Beispiel Wahlentscheidungen: Vierstufenmodell der Verkehrsplanung
|
|
- Judith Biermann
- vor 5 Jahren
- Abrufe
Transkript
1 Beispiel Wahlentscheidungen: Vierstufenmodell der Verkehrsplanung Simultanes Verfahren Verkehrs erzeugung Aktivitätenwahl Verkehrs erzeugung Verkehrs verteilung Verkehrs verteilung Wege/Zielwahl Verkehrs aufteilung Verkehrsmittel wahl Verkehrs aufteilung Verkehrs umlegung Routenwahl Verkehrs Umlegung Ziel j Start i V ij Einteilung in Verkehrsbezirke Quell und Zielverkehr Verkehrsstrom matrix verkehrsmittelfeine Verkehrsstrom matrix Strecken belastung im Verkehrsnetz Quell und Zielverkehr Verkehrsstrommatrix Verkehrsmittelwahl Streckenbelastung im Verkehrsnetz
2 Entscheidung bei zwei Alternativen Kosten K MIV(t 2 ) fallender Nutzen MIV(t ) MIV(t ) ÖV komplexe Reisezeit T
3 Zufallsnutzen: Die Entscheidung wird unsicher P(ÖV gewählt) t 2 Einzelentscheidung Kollektivebene/ Zufallsnutzen t t,,2,4 Kosten K MIV (Euro) Auf Individualebene lautet die Entscheidung nur ja () oder Nein (); Auf Kollektivebene bzw. bei Zufallselementen in der Nutzenfunktion ergibt sich eine Wahrscheinlichkeit zwischen und.
4 Komponenten von Modellen der diskreten Wahltheorie Exogene Variable ("Charakteristika") ( Kompl. Reisezeiten T ni Kosten K ni Geschlecht g τ i Alter i... ) Alternativenmenge A i Menge der verfügbaren Verkehrsmittel Teilmodell "Nutzenfunktionen". "independent identically distributed" Zahl I der Alternativen ε ni binäres Probit Modell Teilmodell "Zufallsnutzen" ~ Gauß Probit Modelle Deterministischer Nutzen V ni Gesamtnutzen U ni = V ni + ε ni ε ni ~ i.i.d Gumbel Logit Modelle I=2 I>2 I=2 I>2 multinomiales binäres Probit Modell Logit Modell ε ni ~ korreliert Gumbel ε ni ~ korreliert beliebig multinomiales Logit Modell Nested Logit Modell GEV Modell..
5 Dichten und Verteilungsfunktion der Gaußverteilung f Gauss Dichtefunktion f (ε)=f 2 (ε) Faltung (f *f 2 )(ε) Zufallsnutzen ε Auswahlwahrscheinlichkeit P P Verteilungsfunktion F Mittlere Nutzendifferenz V V 2 (Einheiten σ ε ) Probit-Modell: Links: Dichte der normalverteilten Zufallsnutzen ǫ und ǫ 2 sowie die Dichte der Nutzendifferenz ǫ. Rechts: Verteilungsfunktion der Zufallsnutzen und resultierende Auswahlwahrscheinlichkeit für Alternative in Abhängigkeit der deterministischen Nutzendifferenz V V 2.
6 Dichtefunktionen von Gumbelverteilungen fgumbel(x,,) fgumbel(x,,2) fgumbel(x,,).5 f Gu (x) x
7 Multinomiales Probitmodell Auswahlwahrscheinlichkeit P I=2 I=3 I=5 I= I= V V i (Einheiten σ) Multinomiales Probitmodell mit gleichen Nutzen V k für k 2 als Funktion der Nutzendifferenz V V k.
8 Gumbelverteilung als Grenzverteilung I F(x) f(x) X Gu(ln, max(x,x 2 ) Gu(ln 2, max(x,..., X 2 ) Gu(ln 2, max(x,..., X ).2 X max(x,x 2 ) max(x,..., X 2 ) max(x,..., X ) Gu(ln K, ) x x
9 Gumbelverteilung als Grenzverteilung II F(x).8.6 f(x) X max(x,x 2 ) max(x,..., X 2 ) max(x,..,x ) Gu(ln K, ) X max(x,x 2 ) max(x,..., X 2 ) max(x,.., X ) Gu(ln K, ) x x Hier ist das Maximum von Zufallsvariablen gezeigt, welche im Interval.98 x.5 gleichverteilt sind (konstante Dichte) und erst danach exponentiell (Exponent λ = ) abfallen.
10 Auswahlwahrscheinlichkeiten der MNL und MNP Modelle Auswahlwahrscheinlichkeit P Logit, I=2 Probit, I=2 Logit, I=4 Probit, I=4 Logit, I= Probit, I= Logit, I=5 Probit, I= V V i (Einheiten σ) Multinomial-Logitmodell mit gleichen Nutzen V k für k 2 als Funktion der Nutzendifferenz V V k. Zum Vergleich sind für zwei Fälle auch die Probit-Wahrscheinlichkeiten geplottet.
11 Auswahlwahrscheinlichkeiten in den trinomialen Probit- und Logitmodellen V 2 V 3 (Einheiten σ ε ) V V 3 (Einheiten σ ε ) P V 2 V 3 (Einheiten σ ε ) V 3 = P V V 3 (Einheiten σ ε ) Bei auf die Zufallsnutzen-Standardabweichung skalierten Nutzenfunktionen gibt es bei beiden Modellen kaum Unterschiede zwischen Probit (links) und Logit (rechts)!
12 Parameterschätzung bei binomialen Logit-und Probitmodellen β 2 β β β 22 Beispiel der Übung 2/ Nr. 7: Nahezu identische Schätzer bei beiden Modellen (falls man die Nutzenfunktionen auf eine Zufallsnutzen-Standardabweichung σ ǫ skaliert). Wieder Probit (links) und Logit (rechts)
13 Parameterschätzung bei trinomialen Logit-und Probitmodellen β β β β 26 Analoges gilt für den trinomialen Fall (die nichtmotorisierten Alternativen wurden in Fuß und Rad aufgespalten).
14 Ausführliches Beispiel für den binomialen Fall: Auswertung einer Umfrage in der Vorlesung Klasse i Klassenmitte r i h i (Fuß/Rad) h 2i (ÖPNV/Kfz) i = : -2 km.km i = 2: 2-5 km 3.5km i = 3: 5- km 7.5km 2 3 i = 4: -2 km 5.km 6 6 n i Deterministische Nutzenfunktion: V ki (β,β 2 ) = (β r i +β 2)δ k.
15 Ergebnisse I: Likelihood-Funktion des binomialen Logit-Modells Likelihood β.5 Der Quotient L(β,β 2 )/L max, welcher direkt die zweidimensionale Dichtefunktion der tatsächlichen Parameterwerte angibt. Der Rand der Konfidenzregion bezüglich des Trivialmodells V ki = zur Fehlerwahrscheinlichkeit α = 5% entspricht einer Log-Likelihood-Differenz von /2χ 2 2, α 3, also L(β,β 2 )/L max = e 3 (dick umrandet) β
16 Ergebnisse II: Log-Likelihood 2.5 Log Likelihood β ln (L) β 45 5 Log-Likelihood l(β,β 2 ) um den Punkt (β =.328, β 2 =.997) der geschätzten Modellparameter
17 Ergebnisse IIa: Log-Likelihood bei mehr Daten β 2 ln (L) β 4 Alle Teilnehmerzahlen um den Faktor erhöht bei gleichen relativen Häufigkeiten
18 Ergebnisse III: Aussage des binomialen Logit-Modells Anteilswerte k= (Fu3+Rad) Alternative (Fu3+Rad) Alternative 2 (OV+MIV) Daten (Fu3+Rad) Daten (OV+MIV) Reiseweite (km) Vergleich des kalibrierten Modells (β =.353, β 2 =.975) mit den Daten. Dargestellt ist die Modellvorhersage (Kurven) mit den entsprechenden relativen Häufigkeiten f k i = h ki /n i für k = und k = 2.
19 Ergebnisse IV: Sensitivität gegenüber Datenänderungen Anteilswerte k= (Fu3+Rad) Alternative (Fu3+Rad) Alternative 2 (OV+MIV) Daten (Fu3+Rad) Daten (OV+MIV) Reiseweite (km) Sachverhalt wie in vorhergehender Abbildung, aber mit dem Entfernungsmittel x 2 = 3km statt 3.5km. Die dazugehörigen kalibrierten Werte sind β =.354 und β2 =.897.
20 Ausführliches Beispiel für den multinomialen Fall: Detailliertere Auswertung der Umfrage Klasse Modus k = (Fuß) k = 2 (Rad) k = 3 (ÖPNV) k = 4 (Kfz) i = : -2 km, kein Rad 2 3 i = 2: -2 km, Rad 5 i = 3: 2-6 km, kein Rad 2 i = 4: 2-6 km, Rad 7 6 i = 5: 6- km i = 6: -2 km 5 Deterministische Nutzenfunktion: V ki (β) = β r i δ k +β 2 r i δ k2 +β 3 r i δ k3 +β 4 δ k +β 5 δ k2 +β 6 δ k3 +δ k2 { i hat Rad 6 i hat kein Rad.
21 Anteilswerte Multinomiales Beispiel: MNL-Ergebnis Fuß Rad ÖPNV MIV Reiseweite (km) Nutzenfunktion: V ki (β) = β r i δ k +β 2 r i δ k2 +β 3 r i δ k3 +β 4 δ k +β 5 δ k2 +β 6 δ k3 +Radlos-Strafkosten Geschätzte Werte: β =.4, β 2 =.5, β 3 =.27, β 4 = 3.2, β 5 = 3.25, β 6 = 2.72.
22 Nested-Logit Modell am Beispiel Shopping Person T Emma,ÖV (min) T Emma,MIV (min) T Zentr,ÖV (min) T Zentr,MIV (min) Wahl l =Emma 2=Zentr. Wahlm =ÖV 2=MIV Eine geschachtelte Revealed Choice-Befragung: Übergeordnete Entscheidung eines Ladentyps Bedingte Verkehrsmittelwahl
23 Nichtlineare Nutzenfunktion I: Schwelle: Daten Personenklasse Zeit Alternative (min) Zeit Alternative 2 (min) Wahl Alt. Wahl Alt
24 Nichtlineare Nutzenfunktion I: Schwelle: Modellierung ln L Prob(Alt ) Modell Daten β 4 (Schwellenbreite [Minuten]) T T 2 [min] β 3 (Schwellenhöhe [Minuten]) ( )] Tn V n V n2 = β +β 2 [ T n +β 3 tanh β 4 ˆβ =.43±.236, ˆβ2 =.29±.38, ˆβ3 = 5±8, ˆβ4 = 4±2.
25 Nichtlineare Nutzenfunktion II: Erhöhte ssensitivität: Daten Personenklasse Zeit Alternative (min) Zeit Alternative 2 (min) Wahl Alt. Wahl Alt
26 Nichtlineare Nutzenfunktion II: Erhöhte Sensitivität: Modell ln L Prob(Alt ) Modell Daten T T 2 [min] β 4 (Schwellenbreite [Minuten]) β 3 (Schwellenhöhe [Minuten]) ( )] Tn V n V n2 = β +β 2 [ T n +β 3 tanh β 4 ˆβ =.8±.25, ˆβ2 =.5±., ˆβ3 = 27±, ˆβ4 = ±6.
27 Nichtlineare Nutzenfunktion II: Test weitere Modelle.8 Modell Data V V2=beta+beta2*[dT *tanh(dt/beta4)].8 Modell Daten V V2=beta+beta2*[dT beta3*tanh(dt/)] Prob(Alt ).6.4 Prob(Alt ) Modell M Modell M T T 2 [min] T T 2 [min] Modell Daten Modell Daten.8 V V2=beta+beta2*dT+beta3*dT*abs(dT).8 V V2=beta+beta2*dT Prob(Alt ).6.4 Prob(Alt ) Modell M 3.2 Modell M T T 2 [min] T T 2 [min]
28 Log-Likelihoods des Nested-Logit-Beispiels β β β β 3 5 Log-Likelihood der bedingten Entscheidung (Wahl des Verkehrsmittels) Log-Likelihood der übergeordneten Entscheidung (Wahl des Ladentyps)
29
Verkehrsmittelwahl. Simultanes Verfahren. Verkehrs. verteilung Zielwahl. Verkehrs erzeugung. verteilung. Ziel j. V ij. Start i.
Verkehrsmittelwahl Simultanes Verfahren Verkehrs Verkehrs erzeugung Aktivitätenwahl erzeugung Verkehrs Verkehrs verteilung verteilung Zielwahl Verkehrs Verkehrs aufteilung aufteilung Verkehrsmittel wahl
Mehr4 Modelle diskreter Entscheidungen
4.1 Einführung Viele Sachverhalte der Verkehrsökonometrie betreffen diskrete Entscheidungen, d.h. man muss sich für eine aus üblicherweise wenigen Alternativen entscheiden. Das wird deutlich, wenn man
Mehr4 Modelle diskreter Entscheidungen
4.1 Einführung Viele Sachverhalte der Verkehrsökonometrie betreffen diskrete Entscheidungen, d.h. man muss sich für eine aus üblicherweise wenigen Alternativen entscheiden. Das wird deutlich, wenn man
MehrFlussdiagramm der ökonometrischen Methode
Flussdiagramm der ökonometrischen Methode z.b Sättigungs modell Parameter schätzung Daten Sach verhalt oder Spezifikation des ökonometrischen Modells geschätztes Modell phäno menologische Modellierung
MehrKlausur zur Vorlesung Methoden Verkehrsökonometrie. für Master-Studierende WS 2012/13
Seite: von 4 Klausur zur Vorlesung Methoden Verkehrsökonometrie Aufgabe (50 Punkte) für Master-Studierende WS 202/3 Die Nutzung der ÖV-Angebote verschiedener Städte (mittlere Fahrtenhäufigkeit pro Einwohner
MehrVerkehrsumlegung. Simultanes Verfahren. Verkehrs. verteilung Zielwahl. Verkehrs erzeugung. verteilung. wahl. Ziel j. V ij. Start i.
Verkehrsumlegung Simultanes Verfahren erzeugung Aktivitätenwahl erzeugung verteilung verteilung Zielwahl aufteilung aufteilung Verkehrsmittel wahl umlegung Umlegung Routenwahl Ziel j Einteilung in Verkehrsbezirke
MehrDatenerhebung. Eingliederung der Datenerhebung in den allgemeinen Ablauf einer ökonometrischen Untersuchung. Literatur, vergangene
Datenerhebung Formulierung der Ziele Literatur, vergangene Ergebnisse Festlegung des Untersuchungsdesigns Endogene Variable Exogene Variable Modell Stichprobendesign Erhebung der Daten System gleichungen
MehrEingliederung der Datenerhebung in das Flussdiagramm einer ökonometrischen Untersuchung
Eingliederung der Datenerhebung in das Flussdiagramm einer ökonometrischen Untersuchung Formulierung der Ziele Literatur, vergangene Ergebnisse Festlegung des Untersuchungsdesigns Endogene Variable Exogene
MehrVerkehrsökonometrie. für Bachelor-Studierende. Dr. Martin Treiber
Technische Universität Dresden Institut für Wirtschaft und Verkehr Lehrstuhl für Verkehrsmodellierung und -ökonometrie Skript zur Vorlesung Verkehrsökonometrie für Bachelor-Studierende Dr. Martin Treiber
MehrKlausur zur Vorlesung Verkehrsökonometrie für den Bachelor-Studiengang, SS 2017 Lösungsvorschlag
Klausur zur Vorlesung Verkehrsökonometrie für den Bachelor-Studiengang, SS 07 Lösungsvorschlag Aufgabe 0 Punkte) a,b) Zusammen als Tabelle: Insgesamt 0 Punkte Modell exogene Var endogene Var Parameter
MehrVerkehrsökonometrie. Methoden und Modelle. Dr. Martin Treiber
Technische Universität Dresden Institut für Wirtschaft und Verkehr Lehrstuhl für Ökonometrie und Statistik, insbes im Verkehrswesen Skript zur Vorlesung Verkehrsökonometrie Methoden und Modelle Dr Martin
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrLösungsvorschlag zur Klausur zur Vorlesung Methoden der Verkehrsökonometrie Master-Studiengang WS 2018/19
Lösungsvorschlag zur Klausur zur Vorlesung Methoden der Verkehrsökonometrie Master-Studiengang WS 218/19 Aufgabe 1 (3 Punkte) (a) Generell gilt für die Material-Sachbilanz der Herstellung und Entsorgung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
MehrKategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
Mehr1. Eigenschaften einer Zufallsstichprobe
1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrW-Rechnung und Statistik für Ingenieure Übung 8
W-Rechnung und Statistik für Ingenieure Übung 8 Aufgabe 1 : Motivation Anhand von Daten soll eine Aussage über die voraussichtliche Verteilung zukünftiger Daten gemacht werden, z.b. die Wahrscheinlichkeit
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrAnalyse und Vergleich von Methoden zur Prädiktion der Auswirkungen von Infrastrukturmaßnahmen auf den Modal Split
Fakultät Verkehrswissenschaften Friedrich List Institut für Wirtschaft und Verkehr Professur für Verkehrsökonometrie und -statistik Bachelorarbeit zum Thema Analyse und Vergleich von Methoden zur Prädiktion
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
Mehr5 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
MehrNicht-kontinuierliche abhängige Variablen: Das generalisierte lineare Modell und die Parameterschätzung via Maximum Likelihood
Nicht-kontinuierliche abhängige Variablen: Das generalisierte lineare Modell und die Parameterschätzung via Maximum Likelihood Interaktionseffekte Varianz-Kovarianz-Matrix Interaktionseffekte Varianz-Kovarianz-Matrix
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer Wahrscheinlichkeit und Statistik BSc D-INFK. a) (iii) b) (ii) c) (i) d) (ii) e) (ii) f) (iii) g) (ii) h) (i) i) (ii) j) (i). Für ein heruntergeladenes Dokument
MehrKlassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion. Für n 1 definiere S n := n
Klassische Extremwerttheorie Seien (X k ), k IN, nicht degenerierte i.i.d. ZV mit Verteilungsfunktion F. Für n 1 definiere S n := n i=1 X i, M n := max{x i :1 i n} Frage: Welche sind die möglichen (nicht
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrStatistik für Bachelorund Masterstudenten
Walter Zucchini Andreas Schlegel Oleg Nenadic Stefan Sperlich Statistik für Bachelorund Masterstudenten Eine Einführung für Wirtschaftsund Sozialwissenschaftler 4y Springer 1 Der Zufall in unserer Welt
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrMusterlösung der Klausur vom 29. Juli 2003
Statistik für Bioinformatiker SoSe 2003 Rainer Spang Musterlösung der Klausur vom 29. Juli 2003 Aufgabe 1. 10 Definieren Sie die folgenden statistischen Begriffe in einem Satz oder in einer Formel: 1.
MehrLösungsvorschlag zur Klausur zur Vorlesung Methoden der Verkehrsökonometrie Master-Studiengang WS 2015/16
Lösungsvorschlag zur Klausur zur Vorlesung Methoden der Verkehrsökonometrie Master-Studiengang WS 2015/16 Aufgabe 1 20 Punkte a Sektor 1: Logistik, Sektor 2: Sonstige Wirtschaft. Die sonstigen Sektoren
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 8.04.009 1 Inhalt der heutigen Vorlesung Zusammenfassung der letzten Vorlesung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrMaximum-Likelihood Schätzung. VL Forschungsmethoden
Maximum-Likelihood Schätzung VL Forschungsmethoden Wiederholung Einführung: Schätzung Likelihood-Schätzung und Generalisiertes Lineares Modell Zufallsverteilungen Lernziele 1. Grundzüge der Likelihood-Schätzung
MehrAnalyse diskreter Auswahlentscheidungen Discrete Choice Analysis
Analyse diskreter Auswahlentscheidungen Discrete Choice Analysis Dr. Sven Müller 27. Oktober 2012 Institut für Verkehrswirtschaft Lehrstuhl für Betriebswirtschaftslehre, insb. Verkehr Schwerpunkt: Operations
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrFortgeschrittene Ökonometrie: Maximum Likelihood
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 202 Fortgeschrittene Ökonometrie: Maximum Likelihood Poissonverteilung Man betrachte die poisson-verteilten Zufallsvariablen y t, t =, 2,...,
MehrKlassifikation von Daten Einleitung
Klassifikation von Daten Einleitung Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation von Daten Einleitung
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrLösungsvorschlag zur Klausur zur Vorlesung Methoden der Verkehrsökonometrie Master-Studiengang WS 2016/17
Lösungsvorschlag zur Klausur zur Vorlesung Methoden der Verkehrsökonometrie Master-Studiengang WS 2016/17 Aufgabe 1 (50 Punkte) (a) Es handelt sich um eine Stated-Choice Erhebung, da es sich um hypothetische
MehrSammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien
Sammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien Prof. F. Merkl 23. Mai 2016 Zu Ihrer Information und als zusätzliches Übungsmaterial sind hier die Aufgaben
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrInhaltsverzeichnis DESKRIPTIVE STATISTIK. 1 Grundlagen Grundbegriffe Skalen... 15
Inhaltsverzeichnis 1 Grundlagen... 13 1.1 Grundbegriffe...13 1.2 Skalen... 15 DESKRIPTIVE STATISTIK 2 Eindimensionale Häufigkeitsverteilungen...16 2.1 Häufigkeiten... 16 2.1.1 Grundbegriffe... 16 2.1.2
MehrDie Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
MehrMaximum-Likelihood Schätzung
Maximum-Likelihood Schätzung VL Forschungsmethoden 1 Wiederholung Einführung: Schätzung 2 Likelihood-Schätzung und Generalisiertes Lineares Modell Zufallsverteilungen 3 Lernziele 1 Grundzüge der Likelihood-Schätzung
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrKlassen diskreter Variablen
Modelle diskreter Variablen Klassen diskreter Variablen binär multinomial Weitere Klassifizierung multinomialer diskreter Variablen: kategorial y = 1, falls Einkommen < 3000 e. y = 2, falls Einkommen zw.
Mehr1 GRUNDLAGEN Grundbegriffe Skalen...15
Inhaltsverzeichnis 1 GRUNDLAGEN...13 1.1 Grundbegriffe...13 1.2 Skalen...15 DESKRIPTIVE STATISTIK 2 EINDIMENSIONALE HÄUFIGKEITSVERTEILUNGEN...16 2.1 Häufigkeiten...16 2.1.1 Grundbegriffe...16 2.1.2 Klassieren
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrModellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrKlausur zur Vorlesung Verkehrsmodellierung und -simulation SS 2003
Blatt: 1 von 6 Aufgabe 1 (40 Punkte) Klausur zur Vorlesung Verkehrsmodellierung und -simulation SS 2003 Insgesamt 120 Punkte (a) Beschreiben Sie jeweils knapp (1-2 Sätze) die vier grundlegenden Verfahren
MehrVorlesung Stetige Verteilungen / Mathematische Behandlung
B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,
MehrEignung deterministischer Verkehrsmittelwahlmodelle für die kommunale Verkehrsplanung
Konferenz Verkehrsökonomie und politik Berlin, 30. Juni 2017 Eignung deterministischer Verkehrsmittelwahlmodelle für die kommunale Verkehrsplanung M. Sc. Fabian Stoll Dipl.-Ing. Bastian Kogel Aufgaben
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrLogit-Analyse mit ordinalen und nominalen abhängigen Variablen
Logit-Analyse mit ordinalen und nominalen abhängigen Variablen Regressionsmodelle für Politikwissenschaftler Übersicht Das multinomiale Logit-Modell Das konditionale Logit-Modell Regressionsmodelle für
MehrPrüfung im Fach Mikroökonometrie im Sommersemester 2014 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Sommersemester 014 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrZahl der Kreditpunkte, die Sie erwerben möchten: 3 CP 4 CP 6 CP
Klausur in Mikroökonometrie am 26.07.2006 Hinweise: (1) Teil 1 (90 Punkte) muss von allen gelöst werden, Teil 2 (30 Punkte) nur von denjenigen, die 4 oder 6 CP erwerben wollen. (2) Die Punktverteilung
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrBevorzugter Zitierstil für diesen Vortrag
Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2004) Entscheidungsmodelle und Bewertungen, CUREM Modul Verkehrsplanung, Zürich, April 2005.. Stunde 3 1 Entscheidungsmodelle und Bewertungen KW
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability and Statistics FS 2018 Prüfung 13.08.2018 Dauer: 180 Minuten Name: Legi-Nummer: Diese Prüfung enthält 12 Seiten (zusammen mit dem Deckblatt) und 10 Aufgaben. Das Formelblatt wird separat verteilt.
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
MehrNachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester Oktober 2011
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester 2011 28. Oktober 2011 Prof. Dr. Torsten Hothorn Institut für Statistik Nachname: Vorname: Matrikelnummer: Anmerkungen: ˆ Schreiben
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 10.10.14 Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß
Mehr