die Verteilungsfunktion F X einer Zufallsvariablen X stetig, dann gilt F (a) = F (a ) und somit P (X = a) = F X (a) F X (a ) = 0. Das heißt unter anderem, dass für eine stetige Zufallsvariable P (X a) = P (X < a) + P (X = a) = P (X < a) gilt. Analog gilt P (X a) = P (X > a). Definition (Dichte): Eine Funktion f X : R [0, ) heißt Dichte der Zufallsvariablen X, wenn für beliebige a, b R mit a < b gilt. P (a < X b) = b a f X (x) dx Es gilt (Charakterisierung der Dichte): Eine Funktion f : R R ist genau dann eine Dichte einer Zufallsvariablen, wenn sie folgende zwei Eigenschaften besitzt: (1) f(x) 0 für alle x R. (2) f(x) dx = 1. Weitere Eigenschaften von Dichtefunktionen: P (X = a) = a a f X(x) dx = 0. (Nicht neu, aber konsistent mit unseren bisherigen Überlegungen.) Der Wert f X (x) ist nicht die Wahrscheinlichkeit dafür, dass X den Wert x annimmt! Evelina Erlacher 7 WS 2016
8 Zusammenhang von Verteilungsfunktion und Dichte: Es gilt F X (x) = P (X x) = x f X (t) dt. Aus dem Hauptsatz der Differential- und Integralrechnung folgt daher, dass die Dichte f X die (stückweise) Ableitung der Verteilungsfunktion F X ist, d.h. F X(x) = f X (x). Variablentransformation: Es sei X : Ω R eine stetige Zufallsvariable mit Dichte f X und Verteilungsfunktion F X. Weiters sei g : X(Ω) R eine (stückweise) differenzierbare Funktion. Wir definieren Y : Ω R, Y (ω) := (g X)(ω) = g(x(ω)). Dann ist Y selbst wieder eine stetige Zufallsvariable mit der Wertemenge Y (Ω) = g(x(ω)). Für die Dichte f Y und die Verteilungsfunktion F Y von Y gilt folgendes: Ist g streng monoton steigend und g (x) 0 auf X(Ω), dann existiert die Umkehrfunktion g 1 : Y (Ω) X(Ω) und es gilt für y Y (Ω): f Y (y) = f X (g 1 (y)) d dy g 1 (y) und F Y (y) = F X (g 1 (y)). Ist g streng monoton fallend und g (x) 0 auf X(Ω), dann existiert die Umkehrfunktion g 1 : Y (Ω) X(Ω) und es gilt für y Y (Ω): f Y (y) = f X (g 1 (y)) d dy g 1 (y) und F Y (y) = 1 F X (g 1 (y)). Definition (Quantil): Es sei X eine stetige Zufallsvariable mit invertierbarer Verteilungsfunktion F. Weiters sei γ (0, 1) eine Wahrscheinlichkeit. Das γ-quantil der Zufallsvariablen X ist jene Zahl x γ, für die F (x γ ) = γ gilt. Bemerkung: Bezeichnet F 1 die Umkehrfunktion von F, so gilt x γ = F 1 (γ). 4 Erwartungswert Definition (Erwartungswert): Es sei X : Ω R eine diskrete Zufallsvariable. Die durch E(X) := x P (X = x) x X(Ω) gegebene Zahl E(X) (falls sie existiert) heißt Erwartungswert der Zufallsvariablen X. Wir schreiben oft auch µ für E(X). Evelina Erlacher 8 WS 2016
9 Es sei X : Ω R eine stetige Zufallsvariable mit Dichte f X. Die durch E(X) := x f X (x) dx gegebene Zahl E(X) (falls sie existiert) heißt Erwartungswert der Zufallsvariablen X. Wir schreiben oft auch µ für E(X). Eigenschaften des Erwartungswerts: Für X, Y Zufallsvariablen und a, b R gilt: } (E1) E(X + Y ) = E(X) + E(Y ) E ist linear (E2) E(aX) = ae(x) (E3) E(a) = a (E4) X Y E(X) E(Y ) E ist monoton Weitere Eigenschaften des Erwartungswerts für diskrete Zufallsvariablen: Es sei X : Ω R eine diskrete Zufallsvariable. Dann gilt: E(X) = x P (X = x) = X(ω) P ({ω}). x X(Ω) ω Ω Es sei g : R R eine Funktion. Wir definieren Y : Ω R, Y (ω) := (g X)(ω) = g(x(ω)). Dann ist Y selbst wieder eine diskrete Zufallsvariable, und es gilt E(Y ) = E(g(X)) = y P (Y = y) = g(x) P (X = x) y Y (Ω) x X(Ω) = ω Ω g(x(ω)) P ({ω}) = ω Ω Y (ω) P ({ω}). Weitere Eigenschaften des Erwartungswerts für stetige Zufallsvariablen: Es sei X : Ω R eine stetige Zufallsvariable mit Dichte f X. Weiters sei g : R R eine (integrierbare) Funktion. Dann gilt E(g(X)) = g(x) f X (x) dx. Evelina Erlacher 9 WS 2016
10 5 Varianz Definition (Varianz, Standardabweichung): Es sei X : Ω R eine Zufallsvariable mit Erwartungswert E(X). Die durch V (X) := E ( (X E(X)) 2) gegebene Zahl V (X) (falls sie existiert) heißt Varianz der Zufallsvariablen X. Wir schreiben oft auch σ 2 oder Var(X) für V (X). Die Zahl σ := V (X) heißt Standardabweichung oder Streuung der Zufallsvariablen X. Konkreter: Es sei X : Ω R eine Zufallsvariable mit Erwartungswert E(X). Ist X diskret, dann gilt V (X) = x X(Ω)(x E(X)) 2 P (X = x) = (X(ω) E(X)) 2 P ({ω}). ω Ω Ist X stetig mit Dichte f X, dann gilt V (X) = (x E(X)) 2 f X (x) dx. Eigenschaften der Varianz: Für X eine Zufallsvariable und a, b R gilt: (V1) V (ax + b) = a 2 V (X) (V2) V (X) = E(X 2 ) E(X) 2 Verschiebungssatz 6 Höhere Momente Definition (k-tes Moment): Es sei X eine Zufallsvariable und k N. Die Zahl m k (X) := E ( X k) (falls sie existiert) heißt k-tes Moment von X. Die Zahl z k (X) := E ( (X E(X)) k) (falls sie existiert) heißt k-tes zentriertes (oder zentrales) Moment von X. Evelina Erlacher 10 WS 2016
11 Es gilt: Das erste (nicht zentrierte) Moment von X ist der Erwartungswert E(X). Das zweite zentrierte Moment von X ist die Varianz V (X). Definition (Schiefe): Die Zahl ( ν(x) := E ) 3 X E(X) V (X) (falls sie existiert) heißt Schiefe von X. Wir sagen, die Verteilung von X ist symmetrisch, falls ν(x) = 0, linksschief, falls ν(x) < 0, rechtsschief, falls ν(x) > 0. Es gilt: Es sei µ = E(X) und σ 2 = V (X). Dann ( (X ) ) 3 µ ν(x) = E σ = E((X µ)3 ) σ 3 = z 3(X) z 2 (X) 3 2 = z 3(X) σ 3, d.h. die Schiefe ist das dritte zentrierte Moment z 3 (X) normiert auf die dritte Potenz der Standardabweichung σ. Definition (Wölbung): Die Zahl ( w(x) := E ) 4 X E(X) V (X) (falls sie existiert) heißt Wölbung oder Kurtosis von X. Es gilt: Es sei µ = E(X) und σ 2 = V (X). Dann ( (X ) ) 4 µ w(x) = E σ = E((X µ)4 ) σ 4 = z 4(X) z 2 (X) 2 = z 4(X) σ 4, d.h. die Wölbung ist das vierte zentrierte Moment z 4 (X) normiert auf die vierte Potenz der Standardabweichung σ. Evelina Erlacher 11 WS 2016
12 7 Bivariate Wahrscheinlichkeitsrechnung Es seien X : Ω X(Ω) R und Y : Ω Y (Ω) R zwei Zufallsvariablen. Definition (gemeinsame Verteilungsfunktion): Die gemeinsame Verteilungsfunktion F X,Y von X und Y ist durch gegeben. Es gilt: F X,Y : R R [0, 1], F X,Y (x, y) = P (X x, Y y) F X,Y (x 1 < X x 2, y 1 < Y y 2 ) = F X,Y (x 2, y 2 ) F X,Y (x 1, y 2 ) F X,Y (x 2, y 1 ) + F X,Y (x 1, y 1 ) Die Verteilungsfunktionen F X und F Y von X bzw. Y, die sogenannten Randverteilungsfunktionen oder marginalen Verteilungsfunktionen, erhält man durch F X (x) = lim y F X,Y (x, y) bzw. F Y (y) = lim x F X,Y (x, y). 7.1 Diskrete Zufallsvariablen X und Y seien diskrete Zufallsvariablen. Definition (gemeinsame Wahrscheinlichkeitsfunktion): Die gemeinsame Wahrscheinlichkeitsfunktion p X,Y von X und Y ist durch gegeben. Es gilt: p X,Y : X(Ω) Y (Ω) [0, 1], p X,Y (x, y) = P (X = x, Y = y) Zusammenhang mit der gemeinsamen Verteilungsfunktion: p X,Y (x, y) = F X,Y (x, y) F X,Y (x, y) F X,Y (x, y ) + F X,Y (x, y ) und F X,Y (x, y) = x i x p X,Y (x i, y i ) y i y Die Wahrscheinlichkeitsfunktionen p X und p Y von X bzw. Y, die sogenannten Randwahrscheinlichkeitsfunktionen oder marginalen Wahrscheinlichkeitsfunktionen, erhält man durch p X (x) = p X,Y (x, y) bzw. p Y (y) = p X,Y (x, y). y Y (Ω) x X(Ω) Evelina Erlacher 12 WS 2016
13 7.2 Stetige Zufallsvariablen X und Y seien stetige Zufallsvariablen. Definition (gemeinsame Dichte): Eine Funktion f X,Y : R 2 [0, ) heißt gemeinsame Dichte der Zufallsvariablen X und Y, wenn P (x 1 < X x 2, y 1 < Y y 2 ) = y2 x2 für beliebige x 1, x 2, y 1, y 2 R mit x 1 < x 2, y 1 < y 2 gilt. Es gilt: Zusammenhang mit der gemeinsamen Verteilungsfunktion: f X,Y (x, y) = 2 x y F X,Y (x, y) und F (a, b) = y 1 x 1 f X,Y (x, y) dx dy b a f X,Y (x, y) dx dy Die Dichten f X und f Y von X bzw. Y, die sogenannten Randdichten oder marginalen Dichten, erhält man durch f X (x) = f X,Y (x, y) dy bzw. f Y (y) = 7.3 Unabhängige Zufallsvariablen f X,Y (x, y) dx. Definition (unabhängige Zufallsvariablen): Zwei Zufallsvariabeln X und Y heißen unabhängig, falls für alle Mengen A, B R gilt: P (X A, Y B) = P (X A) P (Y B). Diese Definition ist äquivalent zu der Eigenschaft Für alle a, b R gilt: P (X a, Y b) = P (X a ) P (Y b). Bemerkung: Das Produkt P (X a, Y b) = P (X a )P (Y b) kann auch als F X,Y (x, y) = F X (x) F Y (y) geschrieben werden. Es gilt: Es seien X und Y diskrete Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsfunktion p X,Y und Randwahrscheinlichkeitsfunktionen p X bzw. p Y. Dann: X und Y sind genau dann unabhängig, wenn gilt. p X,Y (x, y) = p X (x) p Y (y) Evelina Erlacher 13 WS 2016
14 Es seien X und Y stetige Zufallsvariablen mit der gemeinsamen Dichte f X,Y den Randdichten f X und f Y. Dann: X und Y sind genau dann unabhängig, wenn und f X,Y (x, y) = f X (x) f Y (y) gilt. 7.4 Erwartungswert Es sei g : R 2 R eine Funktion. Es seien X und Y diskrete Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsfunktion p X,Y. Dann gilt: E(g(X, Y )) = x X(Ω) y Y (Ω) g(x, y) p X,Y (x, y). Es seien X und Y stetige Zufallsvariablen mit der gemeinsamen Dichte f X,Y. Dann gilt: E(g(X, Y )) = g(x, y) f X,Y (x, y) dx dy. 7.5 Kovarianz und Korrelationskoeffizient Die Kovarianz ist ein nichtstandardisiertes Zusammenhangsmaß für einen monotonen Zusammenhang zweier Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsverteilung. Der Wert dieser Kenngröße macht tendenzielle Aussagen darüber, ob hohe Werte der einen Zufallsvariablen eher mit hohen (positive Kovarianz) oder eher mit niedrigen (negative Kovarianz) Werten der anderen Zufallsvariablen einhergehen. Definition (Kovarianz): Die durch Cov(X, Y ) = E ( (X E(X))(Y E(Y )) ) gegebene Zahl Cov(X, Y ) (falls sie existiert) heißt Kovarianz der Zufallsvariablen X und Y. Wir schreiben oft auch σ XY für Cov(X, Y ). Eigenschaften der Kovarianz: Für X, Y, X i, Y i Zufallsvariablen und a, b R gilt: (C1) Cov(X, X) = V (X) (C2) Die Kovarianz ist symmetrisch: Cov(X, Y ) = Cov(Y, X) (C3) Die Kovarianz ist bilinear: Evelina Erlacher 14 WS 2016
15 Cov(X 1 + X 2, Y ) = Cov(X 1, Y ) + Cov(X 2, Y ) Cov(X, Y 1 + Y 2 ) = Cov(X, Y 1 ) + Cov(X, Y 2 ) Cov(aX, Y ) = a Cov(X, Y ) Cov(X, by ) = b Cov(X, Y ) (C4) Cov(X + a, Y + b) = Cov(X, Y ) (C5) Verschiebungssatz: Cov(X, Y ) = E(XY ) E(X)E(Y ) Die Bilinearität der Kovarianz hat zur Folge, dass die Kovarianz vom Maßstab der Zufallsvariablen abhängt. So erhält man beispielsweise die zehnfache Kovarianz, wenn man anstatt X die Zufallsvariable 10X betrachtet. Insbesondere hängt der Wert der Kovarianz von den verwendeten Maßeinheiten der Zufallsvariablen ab. Da diese Eigenschaft die absoluten Werte der Kovarianz schwer interpretierbar macht, betrachtet man bei der Untersuchung auf einen linearen Zusammenhang zwischen X und Y häufig stattdessen den maßstabsunabhängigen Korrelationskoeffizienten: Definition (Korrelationskoeffizient): Die durch ρ(x, Y ) = Cov(X, Y ) V (X) V (Y ) = σ XY σ X σ Y gegebene Zahl ρ(x, Y ) (falls sie existiert) heißt Korrelationskoeffizient der Zufallsvariablen X und Y. Eigenschaften des Korrelationskoeffizienten: (K1) 1 ρ(x, Y ) 1 (K2) ρ(x, Y ) und Cov(X, Y ) haben dasselbe Vorzeichen. Insbesondere gilt: ρ(x, Y ) = 0 Cov(X, Y ) = 0 Definition: Die Zufallsvariablen X und Y heißen positiv korreliert, falls ρ(x, Y ) > 0, negativ korreliert, falls ρ(x, Y ) < 0, unkorreliert, falls ρ(x, Y ) = 0. Zusammenhang von Korrelation und Unabhängigkeit: X und Y unabhängig ρ(x, Y ) = Cov(X, Y ) = 0 Evelina Erlacher 15 WS 2016
16 Varianz von Summen: Für X i Zufallsvariablen gilt: ( n ) V X i = i=1 n n Cov(X i, X j ) = i=1 j=1 n V (X i ) + i=1 n Cov(X i, X j ) i=1 j i Spezialfälle: V (X + Y ) = V (X) + 2 Cov(X, Y ) + V (Y ) ( n ) Sind die Zufallsvariablen X i unabhängig, so gilt: V X i = n V (X i ) 8 Wichtige Verteilungen 8.1 Diskrete Verteilungen Diskrete Gleichverteilung Von X angenommene Werte: X(Ω) = {x 1, x 2,..., x n }, wobei x 1 < x 2 <... < x n Wahrscheinlichkeitsfunktion: P (X = x k ) = 1 für k {1, 2,..., n} n 0, x < x 1 l Verteilungsfunktion: F (x) = n, x l x < x l+1, l {1,..., n 1} 1, x n x Erwartungswert: E(X) = 1 n n k=1 x k Varianz: V (X) = 1 n n k=1 (x k E(X)) 2 Binomialverteilung Parameter n und p, wobei n N und p (0, 1). Schreibweise: X B(n, p). Von X angenommene Werte: X(Ω) = {0, 1, 2,..., n} Wahrscheinlichkeitsfunktion: P (X = k) = ( n k) pk (1 p) n k für k X(Ω) 0, x < 0 l ( n ) Verteilungsfunktion: F (x) = k=0 k pk (1 p) n k, l x < l + 1, l {0, 1,..., n 1} 1, n x Erwartungswert: E(X) = np Varianz: V (X) = np(1 p) i=1 i=1 Evelina Erlacher 16 WS 2016
17 Hypergeometrische Verteilung Parameter N, M und n, wobei N, M, n N mit n M N. Von X angenommene Werte: X(Ω) = {0, 1, 2,..., n} Wahrscheinlichkeitsfunktion: P (X = k) = (M k ) ( N M n k ) für k X(Ω) ( N n) 0, x < 0 l ( M k ) ( N M n k ) Verteilungsfunktion: F (x) = k=0 ( N n) 1, n x, l x < l + 1, l {0, 1,..., n 1} Erwartungswert: E(X) = n M N Varianz: V (X) = n M N (1 M N ) N n N 1 Poissonverteilung Parameter λ, wobei λ (0, ). Schreibweise: X P(λ). Von X angenommene Werte: X(Ω) = N 0 = {0, 1, 2, 3,...} Wahrscheinlichkeitsfunktion: P (X = k) = λk k! e λ für k X(Ω) = N 0 { 0, x < 0 Verteilungsfunktion: F (x) = e λ l λ k k=0, l x < l + 1, l N k! 0 Erwartungswert: E(X) = λ Varianz: V (X) = λ Geometrische Verteilung Parameter p, wobei p (0, 1). Von X angenommene Werte: X(Ω) = N = {1, 2, 3,...} Wahrscheinlichkeitsfunktion: P (X = k) = (1 p) k 1 p für k X(Ω) = N { 0, x < 1 Verteilungsfunktion: F (x) = 1 (1 p) l, l x < l + 1, l N Erwartungswert: E(X) = 1 p Varianz: V (X) = 1 p p 2 Evelina Erlacher 17 WS 2016
18 8.2 Stetige Verteilungen Stetige Gleichverteilung auf einem Intervall Parameter a, b R, wobei a < b. { 1, x [a, b] b a Dichte: f(x) = 0, sonst 0, x < a x a Verteilungsfunktion: F (x) = b a, a x < b 1, b x Erwartungswert: E(X) = a+b 2 Varianz: V (X) = (b a)2 12 Exponentialverteilung Parameter λ, wobei λ (0, ). Schreibweise: X Exp(λ). { 0, x < 0 Dichte: f(x) = λe λx, 0 x Verteilungsfunktion: F (x) = { 0, x < 0 1 e λx, 0 x Erwartungswert: E(X) = 1 λ Varianz: V (X) = 1 λ 2 Standardnormalverteilung (Spezialfall der Normalverteilung) Schreibweise: X N (0, 1). Dichte: f(x) = 1 2π e x2 2 Verteilungsfunktion: F (x) = 1 2π x e t2 2 dt =: Φ(x) Erwartungswert: E(X) = 0 Varianz: V (X) = 1 Evelina Erlacher 18 WS 2016
19 Normalverteilung Parameter µ und σ, wobei µ R und σ (0, ). Schreibweise: X N (µ, σ 2 ). Dichte: f(x) = 1 σ 2π (x µ) 2 e 2σ 2 Verteilungsfunktion: F (x) = 1 x σ 2π e (t µ)2 2σ 2 dt = Φ( x µ σ ) Erwartungswert: E(X) = µ Varianz: V (X) = σ Tabellen zur Standardnormalverteilung Quantile der Standardnormalverteilung: γ Φ 1 (γ) γ Φ 1 (γ) γ Φ 1 (γ) Evelina Erlacher 19 WS 2016
20 Verteilungsfunktion Φ der Standardnormalverteilung: Evelina Erlacher 20 WS 2016
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr3. STOCHASTISCHE PROZESSE 73
3. STOCHASTISCHE PROZESSE 73 3. Stochastische Prozesse 3.1. Grundlegende Begriffe bei zufälligen Prozessen. In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
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
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrPsychologische Methodenlehre und Statistik I
Psychologische Methodenlehre und Statistik I Pantelis Christodoulides & Karin Waldherr SS 2013 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik I 1/61 Zufallsexperiment
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrStatistik I für WInf und WI Prof. Dr. Wilhelm Stannat
14. Dezember 2009 1 Statistik I für WInf und WI Prof. Dr. Wilhelm Stannat Inhalt: I Deskriptive Statistik II Wahrscheinlichkeitsrechnung 1. Zufallsexperimente und Wahrscheinlichkeitsräume 2. Zufallsvariablen
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
Mehr2. Zufallsvariable, Verteilungsfunktion, Erwartungswert,
2. Zufallsvariable, Verteilungsfunktion, Erwartungswert, momentenerzeugende Funktion Ziel des Kapitels: Mathematische Präzisierung der Konzepte Zufallsvariable Verteilungsfunktion Dichtefunktion Erwartungswerte
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26) Ein Wahrscheinlichkeitsraum (Ω, P) ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments) versehen mit einer Abbildung P : P(Ω) [0,
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie
Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
MehrStatistik für Informatiker, SS Erwartungswert, Varianz und Kovarianz
1/65 Statistik für Informatiker, SS 2017 1.3 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 7.6.2017 / 14.6.2017 2/65 Der Erwartungswert ist eine
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrStochastik für Studierende der Informatik
Wiederholungs-/Fragestunde Peter Czuppon Uni Freiburg, 05. September 2016 Diese Zusammenfassung wurde mit Hilfe des Skriptes von Prof. Dr. Pfaffelhuber aus dem Sommersemester 2016 erstellt. Ferner deckt
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrUnabhängigkeit von Zufallsvariablen
Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1
MehrAppendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie
Appendix I: Eine etwas komprimierte Einführung in die Wahrscheinlichkeitstheorie Vorbemerkung: Die folgenden Seiten sind nicht zur Abschreckung gedacht, sondern als Ergänzung zu den Darstellungen, die
MehrStochastik I - Formelsammlung
Stochastik I - Formelsammlung Ereignis Ergebnisraum: Ω von Julian Merkert, Wintersemester 2005/06, Prof. Bäuerle Ereignisse und Wahrscheinlichkeiten Ereignis: A Ω Elementarereignis: {ω}, ω Ω A B := AB
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
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
Mehr