1. 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} =
|
|
- Alexander Koch
- vor 6 Jahren
- Abrufe
Transkript
1 . 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 auch mit eier Zufallsgröße X idetifiziert, die die Verteilug (iduziertes Wahrscheilichkeitsmaß) P X besitzt. X sei ei vollstädiger separabler metrischer Raum. häufigste Awedugsfälle: X = R, N, R m, N m Ei statistischer Raum ist ei Tripel [X, B, Q] wobei B die σ-algebra der Borelmege aus X ud Q = (Q θ ) θ Θ eie Familie vo Wahrscheilichkeitsverteiluge auf X = X... X ist. [X, B ] heißt Stichproberaum ud Θ die Parametermege. Grudgesamtheit ist die Gesamtheit aller mögliche Beobachtuge mit Wahrscheilichkeitsverteilug P X. Als Iformatiosquelle bei statistische Utersuchuge diet die mathematische Stichprobe vom Umfag aus der Grudgesamtheit X: Zufälliger Vektor (X,..., X ) vo uabhägige idetisch wie X verteilte Zufallsgröße. Jede Realisierug (x,..., x ) der mathematische Stichprobe ist eie kokrete Stichprobe. X i X, (X,..., X ) X, X i hat Verteilug P X Verallgemeierug auf Vektore: Grudgesamtheit X mit Wahrscheilichkeitsraum [R m, B m, P X ], Stichprobe (X,..., X ) vo uabhägige idetisch wie X verteilte Zufallsvektore. P = (P θ ) θ Θ Familie vo Wahrscheilichkeitsverteiluge auf X, Q θ = P θ... P θ für alle θ Θ Schreibweise P θ Wahrscheilichkeitsmaß bei Zugrudelege der Verteilug P θ der X i P θ {T (X,..., X ) A} = A (T (x,..., x )) P θ (dx )... P θ (dx ) X }{{} E θ g(t (X,..., X ) A) = g(t (x,..., x )) P θ (dx )... P θ (dx ) X }{{} A (.) Idikatorfuktio des Ereigisses A, A (x) = x A, A (x) = 0 x / A Nu P X P, P X = P θ0. Das bedeutet, dass θ 0 der wahre Parameter ist, d.h. der Parameter der zu Grude liegede Verteilug P θ0. Ziel i der Statistik: Iformatioe über θ 0 bekomme Hauptaufgabe der mathematische Statistik: Schätze vo Kegröße der Verteilug der Grudgesamtheit, Teste vo Hypothese, Kofidezitervalle agebe. Ist Θ R d, da spricht ma vo eiem parametrische Problem, aderefalls vo
2 eiem ichtparamterische. A A Ereigis, Zufallsgröße I(A): I(A) = { für ω A, 0 für ω / A. Puktschätzer Bezeichug: Die messbare Abbildug T : [X, B ] [Θ, G] heißt Puktschätzug, Schätzer oder Statistik. G ist die σ-algebra der Borelmege vo Θ. Die Realisierug ˆγ(ω) = ˆγ (ω) = T (X (ω),..., X (ω)) heißt ei Schätzwert für eie Parameter γ 0. ˆγ Schätzer für γ = g(θ), g messbare Fkt. Defiitio: Ei Schätzer ˆγ für γ heißt erwartugstreu, we E θ (ˆγ ) = γ, er heißt asymptotisch erwartugstreu, we er heißt stark bzw. schwach kosistet, falls lim E θ(ˆγ ) = γ, ˆγ γ P θ f.s. bzw. ˆγ P θ γ. Verlustfuktio L : Θ Θ R, L(θ, t) 0 (θ, t Θ), L(θ, g(θ)) = 0 Risiko R(θ, ˆγ) = E θ L(θ, ˆγ) = L(θ, T (x,..., x )) P θ (dx )... P θ (dx ) X }{{} Mittlerer quadratischer Fehler E (ˆγ γ) 2 = E (ˆγ Eˆγ ) 2 + E (Eˆγ γ) 2 + 2E (ˆγ Eˆγ ) (Eˆγ γ) = Var ˆγ + (Eˆγ γ) = Var ˆγ + B(ˆγ ) 2 B(ˆγ ) = Eˆγ γ heißt Verzerrug. Mittlerer absoluter Fehler E ˆγ γ 2
3 falls Defiitio: Ei Schätzer ˆγ heißt Miimax-Schätzer i der Klasse Γ vo Schätzfuktioe, sup R(θ, ˆγ ) = if θ Θ sup ˆγ Γ θ Θ R(θ, ˆγ). Defiitio: Es seie ˆθ ud ˆγ zwei Schätzer für γ. Da heißt ˆγ wirksamer als ˆθ, falls R(θ, ˆγ ) < R(θ, ˆθ ). η = R(θ, ˆθ ) R(θ, ˆγ ) ist die relative Wirksamkeit vo ˆγ bezüglich ˆθ. Defiitio: Seie T, T : X Θ zwei erwartugstreue Schätzer für θ. Da heißt T gleichmäßig wirksamer als T, falls Var θ T (X,..., X ) Var θ T (X,..., X ) für alle θ Θ. Gilt diese Ugleichug für alle erwartugstreue Schätzer T, da heißt der Schätzer T effektiv. Empirische Momete Stichprobe X,..., X, EX i = µ, Var(X i ) = σ 2 Stichprobemittel - Schätzer für µ X = X i E X = EX i = µ Var X = 2 Var ( X i ) X ist schwach kosistet bzw. stark kosistet. erwartugstreu = Var X 2 i = σ2 Stichprobevariaz - empirische Variaz - Schätzer für σ 2 S 2 = ( ( Xi X ) ) 2 = Xi 2 X 2 3
4 empirische Schiefe empirischer Exzess δ = ˆµ 3, ˆµ S 3 3 = ( Xi X ) 3 η = ˆµ 4 S 4 3, ˆµ 4 = ( Xi X ) 4 Schätzer für γ = Eg(X) ist ˆγ = g(x i ), wobei g : R R eie messbare Fuktio ist. Spezialfälle: X, X2 i Satz: a) Uter der Voraussetzug E g(x) < + ist ˆγ ei erwartugstreuer ud stark kosisteter Schätzer für γ. b) Es sei Eg 2 (X) < +. Da gilt: (ˆγ γ) D N (0, σ 2 ), σ 2 = Var(g(X)). Empirische Momete - multivariate Verallgemeierug Gegebe sei die Stichprobe (X,..., X ) uabhägiger Zufallsvektore X i = (X i,..., X im ) R m aus der Grudgesamtheit X mit Erwartugswert µ R m ud Kovariazmatrix Σ R m,m. EX i = µ, cov(x i ) = Σ = (cov(x ij, X ik )) j,k=...m Mittelwertvektor X - Schätzer für µ: X = X i X i2... X im = X X 2... X m empirische Kovariazmatrix S = (S ij ) i,j=...m mit S ij = (X ki X i )(X kj X j ) (i, j =... m) k= 4
5 S = k= (X k X)(X k X) = ( ) X k Xk X X k= S ij ist Schätzer für cov(x i, X j ), S ist Schätzer für Σ Die Delta-Methode X,..., X uabhägige, idetisch verteilte Zufallsgröße (Zufallsvektore) aus R m mit µ = EX i, Σ = cov(x i ), Schätzfuktio: T = g( X ), X = j= X j Schätzer für θ = g(µ). g(x) = ( x i g(x))...m R m Satz: Ageomme, Σ existiere, g existiere i eier Umgebug vo µ ud sei dort stetig, g(µ) 0. = (T θ) D N (0, σ 2 ), σ 2 := g(µ) T Σ g(µ)). Gilt zudem E X ij 2τ+δ < + für j =... m, ud ei δ > 0 sowie g(t) g(µ) C t µ τ, so ergibt sich: E (T ) θ, Var(T ) σ 2. Beweis: ur zur erste Aussage. Taylor-Etwicklug T θ = g(µ) T ( X µ) + R () mit ξ = µ + ψ ( X µ ), ψ (0, ), R = ( g(ξ ) g(µ)) T ( X µ) X µ f.s., ξ µ X µ 0 f.s. g(ξ ) g(µ) f.s. 5
6 Sei ε, η > 0. Nu R = ( g(ξ ) g(µ)) T ( X µ) g(ξ ) g(µ) X µ }{{}}{{} Y Z E X m µ 2 = Var( X ij ) j= = m j= Var(X ij ) = Spur(Σ) P { R > η } P {Y Z > η, Y > ε} + P {Y Z > η, Y ε} P {Y > ε} + P {Z > η/ε} o() + ε η EZ2 Für ε 0 bekomme wir R P 0. Zetraler Grezwertsatz g(µ) T ( X µ) = /2 Z i D N (0, g(µ) T Σ g(µ)) mit Z i = g(µ) T ( X i µ) uabhägig, de EZ i = 0, Var(Z i ) = g(µ) T cov(x i ) g(µ) = g(µ) T Σ g(µ) Mit () ergibt sich die erste Aussage des Satzes. 2. Empirische Verteilugsfuktioe ud Aweduge F (x) = P{X < x}. Mit Hilfe der Stichprobe X,..., X soll F (x) ageähert werde, F ist Verteilugsfuktio vo X i. Defiitio: Die Fuktio F (x) = #{X i x, i } 6
7 = heißt empirische Verteilugsfuktio. Variatiosreihe X (), X (2),..., X () mit I(X i x) X () X (2)... X (). F (x) = m für X (m) x X (m+), m = 0..., X (0) =, X (+) = + Satz: Es gilt: F (x) bi(, F (x)), EF (x) = F (x) Var F (x) = F (x) ( F (x)) x R Satz: Es gilt: (F (x) F (x)) D N (0, F (x)( F (x))) Beweis: Awedug des zetrale Grezwertsatzes. Kolmogorov-Statistik: D := sup F (x) F (x) x R D größtmögliche Differez zwische F ud F. Verallgemeierte Iverse der Verteilugsfuktio - Quatilfuktio Ψ(y) = F (y) = if{x R : F (x) y} defiiert eie Iverse auch für Verteilugsfuktioe, die icht wotwedig stetig bzw. mooto wachsed sid. G[a, b] gleichmäßig stetige Verteilug auf [a, b]. Satz: Die Verteilug vo D hägt icht vo F ab, we F stetig ist. Satz: Hauptsatz der Mathematische Statistik (vo Gliveko 940), Satz vo Gliveko- Catelli 7
8 Es gilt: gleichmäßige Kovergez D 0 f.s. ( ), d.h. { } P lim D = 0 =. Satz: Ist F stetig, da gilt: lim P { D x } = K(x), wobei 2 ( ) i e 2i2 x 2 für x > 0 K(x) = 0 für x 0 Kolmogorov-Test F 0 vorgegebee stetige Verteilugsfuktio, Sigifikaziveau α ) H 0 : F (x) = F 0 (x) x 2) Testgröße T = D = sup F (x) F 0 (x) x R 3) H 0 wird abgeleht, falls D > K, α, aderefalls wird H 0 icht abgeleht. K, α aus Tabelle etehme Für großes ka statt K, α der Wert κ, α = /2 x α verwedet werde, wobei x α das Quatil der Kolmogorov-Verteilug ist: K(x α ) = α. Cramér-vo Mises-Familie vo Teststatistike Q = + (F (x) F 0 (x)) 2 ψ(f 0 (x)) df 0 (x) ψ ist wählbar. Diese Statistike besitze für jedes F die gleiche Verteilug (Ivariaz). ψ(t) = Cramér-vo Mises-Statistik W 2 W 2 = ( Z (i) 2i ) Trasformatio Z i = F 0 (X i ) ψ(t) = (t( t)) Aderso-Darlig-Statistik A 2 A 2 = ( (2i ) l Z(i) + (2 + 2i) l ( )) Z (i) 8
9 Zweistichprobesituatio: erste Stichprobe: X,..., X, X i hat Verteilugsfuktio F stetig, F Verteilugsfuktio zweite Stichprobe: Y,..., Y 2, Y i hat Verteilugsfuktio G stetig, G 2 Verteilugsfuktio empirische empirische Satz: Sid F ud G stetig, da gilt: lim, 2 { } P sup F (x) G 2 (x) x = K(x), wobei = 2. x R + 2 Kolmogorov-Smirov-Test Sigifikaziveau α ) H 0 : F (x) = G(x) x 2) Testgröße T = sup F (x) G 2 (x) x R 3) H 0 wird abgeleht, falls T > κ, α, κ, α = /2 x α, x α Quatil der Kolmogorov- Verteilug. Gegebe Das Kozept der gleichmäßige Kovergez Φ (x) = g(x i, x), Φ(x) = Eg(X i, x). Satz: Sei C R d eie kompakte Mege. Außerdem gibt es eie Fuktio h : X (0, + ) so, dass lim sup g(t, x) g(t, y) y x t X h(t) = 0 für alle x C ud Eh(X) < +. () = sup Φ (x) Φ(x) 0 f.s. x C Gibt es eie Fuktio h ud für jedes x C ei ε > 0, so dass sup x ( x ε, x+ε) g(t, x) x h(t) t X, 9
10 da ist () erfüllt. Kovergez empirischer Quatile α-quatil: Umkehrfuktio der Verteilugsfuktio q α = F (α) α = F (q α ) falls F eieideutig Verallgemeierug: q α = 2 ( F (α) + F (α + 0) ) empirisches α-quatil: ˆq α, = 2 ( F (α) + F (α + 0) ) = { X (m) falls α / Z X 2 (α) + X 2 (α+) falls α Z, wobei sich m durch die Rudug vo α auf die ächstgrößere gaze Zahl ergibt. Empirischer Media ˆq 0.5 Schätzer für Media. = F (ˆq α, ) α, F (m) α m < ˆq α, Satz: Uter der Voraussetzug F (t) > α für t > q α ist das empirische Quatil ˆq α, kosistet, d.h. ˆq α, q α für f.s. Satz: X habe eie Dichte f, die im Pukt q α stetig ud positiv sei.= (ˆqα, q α ) D α( α) N (0, f 2 (q α ) ) 3. Verteilugsklasse Domiierte Verteilugsklasse Familie (P θ ) θ Θ vo Wahrscheilichkeitsmaße auf (X, B) Q θ = P θ... P θ 0
11 Defiitio: Eie Familie (P θ ) θ Θ vo Wahrscheilichkeitsmaße auf (X, B) heißt domiiert durch ei σ-edliche Maß µ, we P θ µ für alle θ Θ, d.h. für jede Mege A mit µ(a) = 0 gilt P θ (A) = 0. Defiitio: Uter eier Likelihood-Fuktio versteht ma die Rado-Nikodym-Ableitug vo Q θ bez. µ: L(x θ) = dq θ dµ (x) x X. Expoetialfamilie Defiitio: Eie Klasse P = {P θ : θ Θ} vo (iduzierte) Wahrscheilichkeitsmaße auf [X, B] heißt k-parametrische Expoetialfamilie, falls P vo dem Maß µ domiiert wird ud für jedes θ Θ die Rado-Nikodym-Dichte f θ (x) = dp θ dµ { k } = C(θ) exp ξ i (θ)t i (x) h(x) µ f.ü. besitzt. C, ξ,..., ξ k, T,..., T k, h sid dabei messbare Fuktioe. Die Fuktioe, ξ,..., ξ k sid liear uabhägig., T,..., T k sid auf dem Komplemet jeder µ-nullmege aus B liear uabhägig. Kaoische Darstellug vo Expoetialfamilie { k } γ = (γ,..., γ k ) T Θ f γ (x) = ζ(γ) exp γ i T i (x) h(x) µ f.ü. (*) Satz: Sei f γ etspreched Formel (*), X besitze die µ-dichte f γ ach (*). Da ist f γ beliebig oft bez. γ differezierbar. Außerdem gilt: E γ T i (X) = γ i l ζ(γ), cov γ (T i (X), T j (X)) = 2 γ i γ j l ζ(γ).
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
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
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
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
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
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
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
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
MehrKapitel 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
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
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
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
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
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.
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrAngewandte Stochastik II
Vorlesugsskript Agewadte Stochastik II Dr. Katharia Best Witersemester 2010/2011 Ihaltsverzeichis 1 Grudidee der statistische Dateaalyse 5 1.1 Stichprobe..............................................
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:
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
MehrX in einer Grundgesamtheit vollständig beschreiben.
Prof. Dr. Rolad Füss Statistik II SS 008. Puktschätzug vo Parameter eier Grudgesamtheit Nur durch eie Totalerhebug ka ma die Verteilug eier Zufallsvariable X i eier Grudgesamtheit vollstädig beschreibe.
Mehr}) = ϑ Einsen (1 ϑ) Nullen,
6. Schätzprobleme 6.1. Beispiele a) I eiem Teich befidet sich eie ubekate Azahl vo Fische. Ma schätze z. B. durch Agel, markiere, wieder aussetze ud ochmal agel; vgl. Übug) b) Weiteres Beispiel: Wie groß
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 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
Mehr7. Stichproben und Punktschätzung
7. Stichprobe ud Puktschätzug 7. Grudgesamtheit ud Stichprobe Ausgagspukt der iduktive Statistik (beurteilede Statistik) sid Stichprobedate. Speziell stamme die Date aus Zufallsstichprobe. Die Stichprobeergebisse
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
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
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 8.1 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12.075, p-wert: 0.0168 f χ
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:
MehrLogarithmusfunktion, Rechenregeln für Logarithmen, Ableiten von Logarithmen (die Ableitung nach p wird hier stets als p geschrieben)
Wirtschaftswisseschaftliches Zetrum Uiversität Basel Statistik Dr. Thomas Zehrt (Pukt)Schätze Motivatio Eie vollstädige Iformatio über die Verteilug eies Merkmals X i eier Grudgesamtheit ka ur durch eie
MehrStochastik I (Statistik)
Stochastik I (Statistik) Skript Ju.-Prof. Dr. Zakhar Kabluchko Uiversität Ulm Istitut für Stochastik L A TEX-Versio vo Judith Schmidt Ihaltsverzeichis Vorwort Literatur Kapitel. Stichprobe ud Stichprobefuktio..
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
Mehr3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-
MehrPraktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle
Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht
MehrMathematik IV für Maschinenbau und Informatik
UNIVERSITÄT ROSTOCK Mathematik IV für Maschiebau ud Iformatik Stochastik Prof. Dr. Friedrich Liese Sommersemester 2007 2 Mathematik IV für Maschiebau ud Iformatik INHALT Ihalt... 2 Vorlesugsverzeichis...
MehrMathematische Statistik
Techische Uiversität Dresde Skript: Mathematische Statistik Verfasser Fraziska Küh Date Prof. Dr. Dietmar Ferger Witersemester 2/ Hauptstudium Ihaltsverzeichis Stochastische Modelle 3 2 Schätzer ud grudlegede
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
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
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
Mehr14 Statistische Beziehungen zwischen nomi nalen Merkmalen
14 Statistische Beziehuge zwische omi ale Merkmale 14.1 Der Chi Quadrat Test auf Uabhägigkeit für Vier Feldertafel 14.2 Der Chi Quadrat Test auf Uabhägigkeit für r s Kotigeztafel 14.3 Zusammmehagsmaße
MehrÖkonometrie Formeln und Tabellen
Ökoometrie Formel ud Tabelle Formelsammlug 1 Lieares Modell ud KQ-Schätzug 11 Eifachregressio Lieares Modell: Y i = β 0 + β 1 x i + U i, i = 1,2,, Aahme des lieare Modells: A1: E[U i ] = 0 für alle i =
MehrSeminar De Rham Kohomologie und harmonische Differentialformen - 2. Sitzung
Semiar De Rham Kohomologie ud harmoische Differetialforme - 2. Sitzug Torste Hilgeberg 26. April 24 1 Orietierug Defiitio: Zwei Karte heiße orietiert verbude, we das Differetial des Kartewechsels positive
MehrKapitel 12. Schätzung von Parametern
Kapitel 12 Schätzug vo Parameter Die Verteilug eier Zufallsvariable hägt i der Regel vo eiem oder mehrere Parameter ab. Bei der Poissoverteilug ist dies der Parameter λ, währed es bei der Normalverteilug
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
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 8
Übug zur Vorlesug Statistik I WS 2013-2014 Übugsblatt 8 9. Dezember 2013 Aufgabe 25 (4 Pukte): Sei X B(, p) eie biomial verteilte Zufallsvariable. Schreibe Sie i R eie Fuktio PWert, die für jedes Ergebis
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
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
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
Mehr1 Lösungen zu Analysis 1/ 12.Übung
Lösuge ausgewählter Beispiele zu Aalysis I, G. Bergauer, Seite Lösuge zu Aalysis / 2.Übug. Eileitug Gleichmäßige Kovergez ist eie starke Eigeschaft eier Fuktioefolge. Formuliert ma sie für Netze, statt
MehrSBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur
Mehr5.7. Aufgaben zu Folgen
5.7. Aufgabe zu Folge Aufgabe : Lieares ud beschräktes Wachstum Aus eiem Quadrat mit der Seiteläge dm gehe auf die rechts agedeutete Weise eue Figure hervor. Die im -te Schritt agefügte Quadrate sid jeweils
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
MehrFormel- und Tabellensammlung zum Aktuariellen Grundwissen
Formel- ud Tellesmmlug zum Aturielle Grudwisse Schdeversicherugsmthemti A. Zufllsvrile X, Y seie (disrete oder stetige Zufllsvrile. Verteilugsfutio: F( = P( X (Verteilugs-Dichte: f ( F ( = ei differezierrer
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
MehrStatistische Tests zu ausgewählten Problemen
Eiführug i die statistische Testtheorie Statistische Tests zu ausgewählte Probleme Teil : Tests für Erwartugswerte Statistische Testtheorie I Eiführug Beschräkug auf parametrische Testverfahre Beschräkug
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
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:
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
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 11. c n (z a) n,
f : a P UNIVERSIÄ DES SAARLANDES FACHRICHUNG 6. MAHEMAIK Prof. Dr. Rolad Speicher M.Sc. obias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 202 Musterlösug zu Blatt Aufgabe. Zeige Sie durch Abwadlug
Mehr4 Parametrische statistische Methoden
4 Parametrische statistische Methode 4.1 Dateiveau Jede statistische Arbeit begit mit der Erhebug der Date. Es ist heute üblich, die Date i vier Gruppe eizuteile. 1. Nomiale Skala: Zum Beispiel Blutgruppe,
Mehr1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia
Statistik I - Formelsammlug Ihaltsverzeichis 1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre................................. 1. Kombiatorik........................................ 1.3 Wahrscheilichkeite....................................
MehrII. Grundzüge der Stichprobentheorie
II. Grudzüge der Stichprobetheorie Grüde für Stichprobeerhebug - deutlich gerigere Koste - größere Awedugsbreite - kürzere Erhebugs- ud Auswertugszeite - i der Regel größere Geauigkeit der Ergebisse Begriffsbestimmug
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
MehrEvaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
MehrBernoulli-Experiment und Binomialverteilung
IV Beroulli-Exerimet ud Biomialverteilug Beroulli-Exerimet ud Beroulliette Defiitio: Zufallsexerimete, bei dee ma sich ur für das Eitrete ( Treffer, Symbol ) oder das Nichteitrete ( Niete, Symbol 0 ) eies
Mehr1. Zahlenfolgen und Reihen
. Zahlefolge ud Reihe We ma eie edliche Mege vo Zahle hat, ka ma diese i eier bestimmte Reihefolge durchummeriere: {a,a 2,...,a }. Ma spricht vo eier edliche Zahlefolge. Fügt ma immer mehr Zahle hizu,
Mehrα : { n Z n l } n a n IR
1 KAPITEL VI. ZAHLENFOLGEN UND REIHEN 1) REELLE ZAHLENFOLGEN: i) Jede Abbildug α : IN a IR heiÿt 'reelle Zahlefolge' bzw. 'Folge i IR'. Ma otiert diese i der Form α = a ) IN = a ) =0 = a 0, a 1, a 2,...)
Mehr4. Vektorräume mit Skalarprodukt
4. Vektorräume mit Skalarprodukt Wiederholug: V=R x, y R: x= x x i x, y= y y, :R R R Skalarprodukt Stadardskalarprodukt lieare Abbildug mit 2 Argumete 4. Eigeschafte vo Skalarprodukte Def.: Es sei V ei
MehrComputer-Graphik II Verallgemeinerte Baryzentrische Koordinaten
4/22/10 lausthal omputer-raphik II Verallgemeierte Baryzetrische Koordiate. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Verallgemeieruge der baryzetr. Koord. 1. Was macht ma im 2D bei (kovexe)
MehrKapitel 2. Induktive Statistik. 2.1 Grundprinzipien der induktiven Statistik
Kapitel Iduktive Statistik.1 Grudprizipie der iduktive Statistik Ziel: Iferezschluss, Repräsetatiosschluss: Schluss vo eier Stichprobe auf Eigeschafte der Grudgesamtheit, aus der sie stammt. Vo Iteresse
Mehr4. Reihen Definitionen
4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrAufgrund der Körperaxiome ist jedoch
Hiweise: Der Doppelstrich // steht für eie Kommetarzeile. Tipp- ud Rechtschreibfehler köe trotz mehrfacher Kotrolle icht hudertprozetig vermiede werde. Die selbst erstellte Lösugsasätze orietiere sich
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
Mehr1.3 Funktionen. Seien M und N Mengen. f : M N x M : 1 y N : y = f(x) nennt man Funktion oder Abbildung. Beachte: Zuordnung ist eindeutig.
1.3 Fuktioe Seie M ud N Mege f : M N x M : 1 y N : y fx et ma Fuktio oder Abbildug. Beachte: Zuordug ist eideutig. Bezeichuge: M : Defiitiosbereich N : Bildbereich Zielmege vo f Der Graph eier Fuktio:
MehrÜbungen mit dem Applet Taylor-Entwickung von Funktionen
Taylor-Etwickug vo Fuktioe Übuge mit dem Applet Taylor-Etwickug vo Fuktioe Ziele des Applets... Mathematischer Hitergrud... 3 Vorschläge für Übuge... 3 3. Siusfuktio si(...3 3. Cosiusfuktio cos(...4 3.3
MehrStatistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S
Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
Mehr5 Erzeugende Funktionen und deren Anwendungen
5 Erzeugede Fuktioe ud dere Aweduge 5.1 Wahrscheilichkeitserzeugede Fuktioe Die Idee vo erzeugede Fuktioe (egl. geeratig fuctios) ist die Speicherug der Iformatio eier Folge a {a i : i 0, 1,...} vo reelle
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.
3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie
Mehr5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
Mehri=0 a it i das erzeugende Polynome von (a 0,..., a j ).
4 Erzeugede Fuktioe ud Polyome Defiitio 4 Sei a = (a 0, a, eie Folge vo atürliche Zahle, da heißt die formale Potezreihe f a (t := i 0 a it i die erzeugede Fuktio vo a Gilt a i = 0 für i > j, so heißt
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrWir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
MehrThema 8 Konvergenz von Funktionen-Folgen und - Reihen
Them 8 Kovergez vo Fuktioe-Folge ud - Reihe Defiitio Sei (f ) eie Folge vo Fuktioe vo D R i R. Wir sge, dß f puktweise gege eie Fuktio f kovergiert, flls gilt: f () f() für jedes D. Dies ist der türliche
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,
MehrAufgaben und Lösungen der Probeklausur zur Analysis I
Fachbereich Mathematik AG 5: Fuktioalaalysis Prof. Dr. K.-H. Neeb Dipl.-Math. Rafael Dahme Dipl.-Math. Stefa Wager ATECHNISCHE UNIVERSITÄT DARMSTADT SS 007 19. Jui 007 Aufgabe ud Lösuge der Probeklausur
MehrStochastik für Informatiker
Stochastik für Iformatiker Dr. D. Uhlig-Düvelmeyer - SS 008 Copyright c 008 Tobias Doerffel Diese private Mitschrifte der o.g. Vorlesug erhebe weder de Aspruch auf Vollstädigkeit och auf Fehlerfreiheit.
MehrMathematische Statistik
Mathematische Statistik Dr. Mauel Stadlbauer, 9. Februar 008 Vorläufiges Skript zur Vorlesug im WS 007/008 Ihaltsverzeichis Eileitug 3. Beispiel eier statistische Aalyse....................... 4. Deskriptive
Mehr2 Asymptotische Schranken
Asymptotische Schrake Sowohl die Laufzeit T () als auch der Speicherbedarf S() werde meist durch asymptotische Schrake agegebe. Die Kostate c i, welche i der Eiführug deiert wurde, sid direkt vo der Implemetatio
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
MehrUmrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung
.3. Prozetuale Häufigkeitsverteilug (HV) Die prozetuale Häufigkeitsverteilug erlaubt de Vergleich vo Auswertuge, dee uterschiedliche Stichprobegröße zugrude liege. Es köe auch uterschiedliche Stichprobegröße
MehrScore und Information
Kapitel I Score ud Iformatio Reihard Höpfer Vorlesug Mathematische Statistik Witersemester 2004/2005 ud Witersemester 2007/2008 Istitut für Mathematik, Johaes Guteberg Uiversität Maiz 08.11.04 ud 26.05.08
MehrVorlesung Einführung in die mathematische Statistik
Vorlesug Eiführug i die mathematische Statistik Prof. A. Atille Sommersemester 2004 Literatur P.J. Bickel K.A. Doksum, Mathematical Statistics: Basic Ideas ad Selected Topics Holde-Day, 1977. L. Breima,
MehrIII. Die Brownsche Bewegung
9. Defiitio ud erste Eigeschafte Es sei (Ω, F, P ) ei Wahrscheilichkeitsraum ud T R, T eie Zeitidexmege. Wir betrachte jetzt eie stochastische Prozess X = (X t ) t T mit Zustadsraum R, das heißt dass (X
Mehr1 Funktionen und Flächen
Fuktioe ud Fläche. Fläche Defiitio: Die Ebee R ist defiiert als Mege aller geordete Paare vo reelle Zahle: R = {(,, R} Der erste Eitrag heißt da auch Koordiate ud der zweite Koordiate. Für zwei Pukte (,,
Mehr2.2.1 Lagemaße. Exkurs: Quantile. und n. p n
Ekurs: Quatile Ausgagspukt : Geordete Urliste Jeder Wert p, mit 0 < p
MehrDie erste Zeile ("Nummerierung") denkt man sich also dazu. Häufig wird eine Indexschreibweise benutzt um ein Folgenglied zu kennzeichnen.
Folge ud Reihe (Izwische Stoff der Hochschule. ) Stad: 30.03.205. Folge Was sid Zahlefolge? Z.B. oder Das ist die vereifachte Wertetabelle eier Fuktio geschriebe wie üblich bei Fuktioe i eier Wertetabelle.
MehrUnivariate Verteilungen
(1) Aalyse: "deskriptive Statistike" Aalysiere -> deskriptive Statistike -> deskriptive Statistik Keie tabellarische Darstellug der Häufigkeitsverteilug () Aalyse: "Häufigkeitsverteilug" Aalysiere -> deskriptive
Mehr