Mathematische Statistik
|
|
- Albert Friedrich
- vor 8 Jahren
- Abrufe
Transkript
1 Skript Mathematische Statistik Max v. Reesse Aufgezeichet vo Tobias Weihrauch Sommersemester 202 Uiversität Leipzig
2
3 INHALTSVERZEICHNIS Ihaltsverzeichis Eiführug 3. Statistik als Teil der Stochastik Stadardfrage der Statistik i Beispiele Parameterschätzug 4 2. Puktschätzer Beispiele vo (parametrische) statistische Modelle Kosistez vo Schätzer Maximum-Likelihood-Schätzer Mittlerer quadratischer Fehler Fisher-Iformatio ud Cramer-Rao Ugleichug Suffiziez ud Satz vo Rao-Blackwell Vollstädigkeit ud der Satz vo Lehma-Scheffé Der optimale Variazschätzer im -fache Gaußmodell bei ubekatem Erwartugswert Bayes sche Schätzer Bereichsschätzer (Kofidezmege) Kofidezbereiche im Biomialmodell Pivotstatistike Verteiluge rud um die Normalverteilug 42 4 Teste Eiführug i die Testproblematik Gleichmäßig beste Tests Das Neyma-Pearso Lemma Likelihood-Quotiete-Tests Nichtparametrische Modelle Der Satz vo Gliveko-Catelli Eie Quatitative Versio vo Gliveko-Catelli Kozetratiosugleichuge Beweis vo Satz Der Kolmogorov-Smirov-Apassugstest χ 2 -Apassugstest Lieare Modelle Der Satz vo Gauß-Markov Kofidezbereiche ud Tests i lieare Gauß-Modelle Awedug: Eiweg-Klassifizierug ud ANOVA-Methode
4 2 INHALTSVERZEICHNIS Vorwort Dies ist eie redigierte Mitschrift der Vorlesug Mathematische Statistik, die ich i de Sommersemester 20 ud 202 im Bachelor-Studiegag Mathematik a der TU Berli bzw. im Diplomstudiegag Mathematik a der Uiversität Leipzig gehalte habe. Etspreched folgt die Gliederug de für diese Kurs typische Modulvorgabe a deutsche Uiversitäte. Bei der Vorbereitug habe ich besoders vom zweite Teil des wuderbare Lehrbuchs Stochastik des Mücher Kollege H.-O. Georgii profitiert, das beim de Gruyter-Verlag i dritter Auflage vorliegt. Daher stellt die Vorlesug im wesetliche eie gewichtete Auswahl der im Georgii sche Buch behadelte Theme dar. Als Exkurs gegeüber dieser Hauptquelle ist ei lägerer Abschitt über eie quatitative Versio des Satzes vo Gliveko-Catelli eigefügt, der eie Eiblick i fortgeschritteere Frage der ichtparametrische Statistik mit dem Thema Kozetratiosugleichuge verbidet. Herzlichster Dak gilt Herr Tobias Weihrauch aus Leipzig, der die Vorlesug aufmerksam verfolgt ud dabei i Echtzeit de Latex-Grudstock für dieses Skript gelegt hat. M. v. Reesse Als Vorlage diete hier eie Vorlesug über maschielles Lere vo Peter Bartlett (Berkeley)
5 3 Eiführug. Statistik als Teil der Stochastik Die Stochastik (Griechisch Kust des Rates ) gliedert sich i zwei Teile: Wahrscheilichkeitstheorie ud Statistik. I der Wahrscheilichkeitstheorie kostruiert ud aalysiert ma abstrakte mathematische Modelle des Zufalls. I der Statistik higege wedet ma diese Modelle auf kokrete Sachverhalte a. Dabei besteht der erste ud wichtigste Schritt der Statistik dari, zu de beobachtete Realisieruge eies kokrete Zufallsmechaismus aus der Mege vo theoretische Modelle ei möglichst passgeaues zu fide. Im zweite Schritt ka das ausgewählte Modell da für Progose ud weitere Aalyse geutzt werde. Umgekehrt sid theoretische Frage im Bereich Modellbildug häufig vo empirische Beobachtuge ud Experimete motiviert. Eie strikte Treug zwische der Wahrscheilichkeitstheorie ud der Statistik ist daher umöglich. Als Begriffe stehe sie jedoch für die iduktive bzw. empirische Seite der Lehre vom Zufall. Beispiel. Wir wolle das ahad des Zufallsmechaismus Müzwurf illustriere. Am Afag steht die Beobachtug, dass der Ausgag eies Müzwurfes zufällig ist i dem Sie, dass es keie logische Regel zur geaue Vorhersage des Eizelexperimets zu gebe scheit. ) Der erste Schritt zum Verstehe dieses Phäomes besteht i der Etwicklug eies geeigete mathematische Rahmes, i welchem der Vorgag Zufälliger Müzwurf beschriebe werde soll. Das führt da z.b. auf das eifache Beroulli- Modell eies 0--Experimetes Ω = {, 0}, P () = p, P (0) = p. 2) Damit ist die Klasse der Modelle zur Beschreibug des Müzwurfes festgelegt, es fehlt die Festlegug des Parameters p. Hierzu wird die Müze z.b. dreimal geworfe ud die Folge der Ausgäge, 0, beobachtet. Hieraus leite wir die Aahme ab dass p 2 3. I diesem Beispiel wäre der. Aalyseschritt (Modelletwicklug) also der iduktive Seite ud der 2. Aalyseschritt (Modellauswahl: p = 2 ) der empirische Seite zuzuorde. 3 Letztere steht im Mittelpukt dieser Vorlesug. Literatur zur Vorlesug:. Has-Otto Georgii, Stochastik, de Gruyter (2. Auflage) 2. Vorlesugsskript Mathematische Statistik vo Prof. Matthias Löwe, Uiv. Müster 3. Vorlesugsskript Statistik vo Prof. Volker Schmidt, Uiv. Ulm 4. Achim Kleke Wahrscheilichkeitstheorie, Spriger, 2. Auflage (als Hitergudreferez)
6 4 2 PARAMETERSCHÄTZUNG.2 Stadardfrage der Statistik i Beispiele Beispiele.. Schätze. Ei Zufallsgeerator produziert Zufallszahle gleichverteilt aus {, 2,, M}. M ist dabei ubekat. Der Apparat wird u 0 mal betätigt mit dem Resultat 3, 32, 98, 9, 29, 4, 2, 67, 6, 44 Gesucht ist u ei Schätzwert für de Parameter M (Puktschätze) bzw. ei Itervall I = [α, β], welches mit sehr großer Wahrscheilichkeit de Parameter M ethält (Bereichsschätze). 2. Teste. Sid die i. protokollierte Beobachtuge verträglich mit der Aahme, dass der Apparat jede der Zahle {,, M} gleich wahrscheilich geeriert? 3. Etscheide. 70 Patiete mit eier bestimmte Krakheit werde mit zwei verschiedee Medikamete behadelt, mit dem folgede Resultat Verlauf \Medikamet A B schwer 20 8 leicht 22 0 Hat die Wahl des Medikametes eie sigifikate Eifluss auf de Krakheitsverlauf? 4. Regrediere. Die Patietedatei eier Krakekasse ethält 20 Patietedate als Paare der Form (Kudealter, Koste p.a). Welcher quatitative Zusammehag besteht zwische Alter & Koste? 2 Parameterschätzug 2. Puktschätzer Beispiel (Qualitätskotrolle bei der Glühbirefabrikatio). Die Lebesdauer eier eizele Glühbire X i : Ω R 0 ist zufällig. Die Aahme der Gedächtislosigkeit 2 erzwigt die Modellierug der Lebesdauer X i als expoetiell verteilte Zufallsvariable P (X i t) = exp ϑt, wobei ϑ 0 ei Parameter ist, der (z.b. vom Produzete) festgelegt werde ka. Als Empfäger eier Lieferug vo Glühbire dieser Fabrikatio wolle wir u ϑ experimetell bestimme. ž Wir lasse u 00 Glühbire dieser Sorte abbree ud protokolliere die Bredauer (X,..., X 00 ) = (2h, 3d 7h,..., 0.3h) 2 Gedächtislosigkeit heißt hier z.b. P (X > t + s X > t)! = P (X > s).
7 2. Puktschätzer 5 ž (X,..., X 00 ) stellt das Protokoll eier 00-fache Ziehug vo expoetiell verteilte Zufallsvariable dar. Das starke Gesetz der große Zahle besagt X i E(X) fast sicher, wobei die (X i ) uabhägig idetisch verteilt sid. Für de Parameter ϑ fide wir somit asymptotisch fast sicher X i E ϑ (X) mit dem Erwartugswert E ϑ (X) eier expoetiell verteilte Zufallsvariable mit Parameter ϑ, d.h. E ϑ (X) = 0 x ϑ e ϑ x dx = [ x e ϑ x] ž Somit ist eie erste (icht gaz aive) Atwort, dass ϑ = X i e ϑ x dx = ϑ. Die Vorschrift ϑ = ϑ(x,..., X 00 ) R ist eie Abbildug vo dem Raum der Beobachtuge i de Raum der Parameter. Ma spricht vo eiem Schätzer für ϑ (siehe ute). Da die kokrete Realisierug (X,..., X 00 ) der 00 Stichprobe vom Zufall abhägt, ist auch ϑ = ϑ(x) eie Zufallsgröße. Das Gesetz der große Zahle ährt jedoch die Hoffug, dass ϑ(x) für große mit hoher Wahrscheilichkeit ahe beim fixe aber ubekate Parameter ϑ liegt. Das hier gegebee Beispiel wird im Rahme der Statistik wie folgt systematisiert. Defiitio 2. (Statistisches Modell). ž Ei statistisches Modell ist ei Tripel M = (X, F, (P ϑ ; ϑ Θ)) bestehed aus eier Mege X als Stichproberaum eier Sigma-Algebra F auf X als Algebra der Beobachtuge ud eier Familie vo Wahrscheilichkeitsmaße (P ϑ ; ϑ Θ) auf (X, F). ž Falls M = (E, E, (Q ϑ ; ϑ Θ)) ei statistisches Modell ist, heißt das Modell (X, F, (P ϑ ; ϑ Θ)) X = E F = E (-fache Produkt-σ-Algebra)
8 6 2 PARAMETERSCHÄTZUNG P ϑ = k= Q ϑ (Produkt-Wahrscheilichkeitsmaß) das zugehörige -fache Produktmodell (Notatio M ). ž Falls (Σ, S) ei weiterer messbarer Raum ist, so heißt eie messbare Abbildug S : (X, F) (Σ, S) eie Statistik. ž Eie Abbildug τ : Θ Σ i eie Mege Σ heißt Kegröße. Eie Statistik T : X Σ heißt ei Schätzer für τ. (Häufige Notatio T = τ) ž Falls Σ ei Vektorraum ist, heißt ei Schätzer T : X Σ für die Kegröße τ : Θ Σ erwartugstreu für τ, falls E ϑ (T ) := X T (x) P ϑ (dx) = τ(ϑ) ϑ Θ. Vereibaruge zur Notatio Wir werde wir ferer vo de folgede Schreibweise Gebrauch mache. ž x bezeichet ei kokretes Elemet x X. ž X steht für die idetische Zufallsvariable auf X, d.h. X : X X, X(x) = x. ž X=x ist die charakteristische Fuktio der Mege {X = x}. ž Für T : X R beutze wir die folgede äquivalete Schreibweise für de Erwartugswert E ϑ (T ) = E ϑ (T (X)) = T (x) P ϑ (dx). X ž Für eie Zufallsvariable Y mit Werte i X ud eiem Wahrscheilichkeitsmaß ν auf X schreibe wir Y ν, falls ν die Verteilug vo Y ist. Aalog schreibe wir Y Z, falls die Zufallsvariable Y ud Z dieselbe Verteilug habe. Etspreched schreibe sich etwa bedigte Wahrscheilichkeite wie folgt P ϑ (X = x S(X) = s) = P ϑ({x = x} {S(X) = s}). P ϑ (S(X) = s)
9 2. Puktschätzer Beispiele vo (parametrische) statistische Modelle Falls die Parametermege Θ eie Teilmege des R d ist, spricht ma vo eiem parametrische Modell. Wir wolle u eiige Exemplare vorstelle. Beispiel (Müzwurf). Wie gesehe, wird der eimalige Wurf eier Müze mit de Seite ud 0 durch das statistische Modell (X, F, (P ϑ ; ϑ Θ)) = ( {0, }, P({0, }), (P ϑ ) ϑ [0,] ) beschriebe, wobei P({0, }) die Potezmege vo {0, } ud P ϑ das Beroulli-Wahrscheilichkeitsmaß auf {0, } mit P ϑ = B ϑ, d.h. B ϑ () = ϑ ud B ϑ (0) = p bezeiche. Dieses Modell wird auch Beroulli-Modell geat. Beispiel (Verlauf des -fache Müzwurfs). Die Müze aus dem vorige Beispiel wird u mal geworfe ud wir halte die Folge der Ausgäge X,, X mit X i {0,, } fest. Das zugehörige statistische Modell wäre i diesem Fall (X, F, (P ϑ ; ϑ Θ)) = ({0, }, P({0, }, (P ϑ ) ϑ [0,]), also eifach das -fache Produkt des obige Beroulli- Modells. Etspreched ee wir es das -fache Beroulli-Produktmodell. Beispiel (Azahl der Erfolge beim -fache Müzwurf). We beim -fache Wurf der Müze mit ubekatem Erfolgsparameter ϑ lediglich die Gesamtazahl der -e als Beobachtug festhalte, köe wir mit dem statistische Modell (X, F, (P ϑ ; ϑ Θ)) arbeite, wobei X = {0,..., }, F = P(X) ud (P ϑ ) ϑ [0,] als Familie der Biomialverteiluge (bei festgehalteem für die Azahl der Versuche), d.h. ( ) P ϑ (k) = ϑ k ( ϑ) k. k Im folgede wolle wir dieses Modell Biomialmodell ee. Wie i jedem statistische Modell ist auch hier die idetische Kegröße τ : Θ = [0, ] R, τ(ϑ) = ϑ, d.h. der Parameter ϑ selbst, vo besoderem Iteresse. Im Biomalmodell ist die Statistik T : X R, T (x) = x ei atürlicher Schätzer für τ(ϑ) = ϑ. T ist erwartugstreu, de ( E ϑ (T ) = T (k) P ϑ (k) = ( ) ) k ϑ k ( ϑ) k = ( ϑ) = ϑ = τ(ϑ). k k=0 k=0 Zuletzt bemerke wir, dass das Biomialmodell (für -Versuche) aus dem -fache Beroulli- Modell hervorgeht durch Awedug der Statistik S : {0, } {0,,, }, S(x,..., x ) := x i. I diesem Sie ist das Biomialmodell das Bildmodell des -fache Beroulli-Modells uter der Statistik S.
10 8 2 PARAMETERSCHÄTZUNG Beispiel (Glühbire, Forts.). Hier köe wir mit dem 00-fache Produkt (X, F, (P ϑ ; ϑ Θ)) = M des statistische Modells M = (R 0, B(R 0 ), ( ϑ e ϑx dx) ϑ 0 ) für die Familie der Expoeetialverteiluge arbeite, d.h. ž X = (R 0 ) 00, F = B((R 0 ) 00 ) ist die Borel sche Sigma-Algebra auf R 0 ud P ϑ ist die 00-fache Produktverteilug der Expoetial-ϑ-verteilug, d.h. P ϑ (X > t,..., X 00 > t 00 ) = e ϑ t... e ϑ t 00. ž Wir iteressiere us z.b. für die Kegröße ž für welche die Statistik τ : R >0 R >0 τ(ϑ) = ϑ, S : X Σ = R 0 S(t,..., t 00 ) = t i wie bereits gesehe ei erwartugstreuer Schätzer ist. Beispiel (Apfelsielieferug). Jemad schekt us N Apfelsie, ϑ davo sid faul. Wir ziehe zufällig N Apfelsie, k sei die Azahl der gezogee faule. ž X = {0,..., }, F = P(X), (P ϑ ; ϑ {0,..., N}) mit { ( ϑ k) ( N ϑ k) falls k ϑ P ϑ (k) = ( N ) 0 sost. ž Die Statistik T : X R, T (x) = x ist ei erawrtugstreuer Schätzer für ϑ (Übug). Beispiel (Game-Show). I eier TV-Sedug mit zwei Kadidate liefert ei Apparat zeh Zufallszahle x,..., x 0 aus eiem Itervall [0, L]. Der Parameter L ist ur dem Moderator bekat. Die Kadidate solle u L möglichst gut rate. Das statistische Modell für die eifache Ziehug eier auf [0, L] uiform verteilte Zufallszahl ist X = R 0, F = B(R 0 ), P L = U [0,L], L 0, wobei U [0,L] die Gleichverteilug auf [0, L] bezeichet ( ) t U [0,L] (X < t) = mi M,. Somit lautet das Modell für die 0-fache Wiederholug (R 0 0, B(R 0 0), (U [0,L] ) L [0,+ )).
11 2. Puktschätzer 9 Gefragt ist ach der Kegröße τ : R 0 R, L L. Die beide Kadidate habe u verschiedee Ratestrategie/Schätzer. verwedet de Schätzer L( x ) = 2 0 x i, Kadidat A ud Kadidat B beutzt M( x ) = max(x,..., x 0 ). Die Frage, welcher vo beide die bessere Strategie hat, beatworte wir i Abschitt Kosistez vo Schätzer Die Erwartugstreue vo Schätzer ist eie wüscheswerte Eigeschaft isofer als der vorgeschlagee Schätzwert τ im Mittel der gesuchte Kegröße etspricht. Das Gesetz der große Zahle sagt da, dass der Mittelwert der Schätzwerte k k τ(x i) vo k uabhägige Wiederholuge desselbe Schätzvorgages mit k fast sicher gege de gesuchte Wert τ(ϑ) kovergiert. We der eizele Schätzvorgag dabei jedoch sehr aufwedig ist, ka es aber ieffiziet sei, davo viele uabhägig voeiader durchzuführe ud allei de Mittelwert der Eizelschätzuge zu bilde. Beispiel (Game-Show, Forts.). Der Schätzer L des Kadidate A ist der Mittelwert der Eizelschätzer L i = 2X i ud ist offesichtlich erwartugstreu. M = M köte auch rekursiv auf der Folge der Modelle defiert werde als M = L ud M + = max( M, X ). Die Struktur vo M ist also komplizierter als die vo L als Mittelwert vo uabhägige Eizelschätzer. I Abschitt 2..4 werde wir sehe, dass M i der Tat besser abscheidet als L. Zugleich ist M icht erwartugstreu. Hierzu bereche wir zuächst seie Verteilug gemäß { P L( M < t) = P L(X i t) = ( L ) t falls t L sost. Etspreched fide wir für de Erwartugswert (mit G(t) := P L ( M t)) E L ( M) = 0 G(x)dx = L 0 ( ( t L ) ) dt = + L L. Die Mege M = M, N aufgefasst als Folge vo Schätzer, kosistet für die Kegröße L i dem Sie, dass die Wahrscheilichkeit für eie Schätzfehler mit asymptotisch verschwidet.
12 0 2 PARAMETERSCHÄTZUNG Defiitio 2.2. Sei M := (X, F, (P ϑ ; ϑ Θ)) eie Folge vo statistische Modelle ud τ : Θ R eie Kegröße, sowie T : X R. Da heißt die Folge (T ) eie kosistete Schätzfolge für τ, falls ε > 0 ϑ Θ : P ϑ( T (X) τ(ϑ) > ε) 0 Beispiel (Forts.). Die Folge der Schätzer M := max(x,..., X ) defiiert auf der Folge der Modelle M = (R 0, B(R 0), (P L ) l 0) ist kosistet, de für ɛ > 0 fide wir P L( M L > ɛ) = P L( M < L ɛ) = ( L ɛ L ) 0. Das folgede Lemma gibt ei eifaches Kriterium für die Kosistez eier Folge vo Schätzer. Satz 2.3. Falls i der Situatio aus Defiitio 2.2 für alle ϑ Θ ) E P ϑ (T (X)) τ(ϑ) 2) sup V P ϑ (T (X)) 0, 0 so ist bildet (T ) eie kosistete Folge vo Schätzer. Beweis. Setze τ (ϑ) := E P ϑ (T (X)). Zu ε > 0 gilt ( P ϑ( T (X) τ(ϑ) > ε) P ϑ T (X) τ (ϑ) > ε ) ( + P ϑ τ (ϑ) τ(ϑ) > ɛ ) ( 2 2 = P ϑ T (X) τ (ϑ > ε ) + τ 2 (ϑ) τ(ϑ) > ε 2 (ε/2) V 2 P (T (X)) + ϑ τ (ϑ) τ(ϑ) > ε. 2 } {{ } } {{ } 0, ach ) 0, ach 2) 2..3 Maximum-Likelihood-Schätzer Defiitio 2.4 (Stadardmodell). Das Modell (X, F, (P ϑ ; ϑ Θ)) heißt ei Stadardmodell, falls ei domiieredes Maß µ 0 auf (X, F) existiert, so dass P ϑ (dx) µ 0 (dx) für alle ϑ Θ. Die zugehörige Rado-Nikodym-Dichte ϱ(ϑ,.) = dp ϑ dµ 0 : X R, d.h. mit heiße Likelihood-Fuktioe. P ϑ (dx) = ϱ(ϑ, x) µ 0 (dx) Bemerkug. ϱ(ϑ, x) ist also die Wahrscheilichkeit(-sdichte relativ µ 0 ), die Stichprobe x uter dem Wahrscheilichkeitsmaß P ϑ zu beobachte. Bemerkug (Ivariaz gegeüber der Wahl eies domiierede Maßes). Jedes adere zu µ 0 äquivalete Maß µ (d.h. mit µ µ 0 ud µ 0 µ) ist ebefalls ei domiieredes Maß, ud mit der relative Dichte h = dµ 0 /d µ gilt da offesichtlich, dass P ϑ (dx) = ρ(ϑ, x) µ(dx) mit ρ(ϑ, x) = ρ(ϑ, x) h(x). Alle i dieser Vorlesug geate Resultate für Stadardmodele sid uabhägig vo der geaue Wahl eies domiierede Maßes µ 0.
13 2. Puktschätzer Beispiele. ž Game-Show: ž Biomialmodell: P ϑ (, ϑ, k) = P ϑ (dx) = ϑ [0,ϑ](x) λ(dx) } {{ } =ϱ(ϑ,x) ( ) ϑ k ( ϑ) k = ϱ(ϑ, k), k d.h. P ϑ (dx) = ϱ(ϑ, x) µ 0 (dx), wobei µ 0 (dx) das Zählmaß auf N 0 ist. Für die Kostruktio eies Schätzers vo ϑ selbst (d.h. τ(ϑ) = ϑ) i eiem reguläre Modell besteht ei ituitiver Asatz dari, bei gegebeer Stichprobe x ei ϑ = ϑ(x) als Schätzwert vorzuschlage, für welches die Wahrscheilichkeit(sdichte) ρ(ϑ, x) für die Beobachtug x uter alle ϑ Θ maximiert wird. Defiitio 2.5. Es sei (X, F, (P ϑ )) ei Stadardmodell mit Likelihood-Fuktio ϱ : Θ X R. Ei Schätzer T : X (Θ, G) für de Parameter ϑ heißt Maximum-Likelihood- Schätzer, falls ϱ(t (x), x) = sup ϱ(ϑ, x) x X. ϑ Θ Beispiel (Biomialmodell). Hier ist die Likelihood-Fuktio ( ) ϱ(ϑ, x) = ϑ x ( ϑ) x x T (x) = x. Aufgrud der Mootoie des atürliche Logarithmus log köe wir geauso ach Maximalstelle der log-likelihood Fuktio log ϱ suche, die sich im aktuelle Fall schreibt als ( ) log(ϱ(ϑ, x)) = log + x log ϑ + ( x) log( ϑ). x Ableite ach ϑ ergibt ϑ (log ϱ) = x ϑ + x ϑ ϑ = x = T (x).! = 0 Somit ist der zuvor bereits gefudee Schätzer T ei Maximum-Likelihood-Schätzer. Beispiel (-faches Gauß-Produktmodell). Im statistische Modell (R, B, (νm,v; m R, v 0)) mit ν m,v (dx) = e (x m)2 2v dx 2πv Θ = R R 0
14 2 2 PARAMETERSCHÄTZUNG der -fache Wiederholug eies Gauß sche Experimets mit ubekate Parameter m ud v für Erwartugswert ud Variaz ist die likelihood-fuktio ϱ((m, v), (x,..., x )) = 2πv e (x i m)2 2v. Also ergibt sich die log-likelihood-fuktio 2 log(2πv) (x i m) 2 2v =: η(m, v). Der ML-Schätzer für ϑ = (m, v) etspricht der Maximalstelle ( m, v) der obige loglikelihood-fuktio bei festem x = (x,..., x ). Hierzu suche wir die Nullstelle ( m, v) vo η = ( η, ) η m v ud erhalte m = x i = m(x) = x, v = (x i x) 2 = v(x). Ma überzeugt sich leicht, dass dies i der Tat eie Maximalstelle ist, d.h. ( m, v) ist ei ML-Schätzer für de ubekate Parameter (m, v). Satz 2.6. Im -fache Gauß-Produktmodell ist ei ML-Schätzer für m ud (R, B(R ), (ν m,v; m R, v 0)) m(x) = v(x) = x i = x (x i x) 2 ei ML-Schätzer für v. Der Schätzer m ist erwartugstreu, der Schätzer v icht, de E (m,v) ( v) = v ( v). Beweis. Es wurde bereits gezeigt, dass ( m, v) =: ϑ ei ML-Schätzer für ϑ = (m, v) ist. Bleibt die Erwartugstreue zu utersuche. Für (m, v) beliebig ist ( ) E (m,v) ( m) = E (m,v) x i = E (m,v) (x i ) = m = m. Ebeso reche wir de Erwartugswert vo v ( ) E (m,v) ( v) = E (m,v) (x i x) 2 = E (m,v) ((x i x) 2 ).
15 2. Puktschätzer 3 Mit gilt ud E (m,v) ((x i m) (x m) } {{ } } {{ } =:z i =:z ) 2 = E (m,v) ((z i ) 2 2 z i z + (z) 2 ) E (m,v) ((z i ) 2 ) = E (m,v) ((x i m) 2 ) = v, ( ) E (m,v) (z i z) = E (m,v) z i z j = E (m,v) (z i z j ) = v } {{ }, j= j= =0 für i j ( ) E (m,v) ((z) 2 ) = E 2 (m,v) z j z j = E 2 (m,v) ((z i ) 2 ) = v = v 2. i,j Damit folgt Bemerkug. Durch Reskaliere E (m,v) ((x i x) 2 ) = v 2v + v ( = ) v, E (m,v) ( v) = ( ) v = v. ṽ(x) := v(x) erhalte wir eie eue, erwartugstreue Schätzer ṽ für v Mittlerer quadratischer Fehler Zum Vergleich vo Schätzer führt ma Geauigkeits- bzw. Fehlermaße ei. Defiitio 2.7. Seie (X, F, (P ϑ ; ϑ Θ)) ei statistisches Modell, τ : Θ R eie Kegröße ud T : X R ei Schätzer für τ.. Da heißt B ϑ (T ) := E ϑ (T ) τ(ϑ) systematischer Fehler des Schätzers T (egl. Bias). 2. Die Größe ist die Variaz (bzw. Streuug) vo T. 3. ud V ϑ (T ) := E ϑ ((T E ϑ (T )) 2 ) F ϑ (T ) := E ϑ ((T τ(ϑ)) 2 ) heißt (mittlerer quadratischer) Fehler vo T. Bemerkug.
16 4 2 PARAMETERSCHÄTZUNG. Gelegetlich werde auch adere Fehlermaße studiert, etwa vo der Form F Ψ ϑ (T ) = E ϑ [ Ψ ( τ(ϑ) T (X) )] mit eier gewisse Fehlerfuktio Ψ : R R Der mittlere quadratische Fehler spielt (ählich wie die verwadte Fehlermaße F Ψ ϑ (T ) mit Ψ(t) = tp ) eie wichtige Rolle bei der Awedug der Tschebyschev- Ugleichug i der Form P ϑ ( T (X) τ(ϑ) ɛ) ɛ 2 F θ(t ). D.h. je kleier F ϑ (T ) umso höher ist die Wahrscheilichkeit, dass der Schätzwert T (x) ahe bei τ(ϑ) liegt. 3. Offesichtlich gilt Allgemei fide wir die Zerlegug T erwartugstreu B ϑ (T ) = 0 ϑ Θ. F ϑ (T ) = (B ϑ (T )) 2 + V ϑ (T ) Demach etspricht der Fehler vo T der Summe aus dem quadrierte systematische Fehlers ud der Streuug. Beispiel. Im Biomialmodell ({0,..., }, P({0,..., }), (B(, ϑ); ϑ [0, ])) ist die Statistik T (x) := x ei erwartugstreuer (ML-)Schätzer für τ(ϑ) = ϑ, de E ϑ (T ) = ϑ ϑ [0, ]. Für de quadratische Fehler erhalte wir somit folglich ( x ) F ϑ (T ) = (B ϑ (T )) 2 + V } {{ } ϑ (T ) = V ar ϑ = V ar ϑ(x) 2 =0, = ϑ ( ϑ) ϑ ( ϑ) = 2 F ϑ 4 ϑ [0, ]. Wir wolle u als alterative Schätzer betrachte S(x) = x + + 2,
17 2. Puktschätzer 5 desse systematischer Fehler ( ) x + B ϑ (S) = E ϑ ϑ = E ϑ(x) + ϑ = ϑ ϑ = 2ϑ + 2 beträgt (isbesodere ist S also icht erwartugstreu). Seie Variaz lässt sich ebefalls leicht ausreche ( ) x + V ϑ (S) = V ar ϑ = ϑ ( ϑ) + 2 ( + 2) 2 Für de mittlere quadratische Fehler erhalte wir also F ϑ (S) = (B ϑ (S)) 2 + V ϑ = mittlerer quadratischer Fehler ( ) 2 2ϑ ϑ( ϑ) ( + 2). 2 Fehlervergleich F ϑ (T ) F ϑ (S) ϑ { ϑ Im Vergleich ergibt sich, dass für de Parameterbereich ( ) } + 2 ϑ( + ϑ) im Sie des mittlere quadratische Fehlers S ei besserer Schätzer ist als T. Grud hierfür ist die große Streuug des Schätzers T, die ih ugeachtet seier Erwartugstreue ugeau macht. Beispiel (Game-Show, Forts.). Wir wolle zeige, dass der Schätzer M = max(x,..., X ) für de ubekate Parameter L besser ist als L = 2 X i. Der Schätzer L ist erwartugstreu. Also stimme Variaz ud mittlerer quadratischer Fehler überei. Die Variaz eier auf [0, L] geichverteilte Zufallsgröße ist V L (X ) = E L X 2 (E(X )) 2 = L L 0 x 2 dx ( L 2 )2 = L2 2. Somit ist F L ( L) = 4 L 2 2 = L2 3.
18 6 2 PARAMETERSCHÄTZUNG ist De Erwartugswert vo M hatte wir bereits bestimmt als E L ( M) = (B L ( M)) 2 = L 2 ( + ) 2. Zur Berechug der Variaz beutze wir die Formel E(X p ) = p 0 t p P(X t)dt L, somit + für die Berechug des p-te Momets eier ichtegative Zufallsvariable. Wir hatte bereits gesehe, dass G(t) := P L ( M t) = ( t L ), folglich E L ( M 2 ) = 2 0 t G(t) dt = 2 Für de Fehler vo M erhalte wir damit L 0 t( ( t L ) ) dt = + 2 L2. F L ( M) = V L ( M) + [B L ( M)] 2 = E L ( M 2 ) [E L ( M)] 2 + [B L ( M)] 2 ( ) = L ( + ) + 2 = 2 ( + ) 2 ( + 2)( + ) L2. Der mittlere quadratische Fehler vo M fällt im Gegesatz zu L sogar quadratisch i Fisher-Iformatio ud Cramer-Rao Ugleichug Defiitio 2.8. Seie (X, F, (P ϑ ; ϑ Θ)) ei statistisches Modell ud T ei erwartugstreuer Schätzer für eie Kegröße τ : Θ R. Da heißt T variazmiimiered (bzw. gleichmäßig bester Schätzer (oder UMV für uiformly miimizig variace ), we für alle erwartugstreue Schätzer S : X R gilt: ϑ Θ : V ϑ (T ) V ϑ (S). Uter de erwartugstreue Schätzer für eie Kegröße sid also die mit miimaler Variaz vorzuziehe. Die u folgede Cramer-Rao-Schrake gibt eie allgemeie (aber i viele Fälle och immer zu optimistische) Abschätzug, wie klei die Variaz bestefalls sei ka. Defiitio 2.9. Sei (X, F, (P ϑ ; ϑ Θ)) ei Stadardmodell. Da heißt (X, F, (P ϑ ; ϑ Θ)) regulär, falls folgede Bediguge gelte: i) Θ R ist ei offees Itervall. ii) ϱ(ϑ,.) : X R ist strikt positiv auf spt(µ 0 ) für alle ϑ Θ. iii) Falls S : X R mit E ϑ0 (S 2 (X)) < für ei ϑ 0 Θ, so gilt d S(x)ϱ(ϑ, x) µ 0 (dx) = S(x) ϱ(ϑ, x) µ 0 (dx). ϑ ϑ=ϑ 0 dϑ ϑ=ϑ 0 X X
19 2. Puktschätzer 7 Satz 2.0 (Cramer-Rao Iformatiosugleichug). I eiem reguläre statistische Modell (X, F, (P ϑ ; ϑ Θ)) sei τ : Θ R eie C -Kegröße ud T : X R ei erwartugstreuer Schätzer für τ, da gilt wobei I(ϑ) = V ϑ (T ) τ (ϑ) 2 I(ϑ) X ϑ Θ, ( ϑ log ϱ(ϑ, x) ) 2ϱ(ϑ, x) µ0 (dx). Beweis. O.B.d.A. sei V ϑ (T ) <, de aderefalls ist ichts zu beweise. Wir defiiere die Statistik X u ϑ (x) := log(ϱ(ϑ, x)), da liefert die Awedug der Regularitätseigeschaft iii) auf die kostate Statistik X x S(x) =, dass ϑ E ϑ (u ϑ ) = ϑ log(ϱ(ϑ, x)) ϱ(ϑ, x)µ 0(dx) X = Somit erhalte wir Cov ϑ (T, u ϑ ) = E ϑ (T u ϑ ) = X = ϑ X ϱ(ϑ, x) ϑ ϱ(ϑ, x) ϱ(ϑ, x)µ 0(dx) = ϑ ϱ(ϑ, x)µ 0 (dx) X } {{ } = ϑ Θ X T (x) ϑ ϱ(ϑ, x)µ 0(dx) = 0 T (x) ϱ(ϑ, x)µ 0 (dx) = ϑ E ϑ(t ) = ϑ τ(ϑ), = τ (ϑ) wobei wir beim drittletzte Schritt wieder die Regularitätseigeschaft iii) mit S = T ausgeutzt habe. Adererseits gilt mit der Cauchy-Schwarz-Ugleichug, dass Cov(T, u ϑ ) V ϑ (T ) V ϑ (u ϑ ) = V ϑ (T ) I(ϑ). Die Behauptug ergibt sich u durch Quadriere ud Umstelle ach V ϑ (T ). Bemerkug. Die Fuktio u : Θ X R u(ϑ, x) = ϑ log(ϱ(ϑ, x)) = ϱ(ϑ, x) ϑ ϱ(ϑ, x) wird auch Score-Fuktio geat, die Fuktio Θ ϑ I(ϑ) 0 heißt Fischer- Iformatio. I(.) hägt ur vom statistische Model (X, F, (P ϑ ; ϑ Θ)) ab (ud icht vo τ oder T ). Defiitio 2.. Sei (X, F, (P ϑ ; ϑ Θ)) ei reguläres statistisches Modell, τ : Θ R eie Kegröße ud T : X R ei erwartugstreuer Schätzer für τ. Da heißt T Cramer-Rao optimal, falls V ϑ (T ) = τ (ϑ) 2 ϑ Θ I(ϑ)
20 8 2 PARAMETERSCHÄTZUNG Bemerkug. Ei Cramer-Rao optimaler Schätzer ist somit isbesodere UMV. Lemma 2.2 (Recheregel). ( ) I(ϑ) = E ϑ 2 log(ϱ(ϑ, )). ϑ2 Beweis. Übugsaufgabe. Lemma 2.3 (Additivität der Fischer-Iformatio). Es sei M = (X, F, (P ϑ ; ϑ Θ)) ei reguläres statistisches Modell mit Fischer-Iformatio I M : Θ R 0. Da gilt für das Produktmodell M : I M (ϑ) = I M (ϑ). Beweis. Übugsaufgabe. Beispiel. Im -fache Gauß-Produkmodell mit ubekatem Parameter v ist M = (R, B, (ν 0,v ; v (0, + ))) T := π 2 x i ei erwartugstreuer Schätzer für die Kegröße τ(v) = v = σ (also die Stadardabweichug). I der Tat gilt (Übug) E (0,v) (T ) = v = τ(v) v > 0 ud ferer V (0,v) (T ) = ( π 2 ) v. Wir bestimme u die Cramer-Rao Schrake für τ. Im eifache Gauß-Modell ist ϱ(v, x) = 2πv e x2 2v, mit de Ableituge Daher woraus wir I(ϑ) = Cramer-Rao Schrake fide wir log(ϱ(v, x)) = 2 log(2πv) x2 2v, log(ϱ(v, x)) = v 2v + x2 2v, 2 2 log(ϱ(v, x)) = v2 2v x2 v. 3 ( ) E v 2 log(ϱ(v, x)) = v2 2v, 2 für das -fache Produktmodell erhalte. Für de Zähler der 2v 2 τ (v) = 2 v,
21 2. Puktschätzer 9 woraus wir wir für eie beliebige erwartugstreue Schätzer T vo v die Schrake erhalte V v ( T 4v ) = v 2. 2v 2 Für de aktuelle Schätzer T fide wir d.h. T ist icht Cramer-Rao optimal. ( π ) v V v (T ) = 2 > v 2, Satz 2.4 (Cramer-Rao, scharfe Versio). Sei (X, F, (P ϑ ; ϑ Θ)) ei reguläres statistisches Modell mit τ : Θ R ud T : X R ei erwartugstreuer Schätzer für τ. Da ist die Eigeschaft V ϑ (T ) = τ (ϑ) 2 ϑ Θ I(ϑ) äquivalet dazu, dass sich die Likelihood-Fuktio des Modells i der Form ϱ(ϑ, x) = e a(ϑ) T (x) b(ϑ) h(x) ( ) darstelle lässt mit gewisse Fuktioe a, b : Θ R ud messbarem h : X R. Beweis. Im Beweis der Cramer-Rao Schrake tauchte ur bei der Verwedug vo Cauchy-Schwarz ei Ugleichheitszeiche auf. Es gilt also geau da Gleichheit, we i der Cauchy-Schwarz-Ugleichug Gleichheit gilt. Das ist aber gleichbedeuted mit (T (x) τ(ϑ)) = c(ϑ) u ϑ (ϑ, x) für P ϑ -fast alle x X ud eie gewisse Kostate c = c(ϑ), d.h. T (x) c(ϑ) τ(ϑ) c(ϑ) = log(ϱ(ϑ, x)), ϑ ϑ T (x) c(s) ds ϑ } 0 {{ } =:a(ϑ) ϑ ϑ 0 τ(s) c(s) ds } {{ } =:b(ϑ) = log(ϱ(ϑ, x)) log(ϱ(ϑ 0, x)), e T (x)a(ϑ) b(ϑ) = ϱ(ϑ, x)/ ϱ(ϑ 0, x). } {{ } =:h(x) Bemerkug. Wolle wir etwa davo ausgehe, dass h, wähle wir als domiieredes Maß µ 0 (dx) = h(x)µ 0 (dx) ud schreibe P ϑ (dx) = ρ(ϑ, x) µ 0 (dx) = ϱ(ϑ, x)/h(x) h(x) µ } {{ } 0 (dx) } {{ } =: ϱ(ϑ,x) =: µ 0 (dx) Die Fisher-Iformatio bleibt vo diesem Wechsel der Darstellug des Modells uberührt. (Übug).
22 20 2 PARAMETERSCHÄTZUNG Defiitio 2.5 (Expoetielle Familie). Ei reguläres statistisches Modell heißt eie expoetielle Familie, we die Likelihood-Fuktio vo der Gestalt ( ) ist, bzw. äquivalet hierzu ach Wahl eies geeigete domiierede Maßes µ 0 gilt P ϑ (dx) = z(ϑ) ea(ϑ) T (x) µ 0 (dx), mit gewisse Fuktioe a, z : Θ R ud eier Statistik T : X R. Bemerkug. I der obige Darstellug vo P ϑ ist z(ϑ) als Normierugskostate durch a(ϑ), T (.), µ 0 ud die Bedigug X P ϑ(dx) = eideutig bestimmt, d.h. z(ϑ) = X e a(ϑ) T (x) µ 0 (dx). Korollar 2.6. I eiem expoetielle Modell mit ϱ(ϑ, x) = e a(ϑ)t (x) b(ϑ) h(x) ist T : X R ei (erwartugstreuer) Cramer-Rao optimaler Schätzer für die Kegröße τ(ϑ) = b (ϑ) a (ϑ), ud i diesem Fall gilt: da I(ϑ) = a (ϑ) τ (ϑ). V ϑ (T ) = τ (ϑ) a (ϑ) Beweis. Übug. Beispiele expoetieller Familie.. Normalverteilug mit bekatem Erwartugswert m: ϱ(v, x) = e (x m)2 2v 2πv 2. Normalverteilug mit bekater Variaz v: ϱ(m, x) = e (x m)2 2v = e x2 2v 2πv 2πv } {{ } =:h(x) e m2 2v } {{ } =: z(m) e xm v }{{} =:ea(m) T (x) 3. Poisso-Verteilug mit dem Zählmaß µ 0 auf N 0 ϱ(ϑ, x) = e ϑ ϑx x! = e(log ϑ)x ϑ x!
23 2. Puktschätzer 2 4. Biomialverteilug mit fest ud Parameter ϑ [0, ], µ 0 (dx) Zählmaß auf {0,..., }. ( ) ( ) ϱ(ϑ, x) = ϑ x ( ϑ) x = e x(log ϑ log( ϑ)) ( ϑ) x x Bemerkug. Alterativ ist eie expoetielle Familie dadurch gekezeichet, dass sich ach geeigeter Wahl vo µ 0 so dass h(.) die log-likelihood Fuktioe darstelle lasse als eie durch ϑ Θ parametrisierte Familie vo affie Trasformatioe eier gewisse Statistik T : X R. Im Fall des eifache Gaußmodells mit ubekate Parameter m ud v erhalte wir µ 0 (dx) = dx ud log ρ((m, v), x) = log( ) + 2πv (x m)2 2v Somit ist das eifache Gaußmodell mit ubekatem Parameter ϑ = (m, v) keie expoetielle Familie, da es eie Darstellug der Form 2v (x m)2 = α(ϑ)t (x) + β(ϑ) x, m R, v 0 gewisse Fuktioe α, β ud T icht gebe ka (Übug). Zusammefassug ž Uter alle erwartugstreue Schätzer sid diejeige mit miimaler Variaz vorzuziehe (bzw. aderfalls die mit miimalem quadratische Fehler). ž Die Cramer-Rao Schrake ist eie utere Schrake für de miimal mögliche mittlere quadratische Fehler eies erwartugstreue Schätzers. ž Ei statistisches Modell ist geau da eie expoetielle Familie, we i der Cramer-Rao Abschätzug für alle ϑ Θ Gleichheit gilt. ž Im icht-expoetielle Fall ist die Cramer-Rao Schrake i.a. zu optimistisch. Deoch ka ma ach variazoptimale erwartugstreue Schätzer frage. Eie Atwort hierauf gibt der Satz vo Rao-Blackwell, de wir als ächstes bespreche werde Suffiziez ud Satz vo Rao-Blackwell Defiitio 2.7. Sei (X, F, (P ϑ ; ϑ Θ)) ei statistisches Modell ud S : (X, F) (Σ, G) eie Statistik. Da heißt S suffiziet, falls für alle messbare, beschräkte Fuktioe die bedigte Erwartug f : X R E ϑ (f( ) σ(s)) icht mehr vo ϑ Θ abhägt. Dabei bezeichet σ(s) die vo S erzeugte σ-algebra σ ( {S (G) G G} ).
24 22 2 PARAMETERSCHÄTZUNG Bemerkug (Diskreter Spezialfall). Im Falle, dass S eie diskrete Abbildug (also mit diskretem Wertebereich) ist, ist die obige Bedigug äquivalet dazu, dass für alle beschräkt messbare f ud s Σ E ϑ (f(x) S(X) = s) icht vo ϑ abhägt. Beispiel. Im -fache Beroulli-Modell ({0, }, P({0, } ), B ϑ ) mit der Beroulli- Verteilug B ϑ auf {0, } zum Erfolgsparameter ϑ [0, ] ist die Statistik S(x,..., x ) = x i suffiziet. Zum Nachweis hiervo reicht es, die Bedigug aus 2..6 für f vo der Form f(x) = B (x) zu überprüfe. Die Bedigug bedeutet da P ϑ (X B S(X) = s) hägt icht vo ϑ ab. Sei also o.b.d.a. B = {b = (b,..., b )} = {(0, 0,,...,, 0,..., 0,,...)} eie eielemetige Mege, da P ϑ (X B S(X) = m) = P ϑ(x B, S(X) = m) P ϑ (S(X) = m) { 0, falls S(b) m = P ϑ (X B) P ϑ, sost (S(X)=m) { 0, falls S(b) m = ϑm ( ϑ) m, sost ( m) ϑ m ( ϑ) m { 0, falls S(b) m =, sost ( m) Diese Zahl hägt u i der Tat icht mehr vo ϑ ab, somit ist S eie suffiziete Statistik. Bemerkug (Aschauliche Bedeutug eier suffiziete Statistik). Durch Bedige/Festlege auf das Ergebis der Hilfsbeobachtug S = S(X) verbleibt zwar och ei gewisser Restzufall i der Beobachtug X, allerdigs hägt desse Verteilug icht mehr vo ϑ ab. Die Bezeichug suffiziet wird durch das folgede Resultat gerechtfertigt, das wir hier ur zur Illustratio afüge. Satz 2.8. I eiem parametrische Modell mit suffizieter Statistik S ist das Maß P ϑ durch seie Bildverteilug P ϑ S uter S festgelegt. Beweis. Die Verteilug P ϑ ist durch die Itegrale E ϑ (f(x)) vo ichtegative messbare Fuktioe f : X R festgelegt. Die bedigte Erwartug E ϑ (f(x) σ(s)) ist eie σ(s)- messbare Zufallsvariable, ud daher darstellbar i der Form E ϑ (f(x) σ(s)) = f ϑ (S)
25 2. Puktschätzer 23 mit eier gewisse messbare Fuktio f θ : Σ R. E ϑ (f(x)). Aufgrud der Suffiziez vo S hägt die Fuktio f ϑ = f i der Tat icht vom Parameter ϑ ab. D.h. für jede messbare Fuktio f : X R existiert eie messbare Fuktio f : Σ R, so dass E ϑ (f(x) σ(s)) = f(s) P ϑ fast sicher. Mit ν ϑ := P ϑ S gilt folglich E ϑ (f(x)) = E ϑ [E ϑ (f(x) σ(s)] = E ϑ ( f(s)) = Σ f(s)ν ϑ (ds). Satz 2.9 (Rao-Blackwell). Seie (X, F, (P ϑ ; ϑ Θ)) ei statistisches Modell, τ : Θ R d eie Kegröße, S : X Σ eie suffiziete Statistik ud T : X R d ei erwartugstreuer Schätzer für τ. Weiter sei T : X R d, T = E(T σ(s)), da ist T ebefalls ei erwartugstreuer Schätzer für τ mit V ϑ (T ) V ϑ (T ). Dabei gilt geau da Gleichheit, we T = T P ϑ -fast überall gilt. Bemerkug. Im Spezialfall dass X diskret ist, ka ma T auch beschreibe durch T (x) = E ϑ (T (X) S(X) = S(x)). Beweis vo 2.9. ) Aufgrud der Suffiziez vo T hägt die Kostruktio vo T icht vo ϑ ab. T ist somit isbesodere wohldefiiert. 2) T ist erwartugstreu, de die Projektivität der bedigte Erwartug liefert E ϑ (T ) = E ϑ (E ϑ (T σ(s))) = E ϑ (T ) = τ(ϑ). 3) Mit der Jese sche Ugleichug für bedigte Erwartuge i Schritt ( ) gilt schließlich V ϑ (T ) = E ϑ ([T τ(ϑ)] 2 ) = E ϑ ([E ϑ (T σ(s)) τ(ϑ)] 2 ) = E ϑ ([E ϑ (T τ(ϑ) σ(s))] 2 ) ( ) E ϑ (E ϑ ([T τ(ϑ)] 2 σ(s))) = E ϑ ([T τ(ϑ)] 2 ) = V ϑ (T ). Bemerkug. Der Satz vo Rao-Blackwell liefert ei kostruktives Verfahre zur Verbesserug vo erwartugstreue Schätzer durch Itegratio etlag der Hilfsbeobachtug S. Beispiel. Im -fache Beroulli-Modell ({0, }, P({0, } ), B ϑ ) ist S(x,..., x ) = x i
26 24 2 PARAMETERSCHÄTZUNG eie suffiziete Statistik. Weiter sei τ(ϑ) := ϑ ud da ist T erwartugstreu, de T (x,..., x ) := x, E ϑ (T ) = E ϑ (x ) = ϑ. WIr kostruiere eie eue Schätzer T aus T vermöge S ach Rao-Blackwell wie folgt. T (x,..., x ) = E ϑ (T S = S(x,..., x )) } {{ } =:s = E ϑ(t S=s ) P ϑ (S = s) ) P ϑ (x =, x i = s = P ϑ (S = s) = ϑ ( ) s ϑ s ( ϑ) s P ϑ (S = s) ( ) ϑ s ( ϑ) s = s ( s ) ϑs ( ϑ) s = s Also habe wir de eue Schätzer T (x,..., x ) = x i. Da V ϑ (T ) = ϑ( ϑ) V ϑ (T ) = ϑ( ϑ) Ist der Schätzer T im Sie des quadratische Fehlers echt besser als T. Das folgede praktische Lemma liefert eie Charakterisierug all der statische Modelle, die eie suffiziete Statistik aufweise. Satz 2.20 (Neyma-Fischer Faktorisierugslemma). Sei (X, F, (P ϑ ; ϑ Θ)) ei reguläres statistisches Modell. Es existiert geau da eie suffiziete Statistik S : X Σ, we h : Θ Σ R : ϱ(ϑ, x) = h(ϑ, S(x)) k(x) µ 0 -fast überall ud eie für eie gewisse messbare Fuktio k : X R.
27 2. Puktschätzer 25 Beweis. : (Für de Fall, dass X diskret ist.) O.B.d.A. ist µ 0 (dx) das Zählmaß. P ϑ (X = x S(X) = s) = S(x)=s Wahl vo s = S(x) führt somit zu = S(x)=s = S(x)=s P ϑ (X = x) P ϑ (S(X) = s) = { }} { ϱ(ϑ, x) µ 0 (x) ϱ(ϑ, y) µ 0 (y) } {{ } = ϱ(ϑ, x) Suffiziez = f(x, s) ϱ(ϑ, y) y X,S(y)=s y S (s) S(x)=s ϱ(ϑ, x) = f(x, s) y S (s) ϱ(ϑ, y) } {{ } h(ϑ,s) ϱ(x, ϑ) = f(x, S(x)) h(ϑ, S(x)) = k(x) h(ϑ, S(x)) : Übug Vollstädigkeit ud der Satz vo Lehma-Scheffé Es stellt sich u die Frage, ob ma das Rao-Blackwell Verfahre ubegrezt iteriere oder ob es irgedwa abbricht? Eie Atwort gibt der Satz vo Lehma-Scheffé. Dafür brauche wir allerdigs och eie weitere Begriff. Defiitio 2.2. Sei M = (X, F, (P ϑ ; ϑ Θ)) ei statistisches Modell. S : X (Σ, G) heißt vollstädig, falls für alle messbare h : Σ R mit E ϑ (h 2 (X)) < ϑ Θ die Implikatio gilt ( ) ( ) E ϑ (h(s)) = 0 ϑ Θ h(s) = 0 P ϑ -fast überall ϑ Θ. Beispiel. Sei M wieder das -fache Beroulli-Modell. Die Statistik S(x,..., x ) := ist vollstädig, de sei h : Z R beschräkt, da gilt ( ) E ϑ (h(s)) = ϑ m ( ϑ) m h(m) m m=0 ( ) ( ) m ϑ = ( ϑ) m h(m) m ϑ Somit folgt aus m=0 m=0 ( ) ( ) m ϑ h(m) = 0 ϑ ]0, [ m ϑ x i
28 26 2 PARAMETERSCHÄTZUNG durch Variabletrasformatio y = m=0 ϑ dass ϑ ( ) h(m)y m = 0 y R >0 m das Nullpolyom i der Variable y ist, d.h. h(m) = 0 m, also h 0. Satz 2.22 (Lehma-Scheffé). Falls (X, F, (P ϑ ; ϑ Θ)) ei statistisches Modell, τ : Θ R eie Kegröße, T : X R ei erwartugstreuer Schätzer mit edlichem zweite Momet bzgl. aller P ϑ, θ Θ ud S : X (Σ, G) eie suffiziete ud vollstädige Statistik ist, so ist T = E ϑ (T σ(s)) der eideutige variazmiimierede erwartugstreue Schätzer. Bemerkug. Es köte jedoch eie im Sie des mittlere quadratische Fehlers bessere icht-erwartugstreue Schätzer gebe. Beweis vo Nach Rao-Blackwell ist T erwartugstreu ud V ϑ (T ) V ϑ (T ). Sei H ei weiterer erwartugstreuer Schätzer mit H = E(H S). Sowohl T als auch H sid da σ(s)-messbare Zufallsvariable. Somit existiere messbare Fuktio t, h : Σ R so, dass ud H (x) = h(s(x)) T (x) = t(s(x)) 0 = E ϑ (H T ) = E ϑ (h(s(x)) t(s(x))) = E ϑ ((h t)(s(x))) ϑ Θ. Aus der Vollstädigkeit vo S folgt u (h t)(s) = 0 P ϑ -fast überall ϑ Θ, d.h. H (x) = h(s(x)) = t(s(x)) = T (x) P ϑ -fast überall. Die eimalige Ausführug der Rao-Blackwell-Kostruktio etlag eier suffiziete ud vollstädige Statistik S führt somit für verschiedee erwartugstreue Schätzer derselbe Kegröße τ stets auf de gleiche (optimale) erwartugstreue Schätzer. Isbesodere köe wir och das folgede Ergebis festhalte. Korollar Ei erwartugstreuer Schätzer der Form T (x) = t(s(x)) mit eier vollstädige ud suffiziete Statistik S ist UMV.
29 2. Puktschätzer Der optimale Variazschätzer im -fache Gaußmodell bei ubekatem Erwartugswert. Im folgede gebe wir ei Beispiel für eie UMV-Schätzer, der icht Cramer-Rao optimal ist. Wir arbeite dazu im -fache Gauß-Produktmodell P ϑ = (νm,v; m R; v 0) auf (X, F) = (R, B(R )) mit ubekate Parameter m ud v. Gesucht sei ei Schätzer für de Parameter v. Wie am Ede vo Abschitt 2..5 gesehe, ist die scharfe Versio des Satzes vo Cramer-Rao hier icht awedbar. Deoch gilt das folgede Resultat. Satz Im -fache Gauß-Produktmodell P ϑ = (ν m,v; m R; v 0) auf (X, F) = (R, B(R )) mit ubekate Parameter m ud v ist der gleichmäßig beste Schätzer für v. d 2 (x) = (x i x) 2 Zum Beweis beötige wir eiige Vorbereituge. Defiitio 2.25 (Mehrdimesioale expoetielle Familie). Ei statistisches Modell (X, F, (P ϑ ; ϑ Θ)) mit Θ R d heißt mehrdimesioale expoetielle Familie, falls die Likelihood-Fuktioe darstellbar sid i der Form ϱ(ϑ, x) = (x) ea(ϑ) T z(ϑ) mit z(ϑ) R >0, A(ϑ) R d ud T : X R d messbar. Bemerkug. Nach Umparametrisierug des Modells gemäß sämtliche auftretede Vektore i A := {A(ϑ) ϑ Θ}, d.h. mit ϱ(ϑ, x) = ϱ(a, x) ϱ(a, x) = (x) ea T z(a) ist da die Mege der auftretede Wahrscheilichkeitsverteiluge auch beschriebe als X {ϱ(ϑ, x) ϑ Θ} = { ϱ(a, x) A A}. Diese Darstellug wird auch atürliche Parametrisierug geat. Vo ihr wolle wir im Folgede ausgehe. Satz Im mehrdimesioale Fall eier expoetielle Familie mit ϑ Θ R d ist die Statistik P ϑ (dx) = z(ϑ) eϑ T (x) µ 0 (dx) T : X R d suffiziet ud vollstädig, sofer Θ midestes eie iere Pukt hat.
30 28 2 PARAMETERSCHÄTZUNG Beweis. Die Suffiziez vo T folgt aus (eier mehrdimesioale Fassug vo) dem Neyma- Fisher Faktorisierugslemma (Satz 2.20). Zur Vollstädigkeit sei Q = { η R d η ϑ 0 < ε } Θ für ei ϑ 0 Θ. Sei also f : R d R beschräkt messbar mit E ϑ [f(t (X))] = 0 ϑ Θ. Sei f(x) = f + (x) f (x) die Zerlegug vo f i Positiv- ud Negativteil. Folglich ist E ϑ (f + (T (X))) = eϑ T (x) f + (T (x)) µ 0 (dx). z(ϑ) X Sei ν 0 (dt) = (T ) µ 0 (dx) das Bildmaß auf R d vo µ 0 uter der Abbildug T. Da gilt E ϑ (f + (T (X))) = eϑ t f + (t) ν 0 (dt) z(ϑ) ud R d E ϑ (f (T (X))) = Isbesodere gilt für alle ϑ Q: e ϑ t f (dt) ν 0 (dt) = R d R d z(ϑ) eϑ t f (t) ν 0 (dt). R d e ϑ t f + (t) ν 0 (dt). Nach der Eideutigkeit der Laplace-Trasformatio vo Maße gilt damit f + (t) ν 0 (dt) = f (t) ν 0 (dt) im Sie vo Maße auf R d. Nach Defiitio vo ν 0 = (T )µ 0 ist dies äquivalet zu f + (T (x))µ 0 (dx) = f (T (x))µ 0 (dx) im Sie vo Maße auf X also (T (x)) = f + (T (x)) f (T (x)) = 0 µ 0 -fast überall. Korollar Jeder Schätzer der Form Φ(T (x)) für τ(ϑ) = E ϑ (Φ(T (X))) ist ei variazmiimiereder erwartugstreuer Schätzer für τ. Beweis vo Satz Es hadelt sich hierbei um eie mehrdimesioale expoetielle Familie mit T = T (x) = (x i ) 2, } {{ } =:T x i R2 } {{ } =:T 2
31 2. Puktschätzer 29 ud wir hatte bereits gesehe, dass d 2 (x) = (x i x) 2 = ( ) (x i ) 2 2 x i ei erwarugstreuer Schätzer für v ist. Zudem ist T eie suffiziete ud vollstädige Statistik für (P ϑ ). Da wir d 2 darstelle köe als d 2 (x) = (T (x) ) (T 2(x)) 2 = d 2 (T (x)) folgt aus Korollar 2.27, dass ist d 2 (x) ei UMV-Schätzer für v ist. Vergleich mit der Cramer-Rao-Schrake Wir wolle jetzt och die Variaz des Schätzers d 2 mit der Cramer-Rao-Schake für mehrdimesioale parametrische Modelle vergleiche. Diese lautet wie folgt. Satz 2.28 (Cramer-Rao i R d ). Seie (X, F, (P ϑ ; ϑ Θ)) ei reguläres 3 statistisches Modell mit Θ R d offe, τ : Θ R ud T : X R ei erwartugstreuer Schätzer für τ. Da gilt V ϑ (T ) τ, I τ. Dabei ist I(ϑ) die Iformatiosmatrix (I(ϑ) ij ) = ( ( )) E ϑ log(ϱ(ϑ, X)) log(ϱ(ϑ, X)). ϑ i ϑ j Beweis. Zuächst gilt wie zuvor i d hier für die partielle Ableituge ϑ j τ(ϑ) = E ϑ (T ) ϑ j = T (x) X = X ϑ j ϱ(ϑ, x) µ 0 (dx) T (x) ϑ j log(ϱ(ϑ, x)) ϱ(ϑ, X) dx = E ϑ (T (X) ) log(ϱ(ϑ, X) ϑ j Ferer gilt ( ) E ϑ log(ϱ(ϑ, X)) = 0 ϑ j 3 d Die Regularitätsbedigug 3) aus dem eidimesioale Fall Θ R für dϑ muss hier hier durch die etsprechede Regularitätsbedigug für sämtliche partielle Ableituge ϑ i, i =,..., d, ersetzt werde.
32 30 2 PARAMETERSCHÄTZUNG ud V arϑ (T ) = V ϑ (T ) = sup Cov ϑ (T, Z) V ϑ (Z)= = sup V ϑ (Z)= E ϑ (Z)=0 E ϑ (T Z) E ϑ (T Z) = sup E ϑ (Z)=0 Vϑ (Z) R(η) { }} { E ϑ (T ηk log(ϱ(ϑ, X))) ϑ sup k η R d Vϑ (R(η) τ, η =. η, Iη Somit τ, η Vϑ (T ) sup = η R d η, Iη sup τ, η = η,iη sup I τ, Iη η,iη = I τ, II τ = τ, I τ Beispiel. Für die Awedug vo Satz 2.28 im -fache -fache Gauß-Produktmodell P ϑ = (νm,v; m R; v 0) auf (X, F) = (R, B(R )) mit ubekate Parameter m ud v für die Kegröße ( ) 0 τ(m, v) = v τ = bereche wir ud Folglich log ϱ v = 2v + (x i m) 2 2v 2 = log ϱ m = x i m v I 22 (ϑ) = E ϑ (u v (X) 2 ) = (x i m) 2 v 2v 2 = u m. 2v 2 = u v Also ud damit I (ϑ) = E ϑ (u m (X) 2 ) = v I 2 (ϑ) = I 2 (ϑ) = E ϑ (u m (X) u v (X)) = 0. I(ϑ) = I(ϑ) = ( v 0 0 2v 2 ( v 0 0 2v 2 ) ),
33 2. Puktschätzer 3 so dass V(T ) τ, I τ = I 22 = 2v2. Ferer rechet ma direkt ach (Übug), dass V (m,v) (d 2 ) = 2v2 > 2v2. Da d 2 UMV-optimal ist, gibt es also keie Cramer-Rao optimale Schätzer für v im -fache Gaußmodell, sofer m ebefalls ubekat ist Bayes sche Schätzer Der sogeate Bayes sche Asatz liefert ei weiteres Kostruktiosverfahre für Schätzer. Allerdigs hägt diese Methode vo eier weitere Größe ab, die i eiem statistische Modell zuächst icht ethalte ist, ämlich eier zuvor gewählte (a-priori-) Wahrscheilichkeitsverteilug ν auf der Parametermege Θ. Beispiel (Müzsack). Wir fide große Sack mit Müze uterschiedlicher Art, d.h. isbesodere mit uterschiedliche Erfolgsparameter p. Wir ehme a, dass jeder Erfolgsparameter p [0, ] gleich häufig vorkommt. Wir ziehe u eie Müze ud werfe sie mal. ž Die Wahrscheilichkeit, mit der gezogee Müze k mal Erfolg zu habe, beträgt (mit X = Azahl der Erfolge) P(X = k) := B(, ϑ)[k] ν(dϑ), [0,] mit B(, ϑ)[k] = ( k) ϑ k ( ϑ) k (Biomialverteilug zum Erfolgsparameter ϑ [0, ]) ud ν(dϑ) = dθ (Gleichverteilug auf [0, ]). ž Ageomme, wir hatte beim -malige Werfe mit der gezogee Müze k mal Erfolg, so köe wir us u ( a-posteriori ) frage, welche Wahrscheilichkeitsverteilug sich hieraus für de ubekate Erfolgsparameter p der gezogee Müze ergibt. Dies wäre zum Beispiel bedeutsam, we wir ei eues Spiel mit dieser gezogee Müze spiele wollte. Hierzu stelle wir fest, dass P(X = k, ϑ dϑ) P(X = k ϑ dϑ) P(ϑ dϑ) P(ϑ dϑ X = k) = = P(X = k) P(X = k) B(, ϑ)[k]ν(dϑ) = B(, ϑ)[k] ν(dϑ) =: ν X=k(dϑ). [0,] We wir also wie zuvor vo der Gleichverteilug ν(dϑ) = dϑ auf [0, ] für die im Müzsack ethaltee Müze bzw. Erfolgsparameter ausgehe, ergibt sich ( ) k ϑ k ( ϑ) k dϑ ν X=k (dϑ) = ( ) ϑk ( ϑ) k k dϑ = B(k, k) ϑk ( ϑ) k dϑ. [0,]
34 32 2 PARAMETERSCHÄTZUNG Dies ist icht mehr die Gleichverteilug soder die sogeate Beta-Verteilug 4 auf [0, ] mit de Parameter (k +, k + ). Die i diesem Beispiel auftretede Verteiluge ν ud ν X heiße a-priori bzw. a-posteriori- Verteiluge für de ubekate Parameter ϑ Θ. Allgemei verwede wir die folgede Sprechweise. Defiitio Sei (X, F, (P ϑ ; ϑ Θ)) ei Stadardmodell mit Likelihood-Fuktio ϱ(ϑ, x). Da heißt ei Wahrscheilichkeitsmaß ν auf (Θ, τ) a-priori-verteilug für de Parameter ϑ Θ. Zu x X heißt ν x (dϑ) = ϱ(ϑ, x) ν(dϑ) ϱ(ϑ, ϑ)ν(d ϑ) Θ die a-posteriori-verteilug für de Parameter ϑ Θ gegebe die Beobachtug x. Im Beispiel des Müzsackes war also (X, F, (P ϑ ; ϑ Θ)) das Biomalmodell für Versuche ud ubekatem Erfolgsparameter p, sowie ϑ [0, ], ν(dϑ) = das uiforme Maß auf [0, ]. (Letzteres etsprag userer Aahme, dass im Müzsack jeder Erfolgsparameter gleich wahrscheilich auftritt. Wir hätte also auch ei aderes a-priori Maß wähle köe.) Mit dieser Wahl vom a-priori Maß ν erhalte wir die durch k X parametrisierte Familie vo a-posteriori Verteiluge auf [0, ] ν k (dϑ) = 0 ϑk ( ϑ) k dϑ ϑ k ( ϑ) k d ϑ Bemerkug (Mathematische Bedeutug des a-posteriori-maßes). Durch zufällige Wahl aus der Mege (P ϑ ) ϑ gemäß der Verteilug ν ergib sich ei Wahrscheilichkeitsmaß P(dxdϑ) = P ϑ (dx)ν(dϑ) für das Auftrete vo (x, ϑ)-paare. Mit adere Worte, für f = f(ϑ, x) E P (f(x, ϑ)) = f(x, ϑ)p ϑ (dx)ν(dϑ) Die Verteiluge des statische Modells Θ X P ϑ (dx) = P(dx ϑ) sid somit die bedigte Verteilug vo X uter P(ϑ, dx) gegebe ϑ. Die a-posteriori Verteiluge ergebe sich jetzt aus P(dϑ, dx) durch Vertauschug der Bedigug, d.h. 4 Die Familie der Beta-Verteiluge mit B(p, q) = ν x (dϑ) = P(dϑ x), B(p, q) xp ( x) q = f(x), p, q > 0 x p ( x) q dx sid Wahrscheilichkeitsdichte auf [0, ] (siehe Kapitel 3). 0
35 2. Puktschätzer 33 bzw. äquivalet hierzu durch Vertauschug der Itegratiosreihefolge, d.h. für f = f(ϑ, x) E P (f(x, ϑ)) = f(x, ϑ)ν x (dϑ)p ν (dx). X Θ Die Radverteilug P ν (dx) := Θ P ϑ(dx)ν(dx) für die Zuvallsvariable X uter P wird auch als Mischug der Familie (P ϑ ) mit der Verteilug ν bezeichet. Defiitio I der Situatio wie i Defiitio 2.29 sei ferer τ : Θ R eie Kegröße ud sei T : X R ei Schätzer. Weiter sei E ν ((τ(ϑ)) 2 ) <. Da heißt der Schätzer T ei Bayes-Schätzer zur Kegröße τ, falls F ν (T ) = E ν (F ϑ (T )) = F ϑ (T )ν(dϑ) = τ(ϑ) T (x) 2 P ϑ (dx)ν(dϑ) miimal ist uter alle Schätzer T : X R. Θ Θ X Satz 2.3. Uter de Voraussetzuge vo Defiitio 2.30 ist T (x) := E νx (τ(ϑ)) = τ(ϑ)ν x (dϑ) ist der (bis auf Nullmege) eideutig bestimmte Bayes-Schätzer zur Kegröße τ. Beweis. Sei T ei Schätzer. Da wird der Ausdruck F ν (T ) = τ(ϑ) T (x) 2 ν x (dϑ) P ν (dx) Θ X Θ } {{ } :=H x(t (x)) mit H x (T ) = τ(ϑ) T 2 ν x (dϑ) Θ miimal, we für jedes x X die Fuktio T H x (T ) für bzgl. der Variable T miimiert wird. Nu wisse wir aus der Wahrscheilichkeitstheorie dass allgemei ei Ausdruck der Form E( X c 2 ) für c = E(X) miimal wird, d.h. der Ausdruck H x (T ) ist miimal für T = T (x) := τ(ϑ)ν x (dϑ) = E νx (τ). Θ Der Bayes-Schätzer T (x) zur Kegröße τ bei gegebeer Realisierug x X ist also eifach der Erwartugswert vo τ uter dem a-posteriori Maß ν x (dϑ) gegebe x. Beispiel (Müzsack, Forts.). Die a-priori-verteilug auf [0, ] war ν =U([0, ]).
36 34 2 PARAMETERSCHÄTZUNG Hieraus ergebe sich die a-posteriori-verteiluge auf [0, ] gegebe x {0,..., } ν k (dϑ) = ϑ k ( ϑ) k ϑ k ( ϑ) k d ϑ dϑ. 0 } {{ } :=B(k+, k+) Sei u τ(ϑ) = ϑ. Da ist der Bayes-Schätzer für ϑ = T (x) = E νx (τ(ϑ)) = ϑ x+ ( ϑ) x dϑ = B(x +, x k + ) 0 τ(ϑ)ϑ x ( ϑ) x dϑ B(x +, x + ) 0 B(x + 2, x k + ) B(x +, x k + ) = x + +, wobei ma im letzte Schritt ausutzt, dass B(p, q) ei Quotiet vo Gamma-Fuktioe ist (siehe Kapitel 3). Im Müzsack-Beispiel schätzt ma also mit der Gleichverteilug auf [0, ] als a-priori Verteilug ach der Bayes-Methode de Erfolgsparameter der gezogee Müze auf (x + )/( + ), sofer ma beim -malige Ausprobiere x Erfolge beobachtet hat. Mit T (x) = x+ =: T (x) ist die Folge der Schätzer T zwar icht erwartugstreu, aber ach + Satz 2.3 kosistet, de E(T ) = ϑ + + ϑ ud V(T ϑ ( ϑ) ) = 0. ( + ) Bereichsschätzer (Kofidezmege) I viele Fälle wird ei Schätzer T für eie Kegröße τ diese fast sicher icht treffe, selbst we T erwartugstreu ist. Beispiel. Im eifache Gauß-Modell (R, B(R), (ν m, ; m R)) mit ubekate Erwartugswert m R ist T (x) := x ei erwartugstreuer Schätzer für die Kegröße τ(m) = m aber T (X) m fast sicher, da X eie stetige Zufallsvariable ist ud somit eie fest vorgegebee Pukt fast sicher ie trifft, d.h. P m (X = c) = 0 c R Als Lösug für dieses Problem führt ma megewertige Schätzer ei, sogeate Kofidezbereiche. Defiitio Sei (X, F, (P ϑ ; ϑ Θ)) ei statistisches Modell ud τ : Θ Σ eie Kegröße ud α (0, ). Da heißt eie Abbildug C : X P(Σ)
37 2.2 Bereichsschätzer (Kofidezmege) 35 Kofidezbereich für τ zum Niveau α, falls Vereibaruge. ϑ Θ : P ϑ (C(X) τ(ϑ)) α. Solag icht aders defiiert, beschräke wir us i diesem Abschitt stets auf de Fall τ(ϑ) = ϑ. 2. Für eie Mege C X Θ führe wir die folgede Schreibweise ei: C := {(x, ϑ) X Θ ϑ C(x)} ud C ϑ := {x X (x, ϑ) C} C x = C(x) = {ϑ Θ (x, ϑ) C} 3. Der Vollstädigkeit halber müsste die Defiitio 2.32 och um die Messbarkeitsvoraussetzug C ϑ F ϑ Θ erweitert werde, aber wir werde diese techische Pukt im folgede igoriere. Bemerkug.. I Worte lautet die Bedigug a eie Kofidezbereich wie folgt. Die Wahrscheilichkeit, dass C(X) die gesuchte Kegröße τ(ϑ) ethält, beträgt midestes α. 2. Die Notatio P ϑ (τ(ϑ) C(X)) α ist formell äquivalet, köte aber leicht zu logische Fehler führe. 3. Trivialer Weise ist die kostate Abbildug X x C(x) = Θ ei Kofidezbereich für jedes Niveau α > 0, aber leider vollkomme wertlos, weil aus der Realisierug x keie Iformatio über die Lage des Parameters ϑ gewoe wird. Ma ist also a möglichst kleie Kofidezmege iteressiert. Falls etwa C(x) C(x) für alle x X für zwei Kofidezbereiche C ud C zum Niveau α, so wäre C vorzuziehe Kofidezbereiche im Biomialmodell Wir diskutiere drei Asätze zur Bestimmug vo Kofidezbereiche im Biomialmodell ({0,..., }, P(X), (P ϑ ; ϑ [0, ])) mit P ϑ = B,ϑ.. Methode. (Vermöge Tschebyschev-Abschätzug) Wir beutze de Schätzer T (x) = x ud wähle de Asatz C(x) = ( x ( ε, x + ε). Hierbei ist ε > 0 so zu wähle dass B,ϑ X ϑ ε ) α. Nu gilt mit der Tschebyschev-Ugleichug ( ) X B,ϑ ϑ ε ( ) X ε V ar ϑ( ϑ) 2 ϑ =! α, 2 ε 2 4ε 2
Kapitel 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
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
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
Mehr2 Vollständige Induktion
8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Prof. Dr. Rolad Speicher M.Sc. Tobias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 01 Musterlösug zu Blatt 0 Aufgabe 1. Käpt Schwarzbart,
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
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
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
Mehr1 Analysis T1 Übungsblatt 1
Aalysis T Übugsblatt A eier Weggabelug i der Wüste lebe zwei Brüder, die vollkomme gleich aussehe, zwische dee es aber eie gewaltige Uterschied gibt: Der eie sagt immer die Wahrheit, der adere lügt immer.
MehrSatz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.
Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,
MehrAuch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.
Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger
MehrKapitel 6: Quadratisches Wachstum
Kapitel 6: Quadratisches Wachstum Dr. Dakwart Vogel Ui Esse WS 009/10 1 Drei Beispiele Beispiel 1 Bremsweg eies PKW Bremsweg Auto.xls Ui Esse WS 009/10 Für user Modell des Bremsweges gilt a = a + d a =
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Istitut für tochastik Prof. Dr. N. Bäuerle Dipl.-Math.. Urba Lösugsvorschlag 9. Übugsblatt zur Vorlesug Fiazmathematik I Aufgabe Ei euartiges Derivat) Wir sid i eiem edliche, arbitragefreie Fiazmarkt,
MehrStatistik I/Empirie I
Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
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
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 ; : :
MehrAllgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable
Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex
MehrAUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3
INHALTSVERZEICHNIS AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2 Datefluß ud Programmablauf 2 Vorbedigug 3 Nachbedigug 3 Schleifeivariate 3 KONSTRUKTION 4 ALTERNATIVE ENTWURFSMÖGLICHKEITEN 5 EFFEKTIVE
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
MehrInnerbetriebliche Leistungsverrechnung
Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der
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
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
MehrBINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008
Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe
MehrZahlenfolgen, Grenzwerte und Zahlenreihen
KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:
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
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
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
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,...,
MehrLerneinheit 2: Grundlagen der Investition und Finanzierung
Lereiheit 2: Grudlage der Ivestitio ud Fiazierug 1 Abgrezug zu de statische Verfahre Durchschittsbetrachtug wird aufgegebe Zeitpukt der Zahlugsmittelbewegug explizit berücksichtigt exakte Erfassug der
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
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
MehrVorlesung Informationssysteme
Saarbrücke, 2.05.205 Iformatio Systems Group Vorlesug Iformatiossysteme Vertiefug Kapitel 4: Vo (E)ER is Relatioemodell Erik Buchma (buchma@cs.ui-saarlad.de) Foto: M. Strauch Aus de Videos wisse Sie......welche
MehrDie Gasgesetze. Die Beziehung zwischen Volumen und Temperatur (Gesetz von J.-L. und J. Charles): Gay-Lussac
Die Gasgesetze Die Beziehug zwische olume ud Temeratur (Gesetz vo J.-L. Gay-Lussac ud J. Charles): cost. T oder /T cost. cost.. hägt h vo ud Gasmege ab. Die extraolierte Liie scheidet die Temeratur- skala
Mehr6 Vergleich mehrerer unverbundener Stichproben
6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die
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
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.
Mehr2. Diophantische Gleichungen
2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze
MehrVersicherungstechnik
Operatios Research ud Wirtschaftsiformati Prof. Dr. P. Recht // Dipl.-Math. Rolf Wedt DOOR Versicherugstechi Übugsblatt 3 Abgabe bis zum Diestag, dem 03..205 um 0 Uhr im Kaste 9 Lösugsvorschlag: Vorbereituge
Mehrh i Deskriptive Statistik 1-dimensionale Daten Daten und Häufigkeiten Seite 1 Nominal Ordinal Metrisch (Kardinal) Metrisch - klassiert
Deskriptive Statistik dimesioale Date Date ud Häufigkeite Seite Nomial Ordial Metrisch (Kardial Metrisch klassiert Beschreibug: Date habe keie atürliche Reihefolge. Bsp: Farbe, Religio, Geschlecht, Natioalität...
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrStichproben im Rechnungswesen, Stichprobeninventur
Stichprobe im Rechugswese, Stichprobeivetur Prof Dr Iree Rößler ud Prof Dr Albrecht Ugerer Duale Hochschule Bade-Württemberg Maheim Im eifachste Fall des Dollar-Uit oder Moetary-Uit Samplig (DUS oder MUS-
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
MehrStatistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.
Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste
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
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
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
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:
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
Mehr10. Testen von Hypothesen Seite 1 von 6
10. Teste vo Hypothese Seite 1 vo 6 10.1 Eiführug i das Teste vo Hypothese Eie Hypothese ist eie Vermutug bzw. Behauptug über die Wahrscheilichkeit eies Ereigisses. Mit Hilfe eies geeigete Tests (=Testverfahre)
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
Mehr... a ik) i=1...m, k=1...n A = = ( a mn
Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,
MehrKreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
MehrMetrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan
Metrisierbarkeit Techische Uiversität Wie Semiararbeit aus Aalysis WS 04 Sia Özcaliska Ihaltsverzeichis Eileitug 3 Der Metrisierbarkeitssatz vo Alexadroff-Urysoh 3 3 Der Metrisierbarkeitssatz vo Nagata-Smirov
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
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
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,
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
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
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
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.
MehrSUCHPROBLEME UND ALPHABETISCHE CODES
SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich
Mehr3. Tilgungsrechnung. 3.1. Tilgungsarten
schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie
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
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
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
Mehrn 2(a + bx i y i ) = 0 und i=1 n 2(a + bx i y i )x i = 0 i=1 gilt. Aus diesen beiden Gleichungen erhalten wir nach wenigen einfachen Umformungen
Regressio Dieser Text rekapituliert die i der Aalsis ud Statistik wohlbekate Methode der kleiste Quadrate, auch Regressio geat, zur Bestimmug vo Ausgleichsgerade Regressiosgerade ud allgemei Ausgleichpolome.
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
MehrMathematische Vorgehensweise
Kapitel 2 Mathematische Vorgehesweise Um eue Ergebisse zu erziele, ist es häufig otwedig, Aussage präzise zu formuliere ud zu beweise. Daher werde i diesem Kapitel die mathematische Begriffsbilduge ud
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
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
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
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
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
MehrZur Definition. der wirksamen. Wärmespeicherkapazität
Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč, Büro für Bauphysik, Schöberg a Kap, Österreich Zur Defiitio der wirksae Wärespeicherkapazität vo Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč Büro für Bauphysik
MehrMethode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
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
MehrDer Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß
Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-
MehrKorrekturrichtlinie zur Studienleistung Wirtschaftsmathematik am 22.12.2007 Betriebswirtschaft BB-WMT-S11-071222
Korrekturrichtliie zur Studieleistug Wirtschaftsmathematik am..007 Betriebswirtschaft BB-WMT-S-07 Für die Bewertug ud Abgabe der Studieleistug sid folgede Hiweise verbidlich: Die Vergabe der Pukte ehme
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
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
MehrAsymptotische Notationen
Foliesatz 2 Michael Brikmeier Techische Uiversität Ilmeau Istitut für Theoretische Iformatik Sommersemester 29 TU Ilmeau Seite 1 / 42 Asymptotische Notatioe TU Ilmeau Seite 2 / 42 Zielsetzug Igoriere vo
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:
MehrUbungen zur Analysis 1. Prof. Dr. Kohnen. Dr. O. Delzeith
Ubuge zur Aalysis 1 Prof. Dr. Kohe Dr. O. Delzeith SS 1996 1. Beweise Sie uter Beutzug der i der Vorlesug geate vier Axiome fur N : Sid m; ; p; q 2 N ud gilt m > sowie p > q, so gilt mp > q. (3 Pukte)
MehrKunde. Kontobewegung
Techische Uiversität Müche WS 2003/04, Fakultät für Iformatik Datebaksysteme I Prof. R. Bayer, Ph.D. Lösugsblatt 4 Dipl.-Iform. Michael Bauer Dr. Gabi Höflig 17.11. 2003 Abbildug E/R ach relatioal - Beispiel:
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 12
Mthemtisches Istitut der Uiversität Müche Prof. Dr. Peter Otte WiSe 203/4 Lösug 2 2.0.204 Aufgbe 2. [8 Pute] Übuge zur Alysis für Iformtier ud Sttistier Lösug zu Bltt 2 Für eie Teilmege Ω R, sei {, flls
Mehr10 Aussagen mit Quantoren und
0 Aussage mit Quatore ud 0.6. Eisatz vo (bereits bekater) Eistezaussage Bisher hatte wir Eistezbeweise geführt, idem wir ei passedes Objekt agegebe habe ( Setze... ). Stattdesse ka ma auch auf bereits
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
MehrKleines Matrix-ABC. Fachgebiet Regelungstechnik Leiter: Prof. Dr.-Ing. Johann Reger. 1 Elementares
4 6 Fachgebiet Regelugstechik Leiter: Prof. Dr.-Ig. Joha Reger Kleies Matrix-ABC 1 Eleetares Eie ( )-Matrix ist eie rechteckige Aordug vo reelle oder koplexe Zahle a ij (auch Skalare geat) ud besteht aus
MehrWiederkehrende XML-Inhalte in Adobe InDesign importieren
Wiederkehrede XML-Ihalte i Adobe IDesig importiere Dieses Tutorial soll als Quick & Dirty -Kurzaleitug demostriere, wie wiederkehrede XML-Ihalte (z. B. aus Datebake) i Adobe IDesig importiert ud formatiert
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
MehrBetriebswirtschaft Wirtschaftsmathematik Studienleistung BW-WMT-S12 011110
Name, Vorame Matrikel-Nr. Studiezetrum Studiegag Fach Art der Leistug Klausur-Kz. Betriebswirtschaft Wirtschaftsmathematik Studieleistug Datum 10.11.2001 BW-WMT-S12 011110 Verwede Sie ausschließlich das
MehrEinführung in die mathematische Statistik
Kapitel 7 Eiführug i die mathematische Statistik 7.1 Statistische Modellierug Bei der Modellierug eies Zufallsexperimets besteht oft Usicherheit darüber, welche W-Verteilug auf der Ergebismege adäquat
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,...,
MehrMusterlösung zu Übungsblatt 2
Prof. R. Padharipade J. Schmitt C. Schießl Fuktioetheorie 25. September 15 HS 2015 Musterlösug zu Übugsblatt 2 Aufgabe 1. Reelle Fuktioe g : R R stelle wir us üblicherweise als Graphe {(x, g(x)} R R vor.
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,
MehrKlasse: Platzziffer: Punkte: / Graph zu f
Pflichtteil Mathematik I Aufgabe P Name: Vorame: Klasse: Platzziffer: Pukte: / P.0 Gegebe ist die Fuktio f mit der Gleichug (siehe Zeichug). y x8 y,25 4 mit GI IRIR Graph zu f O x P. x 8 Die Pukte C (x,25
Mehr