Stochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
|
|
- Fritzi Kohl
- vor 5 Jahren
- Abrufe
Transkript
1 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 = die ähmaschie ist ubrauchbar}. Laut Aufgabestellug gilt P (D) =.3, P (U D) =.75 ud P (U D c ) =.4. Der Satz der totale Wahrscheilichkeit liefert P (U) = P (U Ω) = P (U (D D c )) = P (U D) + P (U D c ) = P (U D)P (D) + P (U D c )P (D c ) = P (U D)P (D) + P (U D c )( P (D)) = =.55. Die Wahrscheilichkeit, dass eie ähmaschie, die mehr als 5 Jahre alt ist, ubrauchbar ist, ist 5.5%. b) (.5 Pukte) P (D c U) = P (Dc U) = P (U Dc )P (D c ) = P (U Dc )( P (D)).4.7 = =.554. P (U) P (U) P (U).55 Die Wahrscheilichkeit, dass eie ähmaschie, die ubrauchbar ist, ie eie Ausfall gehabt hat, ist 55.4%. c) ( Pukt) Es beschreibe die Zufallsvariable X die Gesamtzahl der ähmaschie, die ierhalb vo 5 Jahre eie kleie Defekt habe. Da gilt X Bi( =, p =.3). Die Wahrscheilichkeit, dass keie ähmaschie eie kleie Defekt hat, ist also gegebe durch P (X = ) = ( p) =.7 =.8 =.8%. d) ( Pukt) Es beschreibe die Zufallsvariable Z die Gesamtzahl der ähmaschie, die ierhalb vo 5 Jahre komplett ausfalle. Da gilt Z Bi( =, p =.55). Also sid die Gesamtkoste Y = 6 + 6Z = 6( + Z). Die durchschittliche Gesamtkoste sid gegebe durch de Erwartugswert der Zufallsvariable Y, also E(Y ) = E(6(+Z)) = 6(+E(Z)) = 6(+p) = 6(+.55) = 93. e) ( Pukt) Die Wahrscheilichkeit, dass das Budget überschritte wird, ist gegebe durch P (Y > 66) = P (6( + Z) > 66) = P (Z > ) = P (Z ) ( ) = P (Z = ) P (Z = ) = p ( p) = (.495).55 (.495) 9 =.99 = 99%. ( ) p ( p) 9
2 . (6 Pukte) a) ( Pukt) f X (x) = R f X,Y (x, y)dy = 8x x } x ydy = 8x x } [ y ] x = 4x 3 x }. b) ( Pukt) Die Wahrscheilichkeit, dass der Küchechef weiger als a hg für eie Pizza verwedet, ist gegebe durch P (X a) = F (a) = a f X (x)dx = a 4x 3 x } dx = a 4 a } + a>}. Also ist die Wahrscheilichkeit, dass der Küchechef weiger als 5 g =.5 hg für eie Pizza verwedet, gegebe durch P (X.5) = (.5) 4 =.65 = 6.5%. c) ( Pukt) Die Wahrscheilichkeit, dass der Küchechef δ mal soviel Mozzarella wie Tomatesauce für eie Pizza verwedet, wobei δ >, ist wege y x} x > δy} = y < x } gegebe durch δ P (X > δy ) = x>δy}f X,Y (x, y)dxdy = 8xy x } y x} x>δy}dxdy R R x δ [ ] x y δ = 8x ydy dx = 8x dx = 4 x 3 dx = δ δ. Wir suche δ >, so dass gilt P (X > δy ) =. Daraus folgt, dass δ = 9 = 3. Mit eier 9 Wahrscheilichkeit vo =.% verwedet der Küchechef dreimal soviel Mozzarella 9 wie Tomatesauce. d) ( Pukt) Die erwartete Quotiet zwische Mozzarella ud Tomatesauce für eie Pizza ist gegebe durch ( ) X x x E = Y y f X,Y (x, y)dxdy = 8x dy dx = 8x 3 dx =. R Im Durchschitt verwedet der Küchechef zweimal soviel Mozzarella wie Tomatesauce. e) ( Pukt) Wir bereche die bedigte Verteilug vo Y gegebe X = x für x >. Das ist = 8xy <x } y x} = x y 4x 3 y x} <x } für x >. Wir bereche de bedigte Erwartugswert vo Y gegebe X = a mit > als f Y X=x (y) = f X,Y (x, y) f X (x) E(Y X = a) = R yf Y X=a (y)dy = a a y dy = 3 a. We der Küchechef scho 7 g =.7 hg Mozzarella für eie Pizza verwedet hat, so ist die erwartete Mege vo Tomatesauce E(Y X =.7) =.7 hg =.47 hg = 47 g. 3
3 f) ( Pukt) Die Dichte vo Y für y ist f Y (y) = R f X,Y (x, y)dx = y 8xydx = 4y( y ) y }. Also gilt f X,Y (x, y) = 8xy x } y x} 4x 3 x } 4y( y ) y } = f X (x)f Y (y), d.h. X ud Y sid icht uabhägig. 3. (6 Pukte) a) (.5 Pukte) Wir suche so, dass das s-te theoretische Momet vo X, defiiert als µ s = E(X s ), ud das s-te empirische Momet vo x,..., x, defiiert als m s = i= xs i, übereistimme. Also habe wir für s =, µ (, λ) = m µ (, λ) = m E(X) = m E(X ) = m E(X) = m Var(X) + E(X) = m Durch Ersetze vo i der zweite Gleichug bekomme wir λ= m m m Dies führt zum Mometeschätzer ˆλ MoM = i= X i i= X i ( i= X i ( ) = X i= X i X i= ˆ MoM = X i) i= X i ( X i= X ) = i i= X i. X, λ = m + λ = m ud = m m. m b) (.5 Pukte) Da die Beobachtuge uabhägig sid, köe wir die Likelihoodfuktio schreibe als L(x,..., x,, λ) = i= f,λ(x i ). Die log-likelihoodfuktio ist l(x,..., x,, λ) = ( ) λ log L(x,..., x,, λ) = log f,λ (x i ) = log Γ() x i e λx i i= i= = log λ log Γ() + ( ) log x i λ x i. Die Ableitug der log-likelihoodfuktio ist l(x,..., x,, λ) = λ λ x i. Also i= habe wir, dass l(x,..., x,, λ) = λ = λ i= x. Da die zweite Abteilug i l (x,..., x,, λ) = λ λ Der gesuchte Maximum-Likelihood-Schätzer ist also i= egativ ist, schliesse wir daraus, dass λ ei Maximum ist. ˆλ MLE = i= X i = X. i=
4 c) (.5 Pukte) Wir ehme a, dass die Kerkraftwerke uabhägig voeiader sid. Eie zweite Aahme ist, dass gross geug ist, damit die ormalverteilug via de zetrale Grezwertsatz eie gute Approximatio liefert. Wir wede also de zetrale Grezwertsatz a. Laut dem ZGS ist X approximativ (µ X, σ X )-verteilt mit µ X = E(X) = ud λ σ X = Var(X) =. λ Die Wahrscheilichkeit, dass die durchschittliche Lebesdauer der Kerkraftwerke die Höchstgreze A überschreitet, ist also approximativ gegebe durch ( ) X µ X P (X > A) = P (X A) = P A µ X P ( Z A µ X σ X σ X σ X ) ( ) (A µx ) = Φ σ X ( ( )) ( A λ = Φ = Φ (A /λ λ ) ). λ d) (.5 Pukte) Die Wahrscheilichkeit, dass die Differez zwische der durchschittliche Lebesdauer der Kerkraftwerke ud der erwartete Lebesdauer eies Kerkraftwerks höchstes Jahr beträgt, ist approximativ gegebe durch ( P ( X µ X ) P Z σ ) ( ) X = P Z = P ( Z σ X ) ( ) P Z σ X ( ) ( ) = Φ Φ σ X ( ) = Φ. σ X Wir suche, so dass approximativ gilt ( ) P ( X µ X ).95 Φ.95 Φ (.975)σ X σ X σ X σ X σ X ( Φ (.975) ) λ. Wege Φ (.975) =.96 sollte Frakreich approximativ midestes 3.84 λ Kerkraftwerke habe. 4. (6 Pukte) Seie X i (µ, σ ) die Zahl der Chips i Paket i, die fehlerhaft sid, ud wie immer die tatsächlich gemessee Werte x,..., x Realisieruge davo. Der Parameter µ soll getestet werde. Da die Stadardabweichug σ ubekat ist, muss sie aus de Date geschätzt werde, was us zum t-test führt.
5 a) ( Pukt) Mit t ; = t 9;.975 =.6 ergibt sich die Realisierug des [ ] s 95%-Vertrauesitervalls zu I 95% = x t 9,.975 s, x + t 9,.975 = [6., 3.99]. b) ( Pukt) Wir wolle wisse, ob mehr als.5% der Chips fehlerhaft sid, d.h. ob µ grösser als 5 ist. Dazu führe wir eie ach obe eiseitige Test zum iveau % mit ull- ud Alterativhypothese H : µ = µ : = 5 ud H A : µ > µ durch. Der Verwerfugsbereich ist somit gegebe durch K = [t,, ) = [t 9,.99, ) = [.8, ). Die Realisierug der Teststatistik ist t = x µ = 9 5 s 4.9 weshalb die ullhypothese verworfe wird. = 3. K, c) ( Pukt) Wir suche das iveau, das gerade de Verwerfugsbereich [3., ) hat; das heisst, wir suche das iveau, für das t, = 3. gilt. Durch Rückwärtsauslese aus der Tabelle der t-quatile sieht ma lediglich, dass der Wert zwische % ud.5% liege muss (liear iterpoliert bekommt ma.77%). Dieses iveau heisst P -Wert. We σ = 4. bekat ist, verwede wir jetzt de z-test. Der eizige Uterschied ist, dass die Quatile der t-verteilug durch jee der Stadardormalverteilug ud die geschätzte Streuug durch die tatsächliche Streuug ersetzt werde. d) ( Pukt) K = [z, ) = [z.99, ) = [.36, ). Die Teststatistik lautet u Z = X µ, ud ihre Realisierug ist gegebe durch σ z = x µ σ Also wird H auch hier verworfe. = = 3. K. e) ( Pukt) Wege Z ( µ µ, ) ist Z µ=6 (.753, ), ud somit ergibt sich die σ Wahrscheilichkeit für eie Fehler.Art zu P µ=6 (Z / K) = P µ=6 (Z <.36) = F (.753,) (.36) = Φ( ) was ziemlich hoch ist. = Φ(.573) =.94 94%, f) ( Pukt) Die Breite des Vertrauesitervalls ist σ z.995. Somit ergibt sich die Bedigug σ z.995 < ud weiter > σz.995 =4..576=.8 bzw. >.8 =7.5, d.h. sollte midestes 8 sei. Die Frage ist u, wie gross x 8 sei muss, damit z = 8 x gilt. Diese 4. Bedigug ist äquivalet zu x = 5.9. Bei eiem Stichprobeumfag vo = 8 würde also bereits ei empirisch gemesseer Mittelwert vo 5.9 zum eiseitige Verwerfe der ullhypothese führe. 5. (6 Pukte)
6 a) (.5 Pukte) Die Stichprobe ist gepaart. Es geht um die gleiche Videos, mit zwei uterschiedliche Werbuge. b) (.5 Pukte) Wir köe icht sage, dass die Verteilug eie ormalverteilug ist. Wir köe mit eiem QQ-Plot besser beurteile, ob eie ormalverteilug vorliegt oder icht. c) ( Pukt) Sei D i = X i Y i, wobei X i die durchschittliche Zeit der Wiedergabe des i-te Videos mit der Werbug A sei, ud Y i die durchschittliche Zeit der Wiedergabe des i-te Videos mit der Werbug B. Wir wolle teste, ob die durchschittliche Zeite der Wiedergabe der Videos bei de zwei Werbuge uterscheide. Es gibt keie Aahme der ormalverteilug. Die Voraussetzuge für de etsprechede Wilcoxo-Test sid daher, dass die D i uabhägig ud idetisch verteilt, mit eier um de Mittelwert µ symmetrische stetige Verteilug, sid. Für de t-test kommt hizu, dass die D i ormalverteilt sei müsse. Für de Vorzeichetest würde ma die Symmetrie icht brauche, soder ur, dass der Media ull ist. Daher ist der Wilcoxo-Test am beste geeiget um die gegebee Iformatioe bestmöglich auszuutze. d) (.5 Pukte) Wir wolle herausfide, ob der Mittelwert µ der Differeze D i = X i Y i ugleich ist. Dazu führe wir eie zweiseitige Test zum iveau 5% mit ull- ud Alterativhypothese H : µ = ud H A : µ durch. Der Verwerfugsbereich ist somit gegebe durch K = W l} W u} = W 8} W 47}. Wir bereche die etsprechede Räge Rag( d i ) ud die V i -Idikatore. Werbug A (x i ) Werbug B (y i ) d i = x i y i Rag( d i ) v i Die Realisierug der Teststatistik ist w = Rag( d i )v i = = 3.5 / K, i= weshalb die ullhypothese icht verworfe wird. Es ka also icht achgewiese werde, dass sich die durchschittliche Zeite der Wiedergabe der Videos mit de beide Werbuge uterscheide. e) (.5 Pukte) We die Date wirklich (µ, σ )-verteilt sid, erwarte wir ugefähr eie Gerade (mit Steigug σ ud Achseabschitt µ). Ahad dieses QQ-Plots köe wir schliesse, dass die Zeitdiffereze eher (µ, σ )-verteilt sid. f) ( Pukt) Uter der Aahme eier ormalverteilug sollte Youtube de t-test wähle, da er eie bessere Macht hat (uter dieser Aahme) als der Wilcoxo-Test oder der Vorzeiche-Test. Der z-test ist keie Optio, de die Variaz ist icht bekat. Also führe wir eie zweiseitige Test zum iveau 5% mit ull- ud Alterativhypothese H : µ = ud H A : µ durch. Der Verwerfugsbereich ist somit gegebe durch
7 K = (, t ] [t, ) = (, t.5] [t.975, ) = (,.6] [.6, ). Die Teststatistik lautet u T = D µ s d, ud ihre Realisierug ist gegebe durch t = d µ =.7 s d 4.85 Also wird H auch hier icht verworfe. g) ( Pukte) Wir suche, so dass t 9, =.456 / K. =.456. Also wolle wir mit P (T 9.456) = P (T 9.456) = P (T 9.456) = Durch Rückwärtsauslese aus der Tabelle der t-quatile sieht ma lediglich, dass der Wert zwische 6% ud 7% liege muss (liear iterpoliert erhält ma 66.9%). Der P -Wert (zwische 6% ud 8%) ist demzufolge gösser als das Sigifikaziveau 5%; deshalb wird die ullhypothese icht verworfe.
Stochastik - 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}.
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
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
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,...,
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
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
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
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
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
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
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
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
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
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
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
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
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 2018 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Bitte... Lege deine Legi auf den Tisch. Trage deine Daten in dieses Deckblatt ein, und schreibe auf jedes
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
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
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.
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
Mehr6 Vergleich mehrerer unverbundener Stichproben
6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die
Mehr3.2 Wilcoxon Rangsummentest
3. Wilcoxo Ragsummetest Wir gehe davo aus, dass zwei Teilstichprobe x 1, x,..., x 1 ud y1, y,..., y vorliege, wobei die erste Teilstichprobe aus Realisieruge vo uabhägig ud idetisch stetig verteilte Zufallsvariable
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
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
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
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
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
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
MehrStatistische Tests zu ausgewählten Problemen
Eiführug i die statistische Testtheorie Statistische Tests zu ausgewählte Probleme Teil : Tests für Erwartugswerte Statistische Testtheorie I Eiführug Beschräkug auf parametrische Testverfahre Beschräkug
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
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrMusterlösung. Prüfung Statistik Herbstsemester 2011
Prüfug Statistik Herbstsemester 2011 Musterlösug 1. 9 Pukte Lukas ud Markus habe bisher immer Feiste Mii-Brezel 100g des Herstellers Gammelbrot ud Söhe zum Züi gegesse. Vom städige Hugerklage vo Markus
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
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
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
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
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
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
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)
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
MehrAuszüge der nichtparametrischen Statisik
Empirische Wirtschaftsforschug - 1 - Auszüge der ichtparametrische Statisik Kapitel 1: Räge ud lieare Ragstatistike Aahme, Defiitioe ud Eigeschafte (1.1) Aahme: (a) (b) Die Date x 1,, x sid midestes ordial.
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,
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
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrGrundlagen der Biostatistik und Informatik
Vergleich vo mehrere Stichprobe Grudlage der Biostatisti ud Iformati Hypotheseprüfuge III., Nichtparametrische Methode dr László Smeller Semmelweis Uiversität 0 Vergleich vo mehrere Stichprobe Boferroi
Mehrs xy x i x y i y s xy = 1 n i=1 y 2 i=1 x 2 s 1 n x n i Streudiagramme empirische Kovarianz x=5,5 y=7,5
Streudiagramme für metrisch skalierte Variable paarweise Messwerte (x,y) x 5 7 y 7 5 7 5 5 7 Aussage zu Zusammehäge. empirische Kovariaz Stadardabweichug der WertPAARE x i x y Wert x Mittelwert aller x
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG 9 - LÖSUNGEN. Ziehug vo Kugel aus eier Ure a. Die Zahl der Permutatio der Kugel, die aus Klasse utereiader gleicher
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
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
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
MehrLösung der Nachklausur
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
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,...,
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
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
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
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik 2 für Naturwisseschafte 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Modul 209 Tabelle Has Walser: Modul 209, Tabelle ii Ihalt Fakultäte... 2 Biomialkoeffiziete... 2 3 Biomische Verteilug... 3
MehrMaschinelle Sprachverarbeitung: Mathematische Grundlagen
HUMOLDT-UNIVERSITÄT ZU ERLIN Istitut für Iformatik Lehrstuhl Wissesmaagemet Maschielle Sprachverarbeitug: Mathematische Grudlage Tobias Scheffer Ulf refeld Literatur Huag, cero, Ho: Spoke Laguage rocessig,
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) 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.
MehrProf. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5
Prof. Dr. Holger Dette Musterlösug Statistik I Sommersemester 009 Dr. Melaie Birke Blatt 5 Aufgabe : 4 Pukte Sei X eie Poissoλ verteilte Zufallsvariable mit λ > 0, ud die Verlustfuktio L sei defiiert durch
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
MehrAnwendung für Mittelwerte
Awedug für Mittelwerte Grudgesamtheit Stichprobeziehug Zufalls- Stichprobe... "wahre", ubekate Mittelwert der Grudgesamtheit icht zufällig?... beobachtete Mittelwert zufällig Statistik für SoziologIe 1
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Sommer 207 Stochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (jeweils: Punkt für richtig, 0 Punkt für falsch) a) 2. b) 2. c) 2. d). e). f). g). h). i) 2. j).
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
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
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
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
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
MehrVorbereitung auf 6. Übungsblatt (Präsenzübungen) - Lösungen
Prof. Dr. Raier Dahlhaus Statisti Witersemester 06/07 Vorbereitug auf 6. Übugsblatt Präsezübuge - Lösuge Aufgabe P0 Bereche vo UMVU-Schätzer. Gegebe sei jeweils ei statistisches Modell R, B R, P θ, θ Θ
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
MehrEvaluation & Forschungsstrategien
Evaluatio & Forschugsstrategie WS2/2 Prof. Dr. G. Meihardt Johaes Guteberg Uiversität Maiz Prizipie des statistische Schliesses Samplig - Modellvorstellug Populatio Samplig Stichprobe Kewerte x Theoretische
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrAufgabe 1. d) Berechnen Sie die Wahrscheinlichkeit dafür, dass Axel 1,5 Stunden warten muss.
Lehrstuhl für Statistik ud Ökoometrie Otto-Friedrich-Uiversität Bamberg Prof. Dr. Susae Rässler Aufgabe 1 Aufgrud eier Sommergrippe muss Studet Axel seie Hausarzt aufsuche. Um die Wartezeit besser abschätze
MehrGrundsätzlich sollen Varianz bzw. Standardabweichung Maße dafür sein, wie stark eine Verteilung um ihren Erwartungswert streut.
Eie Iterpretatiosfrage habe ich zu eiem Beispiel das i der der letzte Vorlesug behadelt wurde: Auf Folie.7 zur Variaz. Dort wird ei Beispiel eier stetige Zufallsvariable geat (Warte a eier S-Bah-Haltestelle).
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2015/2016. Aufgabe 1
Lehrstuhl für Statistik ud Ökoometrie der Otto-Friedrich-Uiversität Bamberg Prof. Dr. Susae Rässler Klausur zu Methode der Statistik II (mit Kurzlösug) Witersemester 2015/2016 Aufgabe 1 Die leideschaftliche
MehrEreignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)
Kapitel 10 Statistik 10.1 Wahrscheilichkeit Das Ergebis eier Messug oder Beobachtug wird Ereigis geat. Ereigisse werde mit de Buchstabe A, B,...bezeichet. Die Messug eier kotiuierliche Variable x gibt
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Ihaltsverzeichis 1 Vorbemerkuge 1 Zufallsexperimete - grudlegede Begriffe ud Eigeschafte 3 Wahrscheilichkeitsaxiome 4 4 Laplace-Experimete 6 5 Hilfsmittel aus der Kombiatorik 7 6 Bedigte Wahrscheilichkeite
MehrDer χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?
Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie
MehrReader Teil 1: Beschreibende Statistik
Dr. Katharia Best Sommersemester 2011 14. April 2011 Reader Teil 1: Beschreibede Statistik WiMa-Praktikum Um Date darzustelle ud eie Übersicht über die Struktur der Date zu erstelle, stellt die beschreibede
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
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
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
Mehr(a) Richtig, die Varianz ist eine Summe quadratischer Größen.
Aufgabe 1 (10 Pukte) Welche der folgede Aussage sid richtig? (a) Richtig, die Variaz ist eie Summe quadratischer Größe. (b) Falsch, die Abweichug ordialer Merkmale vom Media ist icht defiiert - also auch
MehrTeilaufgabe 1.0 Bei der Firma Kohl kommen morgens alle im Büro Beschäftigten nacheinander ins Großraumbüro.
mathphys-olie Abiturprüfug Berufliche Oberschule 014 Mathematik 13 Techik - B I - Lösug Teilaufgabe 1.0 Bei der Firma Kohl komme morges alle im Büro Beschäftigte acheiader is Großraumbüro. Teilaufgabe
Mehr10. Testen von Hypothesen Seite 1 von 6
10. Teste vo Hypothese Seite 1 vo 6 10.1 Eiführug i das Teste vo Hypothese Eie Hypothese ist eie Vermutug bzw. Behauptug über die Wahrscheilichkeit eies Ereigisses. Mit Hilfe eies geeigete Tests (=Testverfahre)
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
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
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
MehrFormelsammlung Stochastik
Formelsammlug Stochasti Adrea Katharia Fuchs 31. Jauar 008 1 Wahrscheilicheit Ω... Ereigisraum, Grudraum ω... Elemetarereigis A, B, C... Ereigis, Teilmege vo Ω Schittmege: A B heisst A ud B Vereiigug:
MehrFormelsammlung zur Statistik
Darstellug uivariater Date Formelsammlug zur Statistik Urliste x i : x 1,... x, aufsteiged geordete Urliste x (i) Die k (verschiedee) Auspräguge: a 1
Mehr