Lösung der Nachklausur
|
|
- Lieselotte Bayer
- vor 5 Jahren
- Abrufe
Transkript
1 H. Schmidli Eiführug i die Stochastik WS 8/9 Lösug der Nachklausur. a) Aus dem Satz der totale Wahrscheilichkeit folgt für de Ateil der Persoe, die der Vorlage zugestimmt habe Also liegt die Zustimmug bei 58% b) Es habe 4% die Vorlage abgeleht. Nach der Formel vo Bayes ist die Wahrscheilichkeit, dass ei Nei-Stimmer aus der Regio A stammt aus der Regio B ud aus der Regio C ,., c) Aus der Formel vo Bayes erhalte wir die Wahrscheilichkeit, dass ei Nei-Stimmer, der icht aus der Regio A stammt, aus der Regio B stammt Die Wahrscheilichkeit, aus der Regio B zu stamme ist also 56%.. a) Die mögliche Spielverläufe sid 4 3 Die mögliche Bilaze sid also 4, falls T,, falls T > ud X ud, falls X.
2 b) Ist, so ist die Bilaz icht 4, da sost T. I de ader Fälle gilt die Formel. Sei u >. Nehme wir a, X. Da ist ach Iduktiosvoraussetzug S V ( ) + 3. Da muss X sei, da sost T ud V 3. Die Bilaz wird u S V 3 3. Ist X, so ist S V ( ). Also wird die Bilaz (da auf jede Fall T > ud V ) S V + X, was die Aussage beweist. c) Ist T, so ist X ud damit V 3. Also erhalte wir Dies ist die Aussage. S V S V + 3 ( ) d) Die Ereigisse A {X, X } sid uabhägig ud trete mit Wahrscheilichkeit /4 ei. Tritt A ei, so ist T. Also ist IIP[T > ] IIP[ k A c k] (3/4). Da lim IIP[T > ] lim (3/4) /. e) Nach dem Stoppsatz ist Da IIE[S V T m] IIE[(6 T )I T m ] + IIE[( m + X m )I T >m ]. lim miip[t > m] lim IIE[( m + X m)i T >m ] m m lim ( m)iip[t > m], m kovergiert der letzte Teil ach. Der erste Teil kovergiert ach IIE[6 T ]. Also folgt IIE[T ] a) Nach der Kostruktio sid ur die beide Zustäde ud k + möglich. Somit geügt es, die erste Gleichug zu beweise. wird erreicht, falls I oder U K. Diese beide Ereigisse sid uabhägig. Somit erhalte wir Alterativ gilt IIP[{I } {U K }] IIP[I ] + IIP[U K ] IIP[I ]IIP[U K ] ( (k + ) ) ( + + (k + ) ) k +. IIP[{I } {U K }] IIP[I ] + IIP[I ]IIP[U K ] + + ( + + (k + ) ) k +. b) Ist I, so wird besucht. Da die Ereigisse {I } uabhägig sid, ud IIP[I ] +, folgt aus dem Borel Catelli-Lemma, dass {I } uedlich oft eitritt. Damit wird auch uedlich oft besucht.
3 c) Sei A i das Ereigis, k wird zwische dem i-te Besuch i ud dem i + -te Besuch i Null besucht. Da sid die A i uabhägig ud habe die Wahrscheilichkeit Da IIP[X, X,..., X k k] IIP[A i ] k +, 3 k k + k +. folgt dass uedlich viele der A i eitreffe. Somit wird k uedlich oft besucht. 4. a) Der Log-Likelihood ist Wir müsse daher log f(x i ) log X i (log π + log a) a (log X i m). log X i (log π + log a) a (log X i m) maximiere. Leite wir ach m ab ud setze die Ableitug, erhalte wir Die Lösug ist a (log X i m). ˆm log X i. Da die Dichte am Rad verschwidet ud stetig differezierbar ist, muss es sich um ei Maximum hadel. Leite wir ach a ab ud setze die Ableitug, erhalte wir Die Lösug ist b) Wir habe a + a â (log X i ˆm). (log X i ˆm). e m IIE[X i] 4 IIE[X i ], ea/ IIE[X i ] IIE[X i ]. Wir fide daher die mit der Mometemethode ( ) ( m log X i log ud ( ā log X i ) ( 4 log X i ) ) X i. Betrachte wir eie Verteilug, die de Werte X, X,..., X je die Wahrscheilichkeite / zuordet, so ist X i das zweite Momet ud X i das erste Momet. Daher gilt X i > ( X i). 3
4 c) Da der Maximum-Likelihood-Schätzer icht vo a abhägt, ädert sich der ML-Schätzer icht. Der Mometeschätzer erhält ma aus dem erste Momet ( ) m log X i a a) Schätze wir de Parameter mit der Maximum-Likelihood-Methode, müsse wir (log α αx i ) log α α maximiere. Ableite ach α gibt α X i, oder de Schätzer ˆα X. i Die zweite Ableitug ist egativ, also hadelt es sich wirklich ums Maximum. Oder, da die Likelihoodfuktio am Rad Null ist, muss es sich ums Maximum hadel. Schätze wir de Parameter mit der Mometemethode, so erhalte wir de Parameter aus α X i. Dies ergibt de gleiche Schätzer. I userem Beispiel erhalte wir ˆα b) Die Wahrscheilichkeit, dass eie Beobachtug im gegebee Itervall liegt, ist IIP[X i (, )] e , IIP[X i (, )] e.494 e , IIP[X i (, )] e.4888 e IIP[X i (, 3)] e e , IIP[X i (3, 5)] e e IIP[X i > 5] e Die erwartete Häufigkeite erhalte wir durch Multiplikatio mit 78 Die Teststatistik 6 ( k k ) T k Itervall (, ) (, ) (, ) (, 3) (3, 5) (5, ) (8 6.7) ( 3.) (6.37) (8 7.) (7 8.4) X i + (8.38).38 ist aäherd χ -verteilt mit 5 Freiheitsgrade. Aus der Tabelle fide wir das 5%-Quatil.7 > Das heisst, die Hypothese wird beibehalte. Die Expoetialverteilug ist also mit de Date vereibar. 4
5 6. a) Wir habe IIP[X/Y z] Leite wir ach z ab, erhalte wir die Dichte f Z (z) IIP[X zy]f Y (y) dy + IIP[X zy]f Y (y) dy. yf X (zy)f Y (y) dy yf X (zy)f Y (y) dy y f X (zy)f Y (y) dy. b) Für die Normalverteilug erhalte wir aus der obige Formel f Z (z) y e (zy) / e y / dy ye (+z )y / dy π π π( + z ( + z )ye (+z )y / dy ) π( + z ). Diese Verteilug heisst Cauchy-Verteilug. c) Für die Gamma-Verteiluge erhalte wir aus der obige Formel f Z (z) αγ β κ Γ(γ)Γ(κ) αγ β κ z γ Γ(γ)Γ(κ) Γ(γ + κ) (β/α) κ z γ Γ(γ)Γ(κ) (z + β/α) γ+κ. y(zy) γ e αzy y κ e βy dy y γ+κ e (αz+β)y dy αγ β κ z γ Γ(γ + κ) Γ(γ)Γ(κ)(αz + β) γ+κ 5
2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33
2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33 2. Zufallsvariable ud ihre Verteiluge 2.1. Defiitio der Zufallsvariable Defiitio 2.1. Seie (Ω, F) ud (Ω, F ) messbare Räume ud IIP ei Wahrscheilichkeitsmass
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrStatistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.
Statistik, Abschitt.. Schätzmethode.. Mometemethode Für Parameter, die sich i bekater Weise aus de Momete zusammesetze, erhält ma Schätzuge, idem ma die theoretische Momete durch die sogeate empirische
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrProseminar: Mathematisches Problemlösen. Ungleichungen 2. Pierre Schmidt. Vortragstermin: 19. Juni Fakultät für Mathematik
Prosemiar: Mathematisches Problemlöse Ugleichuge Pierre Schmidt Vortragstermi: 19. Jui 015 Übugsleiteri: Dr. Natalia Griberg Fakultät für Mathematik Karlsruher Istitut für Techologie Ihaltsverzeichis 1
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 13
ETH Zürich FS 2013 D-MATH Has Rudolf Küsch Koordiator Blaka Horvath Wahrscheilichkeit & Statistik Musterlösug Serie 13 1. a) Die Nullhypothese lautet dass das echte Medikamet höchstes gleich gut ist wie
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
Mehr10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
Mehr5. Übungsblatt - Lösungsskizzen
Eiführug i die Wahrscheilichkeitstheorie ud Statistik rof. Dr. Ja Johaes Sadra Schluttehofer Witersemester 8/9 5. Übugsblatt - Lösugsskizze Aufgabe 7 (Neyma-earso-Lemma für stetige Verteiluge, 4 ukte).
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrModulabschlussprüfung Analysis Musterlösung
Bergische Uiversität Wuppertal Fachbereich C Mathematik ud Naturwisseschafte Prof. Dr. N. Shcherbia SoSe 204 Modulabschlussprüfug Aalysis 2.07.204 Musterlösug. Utersuche Sie folgede Reihe auf Kovergez
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
MehrMathematische Grundlagen (01141) WS 2010/11
Mathematische Grudlage (04) WS 200/ Klausur am 26.0.20: Musterlösuge Aufgabe Sei 0 = 2. Da gilt 2 2 = 4 ud 2 + =, also 2 2 > 2 +, der Iduktiosafag. Iduktiosaahme: Für ei 2 gilt 2 > +. Iduktiosschritt:
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
MehrLösungsvorschlag zu den Hausaufgaben der 1. Übung
FAKULTÄT FÜR MATHEMATIK Prof. Dr. Patrizio Neff Christia Thiel 4.04.04 Lösugsvorschlag zu de Hausaufgabe der. Übug Aufgabe : (6 Pukte Bereche Sie für die Fuktio f : R R, f( : ep( a der Stelle 0 0 das Taylorpolyom
MehrProbeklausur zur Analysis I WS 11/12 Prof. Dr. G. Wang Dr. A. Magni. Beginn: 8:15 Uhr. Name:...Vorname:... Matr.Nr.:...Studiengang:...
Probeklausur zur Aalysis I WS / Prof. Dr. G. Wag 3.. Dr. A. Magi Begi: 8:5 Uhr Ede: Name:..........................Vorame:............................ Matr.Nr.:........................Studiegag:.........................
MehrMusterlösung der Klausur. Analysis I WS 2012/13
Musterlösug der Klausur Aalysis I WS 202/3 Aufgabe (C) Die Folge ( ) 2N 2 R N sei durch : (2 + 32 )( + 2) 2 3 + 2 2 gegebe Ma utersuche mittels der Recheregel für Kovergez, ob ( ) 2N kovergiert ud bereche
MehrHöhere Mathematik I für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr Christoph Schmoeger Dipl-Math Sebastia Schwarz WS 4/5 45 Höhere Mathematik I für die Fachrichtug Physik Lösugsvorschläge zur Übugsklausur Aufgabe
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
Mehr4. Die Menge der Primzahlen. Bertrands Postulat
O. Forster: Eiführug i die Zahletheorie 4. Die Mege der Primzahle. Bertrads Postulat 4.1. Satz (Euklid. Es gibt uedlich viele Primzahle. Beweis. Wir zeige, dass es zu jeder edliche Mege p 1, p 2,..., p
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
MehrÜbungen zu Einführung in die Analysis, WS 2014
Übuge zu Eiführug i die Aalysis, WS 2014 Ulisse Stefaelli 19. Jauar 2015 1 Wiederholug 1. Seie p, q ud r Aussage. Zeige Sie, dass dei Aussage Tautologie sid. p ( p q), (b) ( p q) ( p q), [ ((p ) ( ) ]
Mehr3. Taylorformel und Taylorreihen
Prof Dr Siegfried Echterhoff Aalysis Vorlesug SS 9 3 Taylorformel ud Taylorreihe Sei I R ei Itervall ud sei f : I R eie Fuktio Ziel: Wolle utersuche, wa sich die Fuktio f i eier Umgebug vo eiem Pukt I
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrMusterlösungen zur Klausur Analysis I Verständnisteil
WS 2008/2009 Prof. Dr. Scheider Musterlösuge zur Klausur Aalysis I Verstädisteil 04.02.2009. a A ist ach Defiitio abzählbar, falls A edlich ist, oder falls carda = cardn gilt. b Ei Pukt x A ist ei ierer
Mehrn=1 b n, deren Summe n=1 (a n + b n ) eine konvergente Reihe ist. Die Aussage ist WAHR, ein mögliches Beispiel sind die divergenten Reihen 1
ANALYSIS WS 08/09 Vorlesug: Prof. Dr. P. Ullrich Übuge: Dr. I. Kharif/ Dr. M. Steihauer 9. ÜBUNGSBLATT- LÖSUNGSHINWEISE/Ergebisse Die folgede Bearbeituge sid - zum Teil - keie ausführliche Musterlösuge,
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrPerkolation (WS 2014) Übungsblatt 2
Istitut für Stochasti Prof. Dr. G. Last Dipl.-Math. S. Ziesche Perolatio WS 04 Übugsblatt Aufgabe Zeige Sie für T, dass θ 0 p ud χ 0 p stetig auf [0, ] sid, we ma als Wertebereich R + { } zulässt. Lösug:
MehrKompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0
Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrMethoden zur Konstruktion von Schätzern
KAPITEL 5 Methode zur Kostruktio vo Schätzer 5.1. Parametrisches Modell Sei (x 1,..., x ) eie Stichprobe. I der parametrische Statistik immt ma a, dass die Stichprobe (x 1,..., x ) eie Realisierug vo uabhägige
MehrKlausur zur Analysis II
Uiversität Würzburg Mathematisches Istitut Prof Jör Steudig SS 007 807007 Klausur zur Aalysis II Aufgabe Die Mege M R 3 sei gegebe durch Zeit: 7:45-9:45 M := { x, y, z R 3 expx + y + z = } a Ist M abgeschlosse?
MehrAnhang A: Die Gamma-Funktion
O. Forster: Zetafuktio ud Riemasche Vermutug Ahag A: Die Gamma-Fuktio A.. Defiitio. Die Gamma-Fuktio ist für eie komplee Variable z mit Rez > durch das Euler-Itegral Γz := t z e t defiiert. Da mit := Rez
MehrFormelsammlung Statistik 29. Januar 2019
Formelsammlug Statistik Seite 1 Formelsammlug Statistik 9. Jauar 019 Witersemester 018/19 Adreas Löpker, HTW Dresde 1. Deskriptive Statistik (F1) Stichprobe x vom Umfag, Stichprobe y vom Umfag m x = (x
MehrKarlsruher Institut für Technologie (KIT) WS 2012/13 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Istitut für Techologie KIT) WS 0/3 Istitut für Aalysis 030 Prof Dr Tobias Lamm Dr Patrick Breuig Höhere Mathematik I für die Fachrichtug Physik 8 Übugsblatt Aufgabe Bereche Sie die Ableituge
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. D. Castrigiao Dr. M. Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik 3 für Physik (Aalysis 2) http://www-hm.ma.tum.de/ss10/ph2/ 23. Charakterisierug vo Cauchy-Folge
Mehr(4) = 37,7 % mit 37,7 % Wahrscheinlichkeit sind es höchstens 4 Fahrräder, das ist recht hoch; man kann also die Behauptung nicht wirklich ablehnen.
Schülerbuchseite 98 1 Lösuge vorläufig IV Beurteilede Statistik S. 98 p S. 1 p w a t Tabelle Tabelle dowloadbar im Iteretauftritt 1 Teste vo Hypothese 1 a) Erwartugswert μ = 5 ud Stadardabweichug σ = 1,6;
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrKonvexität und Ungleichungen
Koveität ud Ugleichuge Tag der Mathematik 2003 Holger Stepha Weierstraß Istitut für Agewadte Aalysis ud Stochastik http://www.wias-berli.de/people/stepha = Für mathematisch iteressierte Schüler = Folie
MehrKonfidenzbereiche die auf Runden Normaldaten Basiert Sind
Kofidezbereiche die auf Rude Normaldate Basiert Sid Steve Vardema C-S (Johso) Lee (JQT 001, Comm Stat 00, (003)) Iliaa Vaca (M.S. laufed) 1 Gerudete/Digitale Date Kei eues Problem z. B. gibt es: Sheppard,
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrP{k Fehlschläge vor dem ersten Erfolg} P(X=k) = p k = f(k) = p(1-p) k, k= 0, 1, 2,..., 0< p <1, F(k) = 1 - q k+1, q:=1-p, E(X) = q p, var(x) = q p 2
GEOMETRIC geometrische Verteilug (Pascalverteilug mit r)/geometric distributio (df)/ la loi geometrique/distribució geométrica/distribuzioe geometrica P{k Fehlschläge vor dem erste Erfolg} P(Xk) k f(k)
MehrStrukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
Mehrn=0 f(x) = log(1 + x) = n=1
Potez - Reihe Machmal ist es praktisch eie Fuktio f() mir Hilfe ihrer Potezreihe auszudrücke. Eie Potezreihe um de Etwicklugspukt 0 sieht im Allgemeie so aus a ( 0 ) Fuktioe, für die eie Potezreihe eistiert,
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr. A. Müller-Rettkowski Dr. T. Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge
Mehr5.4.2 Die empirische Verteilungsfunktion als Ausgangspunkt
Tests 9 5.4 Der Kolmogorov Smirov Test Grudlage für de Kolmogorov Smirov Apassugs Test ist ei Satz vo Kolmogorov, die asymptotische Verteilug eier Statistik Δ betreffed. Aus Δ ergibt sich durch Modifikatio
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrKapitel 11 DIE NORMAL-VERTEILUNG
Kapitel DIE NORMAL-VERTEILUNG Fassug vom 7. Februar 006 Prof. Dr. C. Porteier Mathematik für Humabiologe ud Biologe 49 . De itio der Normal-Verteilug. De itio der Normal-Verteilug Bisher habe wir ur diskret
MehrAnalysis I. Prof. Dr. H. Brenner Osnabrück WS 2014/2015. Vorlesung 20. Konvexe Funktionen
Prof. Dr. H. Breer Osabrück WS 2014/2015 Aalysis I Vorlesug 20 Kovexe Fuktioe Eie kovexe Teilmege. Eie ichtkovexe Teilmege. Defiitio 20.1. Eie Teilmege T R heißt kovex, we mit je zwei Pukte P, Q T auch
MehrHöhere Mathematik 3. Kapitel 12 Differenzengleichungen, z-transformation. Prof. Dr.-Ing. Dieter Kraus
Höhere Mathematik 3 Kapitel 1 Differezegleichuge, z-trasformatio Prof. Dr.-Ig. Dieter Kraus Höhere Mathematik 3 Kapitel 1 Ihaltsverzeichis 1 Differezegleichuge, -Trasformatio...1-1 1.1 Eiführug i Differezegleichuge...1-1
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrParameterschätzung. Numero, pondere et mensura Deus omnia condidit
Parameterschätzug Numero, podere et mesura Deus omia codidit Populatio, Zufallsvariable, Stichprobe Populatio Zufallsvariable X Stichprobe x eie"realisierug vo X (Beobachtug) alle mäliche Rekrute der US
MehrHöhere Mathematik I für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Sebastia Schwarz SS 5 7.9.5 Höhere Mathematik I für die Fachrichtug Physik Lösugsvorschläge zur Bachelor-Modulprüfug
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
Mehr5 Brownsche Bewegung (Version )
5 Browsche Bewegug (Versio 3..08) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess existiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
MehrStarke und schwache Einwegfunktionen
Starke ud schwache Eiwegfuktioe Daiela Weiberg weiberg@iformatik.hu-berli.de Semiar: Perle der theoretische Iformatik Dozete: Prof. Johaes Köbler, Olaf Beyersdorff Witersemester 2002/2003 2. Dezember 2002
MehrAnalysis 1 für Informatiker und Statistiker Beispielslösungen, Woche 13
Mathematisches Istitut der LMU WS 016/17 Prof. Dr. S. Morozov Olie am: Dr. H. Hogreve 1. 01. 017 Aalysis 1 für Iformatiker ud Statistiker Beispielslösuge, Woche 1 1.1 (a Um festzustelle, ob die utestehede
MehrLangrange-Multiplikators und Hinreichende Bedingungen
Albert Ludwigs Uiversität Freiburg Abteilug Empirische Forschug ud Ökoometrie Mathematik für Wirtschaftswisseschaftler Dr. Sevtap Kestel Witer 008 10. November 008 14.-4 Lagrage-Multiplikators ud Hireichede
MehrTutoraufgabe 1 (Rekursionsgleichungen):
Prof. aa Dr. E. Ábrahám Datestrukture ud Algorithme SS4 Lösug - Übug F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe (Rekursiosgleichuge): Gebe Sie die Rekursiosgleichuge für die Laufzeit der folgede
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
MehrD-MATH, D-PHYS, D-CHAB Analysis II FS 2018 Prof. Manfred Einsiedler. Lösung 2
D-MATH, D-PHYS, D-CHAB Alysis II FS 28 Prof. Mfred Eisiedler Lösug 2 Hiweise. Gehe Sie log zum Kochrezept zur Treug der Vrible i liere Differetilgleichuge vor (siehe Abschitt 7.5.3 im Skript). 2. Bemerke
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
Mehr