KAPITEL 9. Konfidenzintervalle
|
|
- Leon Schäfer
- vor 6 Jahren
- Abrufe
Transkript
1 KAPITEL 9 Kofiezitervalle Sei {h θ (x) : θ Θ} eie Familie vo Dichte bzw Zählichte I iesem Kapitel ist Θ = (a, b) R ei Itervall Seie X,, X uabhägige u ietisch verteilte Zufallsvariable mit Dichte bzw Zählichte h θ Wir habe us bereits mit er Frage beschäftigt, wie ma e Parameter θ aha er Stichprobe schätze ka Bei eier solche Schätzug bleibt aber uklar, wie groß er mögliche Fehler, also ie Differez ˆθ θ, ist I er Statistik begügt ma sich ormalerweise icht mit er Agabe eies Schätzers, soer versucht auch e Schätzfehler abzuschätze, iem ma ei sogeates Kofiezitervall für θ agibt Das Ziel ist es, as Itervall so zu kostruiere, ass es e wahre Wert es Parameters θ mit eier große Wahrscheilichkeit (typischerweise 099 oer 095) ethält Defiitio 90 Sei (0, ) eie kleie Zahl, typischerweise = 00 oer = 005 Es seie θ : R R { } u θ : R R {+ } zwei Stichprobefuktioe mit θ(x,, x ) θ(x,, x ) für alle x,, x R Wir sage, ass θ, θ ei Kofiezitervall für θ zum Kofieziveau (0, ) ist, falls P θ θ(x,, X ) θ θ(x,, X ) für alle θ Θ Somit ist ie Wahrscheilichkeit, ass as zufällige Itervall (θ, θ) e richtige Wert θ ethält, miestes, also typischerweise 099 oer 095 Die allgemeie Vorgehesweise bei er Kostruktio er Kofiezitervalle ist iese: Ma versucht, eie sogeate Pivot Statistik zu fie, h eie Fuktio T (X,, X ; θ) er Stichprobe (X,, X ) u es ubekate Parameters θ mit er Eigeschaft, ass ie Verteilug vo T (X,, X ; θ) uter P θ icht vo θ abhägt u explizit agegebe were ka Das heißt, es soll gelte, ass P θ T (X,, X ; θ) t = F (t), wobei F (t) icht vo θ abhägt Dabei soll ie Fuktio T (X,, X ; θ) e Parameter θ tatsächlich auf eie ichttriviale Weise ethalte Für (0, ) bezeiche wir mit Q as Quatil er Verteilugsfuktio F, h ie Lösug er Gleichug F (Q ) = Da gilt P θ Q T (X,, X ; θ) Q = für alle θ Θ Iem wir u iese Ugleichug ach θ auflöse, erhalte wir ei Kofiezitervall für θ zum Kofieziveau Im Folgee were wir verschieee Beispiele vo Kofiezitervalle betrachte
2 9 Kofiezitervalle für ie Parameter er Normalverteilug I iesem Abschitt seie X,, X N(µ, ) uabhägige u mit Parameter (µ, ) ormalverteilte Zufallsvariable User Ziel ist es, Kofiezitervalle für µ u zu kostruiere Dabei were wir vier Fälle betrachte: () Kofiezitervall für µ bei bekatem () Kofiezitervall für µ bei ubekatem (3) Kofiezitervall für bei bekatem µ (4) Kofiezitervall für bei ubekatem µ Fall : Kofiezitervall für µ bei bekatem Es seie also X,, X N(µ, ) uabhägig, wobei µ ubekat u bekat seie Wir kostruiere ei Kofiezitervall für µ Ei atürlicher Schätzer für µ ist X Wir habe gezeigt, ass Wir were u X staarisiere: X N X µ (µ, ) N(0, ) Für (0, ) sei z as Quatil er Staarormalverteilug Dh, z sei ie Lösug er Gleichug Φ(z ) =, wobei Φ ie Verteilugsfuktio er Staarormalverteilug bezeichet Somit gilt P µ z X µ Nach µ umgeformt führt ies zu P µ X z z µ X z = für alle µ R = für alle µ R Wege er Symmetrie er Normalverteilug ist z = z Somit ist ei Kofiezitervall zum Niveau für µ gegebe urch X z Der Mittelpukt ieses Itervalls ist X, X + z Bemerkug 9 Ma ka auch ichtsymmetrische Kofiezitervalle kostruiere Wähle azu 0, 0 mit = + Da gilt P µ z X µ z = für alle µ R Nach µ umgeformt führt ies zu P µ X z µ X z = für alle µ R
3 Wege z = z führt ies zu folgeem Kofiezitervall für µ: X z, X + z Iteressiert ma sich z B ur für eie obere Schrake für µ, so ka ma = u = 0 wähle Da erhält ma folgees Kofiezitervall für µ:, X + z Die Kostruktio er ichtsymmetrische Kofiezitervalle lässt sich auch für ie achfolgee Beispiele urchführe, wir aber hier icht mehr wieerholt Fall : Kofiezitervall für µ bei ubekatem Es seie X,, X N(µ, ) uabhägig, wobei µ u beie ubekat seie Wir kostruiere ei Kofiezitervall für µ Es gilt zwar ach wie vor, ass X µ N(0, ), wir köe as aber icht für ie Kostruktio eies Kofiezitervalls für µ beutze, e er Parameter ist ubekat Wir were eshalb urch eie Schätzer, ämlich S = i= (X i X ), ersetze Wir habe im vorige Kapitel gezeigt, ass X µ S t Sei t, as Quatil er t Verteilug Somit gilt P µ, t, X µ t, = für alle µ R, > 0 S Nach µ umgeformt führt ies zu P µ, X t, S µ X t, S = für alle µ R, > 0 Wege er Symmetrie er t Verteilug gilt t, = t, Somit erhalte wir folgees Kofiezitervall für µ zum Niveau : X t, S, X + t, S Fall 3: Kofiezitervall für bei bekatem µ Seie u X,, X N(µ, ), wobei µ bekat u ubekat seie Wir kostruiere ei Kofiezitervall für Ei atürlicher Schätzer für ist S = (X i µ) Da gilt S = i= i= ( ) Xi µ χ 3
4 Sei χ, as Quatil er χ Verteilug mit Freiheitsgrae Da gilt P χ, S χ, = für alle > 0 Nach umgeformt führt ies zu folgeem Kofiezitervall für zum Niveau : S, S χ, χ, Es sei bemerkt, ass ie χ Verteilug icht symmetrisch ist Fall 4: Kofiezitervall für bei ubekatem µ Seie X,, X N(µ, ), wobei µ u beie ubekat seie Wir kostruiere ei Kofiezitervall für Ei atürlicher Schätzer für ist Bekat ist, ass Somit gilt P µ, χ, S = (X i X ) i= ( )S χ ( )S χ, = für alle µ R, > 0 Nach umgeformt führt ies zu ( )S P µ, ( )S = für alle µ R, > 0 χ, χ, Somit erhält ma folgees Kofiezitervall für zum Niveau ( )S ( )S, χ, χ, 9 Asymptotisches Kofiezitervall für ie Erfolgswahrscheilichkeit bei Beroulli Experimete Seie X,, X uabhägige u Beroulli verteilte Zufallsvariable mit Parameter θ (0, ) Wir wolle ei Kofiezitervall für ie Erfolgswahrscheilichkeit θ kostruiere Ei atürlicher Schätzer für θ ist X Diese Zufallsvariable hat eie reskalierte Biomialverteilug Es ist icht eifach, mit e Quatile ieser Verteilug umzugehe Somit ist es schwierig, ei exaktes Kofiezitervall für θ zu eiem vorgegebee Niveau zu kostruiere Auf er aere Seite, köe wir ach em Zetrale Grezwertsatz ie Verteilug vo X für großes urch eie Normalverteilug approximiere Ma ka also versuche, ei Kofiezitervall zu kostruiere, as zumiest bei eiem sehr große Stichprobeumfag as vorgegebee Niveau approximativ erreicht Dafür beötige wir ie folgee allgemeie Defiitio 4
5 Defiitio 9 Eie Folge θ, θ, θ, θ, vo Kofiezitervalle, wobei θ : R R { } u θ : R R {+ }, heißt asymptotisches Kofiezitervall zum Niveau, falls lim if P θθ (X,, X ) θ θ (X,, X ) für alle θ Θ Nu kehre wir zu userem Problem mit e Beroulli Experimete zurück Nach em Zetrale Grezwertsatz gilt X + + X θ θ( θ) N(0, ), e EX i = θ u Var X i = θ( θ) Durch Umformug ergibt sich X θ θ( θ) N(0, ) Sei z as Quatil er Staarormalverteilug Somit gilt lim P θ z X θ z = für alle θ (0, ) θ( θ) Aufgru er Symmetrieeigeschaft er Staarormalverteilug ist z = z Defiiere eshalb z := z = z Somit müsse wir θ bestimme, so ass folgee Ugleichug erfüllt ist: X θ z θ( θ) Quarierug führt zu ( X + θ X θ) z θ( θ) Dies lässt sich umschreibe zu ( ) g(θ) := θ + z θ ) ( X + z + X 0 Die Fuktio g(θ) ist quaratisch u hat (wie wir gleich sehe were) zwei verschieee reelle Nullstelle Somit ist g(θ) 0 geau a, we θ zwische iese beie Nullstelle liegt Iem wir u ie Nullstelle mit er p q Formel bereche, erhalte wir folgees Kofiezitervall zum Niveau für θ: X + z z X ( X ) + z 4 + z, X + z + z X ( X ) + z 4 + z Für großes erhalte wir ie folgee Approximatio (iem wir alle Terme mit / stehe lasse u alle Terme mit / igoriere): X z X ( X ), X + z X ( X ) Später were wir iese Approximatio mit em Satz vo Slutsky begrüe 5
6 Beispiel 9 Bei eier Wahlumfrage were Persoe befragt, ob sie eie Partei A wähle Es soll ei Kofiezitervall zum Niveau 095 für e Stimmeateil θ kostruiert were u ie Läge ieses Itervalls soll höchstes 00 sei Wie viele Persoe müsse afür befragt were? Lösug Wir betrachte ie Wahlumfrage als ei -faches Beroulli Experimet Die Läge es Kofiezitervalls für θ soll höchstes 00 sei, also erhalte wir ie Ugleichug z X ( X ) 00 Quariere u ach Umforme ergibt ie Ugleichug 4z X ( X ) 00 Der Mitelwert X ist zwar ubekat, allerigs gilt 0 X u somit X ( X ) /4 Es reicht also auf jee Fall, we z 00 Nu erier wir us ara, ass z as ( ) Quatil er Staarormalverteilug ist Das Kofieziveau soll = 095 sei, also ist = 0975 Das 0975 Quatil er Staarormalverteilug errechet sich (z B aus eier Tabelle) als Lösug vo Φ(z) = 0975 zu z = 96 Es müsse also 96 = 9604 Persoe befragt were Satz vo Slutsky Bei er Kostruktio vo Kofiezitervalle fiet er folgee Satz sehr oft Aweug Satz 93 (Satz vo Slutsky) Seie X, X, X, u Y, Y, Y, Zufallsvariable, ie auf eiem gemeisame Wahrscheilichkeitsraum (Ω, A, P) efiiert si Gilt X X u Y c, wobei c eie Kostate ist, so folgt, ass X Y cx Beweis Schritt Es geügt, ie puktweise Kovergez er charakteristische Fuktioe zu zeige Dh, wir müsse zeige, ass lim EeitX Y = Ee itcx für alle t R Sei φ(s) = e its Diese Fuktio ist gleichmäßig stetig auf R u betragsmäßig urch beschräkt Wir zeige, ass lim Eφ(X Y ) = Eφ(cX) Schritt Sei ε > 0 fest Wege er gleichmäßige Stetigkeit vo φ gibt es ei δ > 0 mit er Eigeschaft, ass φ(x) φ(y) ε für alle x, y R mit x y δ 6
7 Schritt 3 Sei A > 0 so groß, ass P X > A ε Wir köe aehme, ass A u A Stetigkeitspukte er Verteilugsfuktio vo X si, asoste ka ma A vergrößer Da X X u A, A keie Atome vo X si, folgt, ass lim P X > A = P X > A ε Also gilt P X > A ε für große Schritt 4 Es gilt Eφ(X Y ) Eφ(cY ) E φ(x Y ) φ(cx ) + Eφ(cX ) Eφ(cX) mit E = E E = E E 3 = E E + E + E 3 + E 4, φ(x Y ) φ(cx ) Y c > δ A φ(x Y ) φ(cx ) Y c δ A, X, >A φ(x Y ) φ(cx ) Y c δa, X A, E 4 = Eφ(cX ) Eφ(cX) Schritt 5 Wir were u E,, E 4 abschätze E : Da φ(t) ist, folgt, ass E P Y c > δ/a Dieser Term kovergiert gege 0 für, a Y gege c i Verteilug (u somit auch i Wahrscheilichkeit) kovergiert E : Für E gilt ie Abschätzug E P X > A 4ε ach Schritt 3, we groß geug ist E 3 : Es gilt E 3 ε, a X Y cx δ falls Y c δ/a u X A Aus Schritt folgt a, ass φ(x Y ) φ(cx ) ε E 4 : Der Term E 4 kovergiert für gege 0, e lim Eφ(cX ) = Eφ(cX), e ach Voraussetzug kovergiert X i Verteilug gege X Iem wir u alles zusammefasse, erhalte wir, ass lim sup Eφ(X Y ) Eφ(cY ) 5ε Da ε > 0 beliebig klei gewählt were ka, folgt, ass lim Eφ(X Y ) Eφ(cY ) = 0 Somit ist lim Eφ(X Y ) = Eφ(cY ) Beispiel 93 Seie X,, X uabhägig u Beroulli verteilt mit Parameter θ (0, ) Wir kostruiere ei asymptotisches Kofiezitervall für θ Nach em Zetrale Grezwertsatz gilt X θ N(0, ) θ( θ) Leier kommt hier θ sowohl im Zähler als auch im Neer vor Deshalb hat sich bei userer frühere Kostruktio eie quaratische Gleichug ergebe Wir were u θ im Neer 7
8 elimiiere, iem wir es urch eie Schätzer, ämlich X, ersetze Nach em Satz vo Slutsky gilt ämlich, ass X θ X ( X ) = X θ θ( θ) e ach em Gesetz er große Zahle kovergiert i Verteilug) gege Es gilt also lim P θ z X θ X ( X ) z θ( θ) X ( X ) θ( θ) X ( X ) N(0, ), fast sicher (u somit auch = für alle θ (0, ) Sei z := z = z Daraus ergibt sich folgees aysmptotisches Kofiezitervall für θ zum Kofieziveau : X z X ( X ), X + z X ( X ) Dieses Itervall habe wir obe mit eier aere Methoe hergeleitet Aufgabe 933 Zeige Sie mit em Satz vo Slutsky, ass t N(0, ) Dabei ist t ie t Verteilug mit Freiheitsgrae 94 Kofiezitervall für e Erwartugswert er Poissoverteilug Seie X,, X uabhägige Zufallsvariable mit X i Poi(θ), wobei θ > 0 Gesucht ist ei Kofiezitervall für θ zum Kofieziveau Ei atürlicher Schätzer für θ ist X Da für ie Poisso Verteilug EX i = Var X i = θ gilt, folgt urch e zetrale Grezwertsatz, ass X θ N(0, ) θ Es sei z as Quatil er Staarormalverteilug Somit gilt lim P θ z X θ θ z = für alle θ > 0 Aufgru er Symmetrieeigeschaft er Staarormaverteilug gilt z := z Wir erhalte also folgee Ugleichug für θ: X θ θz Dies lässt sich urch Quarierug umschreibe zu ) g(θ) := θ θ ( X + z + X 0 = z Die Ugleichug g(θ) 0 gilt geau a, we θ zwische e beie Nullstelle er quaratische Gleichug g(θ) = 0 liegt Diese lasse urch Verweug er p q Formel 8
9 bereche Es ergibt sich folgees asymptotisches Kofiezitervall für θ zum Kofieziveau : X + z z X + z, X + z + z X + z Iem ma u alle Terme mit / stehe lässt u alle Terme mit / igoriert, erhält ma ie Approximatio X z X, X + z X Das Argumet mit er quaratische Gleichug lässt sich mit em Satz vo Slutsky vermeie Nach em Zetrale Grezwertsatz gilt ach wie vor X θ θ N(0, ) Leier kommt hier er Parameter θ sowohl im Zähler als auch im Neer vor, was im obige Argumet zu eier quaratische Gleichug führte Wir köe allerigs θ urch eie Schätzer für θ, ämlich urch X, ersetze Nach em starke Gesetz er große Zahle kovergiert θ/ X fast sicher (u somit auch i Verteilug) gege Nach em Satz vo Slutsky gilt a Somit folgt X θ X = X θ θ θ X N(0, ) lim P θ z X θ z = für alle θ > 0 X Es ergibt sich also wieer eimal as asymptotische Kofiezitervall X z X, X + z X 95 Zweistichprobeprobleme Bislag habe wir ur sogeate Eistichprobeprobleme betrachtet Es gibt aber auch mehrere Probleme, bei ee ma zwei Stichprobe miteiaer vergleiche muss Beispiel 95 Es solle zwei Futterarte für Masttiere vergliche were Dazu betrachtet ma zwei Gruppe vo Tiere Die erste, aus Tiere bestehee Gruppe bekommt Futter Die zweite, aus m Tiere bestehee Gruppe, bekommt Futter Mit X,, X wir ie Gewichtszuahme er Tiere er erste Gruppe otiert Etspreche bezeiche wir ie Gewichtszuahme er Tiere aus er zweite Gruppe mit Y,, Y m Die Aufgabe besteht u ari, ie beie Futterarte zu vergleiche, also ei Kofiezitervall für µ µ zu fie, wobei µ bzw µ er Erwartugswert er erste bzw er zweite Stichprobe ist Beispiel 95 Es wure zwei Messverfahre zur Bestimmug eier physikalische Größe etwickelt Es soll u ermittelt were, welches Verfahre eie größere Geauigkeit (also eie kleiere Streuug er Messergebisse) hat Dazu wir ie physikalische Größe zuerst Mal mit em erste Verfahre gemesse, u a m Mal mit em zweite Verfahre 9
10 Es ergebe sich zwei Stichprobe X,, X u Y,, Y m Diesmal solle ie Streuuge er beie Stichprobe vergliche were, also ei Kofiezitervall für / kostruiert were, wobei bzw ie Variaz er erste bzw er zweite Stichprobe ist Für ie obige Beispiele erscheit folgees Moell plausibel Wir betrachte zwei Stichprobe X,, X u Y,, Y m Wir ehme a, ass () X,, X, Y,, Y m uabhägige Zufallsvariable si () X,, X N(µ, ) (3) Y,, Y m N(µ, ) Wir were Kofiezitervalle für µ µ u / kostruiere Fall : Kofiezitervall für µ µ bei bekate u Es seie also u bekat Da X,, X N(µ, ) u Y,, Y m N(µ, ), folgt aus er Faltugseigeschaft er Normalverteilug, ass X := X + + X N ( µ, ), Ȳ m := X + + Y m m Ei atürlicher Schätzer für µ µ ist gegebe urch ( ) X Ȳm N µ µ, + m ( ) N µ, m Iem er Erwartugswert subtrahiert u urch ie Staarabweichug geteilt wir, erhält ma eie staarormalverteilte Zufallsvariable: X Ȳm (µ µ ) + m + m N(0, ) Es gilt also, ass P µ,µ z X Ȳm (µ µ ) z = für alle µ, µ R Aufgru er Symmetrieeigeschaft er Normalverteilug köe wir z = z efiiere Umgeformt ach µ µ erhält ma as Kofiezitervall X Ȳm z + m, X Ȳm + z + m = z Fall : Kofiezitervall für µ µ bei ubekate aber gleiche u Seie u u ubekat Um as Problem zu vereifache, were wir aehme, ass u gleich si, h := = Schritt Geauso wie i Fall gilt X Ȳm (µ µ ) N(0, ) + m 0
11 Leier köe wir as icht zur Kostruktio eies Kofiezitervalls für µ µ irekt verwee, e ist ubekat Wir were eshalb schätze Schritt Ei Schätzer für, er ur auf er erste Stichprobe basiert, ist gegebe urch SX = (X i X ) Aalog gibt es eie Schätzer für, er ur auf er zweite Stichprobe basiert: SY = m (Y j m Ȳm) Für iese Schätzer gilt ( )S X χ, i= j= (m )S Y χ m Bemerke, ass iese zwei χ verteilte Zufallsvariable uabhägig si Somit folgt ( )S X + (m )S Y χ +m Betrachte u folgee Schätzer für, er auf beie Stichprobe basiert: ( ) S = (X i + m X m ) + (Y j Ȳm) = ( )S X + (m )S Y + m Somit gilt i= j= ( + m )S χ +m Der Erwartugswert eier χ +m verteilte Zufallsvariable ist + m Daraus folgt isbesoere, ass S ei erwartugstreuer Schätzer für ist, was ie Wahl er Normierug /( + m ) erklärt Schritt 3 Aus Schritt u Schritt folgt, ass X Ȳm (µ µ ) = S + m X Ȳm (µ µ ) + m +m (+m )S t +m Dabei habe wir beutzt, ass er Zähler u er Neer es obige Bruchs uabhägig voeiaer si Das folgt aus er Tatsache, ass SX u X sowie SY u Ȳ uabhägig voeiaer si, sowie aus er Tatsache, ass ie Vektore (X, SX ) u (Y, S Y ) uabhägig voeiaer si Somit gilt P µ,µ, t +m, X Ȳm (µ µ ) t +m, = für alle µ, µ, S + m
12 Wege er Symmetrie er t Verteilug gilt t := t +m, = t +m, Umgeformt ach µ µ ergibt sich folgees Kofiezitervall für µ µ zum Kofieziveau : X Ȳm S + m t, X Ȳm + S + m t Fall 3: Kofiezitervall für / bei ubekate µ u µ Seie also µ u µ ubekat Wir kostruiere ei Kofiezitervall für / Die atürliche Schätzer für u si gegebe urch Es gilt S X = i= ( )S X (X i X ), S Y = m χ, (m )S Y m (Y j Ȳm) j= χ m u iese beie Zufallsvariable si uabhägig Es folgt, ass S X / S Y / = F,m, ( )S X (m )S Y m F,m Wir bezeiche mit F,m, as Quatil er F,m Verteilug Deshalb gilt, ass P µ,µ, F,,m, S X / F SY,m, = für alle µ /, µ,, > 0 Somit ergibt sich folgees Kofiezitervall für / zum Kofieziveau : S X, S X SY SY F,m, Fall 4: Kofiezitervall für / bei bekate µ u µ Ählich wie i Fall 3 (Übugsaufgabe) Zum Schluss betrachte wir ei Beispiel, bei em es sich ur scheibar um ei Zweistichprobeproblem haelt Beispiel 953 (Verbuee Stichprobe) Bei eiem Psychologietest fülle Persoe jeweils eie Frageboge aus Die Frageböge were ausgewertet u ie Ergebisse er Persoe mit X,, X otiert Nach er Therapiezeit were vo e gleiche Persoe ie Ergebisse mit Y,, Y festgehalte I iesem Moell gibt es zwei Stichprobe, allerigs si ie Aahme es Zweistichprobemoells hier icht plausibel Es ist ämlich klar, ass X u Y abhägig si, e beie Ergebisse gehöre zu erselbe Perso Allgemeier si X i u Y i abhägig Eie bessere Vorgehesweise bei iesem Problem ist iese Wir betrachte ie Zuwächse Z i = Y i X i Diese köe wir als uabhägige Zufallsvariable Z,, Z N(µ, ) moelliere Dabei spiegelt µ e mittlere Therapieerfolg wier Das Kofiezitervall für µ wir wie bei eiem Eistichprobeproblem gebilet
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
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,...,
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
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
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
MehrWirksamkeit, Effizienz
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
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
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
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
MehrKAPITEL 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
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
MehrLehrstuhl 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
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
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:
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,
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
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
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
MehrGrenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen
. Der Grezwert vo mootoe, beschräkte Folge Der Grezwert vo mootoe, beschräkte Folge ist eifacher verstädlich als der allgemeie Fall. Deshalb utersuche wir zuerst diese Spezialfall ud verallgemeier aschliessed.
Mehr6. 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
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
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
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
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
Mehr18 Exponentialfunktion und Logarithmus
8 Epoetialfuktio u Logarithmus Lerziele: Kozepte: Epoetialfuktio u Logarithmus Resultat: Wachstumshierarchie für Fuktioe u Folge Kompeteze: Berechug weiterer Itegrale I iesem Abschitt führe wir e Logarithmus
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
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
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
MehrKapitel 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.
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
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,
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
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
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
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
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
MehrAufgaben zu Kapitel 6
Aufgabe zu Kapitel 6 Aufgabe zu Kapitel 6 Verstädisfrage Aufgabe 6. Gegebe sei die Folge x ) 2 mit x 2)/ + ) für 2. Bestimme Sie eie Zahl N N so, dass x ε für alle N gilt, we a) ε 0, b) ε 00 ist. Aufgabe
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt Semester ARBEITSBLATT 13. DAS NEWTONsche NÄHERUNGSVERFAHREN
Mathematik: Mag. Schmi Wolgag Arbeitsblatt 3 6. Semester ARBEITSBLATT 3 DAS NEWTONsche NÄHERUNGSVERFAHREN Mit em Itervallschachtelugsverahre Siehe Arbeitsblatt habe wir bereits ei Verahre kee gelert, mit
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe
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 Lösuge zu Aufgabeblatt 7
MehrÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre
MehrTests statistischer Hypothesen
KAPITEL 10 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
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
MehrKapitel 11 DIE NORMAL-VERTEILUNG
Kapitel DIE NORMAL-VERTEILUNG Fassug vom 7. Februar 006 Prof. Dr. C. Porteier Mathematik für Humabiologe ud Biologe 49 . De itio der Normal-Verteilug. De itio der Normal-Verteilug Bisher habe wir ur diskret
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
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
Mehr6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
MehrTutorial zum Grenzwert reeller Zahlenfolgen
MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des
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:
MehrMathematische Statistik
Mathematische Statistik Skript Prof. Dr. Zakhar Kabluchko Uiversität Müster Istitut für Mathematische Statistik Ihaltsverzeichis Vorwort 1 Literatur 1 Kapitel 1. Stichprobe ud Stichprobefuktio 1.1. Wahrscheilichkeitstheorie
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
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
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
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
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
MehrStatistik. 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
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
MehrWahrscheinlichkeitstheorie und Statistik
Kapitel 15 Wahrscheilichkeitstheorie ud Statistik Verstädisfrage Sachfrage 1. Erläuter Sie de Begriff der absolute ud relative Häufigkeit eier Stichprobe! 2. Erläuter Sie de Begriff der Klassehäufigkeit
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..
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)
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
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
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
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechug vo Eigewerte 4.6 Berechug vo Eigewerte I diesem Abschitt befasse wir us mit dem Eigewertproblem: zu gegebeer Matrix A R sid die Eigewerte (ud gegebeefalls Eigevektore) gesucht. Wir erier a
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
Mehr3.2 Die Schrödinger-Gleichung
3. Die Schröiger-Gleichug Oer Wie fie ich ie Wellefuktio eies Teilches Lit: Simo/McQuarrie Die S.G. ka geauso weig hergeleitet were wie ie Newtosche Gesetze (Fma). Fuametales Postulat er Quatemechaik Wir
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
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
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrWallis-Produkt, Gammafunktion und n-dimensionale Kugeln
Wallis-Produkt, Gammafuktio ud -dimesioale Kugel Thomas Peters Thomas Mathe-Seite www.mathe-seite.de 6. Oktober 3 Das Ziel dieses Artikels ist es, Formel für das Volume ud die Oberfläche vo -dimesioale
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
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:
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
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
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
MehrÜbungen mit dem Applet erwartungstreu
Übuge mit dem Applet erwartugstreu Visualisierug vo erwartugstreu Begriffe ud statischer Hitergrud. Visualisieruge mit dem Applet..3. Zufallsstreuug der Eizelwerte...3. Mittelwerte 3.3 Variaz. 4.4 Variaz
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrDer χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?
Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie
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
MehrMethoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln
6 Kovergete Folge Lerziele: Kozepte: Grezwertbegriff bei Folge, Wachstumsgeschwidigkeit vo Folge Resultat: Mootoe beschräkte Folge sid koverget. Methode: Hero-Verfahre, Erweiterug vo Differeze vo Quadratwurzel
MehrAufgaben und Lösungen Weihnachtsgeschenke zur Vorlesung Analysis I
Aufgabe ud Lösuge Weihachtsgescheke zur Vorlesug Aalysis I Der Witersemester 008/009 Übug am 4.., 5..008 sowie 0.0.009 Aufgabe. Folge Aufgabe Ma bestimme, ob die Folge (a ) mit a = + 3 + 4 kovergiert ud
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
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
MehrResultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen
26 Gleichmäßige Kovergez ud Potezreihe 129 26 Gleichmäßige Kovergez ud Potezreihe Lerziele: Kozepte: Puktweise ud gleichmäßige Kovergez Resultate: Vertauschbarkeit vo Grezprozesse, Kovergezverhalte vo
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
MehrTESTEN VON HYPOTHESEN
TESTEN VON HYPOTHESEN 1. Grudlage Oft hat ma Vermutuge zu Sachverhalte ud möchte diese gere durch Experimete bestätige. Dabei ka es sich i der Praxis zum Beispiel um Verteiluge vo gewisse Zufallsgröße
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
MehrTests 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
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
MehrAnalysis ZAHLENFOLGEN Teil 4 : Monotonie
Aalysis ZAHLENFOLGEN Teil 4 : Mootoie Datei Nr. 40051 Friedrich Buckel Juli 005 Iteretbibliothek für Schulmathematik Ihalt 1 Eiführugsbeispiele 1 Mootoie bei arithmetische Folge Defiitioe 3 3 Welche Beweistechik
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgabe ud Lösuge Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 2008/2009 Übug am 09.2.2008 Übug 8 Eileitug Es soll och eimal auf die agebotee Sprechstude higewiese werde, sowie auf mögliche
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
MehrKonfidenzintervall_fuer_pi.doc Seite 1 von 6. Konfidenzintervall für den Anteilswert π am Beispiel einer Meinungsumfrage
Kofidezitervall_fuer_pi.doc Seite 1 vo 6 Kofidezitervall für de Ateilswert π am Beispiel eier Meiugsumfrage Nach eier Meiugsumfrage der Wochezeitug Bezirksblatt vom März 005, ei halbes Jahr vor de Ladtagswahle
MehrWörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
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
Mehr