Übungsblatt 9 zur Vorlesung. Statistische Methoden
|
|
- Dominik Holzmann
- vor 7 Jahren
- Abrufe
Transkript
1 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: Woche 20 Must Aufgabe 37 Eigeschafte vo Schätzer] Sei x,..., x eie Stichprobe aus eier N (µ, σ 2 )-Verteilug. Gebe Sie eifache Beispiele für: a) eie Schätzer für µ, der zwar erwartugstreu, aber icht kosistet ist. b) eie Schätzer für µ, der zwar kosistet, aber icht erwartugstreu ist. Aufgabe 38 MSE = V + b 2, Lemma 5.6] Zeige Sie: Mit de Bezeichuge aus 5..3 gilt: MSE(ˆµ, µ) = V ˆµ ] + b 2. Aufgabe 39 Eideutigkeit vo KI s] Kofidezitervalle sid icht eideutig (zb gibt es immer das vollradomisierte KI). Gebe Sie eie (eifache, bekate) Situatio a, i der Sie da 2 ichttriviale KI s agebe. Aufgabe 40 Kofidezitervalle] Der Durchmesser der vo eier bestimmte Maschie gefertigte Stahlkugel für Kugellager seie ugefähr ormalverteilt. Bei eier Stichprobe vom Umfag = 30 erhält ma eie mittlere Durchmesser x = 0.2 mm ud eie Streuug 30 (x i x) 2 = 0.62 mm. Bestimme Sie hieraus Kofidezitervalle für de Erwartugswert µ ud die Variaz σ 2 zum Niveau α = Aufgabe 4 Kofidezitervalle] Es wird ageomme, dass die Durchmesser der auf eier bestimmte Alage hergestellte Stahlkugel durch die ealisatioe eier ormalverteilte Zufallsgrösse mit σ =.04 mm beschriebe werde köe. Aus eier Stichprobe vom Umfag = 300 ergab sich x = 2.4 mm. Bestimme Sie für die Vertraueswahrscheilichkeit vo 0.99 die Greze des KI für de mittlere Durchmesser dieser Kugel. Frühjahrsemester 20 Olivier Wari Seite vo 8
2 Dr. Christof Luchsiger Stadard Aufgabe 42 MLE bei der Poissoverteilug] 2 Pukte] Bereche Sie de MLE, we die Date x,..., x aus eier Poissoverteilug mit Parameter λ > 0 stamme. Macht das esultat Si? Tipp: Beutze Sie ubedigt de Logarithmus a geeigeter Stelle. Aufgabe 43 MLE bei der Expoetialverteilug] 2 Pukte] Bereche Sie de MLE, we die Date x,..., x aus eier Expoetialverteilug mit Parameter λ > 0 stamme. Macht das esultat Si? Tipp: Beutze Sie ubedigt de Logarithmus a geeigeter Stelle. Aufgabe 44 Erwartugstreuer Schätzer der Variaz] 3 Pukte] Sei (X i ) eie Folge vo iid-zufallsgrösse mit EX2 ] <. Zeige Sie: (X j X) 2 j= ist ei erwartugstreuer Schätzer der Variaz. Tipp : eifach drauflosreche. Dieses esultat gilt übriges für beliebige Verteiluge! Aufgabe 45 Mometemethode] 2 Pukte] Sei x,..., x k eie Stichprobe aus eier Gamma(, λ)-verteilug, N, λ > 0. Schätze Sie mit Hilfe der Mometemethode ud λ. Aufgabe 46 Cramer-ao-Schrake im diskrete Fall] 2+2 Pukte] Formuliere Sie die Cramer-ao-Schrake für diskrete Zufallsgrösse ud bereche Sie die Schrake im Fall der Poisso-Verteilug. Hoours Aufgabe 47 Uiformverteilug ud MLE] ++ Pukte] a) Sei x,..., x eie Stichprobe aus eier U0, θ]-zufallsgrösse. Gebe Sie de MLE für diese Verteilugsfamilie a. Schreibe Sie dazu die gemeisame Dichtefuktio exakt auf ud maximiere Sie diese ohe abzuleite. b) Suche Sie eie reelle Zahl a, damit der MLE-Schätzer aus a) mit a multipliziert erwartugstreu ist (mit Beweis). c) Sei x,..., x eie Stichprobe aus eier Uθ, θ + ]-Verteilug. Gebe Sie eie sivolle Schätzer für θ a, welcher X () ud X () beutzt/kombiiert. Überprüfe Sie diese Schätzer auf Erwartugstreue. Aufgabe 48 Vervollstädigug des Beweises der Cramer-ao-Schrake] 6 Pukte] Vervollstädige Sie de Beweis der Cramer-ao-Schrake (Ableituge uter dem Itegral) mit Hilfe des Satzes der majorisierte Kovergez vo Lebesgue im stetige Fall. Frühjahrsemester 20 Olivier Wari Seite 2 vo 8
3 Übugsblatt 9 zur Vorlesug Statistische Methode Seite 3 vo 8 Übugsblatt 9 zur Vorlesug Statistische Methode Olivier Wari 5. Mai 20 Aufgabe 37 Eigeschafte vo Schätzer] Sei x,..., x eie Stichprobe aus eier N (µ, σ 2 )-Verteilug. a) Defiiere µ (x,..., x ) := x. Behauptug: Der Schätzer µ vo µ ist erwartugstreu aber icht kosistet. Beweis: Es gilt: E µ µ ] = E µ X ] = µ, also ist µ (ach Defiitio 5.2) erwartugstreu. Weiter gilt für ε > 0: lim P µ µ µ > ε] = P µ X µ > ε] = P N (0, σ 2 ) > ε] 0, also ist µ (ach Defiitio 5.3) kei kosisteter Schätzer für µ. b) Defiiere µ (x,..., x ) := x + /. Behauptug: Der Schätzer µ vo µ ist kosistet aber icht erwartugstreu. Beweis: Sei ε mit ε > 0. Sei weiter N mit > 2 /ε, also / < ε /2. Nu gilt: P µ µ µ > ε] = P µ X µ + / > ε] P µ X µ + / > ε] P µ X µ > ε /] P µ X µ > ε /2] LLN 0, wobei wir hier am Schluss das Gesetz der grosse Zahle beutzt habe. Wir schliesse: lim P µ µ µ > ε] = 0, also ist µ (ach Defiitio 5.3) ei kosisteter Schätzer für µ. Weiter gilt: E µ µ ] = E µ X + /] Lem = E µ X] + / = µ + / µ, 3.4b) also ist µ (ach Defiitio 5.2) kei erwartugstreuer Schätzer für µ. Bemerkug: Ma sagt, dass der Schätzer µ asymptotisch erwartugstreu ist, da lim E µ µ ] = µ. Aufgabe 38 MSE = V + b 2, Lemma 5.6] Es sei µ ei Schätzer für µ mit Bias b. Behauptug: Da gilt: MSE( µ, µ) = V µ µ ] + b 2. Frühjahrsemester 20 Olivier Wari Seite 3 vo 8
4 Übugsblatt 9 zur Vorlesug Statistische Methode Seite 4 vo 8 Beweis: Es gilt: V µ µ ] Lem = 3.7a) V µ µ µ] Lem = 3.7b) E µ ( µ µ) 2 ] (E µ µ µ]) 2 = MSE( µ, µ) b 2, wobei wir beim letzte Gleichheitszeiche die Defiitioe 5.2 ud 5.5 eigesetzt habe. Somit folgt die Behauptug sofort. Aufgabe 39 Eideutigkeit vo KI s] Gegebe sei eie Stichprobe x,, x aus eier N (µ, )-Verteilug. Nu werde wir zwei verschiedee 95%-KI s für µ agebe: Zuächst habe wir das aus bekate KI: KI = X K, X + K ], wobei K so gewählt ist, dass P N (0, ) K] = Also K =. qorm(0.975) = KI ist klar ei 95%-KI für µ. Wir defiiere weiter KI 2 = ) X K,, wobei K so gewählt ist, dass P N (0, ) K ] = Also K. = qorm(0.95) = KI 2 ist ebefalls ei 95%-KI für µ, de es gilt ] P µ µ KI 2 ] = P µ X K µ = P N (0, ) K ] = Damit habe wir zwei verschiedee icht-tiviale 95%-KI s für µ gefude. Aufgabe 40 Kofidezitervalle] Der Durchmesser der vo eier bestimmte Maschie gefertigte Stahlkugel für Kugellager seie ugefähr ormalverteilt. Bei eier Stichprobe vom Umfag = 30 erhält ma eie mittlere Durchmesser x = 0.2 mm ud eie Streuug σ = 30 (x i x) 2 = 0.62 mm. Nach ist u eie ealisatio eies ( α) = 95%-KIs für de Erwartugswert µ gegebe durch x t σ, x + t σ ], wobei t der etsprechede kritische Wert ist. Geauer gilt hier: P t t t ] = α, also t = qt(-0.05/2,30-) = Wir erhalte also die folgede ealisatio eies ( α)-kis für de Erwartugswert µ: x t σ, x + t σ ] = , 0.435]. Aufgabe 4 Kofidezitervalle] Es wird ageomme, dass die Durchmesser der auf eier bestimmte Alage hergestellte Stahlkugel durch die ealisatioe eier ormalverteilte Zufallsgrösse mit Stadardabweichug σ =.04 mm ud (ubekatem) Erwartugswert µ beschriebe werde köe. Aus eier Stichprobe x,..., x vom Umfag = 300 ergab sich x = 2.4 mm. Seie α := 0.0 ud K >0, so dass gilt: P K N (0, ) K] = α. Es gilt also K = qorm(-0.0/2) = Frühjahrsemester 20 Olivier Wari Seite 4 vo 8
5 Übugsblatt 9 zur Vorlesug Statistische Methode Seite 5 vo 8 Aalog wie wir i gesehe habe, ist x Kσ, x + Kσ ] =.98534, ] eie ealisatio eies α = 99%-KI für µ. Aufgabe 42 MLE bei der Poissoverteilug] Sei x,..., x N 0 eie Stichprobe eier Poisso-Verteilug mit Parameter λ > 0. Sei p λ : die etsprechede gemeisame Wahrscheilichkeitsfuktio. Hier gilt also p λ (x,..., x ) = λxi λ e x i! = e λ λ x x i! Wir wolle u de Maximum Likelihood Estimator (MLE) λ MLE für λ bestimme. Nach 7..4 gilt = argmax p λ (x,..., x ). Da log : >0 streg mooto wachsed ist, folgt damit: ( = argmax log(p λ (x,..., x )) = argmax = argmax λ + log(λ)x (( λ + log(λ)x)) = argmax ( λ + log(λ)x) ) log(x i!) Wir suche also die Maximumsstelle der Fuktio g : >0, g(λ) = λ + log(λ)x. Dazu leite wir g zweimal ab: dg dλ (λ) = + x λ, d 2 g dθ 2 (θ) = x λ 2 < 0. ist also eifach die Nullstelle vo dg dθ. Somit folgt: = x. Dieses esultat macht Si, da z.b. dieser Schätzer erwartugstreu ud kosistet für EX ] = λ ist. Aufgabe 43 MLE bei der Expoetialverteilug] Sei x,..., x > 0 eie Stichprobe eier Exp(λ)-verteilte Zufallsgrösse. Sei f λ : die etsprechede gemeisame Dichtefuktio. Es gilt hier f λ (x,..., x ) = λe λxi = λ e λx. Wir wolle u de Maximum Likelihood Estimator (MLE) λ MLE für λ bestimme. Nach 5..4 gilt = argmax λ >0 f λ (x,..., x ) ud da log : >0 streg mooto wachsed ist, folgt: = argmax λ >0 log(f λ (x,..., x )) = argmax λ >0 ( log(λ) λx) = argmax(log(λ) λx). λ >0 Wir suche also die Maximumsstelle der Fuktio g : >0, g(λ) := log(λ) λx. Dazu leite wir g zweimal ab: dg dλ (λ) = λ x, d 2 g dλ 2 (λ) = λ 2 < 0. ist also eifach die Nullstelle vo dg dλ. Somit folgt: x = 0 λ MLE = x. Dieses esultat macht Si, da x bekatlich ei erwartugstreuer ud kosisteter Schätzer für EX ] ist ud es gilt hier EX ] = /λ. Frühjahrsemester 20 Olivier Wari Seite 5 vo 8
6 Übugsblatt 9 zur Vorlesug Statistische Methode Seite 6 vo 8 Aufgabe 44 Erwartugstreuer Schätzer der Variaz] Sei (X i ) eie Folge vo iid-zufallsgrösse mit EX2 ] <. Behauptug: Der Ausdruck (X j X) 2 j= ist ei erwartugstreuer Schätzer der Variaz V X ]. Beweis: Es gilt ] E (X i X) 2 iid = E(X X) 2 ] = V X X] = V Dies beweist die Behauptug. ( = ) 2 V X ] + 2 = ( )V X ]. i=2 V X i ] = iid ( ( ( ) X ] X i i=2 ) ) 2 + V X ] Aufgabe 45 Mometemethode] Es sei x,..., x k > 0 eie Stichprobe aus eier Γ(, λ)-verteilug, N, λ > 0. Nu wolle wir λ ud mit Hilfe der Mometemethode schätze. Es gilt EX ] = λ ud EX2 ] = V X ] + (EX ]) = + 2 λ 2. Die Mometemethode liefert damit für die Schätzer ˆλ k ud ˆ k die folgede zwei Gleichuge: k k x i = ˆ k ˆλ k ud k k x 2 i = ˆ k + ˆ 2 k. ˆλ 2 k Mit de Abkürzuge x = k k x i ud x = k k x2 i fide wir damit ˆλ k = x x x 2 ud ˆ k = x2 x x 2. Bemerkug: Natürlich weiss ma bereits im Voraus, dass eie atürliche Zahl ist. Also ka ma beim Schätzer ˆ k am Ede och rude, um eie atürliche Zahl zu erhalte. Aufgabe 46 Cramer-ao-Schrake im diskrete Fall] Hier eie mögliche Formulierug der Cramer-ao-Schrake im diskrete Fall: Satz (Cramer-ao-Schrake, diskret) Sei ˆθ ei erwartugstreuer Schätzer für de Parameter θ vo eier diskrete Zufallsgrösse X. Da gilt V θ ˆθ] I θ, (C-Ugl) wobei I θ = x ( ) 2 log(p(x, θ)) p(x, θ). θ p(x, θ) bezeichet dabei die etsprechede gemeisame Wahrscheilichkeitsfuktio. Wir forder dazu (egularity) a) Der Wertebereich der Zufallsgrösse X darf icht vo θ abhäge. Frühjahrsemester 20 Olivier Wari Seite 6 vo 8
7 Übugsblatt 9 zur Vorlesug Statistische Methode Seite 7 vo 8 b) Die gemeisame Wahrscheilichkeitsfuktio p(x, θ) muss ach θ differezierbar sei. c) Für ei gegebees θ gibt es eie kleie Nachbarschaft N θ vo θ, so dass sup p(x, ψ) ψ < ud sup ˆθ(x) p(x, ψ) ψ <. x ψ N θ Kokret gilt bei eier Po(θ)-Verteilug: ] siehe I θ = V θ Bew. θ log(p(x, θ)) Aufg. = 42 ] = V θ + X θ x ψ N θ ( V θ θ + log(θ)x θ = 2 θ 2 V θx] = 2 θ 2 θ = θ. Also lautet die Schrake θ, welche mit dem Schätzer ˆθ = x auch erreicht wird. )] log(x i!) Aufgabe 47 Uiformverteilug ud MLE] a) Sei x,..., x eie Stichprobe aus eier U0, θ]-zufallsgrösse. Wir wolle u de MLE-Schätzer ˆθ MLE für θ bestimme. Die etsprechede gemeisame Dichtefuktio f θ lautet wie folgt: { θ, falls x,..., x 0, θ] f θ (x,..., x ) = 0, sost. Wir schliesse ˆθ MLE = argmax θ >0 f θ (x,..., x ) = mi{θ >0 x,..., x θ} = max{x,..., x } = x (). b) Nu suche wir ei a, so dass der Schätzer aˆθ MLE ei erwartugstreuer Schätzer für θ ist. Um dies zu tu bereche wir erst die Verteilugsfuktio G θ ud da durch Ableite die Dichtefuktio g θ vo ˆθ MLE G θ (x) = P θ ˆθ MLE g θ (x) = x θ. Da aˆθ MLE. Für x 0, θ] gilt: x] = P θ X () x] = P θ X x,..., X x] = iid P θ X x] = x θ erwartugstreu sei soll erhalte wir damit die folgede Gleichug: θ = E θ aˆθ MLE woraus wir sofort folger: ] = ae θ ˆθ MLE ] = a θ 0 a = +. θ x xg θ (x)dx = a 0 θ dx = a + θ, c) Sei x,..., x eie Stichprobe aus eier Uθ, θ + ]-Verteilug. Nu suche wir eie sivolle Schätzer ˆθ für θ, der X () ud X () beutzt/kombiiert. Kokret ehme wir ˆθ = 2 (x () + x () ) 2, de 2 (X () + X () ) sollte etwa bei θ + 2 liege. Nu wolle wir diese Schätzer och auf Erwartugsteue utersuche. Ählich wie i a) bestimme wir EX () ] = θ + + ud EX ()] = θ + +. Frühjahrsemester 20 Olivier Wari Seite 7 vo 8
8 Übugsblatt 9 zur Vorlesug Statistische Methode Seite 8 vo 8 Wir schliesse Eˆθ ] = 2 (EX ()] + EX () ]) 2 = θ + 2 Also ist user Schätzer ˆθ erwartugstreu. ( + + ) + = θ. Aufgabe 48 Vervollstädigug des Beweises der Cramer-ao-Schrake] Wir beutze die gleiche Notatioe ud die gleiche Voraussetzuge wie i Satz 5.9 im Skript. Behauptug: Es gilt f(x, θ)dx = θ θ f(x, θ)dx ud ˆθ(x) f(x, θ)dx = θ Beweis: Es sei (h ) N eie beliebige reelle Nullfolge. Weiter defiiere für N f (x) = f(x, θ + h ) f(x, θ) h. Nach Voraussetzug muss ja f(x, θ) ach θ differezierbar sei, somit gilt f(x, θ + h) f(x, θ) f(x, θ) = lim θ h 0 h θ f(x, θ + h ) f(x, θ) = lim. h ˆθ(x)f(x, θ)dx. Für geüged gross liege θ ud θ + h klar i der kleie Nachbarschaft N θ vo θ. Damit folgt sofort mit dem Mittelwertsatz: f (x) sup f(x, ψ) θψ =: g(x). ψ N θ Laut (egularity) ist g itegrierbar, also köe wir g als Majorate im Satz vo der majorisierte Kovergez vo Lebesque eisetze. Somit folgt lim f (x)dx = lim f (x)dx = f(x, θ)dx. θ ( ) Der Satz vo der majorisierte Kovergez sagt us isbesodere, dass der Grezwert auf der like Seite existiert. Aufrud vo ( ) ist dieser Grezwert sogar uabhägig vo der Nullfolge (h ) N. Wir schliesse f(x, θ + h ) f(x, θ) f(x, θ + h) f(x, θ) lim f (x)dx = lim dx = lim h h 0 f(x, θ + h)dx f(x, θ) = lim = f(x, θ)dx. h 0 h θ Die Kombiatio vo dieser Gleichug mit ( ) liefert die erste Gleichug. Für die zweite Gleichug gehe wir aalog vor: Sei wieder (h ) N eie beliebige reelle Nullfolge. Weiter defiiere e (x) = ˆθ(x) f(x, θ + h ) f(x, θ) h. Aalog wie beim Beweis der erste Gleichug gilt hier lim e (x) = ˆθ(x) θ f(x, θ). Wie obe liege θ ud θ + für geüged gross klar i der Nachbarschaft N θ. Somit folgt mit dem Mittelwertsatz h (x) sup ˆθ(x) f(x, ψ) ψ =: l(x). ψ N θ Laut (egularity) ist l itegrierbar. Also köe wir l als Majorate im Satz vo der majorisierte Kovergez vo Lebesque eisetze. Wir schliesse lim e (x)dx = lim e (x)dx = ˆθ(x) f(x, θ)dx. θ Geau wie zuvor folgt u och ud damit die zweite Gleichug. lim e (x)dx = θ ˆθ(x)f(x, θ)dx h dx Frühjahrsemester 20 Olivier Wari Seite 8 vo 8
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
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
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
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.
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
MehrÜbungsblatt 5 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 5 zur Vorlesug Statistische Methode Testtheorie: θ θ 0 vs θ > θ 0, MLQ, UMP, expoetielle Familie Herausgabe des Übugsblattes: Woche 13, Abgabe der Lösuge: Woche 14 (bis
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
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,...,
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
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:.........................
MehrKapitel 6 Differenzierbarkeit
Kapitel 6 Differezierbarkeit Ihalt 6.1 6.1Die Defiitio 6.2 6.2Die Eigeschafte 6.3 6.3Extremwerte Seite 2 Was heißt differezierbar? Differezierbare Fuktioe sid sid glatte Fuktioe. Wir Wir beschreibe diese
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
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
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
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
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
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
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:
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).
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
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrÜbungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx
Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per
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
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,
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
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
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
Mehrn=1 b n, deren Summe n=1 (a n + b n ) eine konvergente Reihe ist. Die Aussage ist WAHR, ein mögliches Beispiel sind die divergenten Reihen 1
ANALYSIS WS 08/09 Vorlesug: Prof. Dr. P. Ullrich Übuge: Dr. I. Kharif/ Dr. M. Steihauer 9. ÜBUNGSBLATT- LÖSUNGSHINWEISE/Ergebisse Die folgede Bearbeituge sid - zum Teil - keie ausführliche Musterlösuge,
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
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:
MehrÜbung 2 (für Pharma/Geo/Bio) Uni Basel. Besprechung der Lösungen: 1. Oktober 2018 in den Übungsstunden
Mathematik I für Naturwisseschafte Dr. Christie Zehrt 7.09.18 Übug (für Pharma/Geo/Bio) Ui Basel Besprechug der Lösuge: 1. Oktober 018 i de Übugsstude Aufgabe 1 Sid die folgede Abbilduge f : X Y umkehrbar?
Mehr13. Übungsblatt zur Vorlesung Mathematik I für Informatik
Fachbereich Mathematik Prof. Dr. Thomas Streicher Dr. Sve Herrma Dipl.-Math. Susae Pape 3. Übugsblatt zur Vorlesug Mathematik I für Iformatik Witersemester 009/00 6./7. Jauar 00 Gruppeübug Aufgabe G (Reihe)
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
MehrFit in Mathe. April Klassenstufe 10 Wurzelfunktionen
Thema Fit i Mathe Musterlösuge 1 April Klassestufe 10 Wurzelfuktioe Uter der -te Wurzel eier icht-egative Zahl (i Zeiche: ) versteht ma die icht-egative Zahl, die mal mit sich selber multipliziert, die
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
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
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
Mehr6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
Mehr8. Übungsblatt Aufgaben mit Lösungen
8. Übugsblatt Aufgabe mit Lösuge Aufgabe 36: Bestimme Sie alle z C, für die die folgede Potezreihe kovergiere: z z a, b! +, c z +. = = Lösug 36: Wir bezeiche de Kovergezradius mit r. a Wir wede das Quotietekriterium
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
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
MehrAnalysis I für M, LaG/M, Ph 4.Übungsblatt
Aalysis I für M, LaG/M, Ph 4.Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr. Robert Haller-Ditelma 05.05.200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergez vo Folge) Beweise Sie:
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
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
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
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
MehrHöhere Mathematik I (Analysis) für die Fachrichtung Informatik
Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag
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
MehrLösungsvorschlag zur Klausur zur Analysis III
Prof. Dr. H. Garcke, D. Deper WS 9/ NWF I - Mathematik 8..9 Uiversität Regesburg Lösugsvorschlag zur Klausur zur Aalysis III 6 Pukte pro Aufgabe) Aufgabe i) Bestimme Sie für die Fuktioefolge f :, 4) R,
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)
MehrÜbungsaufgaben zu Analysis 1 Lösungen von Blatt XII vom sin(nx) n sin(x). sin(ax) a sin(x) z = re iϕ = r(cos(ϕ) + i sin(ϕ)) z n = w
Prof. Dr. Moritz Kaßma Fakultät für Mathematik Witersemester 04/05 Uiversität Bielefeld Übugsaufgabe zu Aalysis Lösuge vo Blatt XII vom 5.0.5 Aufgabe XII. 3 Pukte) Beweise Sie, dass für alle R ud N die
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
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.
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
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
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
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
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
MehrWir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel.
Uiversität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dr. D. Zimmerma MSc. J. Köller MSc. R. Marczizik FDSA 4 Höhere Mathematik II 30.04.2014 el, kyb, mecha, phys 1 Kovergezkriterie
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?
MehrEinführung in die Statistik
Eiführug i die Statistik Dr. C.J. Luchsiger 7 Crash-Course i Statistics II: Schätztheorie ud Kofidezitervalle Literatur Kapitel 7 * Statistik i Cartoos: Kapitel 6 ud 7 * Kregel: 4 ud 13 * Storrer: 43 7.1
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
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
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
Mehrn gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)
Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem
MehrAufgaben und Lösungen Weihnachtsgeschenke zur Vorlesung Analysis I
Aufgabe ud Lösuge Weihachtsgescheke zur Vorlesug Aalysis I Der Witersemester 008/009 Übug am 4.., 5..008 sowie 0.0.009 Aufgabe. Folge Aufgabe Ma bestimme, ob die Folge (a ) mit a = + 3 + 4 kovergiert ud
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt
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
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
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
MehrGüteeigenschaften von Schätzern
KAPITEL 6 Güteeigeschafte vo Schätzer Wir erier a ie Defiitio es parametrische Moells Sei {h θ : θ Θ}, wobei Θ R m, eie Familie vo Dichte oer Zählichte Seie X 1,, X uabhägige u ietisch verteilte Zufallsvariable
MehrNennenswertes zur Stetigkeit
Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit
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
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 5. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr A Müller-Rettkowski Dr T Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr. A. Müller-Rettkowski Dr. T. Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge
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,
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
Prof Dr R Köig Dr M Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik für Physiker (Aalysis ) MA90 Witersem 07/8 Lösugsblatt 4 http://www-m5matumde/allgemeies/ma90 07W (007)
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:
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
MehrStochastik im SoSe 2018 Übungsblatt 2
Stochasti im SoSe 2018 Übugsblatt 2 K. Paagiotou/ L. Ramzews / S. Reisser Lösuge zu de Aufgabe. Aufgabe 1 Eie Ure ethält B blaue, R rote ud G grüe Bälle. Wir ziehe eie Teilmege mit geau Bälle aus der Ure,
MehrGrundbegriffe der Differentialrechnung
Wirtschaftswisseschaftliches Zetrum Uiversität Basel Mathematik für Ökoome 1 Dr. Thomas Zehrt Grudbegriffe der Differetialrechug Referez: Gauglhofer, M. ud Müller, H.: Mathematik für Ökoome, Bad 1, 17.
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
Mehr10. Übungsblatt zur Vorlesung Mathematik I für Informatik
Fachbereich Mathemati Prof. Dr. Thomas Streicher Dr. Sve Herrma Dipl.-Math. Susae Pape 0. Übugsblatt zur Vorlesug Mathemati I für Iformati Witersemester 2009/200 5./6. Dezember 2009 Wir wüsche Ihe schöe
MehrKlausur 1 über Folgen
www.mathe-aufgabe.com Klausur über Folge Hiweis: Der GTR darf für alle Aufgabe eigesetzt werde. Aufgabe : Bestimme eie explizite ud eie rekursive Darstellug! a) für eie arithmetische Folge mit a = 6, ;
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
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
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
MehrKurvendiskussion. Sei c R. Skizzieren Sie den Graphen von f(x) = 1 + x e 2x.
Kurvediskussio Vorzeigeaufgabe: Sei c R. Skizziere Sie de Graphe vo fx) = + x e x. HS4 Probeprüfug Aufgabe 5 Bestimme Sie das Miimum ud das Maximum der Fuktio fx) = x 3 + 3x x + 0 auf dem Itervall [ 3,
Mehr12. Übungsblatt zur Vorlesung Mathematik I für Informatik
Fachbereich Mathematik Prof. Dr. Thomas Streicher Dr. Se Herrma Dipl.-Math. Susae Pape. Übugsblatt zur Vorlesug Mathematik I für Iformatik Witersemester 009/00 9./0. Jauar 00 Gruppeübug Aufgabe G (Logarithmus-Fuktio)
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,
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
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
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 3..05 Höhere Mathemati für die Fachrichtug Physi Lösugsvorschläge zum 3. Übugsblatt Vorbemerug
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,
MehrHöhere Mathematik I für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Sebastia Schwarz SS 5 7.9.5 Höhere Mathematik I für die Fachrichtug Physik Lösugsvorschläge zur Bachelor-Modulprüfug
MehrZahlentheoretische Identitäten und die Eisensteinreihe vom Gewicht 2. Inhaltsverzeichnis
Zahletheoretische Idetitäte ud die Eisesteireihe vom Gewicht 2 Vortrag zum Semiar zur Fuktioetheorie II, 3.2.203 Lukas Schürhoff Ihaltsverzeichis Wiederholug ud Vorbereitug 2 2 Zahletheoretische Idetitäte
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
MehrLösungsvorschlag zu den Hausaufgaben der 1. Übung
FAKULTÄT FÜR MATHEMATIK Prof. Dr. Patrizio Neff Christia Thiel 4.04.04 Lösugsvorschlag zu de Hausaufgabe der. Übug Aufgabe : (6 Pukte Bereche Sie für die Fuktio f : R R, f( : ep( a der Stelle 0 0 das Taylorpolyom
Mehr