Probeklausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Lösungsskizzen
|
|
- Miriam Kalb
- vor 5 Jahren
- Abrufe
Transkript
1 Eiführug i die Wahrscheilichkeitstheorie ud Statistik Prof. Dr. Ja Johaes Sadra Schluttehofer Witersemester 8/9 Proeklausur zur Eiführug i die Wahrscheilichkeitstheorie ud Statistik Lösugsskizze Nachame: Vorame: Matrikelummer: Studiegag: Aufgae erreichte Pukte P Note mögliche Pukte Bitte üerprüfe Sie die Klausur auf Vollstädigkeit (7 Aufgae). Beschrifte Sie jedes zusätzliche Blatt mit Ihrem Name ud Ihrer Matrikelummer. Datum: 3..9 Dauer der Klausur: Miute Viel Erfolg!
2 Aufgae (Maximum-Likelihood-Schätzer, 7 = Pukte). Seie X,...,X iid Bi (m,p) uahägige ud idetisch Biomial-verteilte ufallsvariale mit Parameter m ud p (, ). DieähldichtederBiomial-VerteilugmitParameter (m, p) ist gegee durch m (k) = p k ( k p) m k für k {,...,m}. Außerdem gilt E(Bi (m,p) )=m p ud Var(Bi (m,p) )=m p ( p). (a) eige Sie, dass der Maximum-Likelihood-Schätzer ˆp vo p asiered auf X,...,X für ekates m durch ˆp = m P i= X i gegee ist. () eige Sie, dass ˆp ei erwartugstreuer ud stark kosisteter Schätzer für p ist. (c) Weise Sie ach, dass zudem p (ˆp p) D! N (,p( p)/m) für! gilt. (d) Sei (, ). GeeSie,asieredaufdemResultataus(c), eiasymptotisches( Kofidezitervall für p für die richtige Parameter R p =[p, ) a. )- Lösug. (a) Da die X i uahägig ud idetisch verteilt sid, faktorisiert die gemeisame ähldichte ud die Likelihood-Fuktio ist gegee durch [L (p)](x,...,x )= Y i= (x i )= Y m p x i ( p) m x i. i= x i Wir etrachte hier die log-likelihood [l (p)](x,...,x ) := log([l (p)])(x,...,x )= i= x i log p +(m x i )log( p)+log m x i ud leite diese ach [l (p)](x,...,x )= {x i /p (m x i )/( p)} = i= i= (x i mp) p( p). Nullsetze der Aleitug mit de Werte X,...,X liefert de Extrempukt l ist stetig ud [l (p)](x,...,x ) ˆp = () ˆp = m lim l (p) = ud lim l (p) = p! p! d.h. ei ˆp hadelt es sich tatsächlich um ei Maximum. X i. i= () Da EX = mp ud VarX = mp( p) folgt mit der Liearität des Erwartugswertes: Eˆp = m i= E(X i )= mp = p, m
3 d.h. der Schätzer ist erwartugstreu. Da die (X i ) uahägig ud idetisch verteilt sid, sid es auch die ufallsvariale (Y i )=(X i /m), fürdiee Y i = EY i = m EX = p<, alsoy i L gilt. Damit folgt mit dem Starke Gesetz der große ahle: lim ˆp = lim!! m i= X i = lim! d.h. ˆp ist ei stark kosisteter Schätzer für p. Y i = E(Y )=p P f.s. (c) (Y i )=(X i /m) ist eie Folge uahägiger ud idetisch verteiler ufallsvariale mit E(Y i )=pud Var(Y i )= Var(X m i )=p( p)/m. Dafolgtmitdemetrale Grezwertsatz: i= p P i= Y i p p p( p)/m D! N (,) Mit dem Satz vo der stetige Aildug (durch Multipliziere mit p p( p)/m) folgt p (ˆp p)= p! Y i p D! p p( p)/mn (,) = D N (,p( p)/m). i= (d) Es gilt ach (c) p (ˆp p) p D! N (,).Wirezeichemitq das -Quatil der Sta- p( p)/m dardormalverteilug. pˆp ( ˆp )/m ist ach () ud dem Satz der stetige Aildug ei kosisteter Schätzer für de Störparameter p p( p)/m. Daist [ˆp ˆp ( ˆp ) p m q, ) ei asymptotisches Lemma 3.3). -Kofidezitervall für die richtige Parameter R p =[p, ) (vgl. 3
4 Aufgae (Bedigte Wahrscheilichkeite, 4 = + Pukte). (a) Sei X Exp eie Expoetial-verteilte ufallsvariale mit Parameter > mit Wahrscheilichkeitsdichte (x) = exp( x) R +(x) 8x R. Beweise Sie die sogeate Gedächtislosigkeit der Expoetialverteilug: P(X s + t X s) =P(X t) 8s, t R + () Sei (, A, P) ei Wahrscheilichkeitsraum. Es sei (B j ) j{,...,} Aeie disjukte erlegug vo mit P(B i ) > für alle B i {,...,}. eigesiedieformel vo der totale Wahrscheilichkeit: FürA Agilt P(A) = P(B i )P(A B i ). i= Lösug. (a) uächst estimme wir die Verteilugsfuktio vo X: Es gilt für x P(X apple x) =F X (x) = x (y) dy = x exp( y) dy =[exp( y)] x = exp( x) also auch Nach der Defiitio der edigte Wahrscheilichkeit gilt P(X x) =exp( x) ( ) P(X s + t X s) = P(X s + t, X s). P(X s) Da s, t R + folgt aus X s + t ereits X s, wir erhalte also P(X s + t X s) = P(X s + t) P(X s) ( ) = exp( (s + t)) exp( s) =exp( t) ( ) = P(X t). S () Nach Voraussetzug gilt = i= B i ud damit für A A: P(A \ ) = P A [ \ B i i= [ = P (A \ B i) i= = = P(A \ B i ) i= P(A B i )P(B i ) i= woei wir die Additivität des Maßes ud die Defiitio der edigte Wahrscheilichkeit verwedet hae. 5
5 Aufgae 3 (Kovergez vo ufallsvariale, 3 = + + Pukte). Sei (X ) N eie Folge vo ufallsvariale mit für alle N. Für welche R gilt (i) X P!, (ii) X L!, (iii) X D!? P(X = )= Lösug 3. (i) Es gilt für ">: ud P(X =)= P( X >")=P( X >",X =) +P( X >",X = ) {z } = = P( >",X = ) apple P(X = )= d.h. X P! für alle R. (ii) Wir üerprüfe, o L -Kovergez vorliegt: E((X ) )=E(X )= + ( )= Also X L! geau da we <. (iii) Aus X P! für alle folgt ereits X D! für alle. 7
6 Aufgae 4 (Charakteristische Fuktioe, 4 = + Pukte). Sei (, A, P) ei Wahrscheilichkeitsraum. (a) Es seie ( i ) in uahägige ud idetische verteilte ufallsvariale mit P( =)=P( = ) =. Sei X = P i= i i für N. eige Sie, dass die charakteristische Fuktio vo X durch gegee ist. ' X (u) = si(u) (für u 6= ), ' si u X () = () Sei X U [,] eie auf [, ] gleichverteilte ufallsvariale, d.h. mit Wahrscheilichkeitsdichte X (x) = [,](x). eige Sie, dass für X aus (a) gilt: X D! X. Hiweis: Es gilt si(u) = (exp(iu) exp( iu)) i cos(u) = (exp(iu)+exp( si(u) =si(u)cos(u) iu)) für u R. Lösug 4. (a) Für Summe uahägiger ufallsvariale faktorisiert die charakteristische Fuktio, d.h. es gilt ' X (u) = Y i= ' i i (u). Für lieare Trasformatioe eier ufallsvariale Y gilt außerdem ' ay (u) =' Y (au) für a 6=, d.h. wir erhalte ' X (u) = Y ' i (u/ i ). i= Wir estimme u also die charakteristische Fuktio der i: ' i (u) =E(exp(iu i )) = (exp(iu)+exp( iu)) = cos(u) 9
7 für u 6 {k, k }, d.h.si(u) 6= köe wir cos(u) = si(u) si(u) für u/{ i k, i {,...,},k } schreie ud erhalte ' X (u) = Y ' i (u/ i )= i= = si(u) si(u/ ) Y cos(u/ i )= i= Y i= si(u/ i ) si(u/ i ) woei wir im letzte Schritt ausgeutzt hae, dass es sich um ei Teleskopprodukt hadelt. Für u =erhalte wir trivialerweise ' X (u) =. () Für eie U [,] -verteilte ufallsvariale X gilt für u 6= ' X (u) =E(exp(iuX)) = exp(iux) dx = iu (exp(iu) exp( iu)) = u si(u) ud ' X () =. Es gilt lim x! x si(u/x) l Hospital = lim x! u cos(u/x) =u, d.h.füru 6= ' X (u) = Y i= si(u/ i ) si(u/ i )! si(u) u = ' X (u) ud ' X () = ' X (). DamitfolgtausdemStetigkeitssatzvoLévy:X D! X.
8 Aufgae 5 (Stetige Wahrscheilichkeitsverteiluge, 6 = Pukte). Die ufallsvariale X ud Y seie gemeisam stetig verteilt mit der Wahrscheilichkeitsdichte ( X,Y c exp( y) apple x apple y, (x, y) = sost. für ei >. (a) Bestimme Sie die Kostate c so, dass X,Y eie Wahrscheilichkeitsdichte ist. () Bereche Sie die Raddichte X ud Y vo X ud Y.SidX ud Y uahägig? wischeergeis: Es gilt X Exp,d.h. X (x) = exp( x) {x }. (c) Sei (, ). BerecheSiedas -Quatil q der Verteilug vo X. (d) Sei u U [,],also (z) = [,] (z), uahägigvo, sowie V := mi(x, ). Bestimme Sie die Verteilug vo V. Lösug 5. (a) Damit X,Y X,Y eie Wahrscheilichkeitsdichte ist, muss ud R X,Y (x, y) d(x, y) R gelte. Die erste Bedigug ist erfüllt soald c gilt, für die zweite Bedigug emerke wir: X,Y (x, y) =c exp( y) [,y] (x) [,) (y) =c exp( y) [x,) (y) [,) (x) Es gilt (wir führe zuerst die Itegratio üer y aus) X (x) = = c h exp( Damit erhalte wir =! X,Y (x, y) d(x, y) = R R X,Y (x, y) dy = R y) i x x c exp( [,) (x) = c exp( X,Y (x, y) dy dx = R y) dy [,) (x) x) [,)(x) X (x) dx = c exp( x) dx = c Somit muss also c = gelte. Alterativ hätte wir auch zuerst die Itegratio üer x ausführe köe (dies ist jedoch wesetlich komplizierter!): Y (y) = Damit erhalte wir =! X,Y (x, y) d(x, y) = R = c apple exp( y)y = c exp( X,Y (x, y) dx = = c y exp( y) [,) (y) y) dy = c R R y c exp( y) dx [,) (y) X,Y (x, y) dx dx = Y (y) dy = c y exp( R exp( y) dy y) dy woei wir i der zweite eile partielle Itegratio agewadt hae. Auch hier erhalte wir c =.
9 () Die Raddichte wurde ereits i (a) estimmt: X (x) = = c h exp( X,Y (x, y) dy = y) i x x c exp( [,) (x) = c exp( y) dy [,) (x) x) [,)(x) Y (y) = X,Y (x, y) dx = = c y exp( y) [,) (y) y c exp( y) dx [,) (y) Da X Y 6= X,Y gilt (ud das icht ur auf eier Nullmege, kokreter: X,Y (x, y) = 6= X (x) Y (y) für alle x y.), sid X ud Y icht uahägig. (c) Wir estimme zuächst die Verteilugsfuktio vo X: Fürx apple ist F X (x) =,für x gilt F X (x) = x X (y) dy = x exp( y) dy =[ exp( y)] x = exp( x). Für das -Quatil q muss gelte F X (q )= () exp( q )= () q = log( ) (d) uächst emerke wir, dass [, ] ud X [, ), d.h.v =mi(x, ) [, ]. Wir estimme also die Verteilugsfuktio vo V für v [, ], fürv apple gilt F V (v) =ud für v> gilt F V (v) =. F V (v) =P(V apple v) = P(V v) = P(mi(X, ) v) = P(X v, v) X, uah. = P(X v)p( v) = ( F X (v))( F (v)) = exp( v)( v). 3
10 Aufgae 6 (Statistische Tests, 7 = Pukte). Wir utersuche die Läge ausgewachseer Karpfe. Aufgrud lagjähriger Utersuchuge ehme wir i userem Modell a, dass die Läge X eies ausgewachsee Karpfes stetig Laplace(µ,)-verteilt ist mit festem ud ekatem Mittelwert µ =5cm ud uekatem Skaleparameter, d.h.x Laplace(µ,)=:P.DieDichteeierLaplace(µ,)-Verteilug lautet µ,(x) = exp x µ, x R. Ei Forscher stellt die Hypothese auf, dass = =7cm gilt. Wir deke, dass der Skaleparameter größer als 7 cm ist ud fage zur Utermauerug userer Aussage uahägig voeiader =ausgewachsee Karpfe. Wir erhalte folgede Läge (i cm): (a) Sei zuächst > fest gewählt. Formuliere Sie de Neyma-Pearso-Test ' : R! {, } für die P -Verteilug zu de Hypothese H : = gege H : = zum Niveau (, ). eigesie,dassdertestvoderform (, T := P i= '(X,...,X )= X i µ >c,, T apple c, mit geeiget gewähltem c ist. () Begrüde Sie, warum ' aus (a) auch ei gleichmäßig ester Test zum Niveau für die Hypothese H : = gege H : > ist. (c) Es ist ekat, dass für X Laplace(µ,) gilt: X µ (Chi-Quadrat-Verteilug mit Freiheitsgrade). Bereche Sie damit de Wert c des Tests aus (a) ud gee Sie das Testresultat zum Niveau =.5 für usere Beoachtuge a. Hiweis: Hier sid eiige Quatile, der -Verteilug:,.5 =.,,.95 =5.99,,.5 =.85,,.95 =3.4. (d) Begrüde Sie, warum ' auch ei gleichmäßig ester Test zum Niveau für die Hypothese H : apple gege H : > ist. Bemerkug: Für das c aus (c) gilt c = q für ei geeigetes Quatil q. (e) Gee Sie eie gleichmäßig este Kofidezereich zum Niveau Parameter F =(,) a. für die falsche 5
11 Lösug Q 6. (a) Wir utersuche Verteiluge P = Laplace(µ,) mit Dichte (x,...,x )= i= µ,(x i ). Hierei faktorisiert die gemeisame Dichte, weil wir die Karpfe uahägig voeiader gefage hae. Nach dem Neyma-Pearso-Lemma lautet der Neyma-Pearso-Test zum Niveau (, ) für die Hypothese H : = gege H : = :(schreiex =(x,...,x )): ( ' : R!{, }, '(x) = { (x) k (x)} =, L(x) k,, L(x) <k, woei L(x,...,x ):= (x,...,x ) der Likelihood-Quotiet ist ud (x,...,x P ) (' =)= gelte muss. Hier hae wir für x =(x,...,x ) R : L(x) = (x,...,x )! (x,...,x ) = exp X i µ i= Da > ud damit >, istderlikelihood-quotietmootowachsedi T (X,...,X ):= P i= X i µ. Daher köe wir de Test ' äquivalet umforme zu (, T(X,...,X ) >c, '(X,...,X )=, T(X,...,X ) apple c,, ( ) woei c estimmt wird aus = P (' =)=P (T (X) >c ). () Wie ma a ( ) ud der Bestimmugsgleichug für c sieht, hägt der gesamte Test ' icht vo der kokrete Wahl vo > a. Für jedes > ud Hypothese H : = gege H : = erhalte wir also desele Test ' mit der Optimalitätsaussage: ' miimiert de Fehler. Art P ( =)uter alle Tests mit Fehler. Art P (' =). Damit ist ' gleichmäßig ester Test (zum Niveau ) fürdiehypothese (c) Sid X,...,X iid Laplace(µ, ),sosid H : = gege H : >. X i µ iid für i {,...,} uahägige ud idetisch -verteilte ufallsvariale. Etspreched gilt T (X) = i= X i µ. Damit ka c estimmt werde: = P (T (X) >c )=P T (X) > c ( c =,, d.h. c =,. 6
12 Kokret hae wir die Realisieruge T (X) = X i µ =86, i= ud c = 7,.95 = = 9.94 (der kokrete Wert muss hier icht estimmt werde, es geügt c > 86 azuschätze). Wir folger T (X) <c,d.h.'(x) =, d.h. wir werde de Wert des Forschers icht eastade. (d) Es gilt für alle apple : P (' =)=P! X i µ >c i= P i= = P X i µ = P B P i= X i apple P P i= X i µ > c > {z} >,, C A = der Test hält also auch für alle apple das Niveau ei. D.h. ' ist sogar ei gleichmäßig ester Test für die Hypothese H : apple gege H : > (e) I Aufgaeteil (d) hae wir eie gleichmäßig este Test der Form ' = A zum Niveau für das Testprolem H : H =(, ] gege H : H =(, ) gefude, ach Satz.33 ist die assoziierte Bereichsschätzfuktio B ei gleichmäßig ester ( )-Kofidezereich, woei B gegee ist durch (schreie x =(x,...,x )) B(x) = R + x/ A = R + T (x) / (c, ) = R + T (x) apple = R + apple = T (x),., T (x),, 7
13 Aufgae 7 (Schätze der Wahrscheilichkeitsdichte, 3 = + + Pukte). Seie X,...,X uahägig ud idetisch P verteilt mit stetiger Wahrscheilichkeitsdichte ud Verteilugsfuktio F.Sei ˆF (x) := i= {X i applex} die empirische Verteilugsfuktio. Sei ( ) N eie Folge reeller ahle, ud ˆ(x) := ˆF (x + ) ˆF (x), ei Schätzer der Dichte a der Stelle x R. DieFolge( ) N erfüllt die Eigeschafte! ud!. (a) eige Sie, dass E[ˆ(x)]! (x) gilt. () eige Sie, dass Var(ˆ(x))! gilt. (c) Folger Sie, dass ˆ(x) L! (x) ud ˆ(x) P! (x) gilt. Lösug 7. (a) Es ist E(ˆ(x)] = i= = F (x + ) F (x) E {Xi applex+ } {Xi applex} =! (x), i= F (x + ) F (x) da F als Stammfuktio eier stetige Fuktio üerall differezierar ist ud!. () Weiter gilt Var(ˆ(x)) = Var ( ) {Xi applex+ } {Xi applex} = Var {x<x applex+ } i= = E( {x<xapplex+}) E( {x<x applex+}) = F (x + ) F (x) F (x + ) F (x)! f(x) f(x) =. (c) Wir köe eie Bias-Variaz-erlegug durchführe ud erhalte E(( ˆf (x) f(x)) )=Var( ˆf (x)) + E( ˆf (x) f(x))!, d.h. ˆf (x) L! f(x), alsoauch ˆf (x) P! f(x).
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).
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
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
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,...,
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
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
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
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
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
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 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.
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
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
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
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
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
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}.
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
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
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
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
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 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
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
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
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,...,
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
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
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
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
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
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
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
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
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
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
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)
Mehrf X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i
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
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
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 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,,, 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
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
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
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.
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
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
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:
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 13
ETH Zürich FS 2013 D-MATH Has Rudolf Küsch Koordiator Blaka Horvath Wahrscheilichkeit & Statistik Musterlösug Serie 13 1. a) Die Nullhypothese lautet dass das echte Medikamet höchstes gleich gut ist wie
MehrAuszüge der nichtparametrischen Statisik
Empirische Wirtschaftsforschug - 1 - Auszüge der ichtparametrische Statisik Kapitel 1: Räge ud lieare Ragstatistike Aahme, Defiitioe ud Eigeschafte (1.1) Aahme: (a) (b) Die Date x 1,, x sid midestes ordial.
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
MehrPunktetabelle (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
MehrÜbung 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 }
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
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
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
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:.........................
Mehr6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $
Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
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?
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
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:
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
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:
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
MehrHöhere Mathematik für technische Studiengänge Vorbereitungsaufgaben für die Übungen. Reihen reeller Zahlen
Höhere Mathematik für techische Studiegäge Vorereitugsaufgae für die Üuge Reihe reeller Zahle. Utersuche Sie die folgede Reihe mit Hilfe geeigeter Kovergezkriterie otwediges Kovergezkriterium, Quotiete-,
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
MehrScheinklausur Analysis 1 WS 2007 /
Scheiklausur Aalysis 1 WS 2007 / 2008 08.02.2008 Es gibt 11 Aufgabe ud 1 Zusatzaufgabe. Die jeweilige Puktzahl steht am like Rad. Die Gesamtpuktzahl ist 40 Pukte plus 4 Zusatzpukte. Zum Bestehe der Klausur
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)
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
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
MehrKAPITEL 3. Zahlenreihen. 3.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen... 80
KAPITEL 3 Zahlereihe 3. Geometrische Reihe......................... 7 3.2 Kovergezkriterie......................... 72 3.3 Absolut kovergete Reihe.................... 80 Lerziele 3 Eigeschafte der geometrische
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
MehrKAPITEL 8. Zahlenreihen. 8.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen
KAPITEL 8 Zahlereihe 8. Geometrische Reihe................................. 53 8.2 Kovergezkriterie................................. 54 8.3 Absolut kovergete Reihe............................ 64 Lerziele
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
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
MehrLösungen zur Klausur Maß- und Integrationstheorie WS 2012/13
Lösuge zur Klausur 45 Maß- ud Itegratiostheorie S 22/3 Lösug zu Aufgabe I der Aufgabestellug ist kei Tippfehler. Es steht dort fx, y, x dλ 3 x, y, z. z fx, y, x ist kostat i z. Falls jemad fx, y, z dλ
MehrLösung der Nachklausur
H. Schmidli Eiführug i die Stochastik WS 8/9 Lösug der Nachklausur. a) Aus dem Satz der totale Wahrscheilichkeit folgt für de Ateil der Persoe, die der Vorlage zugestimmt habe Also liegt die Zustimmug
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)
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
Mehr3.2 Wilcoxon Rangsummentest
3. Wilcoxo Ragsummetest Wir gehe davo aus, dass zwei Teilstichprobe x 1, x,..., x 1 ud y1, y,..., y vorliege, wobei die erste Teilstichprobe aus Realisieruge vo uabhägig ud idetisch stetig verteilte Zufallsvariable
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
MehrAnhang A: Die Gamma-Funktion
O. Forster: Zetafuktio ud Riemasche Vermutug Ahag A: Die Gamma-Fuktio A.. Defiitio. Die Gamma-Fuktio ist für eie komplee Variable z mit Rez > durch das Euler-Itegral Γz := t z e t defiiert. Da mit := Rez
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
Mehr, h(1) =, h(2) = c. a) Säulendiagramm siehe Tafel- oder Folienskizze b) Ermittlung von c: Die Summe der relativen Häufigkeiten muss 1 sein: c = 4 9
Techische Uiversität Müche SS 2006 Zetrum Mathematik Blatt 3 Prof. Dr. J. Hartl Dr. Haes Petermeier Dr. Corelia Eder Dipl.-Ig. Marti Nagel Höhere Mathematik 2 (Weihestepha). Jeder der Bewoher eies Stadtviertels
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
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
MehrAnalysis Übungen Hausaufgaben für 4. April
Aalysis Übuge Hausaufgabe für 4. April Reihe sg 1. AN 8.2. c), AN 8.9. a). 2. Beweise die otwedige Bedigug für die Kovergez eier Reihe: we a koverget ist, da lim a = 0. (I der Praxis: we lim a 0, da ist
MehrWir wünschen Ihnen viel Erfolg bei der Klausur.
Klausur zur Vorlesug Aalysis I Bo, de. Februar 009 Prof. Dr. W. Müller Dr. A. Wotze Nachame, Vorame: Matrielummer: Nummer der Übugsgruppe: A Drehe Sie diese Zettel bitte erst auf Aufforderug um. Sollte
MehrMonotonie einer Folge
Mootoie eier Folge 1 E Mootoe Folge We jedes Folgeglied eier Folge größer oder gleich dem vorhergehede Folgeglied ist a 1 a ℕ so et ma die Folge mooto steiged (oder mooto wachsed). Die geometrische Folge
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
Mehrn=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