Diplomvorprüfung Stochastik

Größe: px
Ab Seite anzeigen:

Download "Diplomvorprüfung Stochastik"

Transkript

1 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 sid ur zwei selbst erstellte DIN A4 Seite sowie ei icht programmierbarer Tascherecher zugelasse! VIEL ERFOLG! Aufgabe Pukte Korrektor Gesamtpuktzahl Note 0

2 Aufgabe Pukte Bei dieser Aufgabe zähle ur die i de Kästche eigetragee Ergebisse, icht der Recheweg. Vorkommede Produkte vo Brüche müsse icht exakt ausgerechet werde. Bei eiem Buchstabelegespiel befide sich i eier Ure 16 gleichartige Plättche, vo dee 5 de Buchstabe A, 5 de Buchstabe E, 3 de Buchstabe S ud 3 de Buchstabe T trage. Ei Spieler zieht acheiader 3 Plättche OHNE Zurücklege ud legt sie vo liks ach rechts ebeeiader auf de Tisch. Bereche Sie die Wahrscheilichkeit dafür, dass die Buchstabe a das Wort AST ergebe. b das Wort TAT ergebe. Der Spieler zieht acheiader 3 Plättche MIT Zurücklege ud otiert die Buchstabe vo liks ach rechts ebeeiader auf eiem Zettel. Bereche Sie die Wahrscheilichkeit dafür, dass die Buchstabe c das Wort AST ergebe. d das Wort TAT ergebe. Der Spieler zieht acheiader 5 Plättche MIT Zurücklege ud otiert die Buchstabe vo liks ach rechts ebeeiader auf eiem Zettel. Bereche Sie die Wahrscheilichkeit dafür, dass e ur Kosoate also ur S ud T vorkomme. Der Spieler zieht acheiader 3 Plättche MIT Zurücklege. Bereche Sie die Wahrscheilichkeit dafür, dass die Buchstabe evetuell durch umstelle der otierte Buchstabe f das Wort SEE ergebe. 1

3 Lösug a b c d e f

4 Aufgabe 2 6 Pukte Sei Ω, A,P ei Wahrscheilichkeitsraum ud A 1,...,A A Ereigisse, wobei N. Zeige Sie, dass gilt P A i PA i PA i A j. Lösug: Beweis durch Iduktio ach N: Sei = 2 der Fall = 1 ist trivial, als Iduktiosafag aber ebeso gültig. Da gilt i,j=1 i j PA 1 A 2 = PA 1 + PA 2 PA 1 A 2 = 2 PA i 2 PA i A j. i,j=1 i j Gelte u die Behauptug für N. Wir beötige als Hilfsugleichug och P A i A+1 = P Ai A +1 PA i A +1. Da ergibt sich: P +1 A i = P A i A+1 = P A i + PA +1 P A i A+1 PA i +1 = PA i PA i A j + PA +1 i,j=1 i j +1 i,j=1 i j PA i A j, PA i A +1 wobei bei der Abschätzug die Iduktiosvorausetzug ud die Hilfsugleichug verwedet wurde. 3

5 Aufgabe Pukte Es seie X, Y uabhägig, X U 1, 1, Y Expλ mit λ > 0. Weiter seie V := π Y cos 2 X, W := π Y si 2 X. a Bestimme Sie eie gemeisame Dichte vo X ud Y. b Die gemeisame Dichte vo V ud W ohe Beweis ist gegebe durch f V,W v,w = 2λ π exp λv2 + w 2, 0 < v <, < w <. Zeige Sie, dass die Dichte vo V ud W gegebe sid durch λ f V v = 2 π exp λv2, 0 < v <, λ f W w = π exp λw2, < w <. c Sid V ud W uabhägig? d Welche Verteilug hat W? e Zeige Sie, dass V ud W die gleiche Verteilug besitze. Lösug: a Es ist auf Grud der Uabhägigkeit vo X ud Y f X,Y x,y = λ/2 exp λy, 1 < x < 1, 0 < y <. b Die Raddichte erhält ma durch Itegratio der gemeisame Dichte ach der jeweils adere Variable. Sei 0 < v <. Da ergibt sich für die Dichte vo V : f V v = f V,W v,wdw = = 2 λ/π exp λv 2 = 2 λ/π exp λv λ/π exp λv 2 + w 2 dw λ/π exp λw 2 dw Sei < w <. Da ergibt sich für die Dichte vo W aalog: f W w = f V,W v,wdv = = 2 λ/π exp λw 2 = 2 λ/π exp λw = λ/π exp λw λ/π exp λv 2 + w 2 dv 1/ π exp v 2 dv 1/ π exp v 2 dv 4

6 c Es gilt offesichtlich f V,W v,w = f V vf W w für 0 < v <, < w < ud f V,W v,w = 0 = f V vf W w sost. Damit sid V ud W uabhägig. d Die Dichte vo W ist die Dichte eier Normalverteilug mit Mittelwert 0 ud Variaz σ 2 := 1/2λ, also W N0,σ 2. e Wege d gilt zuächst für 0 < w < Außerdem gilt für 0 < v < F V v = v 0 F W w = P W w = P w W w = 2Φ 0,σ 2w 1. f V tdt = v 0 2 λ/π exp λt 2 = 2 = 2Φ 0,σ 2v 1/2 = 2Φ 0,σ 2v 1 = F W v. V ud W sid also idetisch verteilt. v 0 2πσ 2 1 exp t 2 /2σ 2 dt 5

7 Aufgabe 4 6 Pukte Seie X 1,X 2,... Zufallsvariable mit E X,V arx c für alle N, wobei c 0,. Zeige Sie, dass da 1 X p 0. Lösug: Sei zuächst EX = 0 für alle N. Da gilt auch E 1 X = 0 ud es folgt mit der Ugleichug vo Tschebyscheff für beliebiges ε > 0 P 1 X ε 1 1 ε 2V ar X = 1 ε 2 2V arx c ε 2 2 0, also die Behauptug. Betrachte u de allgemeie Fall. Da gilt für Y := X EX, N, aber EY = 0. Außerdem gilt lim E 1 X = 0, da 1 E X 1 E X c 0. Es folgt 1 X = 1 1 Y + E }{{} X p 0. }{{} p 0 0 6

8 Aufgabe 5 6 Pukte Gegebe sei eie Stichprobe x = x 1,...,x zu eier Verteilug P θ,λ, λ > 0, θ R mit Dichte fx = 1 λ e x θ/λ exp e x θ/λ, x R. Der Parameter λ wird dabei als bekat vorausgesetzt. Bestimme Sie de möglicherweise vo λ abhägige Maximum-Likelihood-Schätzer ˆθ ML x für θ. Überprüfe Sie auch mittels der zweite Ableitug, ob Sie wirklich ei Maximum der Likelihood- Fuktio erhalte. Lösug: Die Likelihood-Fuktio ist für x 1,... x R gegebe durch 1 L x θ = fx i = e x i θ/λ exp λ ud die Log-Likelihood-Fuktio folglich durch log L x θ = log fx i = log λ = log λ 1 λ x i θ/λ e x i θ/λ x i + λ θ eθ/λ e xi/λ. e x i θ/λ Zur Berechug eies MLS beötige wir die Ableitug der Log-Likelihood-Fuktio log L x θ θ Setzt ma diese Term gleich Null, so ergibt sich = λ 1 λ eθ/λ λ 1 λ eθ/λ e θ/λ = 1 e x i/λ e xi/λ = 0 1 θ = λ log e x i/λ e x i/λ. Der Schätzwert ist also gegebe durch ˆθ ML x = λ log 1 e x i/λ. Überprüfug der zweite Ableitug: 2 log L x θ θ θ=ˆθml 2 = 1 x λ 2 eˆθ ML x/λ = 1 1 λ 2 e x i/λ e x 1 i/λ e xi/λ = λ 2 < 0. 7

9 Aufgabe Pukte Auf eier belebte Straße soll der Ateil p der Autofahrer utersucht werde, die währed der Fahrt keie Sicherheitsgurt trage sog. Gurtmuffel. Es wird ageomme, dass die Fahrer uabhägig voeiader de Gurt alege oder icht alege. Die örtliche Polizei will verstärkte Kotrolle durchführe, falls der Ateil der Gurtmuffel mehr als 15% beträgt. Dazu werde 1000 Autofahrer kotrolliert. a Kostruiere Sie eie icht radomisierte Test für die Nullhypothese Es sid keie verstärkte Kotrolle otwedig, we eie Fehlerwahrscheilichkeit 1. Art vo höchstes 5% i Kauf geomme wird. Bestimme Sie de kritische Bereich des Tests uter Verwedug eier Normalverteilugsaahme. b Ermittel Sie die Wahrscheilichkeit dafür, dass irrtümlich keie verstärkte Kotrolle durchgeführt werde, obwohl der wahre Ateil der Gurtmuffel 20% beträgt, we die Etscheidugsregel lautet: Die Hypothese Es sid keie verstärkte Kotrolle otwedig soll geau da abgeleht werde, we mehr als 169 der 1000 kotrollierte Fahrer keie Gurt agelegt hatte. Lösug: a Sei = 1000 ud X i = { 1, Fahrer i hat keie Gurt agelegt, 0, sost für i = 1,...,. Ist p 0,1 der ubekate Ateil der Gurtmuffel, so sid die X i uabhägig ud idetisch Bi1,p-verteilt. Zu teste ist da H 0 : p 0.15 =: p 0 vs. H 1 : p > Eie sivolle Testgröße i Abhägigkeit vo eier beobachtete Stichprobe x 1,...,x ist hier T := Tx 1,...,x := x i p 0. Bemerkug: T := x i ist auch möglich. Da ergibt sich ute k = k + p 0 = 169. Wir lehe H 0 ab, we T zu groß wird. Der Test lautet da also { 1, T > k ϕx 1,... x = 0, T k mit eiem och zu bestimmede k N, so dass die Fehlerwahrscheilichkeit 1. Art höchstes α = 0.05 beträgt. 8

10 Da β ϕ p = P p T > k auf Grud der Defiitio vo T steiged i p ist, wähle wir k so, dass für p 0.15 S p 0 P p TX > k P p0 TX > k = P p0 p0 1 p 0 > k p0 1 p 0 k 1 Φ 0.05, p0 1 p 0 gilt, wobei S := X i. Wege k k 1 Φ 0.05 Φ 0.95 k p 0 1 p p0 1 p 0 p0 1 p 0 wähle wir also k = 19. b Wege p 0 = 150 etspricht der hier erwähte Test gerade dem i a kostruierte. Hier soll u die Wahrscheilichkeit berechet werde, dass ma die Hypothese icht ableht, obwohl p 1 := 0.2 der wahre Parameter ist Fehlerwahrscheilichkeit 2. Art. Diese ergibt sich auch wieder mittels eier Normalverteilugsapproximatio S p 1 P p1 T 19 = P p1 S 169 = P p1 p1 1 p p 1 p1 1 p 1 Φ 169 p 1 p1 1 p 1 Φ

Eingangsprüfung Stochastik,

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

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt

Einführung 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

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie 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

Mehr

Übungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie

Übungen 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

Mehr

Musterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015

Musterlösung 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

Mehr

Tests statistischer Hypothesen

Tests 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

Mehr

Kapitel 6 : Punkt und Intervallschätzer

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

Mehr

Kapitel VI. Einige spezielle diskrete Verteilungen

Kapitel 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

Mehr

2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:

2. 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

Mehr

10. Testen von Hypothesen Seite 1 von 6

10. 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)

Mehr

Diskrete Wahrscheinlichkeitstheorie Wiederholungsklausur

Diskrete 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

Mehr

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen

Klausur 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

Mehr

11 Likelihoodquotiententests

11 Likelihoodquotiententests 11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte

Mehr

Maximum Likelihood Version 1.6

Maximum 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

Mehr

Lösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung

Lösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem

Mehr

Vl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3

Vl 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.

Mehr

10. Übungsblatt zur Einführung in die Stochastik

10. 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,...,

Mehr

Formelsammlung. PD Dr. C. Heumann

Formelsammlung. 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

Mehr

Vl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5

Vl 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

Mehr

Einführung in die Stochastik 10. Übungsblatt

Einführung 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

Mehr

n (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =

n (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:

Mehr

3 Vergleich zweier unverbundener Stichproben

3 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

Mehr

Empirische Verteilungsfunktion

Empirische 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,...,

Mehr

Konfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1

Konfidenzintervalle. 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

Mehr

Prof. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5

Prof. 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

Mehr

Klausur zur Analysis II

Klausur 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?

Mehr

Wirksamkeit, Effizienz

Wirksamkeit, Effizienz 3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik 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

Mehr

Testen statistischer Hypothesen

Testen 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

Mehr

Vorbereitung auf 6. Übungsblatt (Präsenzübungen) - Lösungen

Vorbereitung 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

Mehr

Teilaufgabe 1.1 (3 BE) Berechnen Sie die Wahrscheinlichkeit dafür, dass ein im Flughafen zufällig herausgegriffener Pauschalreisender ( ) =

Teilaufgabe 1.1 (3 BE) Berechnen Sie die Wahrscheinlichkeit dafür, dass ein im Flughafen zufällig herausgegriffener Pauschalreisender ( ) = Abiturprüfug Berufliche Oberschule 004 Mathematik 3 Techik - B I - Lösug Teilaufgabe.0 A eiem Flughafe sid 0% der Reisede Ferreisede. Uter de Ferreisede befide sich 5% Nicht-Pauschalreisede. Der Ateil

Mehr

Das kollektive Risikomodell. 12. Mai 2009

Das 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

Mehr

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).

KAPITEL 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

Mehr

Die notwendigen Verteilungstabellen finden Sie z.b. hier:

Die 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

Mehr

,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit

,,, 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

Mehr

Statistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik

Statistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische

Mehr

Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8

Lösungen 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,

Mehr

Seminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen

Seminarausarbeitung: 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

Mehr

Wahrscheinlichkeitstheorie Aufgabensammlung

Wahrscheinlichkeitstheorie 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

Mehr

Wirksamkeit, Effizienz

Wirksamkeit, Effizienz 3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue

Mehr

Die vollständige Induktion - Lösungen 1. Aufgabe: Sind die folgenden Aussageformen in N allgemeingültig?

Die vollständige Induktion - Lösungen 1. Aufgabe: Sind die folgenden Aussageformen in N allgemeingültig? Start Mathematik Lektioe i Aalysis Aufgabe zur vollstädige Iduktio Die vollstädige Iduktio - Lösuge. Aufgabe: Sid die folgede Aussageforme i N allgemeigültig? a) We ei Vielfaches vo ist, da ist eie gerade

Mehr

Statistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.

Statistik, 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

Mehr

Klausur vom

Klausur 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

Mehr

Stochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)

Stochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.

Mehr

3. Grundbegrie der Schätztheorie

3. 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

Mehr

4 Schwankungsintervalle Schwankungsintervalle 4.2

4 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

Mehr

Analysis I - Zweite Klausur

Analysis 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)

Mehr

Wirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel

Wirksamkeit, 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

Mehr

2. Repetition relevanter Teilbereiche der Statistik

2. 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)

Mehr

Wahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript

Wahrscheinlichkeitsrechnung & 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

Mehr

Es gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden

Es 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

Mehr

( ), der genau auf der Geraden ( ) 2 ( ) #( ) 8. Lineare Regression. = f i. Nach der Summe der kleinsten. mx i

( ), 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

Mehr

Einführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze

Einführung 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

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik 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

Mehr

Diskrete Zufallsvariablen

Diskrete Zufallsvariablen Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5

Einführung 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

Mehr

Tests für beliebige Zufallsvariable

Tests für beliebige Zufallsvariable Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels

Mehr

Zenraler Grenzwertsatz

Zenraler 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

Mehr

Übungsaufgaben 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

Übungsaufgaben 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

Mehr

Formelsammlung Statistik 29. Januar 2019

Formelsammlung 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

Mehr

Lösungsvorschlag zu den Hausaufgaben der 1. Übung

Lösungsvorschlag 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

6 Vergleich mehrerer unverbundener Stichproben

6 Vergleich mehrerer unverbundener Stichproben 6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die

Mehr

n=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

n=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,

Mehr

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt

Höhere 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

Mehr

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit

Kapitel 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

Mehr

Punktetabelle (wird von den Korrektoren beschriftet)

Punktetabelle (wird von den Korrektoren beschriftet) Probability ad Statistics FS 208 Prüfug 3.08.208 Dauer: 80 Miute Name: Legi-Nummer: Diese Prüfug ethält 4 Seite (zusamme mit dem Deckblatt) ud 0 Aufgabe. Das Formelblatt wird separat verteilt. Begrüde

Mehr

Parameterschätzung. Numero, pondere et mensura Deus omnia condidit

Parameterschätzung. 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

Mehr

Kapitel 9: Schätzungen

Kapitel 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.

Mehr

Übungen zur Analysis 3

Übungen zur Analysis 3 Mathematisches Istitut der Uiversität Müche Prof Dr Fraz Merkl Witersemester 0/04 Blatt 9 050 Übuge zur Aalysis 9 addichte eier Gleichverteilug Die Gleichverteilug auf dem Dreieck ist das Maß : {(a, b)

Mehr

1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A

1) 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.

Mehr

Lösung der Nachklausur

Lösung der Nachklausur H. Schmidli Eiführug i die Stochastik WS 8/9 Lösug der Nachklausur. a) Aus dem Satz der totale Wahrscheilichkeit folgt für de Ateil der Persoe, die der Vorlage zugestimmt habe Also liegt die Zustimmug

Mehr

Kapitel 5: Schließende Statistik

Kapitel 5: Schließende Statistik Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte

Mehr

mathphys-online Abiturprüfung Berufliche Oberschule 2010 Mathematik 13 Technik - B I - Lösung

mathphys-online Abiturprüfung Berufliche Oberschule 2010 Mathematik 13 Technik - B I - Lösung Abiturprüfug Berufliche Oberschule 2010 Mathematik 13 Techik - B I - Lösug Teilaufgabe 1.0 Die Firma Sparlux stellt Eergiesparlampe i großer Azahl her, die, je achdem, wie geau sie die Neleistug eihalte,

Mehr

Konvexität und Ungleichungen

Konvexität und Ungleichungen Koveität ud Ugleichuge Tag der Mathematik 2003 Holger Stepha Weierstraß Istitut für Agewadte Aalysis ud Stochastik http://www.wias-berli.de/people/stepha = Für mathematisch iteressierte Schüler = Folie

Mehr

AngStat1(Ue13-21).doc 23

AngStat1(Ue13-21).doc 23 3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 1

Technische Universität München Zentrum Mathematik. Übungsblatt 1 Techische Uiversität Müche Zetrum Mathematik Mathematik (Elektrotechik) Prof. Dr. Ausch Taraz Dr. Michael Ritter Übugsblatt Hausaufgabe Aufgabe. Bestimme Sie de Kovergezbereich M der folgede Reihe für

Mehr

D-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.

D-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

Proseminar: Mathematisches Problemlösen. Ungleichungen 2. Pierre Schmidt. Vortragstermin: 19. Juni Fakultät für Mathematik

Proseminar: Mathematisches Problemlösen. Ungleichungen 2. Pierre Schmidt. Vortragstermin: 19. Juni Fakultät für Mathematik Prosemiar: Mathematisches Problemlöse Ugleichuge Pierre Schmidt Vortragstermi: 19. Jui 015 Übugsleiteri: Dr. Natalia Griberg Fakultät für Mathematik Karlsruher Istitut für Techologie Ihaltsverzeichis 1

Mehr

Analysis II Sommer 2016 Prof. Dr. George Marinescu / Dr. Frank Lapp Übung

Analysis II Sommer 2016 Prof. Dr. George Marinescu / Dr. Frank Lapp Übung Aalysis II Sommer 06 Prof Dr George Mariescu / Dr Frak Lapp Übug Zuallererst sollt ihr die zusätzliche Übug utze um Lösuge vo Aufgabe zu bespreche, zu dere Besprechug ihr i de Übuge davor icht gekomme

Mehr

Übung 11. Stochastische Signale Prof. Dr.-Ing. Georg Schmitz

Übung 11. Stochastische Signale Prof. Dr.-Ing. Georg Schmitz Übug Aufgabe : Ukorrelierte, statistisch uabhägige Prozesse Es sid zwei stochastische Prozesse gegebe mit X = cos(z ), Y = cos(z φ). Hierbei sei Z auf [ π, π] gleichverteiltes weißes Rausche mit E{Z }

Mehr

7 Brownsche Bewegung (Version Januar 2012)

7 Brownsche Bewegung (Version Januar 2012) 7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,

Mehr

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten

Stochastische 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

Mehr

n=0 f(x) = log(1 + x) = n=1

n=0 f(x) = log(1 + x) = n=1 Potez - Reihe Machmal ist es praktisch eie Fuktio f() mir Hilfe ihrer Potezreihe auszudrücke. Eie Potezreihe um de Etwicklugspukt 0 sieht im Allgemeie so aus a ( 0 ) Fuktioe, für die eie Potezreihe eistiert,

Mehr

5. Übungsblatt - Lösungsskizzen

5. 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).

Mehr

Musterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09

Musterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09 Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht

Mehr

8. Übungsblatt Aufgaben mit Lösungen

8. 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

Mehr

Analysis 1 für Informatiker und Statistiker Beispielslösungen, Woche 13

Analysis 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

Mehr

6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung

6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung 6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist

Mehr

Höhere Mathematik I für die Fachrichtung Physik

Höhere 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

Mehr

Fit in Mathe. April Klassenstufe 10 Wurzelfunktionen

Fit 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

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl 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

Mehr

Kapitel 5: Gemeinsame Verteilung und Unabhängigkeit von Zufallsvariablen

Kapitel 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

Mehr

Stochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)

Stochastik - 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

Mehr

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...

KAPITEL 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

Mehr

1 Randomisierte Bestimmung des Medians

1 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

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 5. Übungsblatt

Höhere 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

Mehr

Seminar: Randomisierte Algorithmen Routenplanung in Netzwerken

Seminar: Randomisierte Algorithmen Routenplanung in Netzwerken Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter

Mehr

Übungen zur Analysis II SS 2006

Übungen zur Analysis II SS 2006 Mathematisches Istitut der Uiversität Heidelberg Prof. Dr. R. Weissauer/Dr. U. Weselma http://www.mathi.ui-heidelberg.de/ weselma.uebuge.html Übuge zur Aalysis II SS 26 Lösugshiweise Blatt 3 Aufgabe 8*

Mehr