Sur quelques points de la théorie des probabilités. (Q573575)

Der erste Teil der Vorträge beschäftigt sich mit folgendem Problem: Wenn von einer physikalischen Größe \(n\) Messungen \(l_1,l_2,\ldots,l_n\) vorliegen und die Fehlerwahrscheinlichkeitsdichte \(\varphi(x)\) gegeben ist, dann kann man als plausiblen Wert entweder den wahrscheinlichsten Wert \(l'\) oder den Erwartungswert \(l''\) ansehen. Unter gewissen einschränkenden Voraussetzungen ist das allgemeinste Fehlergesetz, das \(l' = l''\) liefert bei gegebenen Messungen \(l_1, l_2,\ldots, l_n\), gegeben durch \[ \varphi(x)=d\exp\left\{\frac c{b^2}\left(1-\cosh b(x-a)\right)\right\}. \] Für \(b\to 0\) ergibt sich insbesondere das \textit{Gauß}sche Fehlergesetz \[ \varphi(x)=d\exp\left(-\tfrac12 c(x-a)^2\right) \] (\(b\), \(c\), \(d\) sind positive Konstanten, \(a\) eine beliebige reelle Konstante). Für das von \textit{R. v. Mises} aufgestellte zyklische Fehlergesetz werden analoge Ergebnisse abgeleitet. Der zweite Teil behandelt zwei wichtige Fälle aus der Theorie der abhängigen Ereignisse. \(\boldsymbol x_1, \boldsymbol x_2,\ldots,\boldsymbol x_n,\ldots\) sei eine Folge von Zufallsveränderlichen, von denen eine jede nur den Wert 0 oder 1 annehmen kann (Alternativen). Im ersten Fall hängt die Wahrscheinlichkeit von \(\boldsymbol x_{n+1}\) nur von der Summe \(\boldsymbol x_1 + \boldsymbol x_2 + \cdots +\boldsymbol x_n\) (``globaler'', Einfluß, ``Ansteckung''), im zweiten Fall nur von \(\boldsymbol x_{n+1}\) ab (``Erblichkeit'', \textit{Markoff}sche Kette). Für beide Fälle werden Urnenschemata angegeben. Die Struktur der Ansteckung ist \textit{homogen}, d. h. die Wahrscheinlichkeit, daß \(\boldsymbol x_n\) einen bestimmten Wert hat, ist unabhängig von \(n\); die Struktur der Erblichkeit ist auch homogen, wenn man als Ausgangsverteilung die zur Matrix der Übergangswahrscheinlichkeiten gehörige stationäre Verteilung nimmt. Für die Zufallsveränderlichen selbst und deren Summe \(\boldsymbol x_1 + \boldsymbol x_2 + \cdots +\boldsymbol x_n\) werden Erwartungswerte, Streuungen, Korrelationstafeln, Dispersionskoeffizienten und erzeugende Funktionen angegeben. Die verschiedenen Grenzübergänge, die für \(n\to\infty\) möglich sind, werden untersucht; dabei wird unterschieden nach dem Grade der Häufigkeit: \textit{gewöhnliche} und \textit{seltene} Ereignisse, nach dem Grade der Verbundenheit: \textit{unabhängige} Ereignisse, \textit{schwache} und \textit{starke} Ansteckung, \textit{schwache} und \textit{starke} Ähnlichkeit. (Dabei wird unter ``Ähnlichkeit'' eine Erblichkeit mit positiver Determinante der Matrix der Übergangswahrscheinlichkeiten verstanden.) Die hierbei auftretenden Verteilungskurven werden verglichen mit den von \textit{K. Pearson} aus einer Differentialgleichung abgeleiteten Kurven. Schließlich wird an einem Beispiel gezeigt, wie sich die vorgetragene Theorie in der Statistik anwenden läßt.