}) = ϑ Einsen (1 ϑ) Nullen,
|
|
- Ilse Albert
- vor 7 Jahren
- Abrufe
Transkript
1 6. Schätzprobleme 6.1. Beispiele a) I eiem Teich befidet sich eie ubekate Azahl vo Fische. Ma schätze z. B. durch Agel, markiere, wieder aussetze ud ochmal agel; vgl. Übug) b) Weiteres Beispiel: Wie groß ist die Zahl der Taxis i eier Stadt? Aahme: die Taxis sid vo 1,..., durchummeriert. Ma beobachtet m Nummer, z. B. 24, 71, 5, 16, 13 m = 5). Was ist eie verüftige Schätzug für? c) Mediziische) Versuche: Wie groß ist die ubekate) Wahrscheilichkeit p, dass ei bestimmtes Medikamet wirkt? Ma testet es a Persoe ud beobachtet, dass es bei m wirkt. Was ist eie gute Schätzug für p? Aalog: p = ubekater Ateil der CDU-Wähler i der Bevölkerug). 6.2 Defiitio: Ei statistisches Modell ist ei Tripel X, A, P ϑ ) ϑ Θ ), wobei X, A) ei Messraum ist, Θ eie ichtleere) Idexmege ud P ϑ,ϑ Θ Wahrscheilichkeitsmaße auf X, A) sid. X heißt dabei Beobachtugsraum oder Stichproberaum. Iterpretatio: Der Beobachtugsraum X beschreibt die Mege der mögliche Beobachtuge, P ϑ,ϑ Θ sid die im Modell als möglich ageommee Verteiluge. Ziel ist es, de wahre Parameter ϑ Θ oder eie Fuktio τϑ) aufgrud der Beobachtug x X zu schätze. Oft ist X = R oder jedefalls X R. 6.3 Defiitio: Sei X, A, P ϑ ) ϑ Θ ) ei statistisches Modell ud Σ, S) ei Messraum. a) Eie messbare Abbildug vo X, A) ach Σ, S) heißt Statistik. b) Ist τ : Θ Σ eie Abbildug, so heißt die Statistik T : X Σ ei Schätzer für τ. Im Beispiel 6.1.c) ist es ahelieged, X = {0, 1} zu wähle, Θ = [0, 1] ud P ϑ { }{{ 11011} }) = ϑ Eise 1 ϑ) Nulle, Ziffer {0,1} wobei x = bedeutet, dass das Medikamet bei der erste, dritte, vierte, sechste Perso icht wirkte, bei de adere dagege scho. Also ist P ϑ = Q ϑ, wobei Q ϑ {1}) = ϑ,q ϑ {0}) = 1 ϑ ist. Bei diesem statistische Modell wird also vo vorherei postuliert, dass alle Versuche uabhägig sid. Wir wähle Σ, S) = Θ, B [0,1] ) ud τ : Θ Σ als die idetische Abbildug. 1
2 Ei verüftiger Schätzer T : X Θ für das ubekate ϑ = τϑ) ist i diesem Fall Tx 1,,x ) = Eise uter de x 1, x. We ma a der Uabhägigkeit der Versuchsergebisse zweifelt, köte ma auch die Mege aller Wahrscheilichkeitsmaße P ϑ ) ϑ Θ auf X = {0, 1} asetze. Aber: wie soll ma i diesem Fall das wahre ϑ oder P ϑ ) aus de Beobachtuge schätze? Geerelles Problem: Θ zu groß: eie verüftige Schätzug vo ϑ ist wg. i Relatio zur Größe vo Θ zu geriger Datemege problematisch. Θ zu klei: Gefahr, dass das wahre ϑ icht i Θ liegt. Bemerkug: I 6.3. wird ichts über die Güte eies Schätzers ausgesagt. Er ka auch völlig usiig sei. User Ziel ist es, Gütekriterie für Schätzer zu fide ud gute Schätzer zu kostruiere. Grob gesproche wird ma eie Schätzer T für τ da als gut bezeiche, we für alle ϑ Θ Tx) mit großer Wahrscheilichkeit bzgl. P ϑ ) eie Wert ahe bei τϑ) aimmt. Ei Gütekriterium ist: 6.4. Defiitio: Sei Σ R k. Ei Schätzer T heißt erwartugstreu oder uverzerrt eglisch ubiased) für τϑ), we E ϑ TX)) = τϑ) für alle ϑ Θ. Dabei sei E ϑ der Erwartugswert bezüglich des Wahrscheilichkeitsmaßes P ϑ im Fall k > 1 ist die Gleichheit kompoeteweise zu verstehe). X : X X steht dabei für die idetische Abbildug = Beobachtug). Allgemei heißt bϑ,t) := E ϑ TX)) τϑ) Verzerrug egl.: bias) des Schätzers T für τ. Beispiel 6.1.c), Fortsetzug: Wir zeige, dass der betrachtete Schätzer Tx 1,,x ) = Eise uter de x 1,,x erwartugstreu für τϑ) := ϑ ist: ) 1 E ϑ TX 1,,X ) = E ϑ X i = 1 E ϑ X i = 1 ϑ = ϑ. 2
3 6.5. Beispiel: Bei eier Warelieferug vo 1000 Eiheite seie M defekt M ubekat ud zu schätze). Es werde 15 Eiheite getestet. Sivolles statistisches Modell: X = {0,, 15}, x = defekte Teile i Stichprobe Θ = {0,, 1000}. τϑ) = ϑ= M). Sivoll erscheit Tx) = x Ist T erwartugstreu? Offebar ist im Fall vo ϑ = M defekte Teile die Azahl der defekte Teile i der Stichprobe hypergeometrisch mit Parameter 15, 100, M) verteilt, also E ϑ TX) = E ϑ X ) = E ϑx) = ϑ 1000 = ϑ. Es gibt Fälle, bei dee zwar erwartugstreue Schätzer existiere, diese aber usiig sid obwohl es verüftige icht erwartugstreue Schätzer gibt) Beispiel: Sei X = N 0, Θ = 0, 1), P ϑ = Poissoverteilug mit Parameter λ = 1 l ϑ. 2 Behauptug: Tx) = 1) x ist der eizige erwartugstreue Schätzer für ϑ, aber usiig. Beweis: i) T ist erwartugstreu: E ) ϑ 1) X = 1) k 1 2 l ϑ ) k e 1 2 l ϑ k! }{{} = ϑ k=0 ϑ k=0 1 2 l ϑ ) k k! = ϑ ϑ = ϑ. ii) T ist der eizige erwartugstreue Schätzer: Sei S auch erwartugstreu, d. h. ϑ 0, 1) gilt e 2λ = ϑ = E ϑ SX) = k=0 Sk) λk k! e λ d.h. λ 0, ) gilt e λ = Nach dem Idetitätssatz für Potezreihe folgt Sk) = 1) k k N 0. iii) T ist usiig: T immt ur die Werte 1 ud -1 a, die gar icht i Θ liege! k=0 Sk) λk k! Bemerkug: Es gibt auch Fälle, i dee überhaupt kei erwartugstreuer Schätzer existiert. 3
4 We ma zwei erwartugstreue Schätzer T 1 ud T 2 für dasselbe τ hat, da ist es ahelieged, T 1 dem Schätzer T 2 da vorzuziehe, we er für alle ϑ eie kleiere Variaz als T 2 aufweist da liegt ämlich T 1 im Mittel äher bei τϑ) als T 2 ud zwar uabhägig vo ϑ) Defiitio: Im statistische Modell X, A, P ϑ ) ϑ Θ ) seie T 1 ud T 2 erwartugstreue Schätzer für τ : Θ R k = 1!). Gilt V ϑ T 1 ) V ϑ T 2 ) ϑ Θ, da heißt T 1 gleichmäßig besser als T 2. Gilt V ϑ T 1 ) V ϑ T) ϑ Θ für alle erwartugstreue Schätzer T für τ, so heißt T 1 gleichmäßig bester erwartugstreuer Schätzer oder UMVU für uiformly miimum variace ubiased) für τ. V ϑ : Variaz bzgl. P ϑ ). Bemerkug: I viele Situatioe gibt es gar keie UMVU-Schätzer auch i viele solche, i dee erwartugstreue Schätzer existiere). Der Schätzer T i Beispiel 6.6. ist atürlich als eiziger erwartugstreuer Schätzer für θ UMVU Beispiel: Sei X = R mit mit Borel σ Algebra), Θ = Mege aller Wahrscheilichkeitsmaße auf R mit existieredem 2. Momet. Sei τϑ) := µ ϑ der Erwartugswert ud σ 2 ϑ) die Variaz vo ϑ also µ ϑ := xdϑx), ). Weiter sei P ϑ = ϑ d. h. die Verteilug vo uabhägige gemäß ϑ verteilte reellwertige) Zufallsgröße. Behauptug: T 1 x 1,,x ) := 1 x i ist UMVU für τϑ) = µ ϑ. i) T 1 ist erwartugstreu: E ϑ T 1 X 1,,X ) = 1 E ϑ X i ) = 1 µ ϑ = µ ϑ. ii) V ϑ T 1 X 1,,X )) = V ϑ 1 X i ) = 1 σ2 ϑ). iii) Zu zeige: Für jede Fuktio T : R R mit E ϑ TX 1, X )) = µ ϑ gilt V ϑ TX 1,,X )) 1 σ2 ϑ). 4
5 Wir zeige dies der Eifachheit halber ur für = 1 ud = 2. α) = 1 : { 1 y A Sei y R ud δ y das Puktmaß auf y d. h. δ y A) = 0 y A. We T : R R erwartugstreu ist, da muß isbesodere für jedes y R E δy TX)) = y gelte, d. h. Ty) = y, d. h. es gibt für = 1 ur eie erwartugstreue Schätzer, ämlich T = T 1. Dieser ist da er ei edliches 2. Momet hat) UMVU. β) = 2: Sei x < y fest ud für p [0, 1] das Wahrscheilichkeitsmaß ϑ p defiiert als ϑ p {x}) = p, ϑ p {y}) = q = 1 p. We T : R 2 R erwartugstreu ist, da folgt E ϑp TX 1,X 2 ) = p 2 Tx,x) + p1 p)tx,y) + 1 p)pty,x) + 1 p) 2 Ty,y)! = px + 1 p)y wg.erw.treue Da die letzte Idetität für alle p [0, 1] gilt, erhält ma durch Koeffizietevergleich Tx,x) = x, Ty,y) = y ud Tx,y) + Ty,x) = x + y. Hier gibt es übriges zahlreiche erwartugstreue Schätzer, ebe T 1 z. B. och T 2 x,y) = 1 x + 2 y aber auch gewisse ichtlieare T. 3 3 Es folgt für beliebiges ϑ Θ V ϑ TX 1,X 2 )) = E ϑ TX1,X 2 ) µ ϑ ) 2) = 1 2 [ Eϑ TX1,X 2 ) µ ϑ ) 2) + E ϑ TX2,X 1 ) µ ϑ ) 2)] = 1 2 E ϑ TX1,X 2 ) 2 + TX 2,X 1 ) 2) µ 2 ϑ 1 4 E ϑ TX 1,X 2 ) + TX 2,X 1 )) 2 µ 2 ϑ = 1 4 E ϑ X1 + X 2 ) 2) µ 2 ϑ = 1 4 2E ϑx 2 ) + 2µ 2 ϑ) µ 2 ϑ = 1 2 σ2 ϑ). Warug: Verkleiert ma i Beispiel 6.8 die Mege Θ, da ka T 1 die Eigeschaft UMVU zu sei, verliere. Als Beispiel betrachte ma Θ = {P,Q} mit P{0}) = P{1}) = 1/2 ud Q{2}) = Q{3}) = 1/2. Sei = 1. Da ist offesichtlich T def. als Tx) = 0, 5 we x {0, 1} 2, 5 we x {2, 3} egal sost 5
6 UMVU, da V ϑ T) = 0 für alle d. h. beide) ϑ Θ, währed T 1 icht UMVU ist! 6.9. Nachteile des Gütekriteriums Erwartugstreue : a) u. U. existiert kei erwartugstreuer Schätzer b) selbst we, ka sogar der beste erwartugstreue Schätzer usiig sei Beispiel 6.6) c) Keie Ivariaz uter Trasformatioe, d. h. ist T erwartugstreu für τϑ) ud f : R k R l, da ist i. allg. ft) icht erwartugstreu für fτϑ))! Ei Beispiel zu c): = k = l = 1, fx) = x 2, X, A, P ϑ ) ϑ Θ ) wie i Beispiel 6.8. T 1 x) = x ist erwartugstreu aber E ϑ T1 X)) 2) = E ϑ X 2 ) > E ϑ X) 2 = µ 2 ϑ = f E ϑx)) ϑ Θ mit σ 2 ϑ) > 0! Mögliche Gütekriterie für Schätzer: 6.10 Defiitio: Rϑ,T) := E ϑ TX) τϑ) 2 ) heißt Risiko des Schätzers T a der Stelle ϑ. Wüscheswert ist ei solches T, für das Rϑ,T) möglichst für alle ϑ Θ klei ist. Im Fall k = 1 sahe wir, dass ei UMVU Schätzer T 1 ei solcher erwartugstreuer Schätzer ist, dass Rϑ,T 1 ) Rϑ,T) für alle ϑ Θ ud alle erwartugstreue Schätzer T gilt. Mögliche Defiitioe vo Optimalität köte sei: a) optimal ist T 1 für τϑ) da, we sup Rϑ,T 1 ) sup Rϑ,T) ϑ ϑ für alle Schätzer T gilt. Ei solches T 1 heißt Miimax Schätzer, da er das maximale Risiko miimiert. b) optimal ist T 1 für τϑ) da, we es de Ausdruck rt) := Rϑ,T)dµϑ) Θ miimiert, wobei µ ei vorgegebees Maß auf Θ mit eier geeigete σ Algebra) ist. Solche Schätzer heiße Bayes Schätzer. Sie häge atürlich i. allg. vo der Wahl vo µ ab. µ wird oft als à priori Verteilug bezeichet. Bayes Schätzer miimiere also das bezüglich µ) mittlere Risiko. 6
7 6.11. Kosistez: Wir betrachte die folgede spezielle Situatio: Θ sei irgedeie ichtleere) Mege vo Wahrscheilichkeitsmaße auf R ud X 1,X 2,X 3, sei eie Folge vo u.i.v. reelle Zufallsgröße mit ubekater Verteilug ϑ Θ. Sei τ : Θ R gegebe. Für jedes N sei ei Schätzer T : R R für τ gesucht. Vo eier verüftige Schätzfolge T, N erwartet ma, dass T X 1, X ) für d. h. Stichprobeumfag ) bei beliebigem zugrudeliegede wahre ϑ Θ gege das wahre τϑ) kovergiert. Da T X 1,,X ), N eie Folge vo Zufallsvariable ist, gibt es uterschiedliche Kovergezbegriffe: Defiitio: a) Die Schätzfolge T, N heißt stark kosistet, we für alle ϑ Θ gilt P ϑ T X 1,X 2,,X ) τϑ)) = 1 wobei P ϑ die Verteilug vo X 1,X 2, ist, we X 1,X 2, u.i.v. mit Verteilug ϑ). b) Die Schätzfolge T, N heißt schwach kosistet oft auch eifach kosistet), we für alle ϑ Θ ud alle ε > 0 gilt: lim P ϑ T X 1,X 2,,X ) τϑ) ε) = 0. Bemerkug: Ma beachte, dass die Begriffe stark ud schwach hier dieselbe Bedeutug wie bei de Gesetze der große Zahle habe Beispiel: Ählich wie im Beispiel 6.8. sei Θ die Mege aller Wahrscheilichkeitsmaße auf R mit existieredem Erwartugswert. Sei τϑ) := µ ϑ der Erwartugswert vo ϑ. X 1,X 2,X 3, seie u.i.v. mit Verteilug ϑ Θ. Die Schätzfolge T x 1,,x ) := 1 x i ist stark kosistet, de ach dem starke Gesetz der große Zahle gilt für jedes ϑ Θ P ϑ T X 1,,X ) τϑ) für ) = Maximum Likelihood Schätzug: Defiitio: Sei Θ R k ud Σ = Θ. Ei Schätzer T : X Θ heißt Maximum Likelihood Schätzer ML), falls etweder 7
8 a) X diskret d. h. höchstes abzählbar) ud Tx) so gewählt ist, dass P Tx) {x}) = supp ϑ {x}), x X oder ϑ Θ b) X = R ud alle P ϑ,ϑ Θ habe eie Dichte f ϑ ud f Tx) x) = sup f ϑ x),x X. ϑ Θ Iterpretatio: Wähle im Fall der Beobachtug x X uter alle zur Kokurrez zugelassee Verteiluge diejeige aus, für die die Beobachtug x maximale Wahrscheilichkeit bzw. Dichte) hat d. h. die plausibelste Erklärug für die Beobachtug. Bemerkug: ϑ P ϑ x) bzw. ϑ f ϑ x) heiße Likelihoodfuktio bei gegebeer Beobachtug x X) Beispiel: Θ = R, X = R,P ϑ = Verteilug vo X 1,,X ) mit X 1,,X u.i. Nϑ,σ 2 ) verteilt, wobei σ 2 > 0 bekat gegebe) sei der Ausdruck Nϑ,σ 2 ) wird i der Vorlesug erklärt). Wie sieht der ML Schätzer T ML für ϑ aus? Für jede Beobachtug x = x 1,,x ) R ist dasjeige ϑ gesucht, welches die Dichte vo X 1,,X ) a der Stelle x maximiert, also das Maximum vo f ϑ x) = 1 exp x i ϑ) 2 ). 2πσ 2 2σ 2 Äquivalet: ma fide das ϑ, welches log f ϑ x) maximiert. ϑ log f ϑx)) = x i ϑ) 2 ) = ϑ 2σ 2 x i ϑ σ 2! = 0. Das gesuchte ϑ ist also ˆϑ ML x) = T ML x) = 1 x i Beispiel: Ählich wie ur seie µ = EX ud σ 2 beide ubekat. Es ist Θ = R 0, ), X = R,P ϑ = Verteilug vo X 1,,X ) mit X 1,,X u.i. Nµ,σ 2 ) verteilt ; ϑ := µ,σ 2 ). Es gilt 1 f µ,σ 2x) = exp x i µ) 2 ). 2πσ 2 2σ 2 Gesucht ist das Paar ϑ = µ,σ 2 ), welches bei gegebeer Beobachtug x = x 1,,x ) f µ,σ 2x) oder äquivalet log f µ,σ 2x) ) maximiert. 8
9 µ log f µ,σ 2x)) = [ σ 2log f µ,σ 2x)) = = x i µ σ 2 = 0 d.h. ˆµ ML = 1 x i. 1 2 σ 2 log2πσ2 ) 1 2σ 2 + x i µ) 2 2σ 4! = 0 ˆσ 2 ML = 1 x i µ) 2 σ 2 2σ 2 x i ˆµ ML ) 2, ] also T ML x) = ˆµ ) ML, ˆσ ML 2 1 = x i, 1 2 x i 1 x j j=1 Bemerkug: ˆσ ML 2 ist i der Situatio vo 6.15.) icht erwartugstreu. Ma prüft aber leicht ach, dass ) 2 Tx) := 1 x 1 i 1 x j im Fall 2 die Variaz σ 2 erwartugstreu schätzt. j=1 Bemerkuge ohe Beweis): a) ML Schätzer sid ivariat uter fuktioale Trasformatioe vgl. 6.9.) d.h. ist T ML für ϑ, da ist gt) ML für gϑ) falls g ijektiv ist. b) Ma ka zeige, dass uter icht allzu starke Bediguge M L Schätzer für gewisse Optimalitätseigeschafte besitze Kofidezbereiche: We ma eie Schätzer für τ gefude hat, da ist ma meist a Fehlerabschätzuge iteressiert. Ma will dazu eie Bereich um de Schätzwert agebe, vo dem ma mit großer Sicherheit sage ka, dass er das wahre τϑ) ethält. Defiitio: Sei X, A, P ϑ ) ϑ Θ ) ei statistisches Modell, τ : Θ R k ud α [0, 1]. Eie Abbildug C : X B k = Borelmege vo R k ) heißt Kofidezbereich für τ zum Niveau α falls P ϑ {x : Cx) τϑ)}) α ϑ Θ gilt. Ist im Spezialfall k = 1 Cx) für jedes x ei Itervall, da heißt C auch Kofidezitervall für τ zum Niveau α. Bemerkug: Typische Werte für α sid α = 0, 90, α = 0, 95 oder α = 0, 99. Warug: Hat ma ei kokretes x 0 X beobachtet, so sollte ma die Sprechweise τϑ) liegt mit 9
10 der Midestwahrscheilichkeit α i Cx 0 ) vermeide, de τϑ) ist ja gar icht zufällig! Bemerkug: Bei gegebeem α ist ma a möglichst kleie Mege Cx) iteressiert. Cx) R k geht immer, ist aber uiteressat. Beispiel vgl. 6.14): Zu vorgegebeem α 0, 1) fide ma i der Situatio vo Beispiel ei Kofidezitervall für τϑ) = ϑ = µ zum Niveau α! Für jedes ϑ = µ ist Y := 1 σ X i µ) N0, 1) verteilt. Ma ka q 1,q 2 R fide, so dass Φq 2 ) Φq 1 ) = α gilt z.b. so dass q 1 = q 2 ), wobei Φ die Verteilugsfuktio der Stadard-Normalverteilug ist. Nu gilt X i q 2 σ X i q 1 σ q 1 Y q 2 µ, also hat auch das rechte Ereigis für jedes P ϑ ) Wahrscheilichkeit α, d.h. [ 1 Cx) := x i q 2 σ ), 1 x i q 1 σ ] ) ist ei Kofidezitervall für τϑ) = ϑ = µ zum Niveau α. 10
Kapitel 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
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,...,
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
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
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
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
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.
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
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
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
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 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.
MehrStatistische Experimente, statistische Modelle
Kapitel 2 Statistische Experimete, statistische Modelle 2.1 Defiitioe I diesem Kapitel führe wir eiige Begriffe ei, ud zwar i eier solche Allgemeiheit, daß sie auch für stochastische Prozesse eisetzbar
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
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 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
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
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)
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
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
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,...,
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
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
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
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:
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
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
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
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
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
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
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
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
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
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
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
MehrX in einer Grundgesamtheit vollständig beschreiben.
Prof. Dr. Rolad Füss Statistik II SS 008. Puktschätzug vo Parameter eier Grudgesamtheit Nur durch eie Totalerhebug ka ma die Verteilug eier Zufallsvariable X i eier Grudgesamtheit vollstädig beschreibe.
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
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
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
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
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
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,
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
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
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
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
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrInhaltsverzeichnis. Wirtschaftswissenschaftliches Zentrum 11 Universität Basel. Mathematik 2
Wirtschaftswisseschaftliches Zetrum 11 Uiversität Basel Mathematik Dr. Thomas Zehrt Schätze Beötigtes Vorwisse: Der Stoff der Vorlesug,,Statistik wird als bekat vorausgesetzt, isbesodere Kapitel 11,,(Pukt)schätze
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
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
Mehr2 Induktive Statistik
Kapitel 2 Iduktive Statistik Seite 19 2 Iduktive Statistik 2.1 Grudprizipie der iduktive Statistik 2.2 Puktschätzug 2.2.1 Schätzfuktioe Defiitio 2.1 Sei X 1,...,X i.i.d. Stichprobe. Eie Fuktio heißt Schätzer
MehrÜbungsblatt 9 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 9 zur Vorlesug Statistische Methode Schätztheorie ud Kofidezitervalle Herausgabe des Übugsblattes: Woche 8, Abgabe der Lösuge: Woche 9 (bis Freitag, 65 Uhr), Besprechug:
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
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
Mehr1. Einführung. 1 A (T (x 1,..., x n )) P θ (dx 1 )... P θ (dx n ) X. P θ {T n (X 1,..., X n ) A} =
. Eiführug Bezeichuge: Der durch die Zufallsgröße X defiierte Wahrscheilichkeitsraum [X, B, P X ] heißt auch die Grudgesamtheit X. B ist die σ-algebra der Borelmege aus X. Vielfach wird die Grudgesamtheit
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
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
Mehr38 Normen und Neumannsche Reihe
168 V. Lieare Algebra 38 Norme ud Neumasche Reihe Wir erier zuächst a (vgl. 15.6) 38.1 Normierte Räume. Es sei E ei Vektorraum über K = R oder K = C. Eie Abbildug : E [0, ) heißt Norm auf E, falls gilt
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).
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
MehrDer Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist
Maßtheorie (Versio 0.3) 1. σ-algebra Ist M eie Mege, so et ma ei System vo Teilmege A M eie σ-algebra (auf M ), we gilt: A A A A c A Ist A N eie Familie vo Mege i A, so ist N A A A ist damit stabil uter
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).
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
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
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
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr Dauer der
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
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)
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
Mehr3 Exponentielle Familien
3 Expoetielle Familie I diesem Kapitel wolle wir spezielle Klasse vo Verteilugsfamilie utersuche, bei dee u.a. i der Cramér-Rao-Ugleichug das Gleichheitszeiche gelte muss. Dazu betrachte wir die Situatio
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
MehrMetrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan
Metrisierbarkeit Techische Uiversität Wie Semiararbeit aus Aalysis WS 04 Sia Özcaliska Ihaltsverzeichis Eileitug 3 Der Metrisierbarkeitssatz vo Alexadroff-Urysoh 3 3 Der Metrisierbarkeitssatz vo Nagata-Smirov
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,
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.
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
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
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
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:
Mehrso spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.
Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es
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
Mehr2 Einführung in die mathematische Statistik
2 Eiführug i die mathematische Statistik Die Hauptaufgabe der mathematische Statistik ist es, ahad der Eigeschafte eies Teils eier Mege vo Objekte auf die Eigeschafte aller Objekte i dieser Mege zu schließe.
Mehr7. Stichproben und Punktschätzung
7. Stichprobe ud Puktschätzug 7. Grudgesamtheit ud Stichprobe Ausgagspukt der iduktive Statistik (beurteilede Statistik) sid Stichprobedate. Speziell stamme die Date aus Zufallsstichprobe. Die Stichprobeergebisse
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
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
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
Mehr5-1 Elementare Zahlentheorie
5- Elemetare Zahletheorie 5 Noch eimal: Zahletheoretische Fuktioe 5 Der Rig Φ als Rig der formale Dirichlet-Reihe! Erierug: Ei Polyom mit Koeffiziete i eiem Körper K ist ach Defiitio ichts aderes als eie
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 4. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 2008/09 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum 4. Übugsblatt
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
MehrKapitel 3 Folgen von reellen Zahlen
Wolter/Dah: Aalysis Idividuell 4 Kapitel 3 Folge vo reelle Zahle Wir befasse us i diesem Abschitt mit Zahlefolge, die u.a. zur Eiführug ud 3/0/0 Behadlug des für die Aalysis äußerst wichtige Grezwertbegriffes
Mehr1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A
1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es
MehrKapitel 5: Gemeinsame Verteilung und Unabhängigkeit von Zufallsvariablen
- 39 (Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable 5 Deiitio : : Ω Ω,, seie Abbilduge über derselbe Mege Ω Die Abbildug
Mehr1 Randomisierte Bestimmung des Medians
Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser
Mehr