Einführung in Stochastische Modelle und Statistik - Cheatsheet.pdf

Einführung in Stochastische Modelle und Statistik - Cheatsheet
Definition und Klassifikation stochastischer Prozesse Definition: Stochastische Prozesse: Zeitliche Abfolge zufälliger Variablen. Details: Zeitdiskret vs. zeitkontinuierlich Zustandsdiskret vs. zustandskontinuierlich Markov-Prozess: Zukünftiger Zustand hängt nur vom aktuellen Zustand ab Martingal: Bedingter Erwartungswert des nächsten Zustands entspricht aktuellem Zustand Stationarität: Statistisc...

© StudySmarter 2024, all rights reserved.

Definition und Klassifikation stochastischer Prozesse

Definition:

Stochastische Prozesse: Zeitliche Abfolge zufälliger Variablen.

Details:

  • Zeitdiskret vs. zeitkontinuierlich
  • Zustandsdiskret vs. zustandskontinuierlich
  • Markov-Prozess: Zukünftiger Zustand hängt nur vom aktuellen Zustand ab
  • Martingal: Bedingter Erwartungswert des nächsten Zustands entspricht aktuellem Zustand
  • Stationarität: Statistische Eigenschaften ändern sich nicht über die Zeit
  • Unabhängige Inkremente: Veränderungen zu verschiedenen Zeitpunkten sind unabhängig

Markov-Ketten und deren Anwendungen

Definition:

Markov-Kette: stochastischer Prozess ohne Erinnerung; zukünftige Zustände unabhängig von der Vergangenheit, gegeben der Gegenwart.

Details:

  • Übergangsmatrix: \(\textbf{P} = (p_{ij})\), wobei \(p_{ij} = P(X_{n+1}=j | X_n=i)\)
  • Stationäre Verteilung: \( \boldsymbol{\bar{u}} \textbf{P} = \boldsymbol{\bar{u}} \)
  • Langzeitverhalten durch Eigenwerte der Übergangsmatrix bestimmt
  • Absorptionszustände: Zustände, die einmal erreicht, nie verlassen werden
  • Anwendungen: Populationsdynamik, Epidemiologie, Genetik, Ökologie

Poisson-Prozesse und ihre Eigenschaften

Definition:

Poisson-Prozesse modellieren zufällige Ereignisse, die unabhängig voneinander und konstant über die Zeit auftreten, z.B. Anrufe oder Mutationen.

Details:

  • Definiert durch die Intensitätsrate \( \lambda \).
  • Die Anzahl der Ereignisse in einem Zeitintervall \([0,t]\) folgt einer Poisson-Verteilung mit Erwartungswert \(\lambda t\).
  • Zeitabstände zwischen aufeinanderfolgenden Ereignissen sind exponentiell verteilt mit Parameter \( \lambda \).
  • Gedächtnislosigkeitseigenschaft: Die Wahrscheinlichkeit eines Ereignisses hängt nicht von der Vergangenheit ab.

Grundlagen der Wahrscheinlichkeitsmaßen und -verteilungen

Definition:

Wahrscheinlichkeitsmaße und -verteilungen sind die Grundlagen der Stochastik und Statistik, fundamentale Konzepte zur Beschreibung und Analyse von Zufallsereignissen.

Details:

  • Wahrscheinlichkeitsmaß: Funktion, die Ereignissen eines Zufallsexperiments eine Wahrscheinlichkeit zuordnet, repräsentiert durch \( P(A) \).
  • Eigenschaften: 0 ≤ P(A) ≤ 1 für jedes Ereignis A, \( P(\text{gesamter Ereignisraum}) = 1 \).
  • Wahrscheinlichkeitsverteilung: Funktion, die angibt, wie Wahrscheinlichkeiten über die möglichen Ergebnisse eines Zufallsprozesses verteilt sind.
  • Diskrete Verteilungen: Wahrscheinlichkeitsmasse wird auf diskrete Ereignisse verteilt, z.B. Binomialverteilung, Poissonverteilung.
  • Stetige Verteilungen: Wahrscheinlichkeitsdichtefunktion (PDF) \(f(x)\) beschreibt die Verteilung; Integrale der PDF geben Wahrscheinlichkeiten, z.B. Normalverteilung, Exponentialverteilung.
  • Kumulative Verteilungsfunktion (CDF): \( F(x) = P(X \leq x) \), beschreibt die Wahrscheinlichkeit, dass eine Zufallsvariable einen Wert kleiner oder gleich x annimmt.

Gesetz der großen Zahlen und zentrale Grenzwertsätze

Definition:

Gesetz der großen Zahlen: Aussage über Langfristverhalten von Stichprobenmittelwerten. Zentraler Grenzwertsatz: Verteilung der Summe von unabhängigen Zufallsvariablen konvergiert zu Normalverteilung.

Details:

  • Gesetz der großen Zahlen: \(\bar{X}_n = \frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{n \to \infty} \mu\)
  • Zentraler Grenzwertsatz: \(\frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \xrightarrow{d} N(0,1)\)
  • Annahmen: Unabhängige und identisch verteilte Zufallsvariablen (i.i.d.), Erwartungswert \(\mu\), Varianz \(\sigma^2\)
  • Anwendung: Schätzer für Populationsparameter, Verteilung von Stichprobenmittelwerten

Regressionsanalyse und Korrelation

Definition:

Regressionsanalyse untersucht Beziehungen zwischen abhängigen und unabhängigen Variablen. Korrelation misst die Stärke und Richtung des linearen Zusammenhangs zweier Variablen.

Details:

  • Korrelation: Korrelationskoeffizient (r) zwischen -1 und 1.
  • Lineare Regression: Modell y = β₀ + β₁x + ε
  • β₀: Achsenabschnitt, β₁: Steigung, ε: Fehlerterm.
  • Residuenanalyse zur Modellvalidierung.
  • Bestimmtheitsmaß (R²) zur Güte des Modells.

Bayessche Wahrscheinlichkeitstheorie und Konzepte

Definition:

Bayessche Wahrscheinlichkeitstheorie verwendet den Satz von Bayes zur Berechnung der Wahrscheinlichkeit von Hypothesen basierend auf neuen Daten.

Details:

  • Satz von Bayes: \[ P(H|D) = \frac{P(D|H) \, P(H)}{P(D)} \]
  • Prior: \[ P(H) \]
  • Likelihood: \[ P(D|H) \]
  • Posterior: \[ P(H|D) \]
  • Normalisierungsfaktor: \[ P(D) = \sum_{i} P(D|H_{i}) \, P(H_{i}) \]
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden