Verf. erweitern die Theorie der Vertrauens-(Mutungs-)grenzen für unbekannte Parameter von Verteilungsfunktionen, indem sie allgemeiner nach den Mutungsgrenzen für die unbekannten Verteilungsfunktionen selbst fragen. Ist \(E\) der die \(n\) beobachteten Werte \(x_1,\,\ldots,\, x_n\) der \(n\) Zufallsvariablen \(X_1,\,\ldots,\, X_n\) darstellende Bildpunkt im \(n\)-dimensionalen Euklidischen Raum, wobei nur angenommen wird, daß diese \(n\) Variablen voneinander unabhängig und alle nach einem und demselben kontinuierlichen Gesetz (\(f(x) = {}\)Wahrscheinlichkeit für \(X_i < x\)) verteilt sind, ferner \(1- \alpha\) mit \(0 < \alpha < 1\) die zugrunde gelegte Zufallsziffer, so lautet die Aufgabe, zu jedem gegebenen \(E\) und \(\alpha\) zwei Funktionen (Mutungsgrenzen) \(\bar l_{E,\alpha}(x)\) und \(\underline l_{E,\alpha}(x)\) so zu bestimmen, daß die Wahrscheinlichkeit dafür, aus dem System \(X_1,\,\ldots,\, X_n\) zufallsmäßig eine Stichprobe \(E = x_1,\,\ldots,\, x_n\) herauszugreifen, welche für alle \(x\) \[ \underline l_{E,\alpha}(x)\leqq f(x)\leqq \bar l_{E,\alpha}(x) \] erfüllt, genau \(\alpha\) beträgt. Der für den allgemeinen Fall gegebene Lösungsweg wird durch Zahlenbeispiele erläutert.