17 Nichtparametrische Schätzer
|
|
- Rudolph Hartmann
- vor 7 Jahren
- Abrufe
Transkript
1 17 Nichtparametrische Schätzer In diesem Paragraphen werden kurz einige Möglichkeiten skizziert, auch in nichtparametrischen Modellenzu Schätzern fürinteressierende statistische Größenzugelangen. a Empirische Verteilungsfunktionen in i.i.d. Stichproben Seien X 1,...,X n i.i.d. ZV. mit Werten in R k,b k und VF. F. Die empirische VF. F n x := 1 n I {Xi x}, x R k, n wobei wieder komponentenweise zu verstehen ist, liefert einen P-f.s. gleichmäßig konsistenten Schätzer für die zugrunde liegende VF. Fx := P X 1 x, x R k. Dies ist eine Konsequenz des folgenden Lemmas von Dvoretzky, Kiefer und Wolfowitz 1956: Lemma Seien F n die empirische VF. einer i.i.d. Stichprobe X 1,...,X n mit VF. F auf R k,b k und d KS Fn,F := sup x F n x Fx, der Kolmogorov- Smirnov-Abstand zwischen F n und F. Dann gilt für a k = 1 : C > 0 unabhängig von F so, dass P d KS F n,f > α Ce 2nα2 α > 0, n N; b k 2 : ε > 0 C ε,k > 0 unabhängig von F so, dass P d KS F n,f > α C ε,k e 2 εnα2 α > 0, n N. Auf den Beweis von Lemma 17.1 muss hier verzichtet werden. Als unmittelbare Konsequenz ergibt sich: Satz Unter den Voraussetzungen von Lemma 17.1 gilt: a d KS F n,f 0 P-f.s. n ; b E [ ndk,s F n,f ] p = O1 n p > 0; d KS F n,f = O p 1/ n n. 93
2 Bemerkung Statt des Kolmogorov-Smirnov-Abstands d KS kann man andere Abstandsmaße benutzen, z.b. den Mallows-Abstand d Mp F,G := inf E X Y p 1/p, wobei das Infimum genommen wird über der Menge aller ZV. X und Y, die p-te Momente p 1 und VF. F und G besitzen, oder den L p -Abstand bei k = 1 d Lp F,G := Fx Gx p dx 1 p, falls die E.W. unter F und G existieren. Es gilt unter den obigen Momentenbedingungen, vgl. Shao 2003 : a d Mp F n,f 0 P-f.s. n ; b d Lp F n,f 0 P-f.s. n und E [ ndlp F n,f ] = O1 n, falls 1 p 2 und [ Fx1 Fx ] p/2 dx <, oder falls p 2. b Statistische Funktionale In vielen nicht-parametrischen Problemen besteht Interesse, nicht ausschließlich die zugrunde liegende VF. F etwa im i.i.d. Fall zu untersuchen, sondern eventuell nur charakteristische Parameter der Verteilung zu studieren. Letztere lassen sich in der Regel in der Form TF schreiben, wobei T : F R l ein statistisches Funktional ist auf der Menge F der zugrunde liegenden VF. In einer i.i.d. Stichprobe X 1,...,X n reeller ZV. mit VF. F stellt z.b. der E.W. E F X = xdfx ein solches Funktional dar, das in natürlicher Weise über die empirische Version E Fn X = xdf n x = 1 n n X i, also das arithmetische Mittel, geschätzt werden kann. Ein weiteres Beispiel liefern Quantile F 1 p := inf{x : Fx p} 0 < p < 1, die mittels der Stichprobenquantile Fn 1 p geschätzt werden können. 94
3 Wir untersuchen exemplarisch das asymptotische Verhalten reeller Funktionale TF n für i.i.d. Stichproben X 1,...,X n l = 1; die Behandlung im Fall l 2 verläuft analog. Die Idee hierbei ist, unter bestimmten Regularitäts- Differenzierbarkeits- bedingungen, die Asymptotik von TF n auf die von F n zurückzuführen. Definition Sei T : F R ein reelles Funktional auf einer Menge F von VF. auf R k,b k und setze D := { cf G F,G F, c R }. a Das Funktional T : F R heißt Gâteaux-differenzierbar in F F, falls ein lineares Funktional L F : D R existiert derart, dass für D und F +t F gilt: [ TF +t TF lim t 0 t ] L F = 0. b Sei d eine Metrik auf F, die durch eine Norm auf D induziert ist, d.h. df, G = F G. Das Funktional T : F R heißt d-hadamard-differenzierbar in F F, falls ein lineares Funktional L F : D R existiert derart, dass für alle Nullfolgen t j 0 j und konvergenten Folgen j, d.h. j 0 j, mit, j D und F +t j j F j = 1,2,... gilt: [ ] TF +tj j TF lim L F j j t j = 0. c Sei d eine Metrik auf F. Das Funktional T : F R heißt d-fréchetdifferenzierbar in F F, falls ein lineares Funktional L F : D R existiert derart, dass für {F j } F mit df j,f 0 j gilt: [ ] TFj TF L F F j F lim j df j,f = 0. Das Funktional L F heißt Differential Ableitung von T in F. Bezeichnet δ x die VF. der Punktmasse in x, so heißt φ F x := L F δ x F, x R, die Influenzfunktion von T in F vgl. Hampel Falls T Gâteaux-differenzierbar ist in F, so folgt mit t = 1/ n, = n F n F : n [ TFn TF ] = L F nfn F + R n 17.1 mit einem stochastischen Restglied R n. 95
4 Da L F linear ist, gilt: 17.2 L F nfn F = 1 n n φ F X i D n N 0,σ 2 F, falls E [ φ F X 1 ] = 0, σ 2 F = E[ φ F X 1 ] 2 <. Würde nun 17.3 R n = o p 1 n gelten, so folgte aus sofort 17.4 n [ TFn TF ] D n N 0, σ 2 F. Leider liefert die Gâteaux-Differenzierbarkeit i.a. nicht 17.3 oder 17.4, so dass stärkere Differenzierbarkeitsvoraussetzungen benötigt werden. Es gilt der folgende Satz zur asymptotischen Normalität statistischer Funktionale: Satz Seien X 1,X 2,... i.i.d. R k,b k -ZV. mit VF. F und T : F R ein reelles statistisches Funktional. a Ist T d KS -Hadamard-differenzierbar in F F, so gilt für das Restglied R n in 17.1: R n = o p 1 n ; b Ist T d-fréchet-differenzierbar in F F und gilt df n,f = O p 1/ n n, so folgt für R n aus 17.1 ebenfalls R n = o p 1 n ; c Unter den Voraussetzungen von a oder b und von 17.2 liegt asymptotische Normalität von TF n vor, d.h. n [ TFn TF ] D n N 0, σ 2 F. 96
5 Beispiel a T : F R, F ψxdfx, wobei ψ : R k R F-integrierbar sei für F F. Dann ist T ein lineares Funktional auf D und folglich d-fréchet-differenzierbar für jede Metrik d auf F. b Sei F reelle VF. und F > 0 auf R. Dann ist das Quantil-Funktional TF := F 1 p, F F, p 0,1 fest, d KS -Hadamard-differenzierbar vgl. Fernholz Unter den Voraussetzungen von Satz 17.2 c liegt also asymptotische Normalität vor. Beispiel 17.1 b lässt sich aber auch direkt unter schwächeren Voraussetzungen, s.u. behandeln. Als weiteres Beipiel betrachten wir M Schätzer Sei ρ : R k R R und seien für F F die Integrale ρx,tdfx wohldefiniert, wobei t Θ, Θ offen in R. Ein M-Funktional ist definiert als Lösung von 17.5 ρ x,tf dfx = min t Θ ρx,tdfx, F F. Seien X 1,...,X n i.i.d. mit VF. F F und empirischer VF. F n, so heißt TF n M-Schätzer für TF. Existiert ψx,t = ρx,t t λ 1 -f.ü. und gilt 17.6 λ F t = ψx,tdfx = d dt ρx,tdfx, [ Vertauschung von Differentiation und Integration ] so folgt, dass λf TF = 0. 97
6 Beispiel a ρx,t = x t 2 /2. Dann gilt: ψx,t = t x; TF = xdfx E.W. Funktional; TF n = X n arithmetisches Mittel. b ρx,t = x t p /p, p [1,2, fest. Dann gilt: ψx,t = { x t p 1, x < t ; x t p 1, x > t. Für p = 1 : TF = Median von F ; TF n = Stichprobenmedian; Für 1 < p < 2 : TF n = Minimum-L p -Schätzer. c Sei F = { P ϑ = f ϑ µ : ϑ Θ R 1} eine parametrische Familie von Verteilungen und ρx,t = logf t x. Jeder ML-Schätzer TF n := ˆϑ liefert dann einen M-Schätzer für ϑ; ML-Schätzer sind also spezielle M-Schätzer. d Sei C > 0 konstant. Huber 1964 betrachtet ρx,t = { x t 2 /2, x t C ; C 2 /2, x t C. mit ψx,t = { t x, x t C ; 0, x t > C. Den zugehörigen M-Schätzer TF n nennt man auch ein getrimmtes Mittel. e Hampel 1974 betrachtet ψx,t = ψ 0 x t mit ψ 0 s = ψ 0 s und s, 0 s a ; a, a < s b ; ψ 0 s = ac s, b < s c ; c b 0, s > c, mit Konstanten 0 < a < b < c. Eine geglättete Version von ψ 0 liefert ψ 1 s = { sinas, 0 s π/a ; 0, s > π/a. 98
7 Das folgende Resultat zeigt, dass M-Schätzer mit stetiger, beschränkter ψ-funktion d KS -Hadamard-differenzierbar sind und TF n folglich asymptotisch normal ist im Sinne von 17.4, da die zugehörige Influenzfunktion φ ebenfalls stetig und beschränkt ist. Satz Seien T ein M-Funktional gemäß 17.5, ψ = ψx,t stetig und beschränkt auf R k R und λ F = λ F t aus 17.6 stetig differenzierbar in TF mit λ F TF 0. Dann ist T d KS -Hadamard-differenzierbar in F mit φ F x = ψ x,tf, x R. TF λ F c Stichprobenquantile Seien X 1,...,X n i.i.d. mit stetiger reeller VF. F, empirischer Verteilungsfunktion F n und Ordnungsstatistiken X 1:n... X n:n. Da F stetig ist, gilt wieder P X 1:n <... < X n:n = 1. Für p 0,1, fest, sei das p-quantil x p := F 1 p := inf { x Fx p } zu schätzen. Das Stichprobenquantil ˆx p := Fn 1p ist ein geeigneter Schätzer. Man beachte, dass P-f.s. gilt: F n x = k n für X k:n x < X k+1:n k = 1,...,n 1, folglich, mit k p = np, also k p 1 < np k p : F n Xkp:n p, Fn Xkp 1:n < p, d.h. ˆxp = X kp:n. Wir zeigen, dass Ordnungsstatistiken unter bestimmten Voraussetzungen konsistent und asymptotisch normal sind. Satz Für das p-quantil x p gelte Fx > p x > x p. Dann gilt für k = np+on : X kn P x p n. 99
8 Satz Sei F differenzierbar an der Stelle x p mit F x p > 0. Dann gilt für k = np+o n : n Xk:n x D p1 p p N 0, F x p 2 n. Bemerkung Da ˆx p = X np :n und np = np + O1, liefern die Sätze 17.4 und 17.5 sofort die Konsistenz und asymptotische Normalität der Stichprobenquantile unter den entsprechenden Voraussetzungen. d Kernschätzer Seien X 1,...,X n i.i.d. ZV. mit reeller VF. F und einer λ 1 -Dichte f. Die empirische Verteilungsfunktion ˆF n x = 1 n n I {Xi x}, x R, liefert, bei beobachteten X 1,...,X n, eine diskrete VF. alsschätzer fürdieunbekannte VF. F, nämlich so, dass jede Beobachtung X i das Gewicht 1 n erhält. Bei angenommener Dichte f versucht man, mit Hilfe einer Kernfunktion K diese diskreten Punktmassen zu verschmieren smoothing, um so zu einer stetigen Schätzung für die unbekannte Verteilung -sdichte zu gelangen. Konkret sei K = Ku eine W-Dichte auf R 1,B 1 mit E.W. Varianz u 2 Kudu = 1. Die ZV. ukudu = 0 und 17.7 ˆf n x := 1 n n 1 h K x Xi, x R, h heißt Kernschätzer für f mit Kernfunktion K und Bandweite h = h n. Anschaulich gesprochen bilden die Funktionen x 1 nh K x Xi h Dichtefunktionen mit Massen 1 n, die um die Beobachtungen Xi herum konzentriert sind und sich zu einer W-Dichte mit Gesamtmasse 1 aufsummieren. 100
9 Ein gebräuchliches Maß für die Güte des Kernschätzers ˆfn ist der mittlere integrierte quadratische Fehler Mean Integrated Square Error MISE : 17.8 MISE f ˆfn = = E f ˆfn x fx 2 dx Var f ˆfn x Ef dx + ˆfn x fx 2 dx, der sich als Summe eines integrierten Varianzterms und eines Biasterms darstellen lässt. Es wird sich zeigen, dass der Varianzterm von der Ordnung O 1 nh ist, während der Biasterm die Ordnung O h 4 hat. Die Bandweite h sollte also möglichst groß sein, um die Varianz gering zu halten, andererseits aber möglichst klein, um den Bias zu verringern. Eine ausgewogene Wahl der Bandweite, d.h. mit 1 nh h4, führt zu einer optimalen Wahl von h n 1/5. Eine genaue Abschätzung liefert Satz Seien f eine zweimal stetig differenzierbare W-Dichte bzgl. λ 1 mit f x 2 dx < und K eine Kernfunktion mit ukudu = 0 sowie u 2 Kudu < und K 2 udu <. Dann gibt es eine Konstante C = C f derart, dass für h > 0 gilt: E f ˆfn x fx 2 1 dx C nh +h4. Für h = h n n 1/5 n folgt somit: 1 MISE f ˆfn = O n. n 4/5 Bemerkung Benutzt man eine Kernfunktion K i.a. keine W-Dichte mit Kudu = 1, u l Kudu = 0 l = 1,...,r 1, u r Kudu < r 2, K 2 udu <, und ist f r-mal stetig differenzierbar mit f r x 2 dx <, so lässt sich die Güte des Kernschätzers wie folgt verbessern: C = C f h > 0 Ef ˆfn x fx 2 1 dx C nh +h2r. Für h n n 1/2r+1 : Letztere Rate ist optimal MISE f ˆfn = O n 2r/2r+1 n. vgl. van der Vaart
22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
MehrBootstrap: Punktschätzung
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Bootstrap: Punktschätzung 1. Die Grundidee 2. Plug-in Schätzer 3. Schätzung des Standardfehlers 4. Schätzung und Korrektur der Verzerrung 5. Konsistenz
MehrVerteilungsfreie Verfahren
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2012 1. Anpassungstests 1.1. Empirische Verteilung 1.2. Kolmogorov-Smirnov-Anpassungstest 1.3. χ 2 -Anpassungstest
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
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;
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
MehrAnalysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit
A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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
MehrDas empirische VaR bzw. CVaR
Das empirische VaR bzw. CVaR Sei x 1, x 2,..., x n eine Stichprobe der unabhängigen identischverteilten ZV X 1, X 2,..., X n mit Verteilungsfunktion F (Notation: Die ZV X 1, X 2,..., X n sind i.i.d. Empirische
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel IV SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
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:
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
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
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
MehrStatistische Methoden
Statistische Methoden Dr. C.J. Luchsinger 2 Beweis CLT Literatur Kapitel 2: Krengel: 12 2.1 Einführung Wir repetieren aus WTS, Kapitel 5: Fragestellung: Was geschieht mit dem Ausdruck n k=1 X k nµ, (2.1)
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
Mehr1 Konvergenz im p ten Mittel
Konvergenz im p ten Mittel 1 1 Konvergenz im p ten Mittel In diesem Paragraphen werden zunächst in Abschnitt 1.1 die L p Räume eingeführt. Diese erweisen sich als vollständige, lineare Räume über R. In
MehrDIFFERENTIATION PARAMETERABHÄNGIGER INTEGRALE
DIFFERENTIATION PARAMETERABHÄNGIGER INTEGRALE Zusammenfassung. Ergänzend zur Übung vom 06.06.203 soll hier die Leibnizregel für die Differentiation parameterabhängiger Integrale formuliert und bewiesen
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
Mehr9 Robuste Methoden. 9.1 Einfluss und Robustheit. i (x i x) 2 = i x iy i. c 1 = x 2 + i (x i x) 2. Einfache Regression: 9.1 Einfluss und Robustheit 205
9.1 Einfluss und Robustheit 205 9 Robuste Methoden 9.1 Einfluss und Robustheit a Sensitivität. Eine Beobachtung hinzufügen. Effekt? Einfache Regression: β = i(x i x)y i i (x i x) 2 = i x iy i β = β+ x,
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 31.1.2017 Definition 2.2 (uneigentliches Riemann-Integral) Sei I = [a, b) mit a < b. Die Funktion f : I R sei Riemann-integrierbar auf [a, b ] für alle b < b. Falls x lim x b a f(ξ)
MehrDifferential- und Integralrechnung
Brückenkurs Mathematik TU Dresden 2016 Differential- und Integralrechnung Schwerpunkte: Differentiation Integration Eigenschaften und Anwendungen Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik
MehrEigenschaften stetiger Funktionen Buch Kap. 2.5
Eigenschaften stetiger Funktionen Buch Kap. 2.5 Satz 2.6: (Nullstellensatz) Ist f : [a, b] R stetig und haben f (a) und f (b) unterschiedliche Vorzeichen, so besitzt f in (a, b) mindestens eine Nullstelle.
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
Mehr1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe
1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe Nachdem eine Stichprobe X 1,..., X n gezogen wurde berechnen wir gewöhnlich irgendwelchen Wert damit. Sei dies T = T (X 1,..., X n, wobei T auch
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrAllgemeine lineare Modelle
262 Merkpunkte Allgemeine lineare Modelle Multiple lineare Regression mit nicht-normalen Zufallsabweichungen bilden eine harmlose" Verallgemeinerung der multiplen lin. Regr. Beispiele: Gumbel-Regression,
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
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,
MehrGewöhnliche Differentialgleichungen Woche 6. Existenz nach Picard-Lindelöf
d Gewöhnliche Differentialgleichungen Woche 6 Existenz nach Picard-Lindelöf 6.1 Vorbereitung für den Existenzsatz 6.1.1 Stetigkeit und Lipschitz-Stetigkeit Definition 6.1 Seien (V 1, 1 und (V 2, 2 zwei
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
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrZufallsvariablen. f(x) dx = 1. Die stetige Zufallsvariable X wird also durch seine Dichtefunktion beschrieben. P(c < X < d) =
Diskrete Sei X stetig auf (a,b), wobei a, b unendlich sein können, a x 0 < x 1 b P(X = x 0 ) = 0, P(x 0 < X < x 1 ) > 0 (wenn f > 0). Die Funktion f heißt Dichtefunktion (von X) falls: 1. f(x) 0, a < x
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
Mehrd(x, z) = z x = y x + z y y x + z y = d(x, y) + d(y, z). d(x, y) = 0, falls x = y.
Metrische Räume K bezeichnet entweder den Körper R oder den Körper C. Genauer bedeutet dies: K wird in denjenigen Situationen verwendet, in denen die Ersetzung von K sowohl durch R als auch durch C einen
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
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrStatistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Dr. Stan Lai und Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
Mehr2. Prinzipien der Datenreduktion
2. Prinzipien der Datenreduktion Man verwendet die Information in einer Stichprobe X 1,..., X n, um statistische Inferenz über einen unbekannten Parameter zu betreiben. Falls n groß ist, so ist die beobachtete
Mehr5. Funktional-Gleichung der Zetafunktion
5. Funktional-Gleichung der Zetafunktion 5.. Satz (Poissonsche Summenformel. Sei f : R C eine stetig differenzierbare Funktion mit und sei f(x O( x und f (x O( x für x ˆf(t : f(xe πixt dx. die Fourier-Transformierte
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrMathematik II für Inf und WInf
Gruppenübung Mathematik II für Inf und WInf 8. Übung Lösungsvorschlag G 28 (Partiell aber nicht total differenzierbar) Gegeben sei die Funktion f : R 2 R mit f(x, ) := x. Zeige: f ist stetig und partiell
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Definition: Sei M R, alsom
Mehr4.2 Grenzwerte und Stetigkeit reeller Funktionen
4. Grenzwerte und Stetigkeit reeller Funktionen 73 4. Grenzwerte und Stetigkeit reeller Funktionen Definition 4.. Gegeben sei eine Funktion y = mit D(f). (i) Sei D(f). heißt stetig in, falls es für alle
MehrMusterlösung Klausur zu Analysis II. Verständnisteil
Technische Universität Berlin SS 2009 Institut für Mathematik 20.07.2009 Prof. Dr. R. Schneider Fritz Krüger Sebastian Holtz Musterlösung Klausur zu Analysis II Verständnisteil 1. (a) Sei D R n konvex
MehrSpezifische innere Volumina
Spezifische innere Volumina Stochastische Geometrie und ihre en - Zufallsfelder Regina Poltnigg und Henrik Haßfeld Universität Ulm 13. Januar 2009 1 Regina Poltnigg und Henrik Haßfeld 1 2 Berechnung von
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrBemerkung Als Folge von Satz 6.2 kann man jede ganze Funktion schreiben als Potenzreihe. α m z m. f(z) = m=0. 2πi. re it t [0,2π] 2πi
Funktionentheorie, Woche 7 Eigenschaften holomorpher Funktionen 7.1 Ganze Funktionen Definition 7.1 Eine Funktion f : C C, die holomorph ist auf C, nennt man eine ganze Funktion. Bemerkung 7.1.1 Als Folge
Mehr1 Verbandstheorie. Aufgabensammlung. Höhere Mathematik für Physiker III Wintersemester 2014
Aufgabensammlung Höhere Mathematik für Physiker III Wintersemester 2014 1 Verbandstheorie 1. Aufgabe: (a) Sei f C(R) eine stetige Funktion. Wenn Rf(x)φ(x)dx = 0 für alle Testfunktionen φ Cc (R) gilt, dann
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
MehrKapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen
Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrVorlesung Mathematische Statistik. Inhalt in Stichworten. Reinhard Höpfner. Vorlesung 2004/2005 und 2007/2008
1 Vorlesung Mathematische Statistik Inhalt in Stichworten Reinhard Höpfner Vorlesung 2004/2005 und 2007/2008 Institut für Mathematik, Johannes Gutenberg Universität Mainz 27.02.08 2 Inhalt in Stichworten
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
Mehr3 Differenzierbarkeit und Ableitung (Differentialrechnung I)
3 Differenzierbarkeit und Ableitung (Differentialrechnung I) 31 Differenzierbarkeit und Ableitung von Funktionen einer Variablen Definition 31 Es sei M R, f : M R und a M Wenn der Funktionsgrenzwert f(x)
MehrStochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie
Stochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie Sommersemester 2018 Kapitel 8: Elemente der mathematischen Statistik Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik
MehrDer Mittelwert (arithmetisches Mittel)
Der Mittelwert (arithmetisches Mittel) x = 1 n n x i bekanntestes Lagemaß instabil gegen extreme Werte geeignet für intervallskalierte Daten Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut
MehrIntegraldarstellung des Restgliedes; Lagrangesche Restgliedformel;
Kapitel Der Satz von Taylor. Taylor-Formel und Taylor-Reihe (Taylor-Polynom; Restglied; Integraldarstellung des Restgliedes; Lagrangesche Restgliedformel; die Klasse C ; reell analytische Funktionen) In
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrLösung zu Kapitel 5 und 6
Lösung zu Kapitel 5 und 6 (1) Sei f eine total differenzierbare Funktion. Welche Aussagen sind richtig? f ist partiell differenzierbar f kann stetig partiell differenzierbar sein f ist dann immer stetig
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
Mehr12 Aufgaben zu linearen Funktionalen
266 12. Aufgaben zu linearen Funktionalen A B C 12 Aufgaben zu linearen Funktionalen 12.1 Stetige Funktionale (siehe auch 11.6.E, 12.2, 13.4.A) Sei E ein topologischer Vektorraum und ϕ: E K (ϕ ) linear.
Mehr1. Übungsblatt. Zeige: Falls für jedes ε > 0 endlich viele ε-klammern existieren, die F überdecken, so gilt die Glivenko-Cantelli-Eigenschaft
Vorlesung Nichtparametrische Statistik Wintersemester 2010/11 Humboldt-Universität zu Berlin Prof. Dr. Markus Reiß Dipl. Math. Johanna Kappus 1. Übungsblatt 1. Es seien X 1,, X n unabhängig identisch verteilte
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
Mehr1 Die direkte Methode der Variationsrechnung
Die direkte Methode der Variationsrechnung Betrachte inf I(u) = f(x, u(x), u(x)) dx : u u + W,p () wobei R n, u W,p mit I(u ) < und f : R R n R. (P) Um die Existenz eines Minimierers direkt zu zeigen,
Mehr