Prof. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5
|
|
- Katrin Langenberg
- vor 7 Jahren
- Abrufe
Transkript
1 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 L λ,λ λ λ +λ. a Ma betrachte de lieare Schätzer ˆλx a + bx für a,b 0 ud bestimme desse Risiko R a,b λ zur Verlustfuktio L. b Ma zeige folgede Äquivalez: lim R a,bλ 0 b. λ c Ma zeiche die Risikofuktio zu folgede Schätzer: ˆλ x x; ˆλ x x ; ˆλ3 x x; ˆλ4 x 0; ˆλ5 x. Lösug: a Es sei ˆλx a + bx, a,b 0. Da gilt Lˆλx,λ a + bx λ + λ b x + ba λx + a λ + λ ud für das Risiko erhalte wir R a,b λ [ b X + ba λx + a λ E λ [LˆλX,λ E λ b Es ist ud Liearität E λ [Xλ E λ [X λ λ + λ + λ b E λ [X + ba λe λ [X + a λ + λ b λ λ + ba λλ + a λ R a,b λ b b + + b λ + ab λ + a λ a λ + λ lim R a,bλ b. λ Damit sieht ma leicht, dass der Grezwert 0 ist geau da, we b gilt. c Die Risikofuktioe zu de 5 Schätzer sid 3.5 R λ R 4 λ λ + λ, R 0.5 λ + 0.5, R λ4 + λ 3λ + λ λ + λ, R λ 5λ + λ..5 R 3 blau R 4 gelb R 5 hellblau R grü R rot
2 Aufgabe : 4 Pukte Seie X,...,X,Y,...,Y m uabhägige Zufallsvariable mit X i Nµ,σ i ud Y i Nµ,σ i m für ubekate Parameter µ,µ,σ. a Ma bestimme de Maximum Likelihood Schätzer für θ µ,µ,σ. b Ma zeige, dass für jedes α [0, S α : αs X + αs Y, wobei SX ud X durch SX : X i X ud X X i SY, Ȳ etspreched für m defiiert sid, ei erwartugstreuer Schätzer für σ ist. c Ma bereche das Riskio vo S α für α [0,. d Ma zeige, dass der Schätzer S : Sα mit α : m+ i {Sα : α [0, hat. das kleiste Riskio vo alle Schätzer Lösug: a Die gemeisame Dichte ist { +m fx,...,x,y,...,y exp m πσ σ x i µ + y i µ ud die Loglikelihood-Fuktio somit { log fx,...,x,y,...,y + m logσ + logπ m σ x i µ + y i µ. Die partielle erste Ableituge ergebe µ log fx,...,x,y,...,y σ µ log fx,...,x,y,...,y σ x i + µ m y i + mµ σ log fx,...,x,y,...,y + m σ + σ Als Nullstelle erhält ma daraus die Maximum-Likelihood-Schätzer ˆµ X, ˆµ { Ȳm, ˆσ X i + m X m + Y i Ȳm mit de Bezeichuge aus Teil b. b Der Erwartugswert vo S α ist E[S α αe[s X + αe[s Y. { m x i µ + y i µ. + m S X + m + m S Y Wir zeige u och, dass SX ud S Y erwartugstreu für σ sid. Vo Blatt, Aufgabe 3 wisse wir, dass σ S X χ ud m σ S Y χ m gilt. Der Erwartugswert eier χ -verteilte Zufallsvariable mit k Freiheitsgrade ist k, dere Variaz brauche wir später k. E[S X E[S Y σ [ E σ SX σ [ m m E σ S Y σ σ σ m σ m
3 c das Risiko vo S α ist R α σ E[Sα σ VSα {Xi,{Yiuabh. α VSX + α VSY α σ 4 V σ SX + α σ 4 m m V σ α σ 4 α + m d Ma erhält leicht ud erhält daraus die Miimalstelle α α R ασ αm + m m+. S Y Aufgabe 3: 4 Pukte Seie X,...,X uabhägig, idetisch verteilt mit X i Poissoλ i mit ubekatem Parameter λ > 0. a Zeige Sie, dass X X ei erwartugstreuer Schätzer für λ ist. b Verbesser Sie de obige Schätzer durch Awedug der Rao Blackwell Prozedur mit der Statistik S X i. Zur Kotrolle: Ma erhält de Schätzer SS. Hiweis: Bestimme Sie die bedigte Verteilug vo X,...,X bzgl. S. Lösug: a Es ist E λ [X X E λ [X E λ [X λ λ λ. Somit ist X X erwartugstreu für λ. b Wir sehe schell mit der Neyma-Charakterisierug f λ x,...,x e λ λ Σ xi I IN x i, x i! dass S X i suffiziet für λ ist. Die bedigte Verteilug vo X,...,X gegebe S k ist P X x,...,x x S k PX x,...,x x,s k PS k x 3,...,x Σ i3 x i k x x e λ λ k x!... x!k Σ x i! x!... x!k Σ x i! PX x,...,x k Σ x i PS k e λ λ k k. Damit ist P X,...,X Sk M k,,..., -verteilt. Die gemeisame Verteilug vo X,X T gegebe S k ist damit k P X x,x x S k x!... x!k Σ x i! x!x!k x x! x!x!k x x! x+x k x x x+x k x x. x 3,...,x Σ i3 x i k x x k x x! k x x x 3!... x!x! {{ da Dichte dermk x x,,..., -Verteilug
4 Der bedigte Erwartugswert ergibt damit E λ [X X S k x,x IN 0 x +x k x,x IN x +x k kk Mit Rao-Blackwell ist also kk x x x!x!k x x! x!x!k x x! x,x IN 0 x +x k x+x k x x x x k! x!x!k x x! x+x k x x x+x k x x {{ da Dichte dermk,,, -Verteilug T X E[X X S SS ei erwartugstreuer Schätzer mit gleichmäßig kleierem Risiko als X X. Aufgabe 4: 4 Pukte Seie X,...,X uabhägig, idetisch verteilt mit X i U0,θ i ud ubekatem Parameter θ > 0.. Ma betrachte de Maximum Likelihoodschätzer MX...,X max i X i ud zeige, dass ei UMVU-Schätzer für θ ist. T X,...,X + max i X i. Ma fide eie Schätzer T mit Rθ,T < mi{rθ,m,rθ,t ud kommetiere kurz, welche weitere Eigeschafte T besitzt ud weshalb sei kleieres Risiko icht im Widerspruch zu der UMVU-Eigeschaft vo T steht. Hiweis: Ma verwede de Asatz T αm, ud wähle α geschickt. Lösug:. Wir wede de Satz vo Lehma-Scheffé a. Dafür beötige wir eie erwartugstreue Schätzer für θ ud eie suffiziete ud vollstädige Statistik für θ. Beispiel.4 zeigt, dass X i erwartugstreu ist für θ. Nach Beispiel.3 ist [ T MX X,...,X E X i...,x ud MX...,X ist suffiziet für θ. Wir zeige u, dass MX...,X auch vollstädig ist, da folgt mit Lehma-Scheffé, dass T X,...,X UMVU-Schätzer ist. Es sei E θ [gmx...,x E θ [g max i X i θ θ 0 gtt dt 0 für alle θ IR +. Mit Lebesgue-Itegratio folgt da, dass gt 0 fast überall ist. Das bedeutet Pgmax i X i 0 ud damit ist MX...,X vollstädig.
5 . Das Risiko vo M bzw. T ist ach Beispiel.4 θ MSE θ M + + MSE θ T e-treu + V θ T θ VM +. Für sid beide Risike gleich θ θ 3, für ist das Miimum +. Um u eie Schätzer mit θ kleierem Risiko als + zu fide, bereche wir zuerst für am, a > 0 das Risiko i Abhägigkeit vo a ud vergleiche mit dem Risiko vo T MSE θ am V θ am + bias θ am a θ a + θ θ Die Ugleichug ist erfüllt für a a + a θ < θ. +, , also isbesodere für a Wir erhalte i diesem Fall MSE θa 0 M +. Das steht icht im Widerspruch zu der UMVU-Eigeschaft vo T, de es gilt E θ [a 0 M + + θ. Damit ist a 0 M icht erwartugstreu, liegt also icht i der Klasse vo Schätzer, i dee der UMVU-Schätzer kleistes Risiko hat.
Eingangsprüfung 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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,...,
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.
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
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,...,
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
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
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:
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
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.
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
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
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
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
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
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
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
MehrDiesen Grenzwert nennt man partielle Ableitung von f nach x i und
Bevor wir zum ächste Kapitel übergehe, werde wir de Begri eier Fuktio i mehrere Variable eiführe. Eie Fuktio vo Variable ist eie Vorschrift, die jedem Pukt (x 1,x,...,x ) eier Teilmege D des IR eie bestimmte
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
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
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
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?
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
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
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
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
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1
D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)
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.
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
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
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}.
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
MehrHöhere Analysis. Lösungen zu Aufgabenblatt 6. Die Funktion f sei auf ( π, π] definiert durch f(x) = x und wird 2π-periodisch fortgesetzt.
Fachbereich Iformatik Sommersemester 8 Prof. Dr. Peter Becker Höhere Aalysis Lösuge zu Aufgabeblatt 6 Aufgabe (Fourierreihe) 3+5 Pukte Die Fuktio f sei auf (, π] defiiert durch f(x) x ud wird π-periodisch
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,
MehrStreukreisberechnungen bei ballistischen Versuchen unter der zweidimensionalen Normalverteilungsannahme
Streukreisberechuge bei ballistische Versuche uter der zweidimesioale Normalverteilugsaahme Prof. Dr. Adreas Rudolph Uiversität der Budeswehr Müche WE Mathematik ud Iformatik FB BW Werer-Heiseberg-Weg
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
MehrÜbungsaufgaben mit Lösungen zur Analysis und linearen Algebra
Übugsaufgabe mit Lösuge zur ud lieare Algebra Fuktioe mit eier uabhägige Variable, Folge ud Reihe ) Bilde Sie die. Ableitug der folgede Fuktioe: a) f (x) = (x 7 + 5x + 4) 0 = f (x) = 0(x 7 + 5x + 4) 9
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
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
MehrKlausur Höhere Mathematik I für die Fachrichtung Physik
Karlsruher Istitut für Techologie KIT) Istitut für Aalysis Prof. Dr. Tobias Lamm Dr. Patric Breuig SS 3.9.3 Klausur Höhere Mathemati I für die Fachrichtug Physi Aufgabe 4+3+3) Pute) a) Sei a ) N eie reelle
MehrGrenzwertberechnungen
Katosschule Solothur Grezwertberechuge Grezwertberechuge Grezwertberechuge bei Folge ud Reihe Folge sid Fuktioe; die Begriffe beschräkt ud mooto trete daher auch bei Folge auf. Isbesodere habe sie eie
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
MehrZusammenfassung: Folgen und Konvergenz
Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 6 Für Experte 8 Defiitioe ud Beispiele für Folge Defiitio Eie
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
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
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
MehrZinsratenmodelle in stetiger Zeit: Teil II
Zisratemodelle i stetiger Zeit: Teil II Simoe Folty 1.11.006 1. Vasicek Modell (1977) 1.1 Eiführug Vasicek schlug das folgede Modell für die risikofreie Zisrate r(t) vor, basiered auf der SDGL d r t α
Mehr3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst
für Iformatik Modellierug ud Verifikatio vo Software Prof. aa Dr. Ir. Joost-Pieter Katoe Datestrukture ud Algorithme SS5 Lösug - Übug 3 Christia Dehert, Friedrich Gretz, Bejami Kamiski, Thomas Ströder
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
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
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
Mehr9. Übungsblatt Aufgaben mit Lösungen
9. Übugsblatt Aufgabe mit Lösuge Aufgabe 1: Gegebe sei die folgede Differetialgleichug 15u(x) + 3xu (x) + x u (x) = 8x 3, x > 0. (a) Gebe Sie ei reelles Fudametalsystem der zugehörige homogee Differetialgleichug
Mehr1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch
Ma zeige, daß IR, d i ), i,, metrische Räume sid, we für x x,, x ), y y,, y ) IR die Abstadsfuktioe durch d x, y) x y, d x, y) x y ), d x, y) max x y gegebe sid Lösug: Ma muß für alle drei Fuktio d i x,
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
Mehr8. Die Exponentialfunktion und die trigonometrischen Funktionen
8. Die Expoetialfuktio ud die trigoometrische Fuktioe 8.1 Defiitio der Expoetialfuktio Fudametallemma: Für jede Folge w mit dem Grezwert w gilt: lim 1 w k 0 k w. k! Defiitio der Expoetialfuktio : k 2 3
Mehr11. Übungsblatt zur Vorlesung Mathematik I für Informatik
Fachbereich Mathematik Prof. Dr. Thomas Streicher Dr. Sve Herrma Dipl.-Math. Susae Pape. Übugsblatt zur Vorlesug Mathematik I für Iformatik Witersemester 9/./3. Jauar Gruppeübug Aufgabe G Itegratio) Bereche
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
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
Mehr8. Die Exponentialfunktion und die trigonometrischen Funktionen. 8.1 Definition der Exponentialfunktion
8. Die Expoetialfuktio ud die trigoometrische Fuktioe 8. Defiitio der Expoetialfuktio Fudametallemma: Für jede Folge w mit dem Grezwert w gilt: w lim + = k = 0 k w. k! Defiitio der Expoetialfuktio : k
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)
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
MehrPositiv denken! Lösungen
Schülerzirkel Mathematik Fakultät für Mathematik. Uiversität Regesburg Positiv deke! Lösuge Aufgabe 1 (GMAMQM (ur für die Klasse 7/8) [ Pukte]). Seie a, b reelle Zahle. 1. Sei a 0 ud b 0. Zeige, dass a
MehrAnalysis I. Carsten Schütt WS 2010/11
. Falls Christa Purzelbäume schlägt, da isst Bruo Torte. Christa ist geau da übel, we Ato Likör trikt ud Christa Purzelbäume schlägt. Falls Christa übel ist, da ist Bruo besorgt ud isst Torte. Etweder
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).
MehrKleine Formelsammlung Beschreibende Statistik
Kleie Formelsammlug Beschreibede Statistik Prof. Dr. Philipp Sibbertse Wirtschaftswisseschaftliche Fakultät Leibiz Uiversität Haover Ihaltsverzeichis 1 Lage- ud Streuugsmaße 2 1.1 Der Media...................................
MehrSo lösen Sie die Gleichung für den Korrelationskoeffizienten
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Dabei sid Datepukte ( x 1, y 1 ),( x 2, y 2 ), ( x, y ) gegebe.
MehrÖkonometrie Formeln und Tabellen
Ökoometrie Formel ud Tabelle Formelsammlug 1 Lieares Modell ud KQ-Schätzug 11 Eifachregressio Lieares Modell: Y i = β 0 + β 1 x i + U i, i = 1,2,, Aahme des lieare Modells: A1: E[U i ] = 0 für alle i =
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Sebastia Schwarz WS 04/05 5..04 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 9. Übugsblatt
Mehr( ), der genau auf der Geraden ( ) 2 ( ) #( ) 8. Lineare Regression. = f i. Nach der Summe der kleinsten. mx i
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Ziel dieses Verfahres ist es, Beziehuge zwische zwei Merkmale
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:
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
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
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
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
MehrBayessches Lernen (II)
Uiversität Potsdam Istitut für Iformatik Lehrstuhl Maschielles Lere Bayessches Lere (II) Christoph Sawade/Niels Ladwehr Jules Rasetahariso Tobias Scheffer Überblick Wahrscheilichkeite, Erwartugswerte,
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8
Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir
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
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:.........................
MehrRepetitorium Analysis 1 für Physiker WS08/09 Montag - Folgen und Reihen Musterlösung
Repetitorium Aalysis für Physier WS08/09 Motag - Folge ud Reihe Musterlösug. Verstädisfrage Thomas Blasi a Sid folgede Aussage richtig oder falsch: Jede overgete Folge hat eie Grezwert. Richtig. i Der
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
MehrAnalysis II für M, LaG und Ph, WS07/08 Übung 2, Lösungsskizze
Gruppeübug Aalysis II für M, LaG ud Ph, WS7/8 Übug, Lösugsskizze G 4 (Zum warm werde). Begrüde die vo Physiker beliebte Näheruge si(x) x, cos(x) ud ta(x) x für kleie x R. Dies folgt direkt aus der Tayloretwicklug
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VM Schuljhr 7/8 Zusmmefssug Folge ud Kovergez Ihltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 6 Für Experte 7 Defiitioe ud Beispiele für
Mehr