5 Optimale erwartungstreue Schätzer
|
|
- Luisa Siegel
- vor 7 Jahren
- Abrufe
Transkript
1 33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien X 1,..., X n X, EX 2 <, µ : EX, σ 2 : Var(X), (µ, σ 2 ) unbekannt. Es sei T ein beliebiger linearer erwartungstreuer Schätzer für µ. Dann gilt: Var(T ) Var( X n ) σ2 n Sei T n c j X j. T erwartungstreu Var(T ) σ 2 n c 2 j (Cauchy-Schwarz) T X n. µ E(T ) µ c j 1 c j 1 2 } {{ } 1 c 2 j 1 n c j c 2 j 1 2 n c 2 j 1 n c j 1 n j
2 34 5 OPTIMALE ERWARTUNGSTREUE SCHÄTZER 5.3 Situation Sei (X, B, {P ϑ : ϑ Θ}), Θ R k, ein statistischer Raum. X 1,..., X n P ϑ. g(ϑ) interessierener Parameter. Sei g : Θ R Funktional U g {T T : X n R messbar, E ϑ T g(ϑ) ϑ Θ, E ϑ T 2 < ϑ Θ} ie Menge aller erwartungstreuen Schätzer für g(ϑ) mit enlicher Varianz. Annahme: U g Sei m(ϑ) : inf{var ϑ (T ) : T U g } 5.4 Definition Ein T 0 U g mit Var ϑ (T 0 ) m(ϑ) ϑ Θ heißt UMVUE. (Uniformly Minimum Variance Unbiase Estimator) 5.5 Satz Falls T 1 un T 2 UMVUE, so gilt P ϑ (T 1 T 2 ) 1 ϑ Θ U g ist konvex,.h. Seien T 1, T 2 UMVUE. 1 2 (T 1 + T 2 ) U g S, T U g λs + (1 λ)t U g λ [0, 1] Var ϑ ( 1 2 (T 1 + T 2 )) Var ϑ (T 1 )( m(ϑ) Var ϑ (T 2 )) 1 4 (Var ϑ(t 1 )+Var ϑ (T 2 )+2 Cov ϑ (T 1,T 2 )) Var ϑ (T 1 ) Cov ϑ (T 1, T 2 ) CSU Var ϑ (T 1 ) Var ϑ (T 2 ) Var ϑ (T 1 )
3 5.6 Definition un Satz 35 Var ϑ (T 1 ) Cov ϑ (T 1, T 2 ) Var ϑ (T 1 T 2 ) Var ϑ (T 1 ) + Var ϑ (T 2 ) 2 Cov ϑ (T 1, T 2 ) 0 P ϑ (T 1 T 2 ) 1. E ϑ (T 1 T 2 ) Definition un Satz Sei S n : {π (π(1),..., π(n)) : π Permutation von {1,..., n}} Für Statistik T : X n R sei T π (X 1,..., X n ) T (X π(1),..., X π(n) ). In er Situation von 5.3 heißt T (im wesentlichen) symmetrisch : P ϑ (T π T ) 1 ϑ Θ π S n T 0 U g UMVUE T symmetrisch. Sei π S n, ϑ Θ beliebig. Wegen X 1,..., X n P ϑ folgt T0 π T 0 unter P ϑ E ϑ (T π 0 ) E ϑ(t 0 ) g(ϑ) Var ϑ (T π 0 ) Var ϑ(t 0 ) m(ϑ) Satz 5.5 P ϑ (T π 0 T 0) 1. } T0 π U g, UMVUE 5.7 Reguläre Verteilungsklassen Situation: Sei (X, B, {P ϑ : ϑ Θ) statistischer Raum mit (X, B) (R n, B n ), Θ R k, Θ offen. X (X 1,..., X n ) Zufallsvektor mit Verteilung P ϑ (ϑ Θ), P ϑ besitze Dichte f(x, ϑ) bezüglich µ, abei sei µ entweer as Lebesgue-Maß oer as Zählmaß auf einer abzählbaren Teilmenge es R n. T : R n R s sei Statistik mit E ϑ T 2 <, Kovarianzmatrix 15 von T: 16 Var ϑ (T ) : E ϑ [(T E ϑ T )(T E ϑ T ) T ] 15 Schreibweise für Kovarianzmatrix hier nicht Cov ϑ, sonern Var ϑ. Beachte azu ie Fälle s 1 un s > 1! 16 Bei Vektoren manchmal Schreibweise x für x T.
4 36 5 OPTIMALE ERWARTUNGSTREUE SCHÄTZER Folgene Regularitätsbeingungen sollen gelten: a) x X existiert ϑ j f(x, ϑ) un ist stetig. (j 1,..., k) b) ϑ f(x, ϑ)µ(x) f(x, ϑ)µ(x) ϑ wobei hier ϑ : ( ϑ 1,..., ϑ k ) T. Der k-imensionale Zufallsvektor heißt Score-Vektor. Die k k-matrix I n (ϑ) : E ϑ [U n (ϑ) U n (ϑ) T ] U n (ϑ) : ϑ log f(x, ϑ) ϑf(x, ϑ) f(x, ϑ) ( [ E ϑ log f(x, ϑ) ]) log f(x, ϑ) ϑ i ϑ j i,,...,k heißt Fisher-Informationsmatrix (von f an er Stelle ϑ): c) I n (ϑ) existiert un ist positiv efinit. Eine Verteilungsklasse {P ϑ : ϑ Θ}, ie ie Beingungen (a)-(c) erfüllt, heißt regulär. 5.8 Lemma In er Situation von 5.7 gilt: E ϑ U n (ϑ) 0 ϑ Θ un somit I n (ϑ) Var ϑ (U n (ϑ)), ϑ Θ,.h. ie Fisher-Informationsmatrix ist Kovarianzmatrix es Score-Vektors. E ϑ U n (ϑ) ( ) ϑ f(x, ϑ) f(x, ϑ) (b) f(x, ϑ)µ(x) ϑ f(x, ϑ)µ(x) } {{ } 1 0 ( ): Integration bezüglich P ϑ ; P ϑ hat aber Dichte f(x, ϑ) bezüglich µ
5 5.9 Bemerkung Bemerkung Gelegentlich weren ie weiteren Voraussetzungen ) x X existiert 2 ϑ i ϑ j f(x, ϑ) un ist stetig. (i, j 1,..., k) e) 2 ϑ i ϑ j f(x, ϑ)µ(x) 2 ϑ i ϑ j f(x, ϑ)µ(x) i, j 1,..., k benötigt. Wir führen noch ie folgenen Notationen ein: ( ) 2 W n (ϑ) : log f(x, ϑ) ϑ i ϑ j 1 i,j k : 2 log f(x, ϑ) ϑϑt 5.10 Lemma Unter () un (e) gilt: I n (ϑ) E ϑ W n (ϑ) Wegen folgt E ϑ (W n (ϑ)) 2 ϑ i ϑ j log f 2 2 ϑ i ϑ j f f ( ϑ i f)( ϑ j f) f 2 log f(x, ϑ) f(x, ϑ)µ(x) ϑϑt ( 2 ) f(x, ϑ)µ(x) ϑ i ϑ j i,j 0 nach (e) [vgl. 5.7] ( ) log f(x, ϑ) log f(x, ϑ) f(x, ϑ)µ(x) ϑ i ϑ j i,j E ϑ [U n (ϑ)u n n(ϑ) T ] I n (ϑ)
6 38 5 OPTIMALE ERWARTUNGSTREUE SCHÄTZER 5.11 Reguläre Statistiken (Schätzer) In er Situation von 5.7 heißt eine Statistik T : R n R s regulär, falls gilt: f) Die Funktion Θ ϑ E ϑ T R s ist stetig ifferenzierbar. g) Differenziation un Integration können vertauscht weren: T (x)f(x, ϑ)µ(x) T (x) f(x, ϑ)µ(x) j 1,..., k ϑ j ϑ j Mit C n (ϑ) : wir Beingung (g) zu Wegen E ϑ [U n (ϑ)] 0 folgt ϑ 1 E ϑ T ϑ 1 E ϑ T s. ϑ k E ϑ T 1 ϑ k E ϑ T s C n (ϑ) E ϑ [U n (ϑ)t T ] k s C n (ϑ) E ϑ [U n (ϑ)(t E ϑ T ) T ] ϑ E ϑt T 5.12 Strukturlemma Vorbemerkung: Seien A,B n n-matrizen. A B : A B positiv semiefinit 17 ( x T Ax x T Bx x R n ) ( efiniert Loewner-Halbornung) Es seien T : R n R s eine Statistik, P ϑ Verteilung auf B n, V (ϑ) ein k-imensionaler Zufallsvektor mit E ϑ V (ϑ) 0 un positiv efiniter Kovarianzmatrix J(ϑ) E ϑ [V (ϑ) V (ϑ) T ] Definiert man (k s-matrix), so gilt 18 : D(ϑ) : E ϑ [V (ϑ) (T E ϑ T ) T ] Var ϑ (T ) D T (ϑ) J 1 (ϑ) D(ϑ) 17 A B 0 18 Var ϑ (T ) ist Kovarianzmatrix, a T vektorwertig; im Folgenen wir iese Schreibweise bei (Zufalls-)Vektoren meistens angewant (...)
7 5.12 Strukturlemma 39 gilt genau ann, wenn T E ϑt + D T (ϑ) J 1 (ϑ) V (ϑ) P ϑ -f.s. Für jeen Zufallsvektor Y k 1 gilt: (i) E[Y Y T ] 0 (ii) E[Y Y T ] 0 Y 0 P-f.s. [zu (i): zu (ii): a R k : a T E[Y Y T ]a E[a T Y Y T a] E[(a T Y ) 2 ] 0 EY Y T 0 j : EY 2 j 0 Y 0 P-f.s. ] Setze Y : T E ϑ T D T (ϑ) J 1 (ϑ) V (ϑ). Dann gilt: 0 (i) E ϑ [Y Y T ] ( ) E ϑ [(T E ϑ T )(T E ϑ T ) T ] E ϑ [(T E ϑ T )V T (ϑ)] J 1 (ϑ)d(ϑ) D T (ϑ) D T (ϑ)j 1 (ϑ) E ϑ [V (ϑ)(t E ϑ T ) T ] D(ϑ) +D T (ϑ)j 1 (ϑ) E ϑ [V (ϑ) V T (ϑ)] J 1 (ϑ)d(ϑ) J(ϑ) Var ϑ (T ) D T (ϑ)j 1 (ϑ)d(ϑ) ( ): Beachte: J symmetrisch, J E ϑ [ ], D E ϑ [ ]. [Y (T E ϑ T ) (D T (ϑ) J 1 (ϑ) V (ϑ))] (ii) Y 0 P-f.s.
8 40 5 OPTIMALE ERWARTUNGSTREUE SCHÄTZER 5.13 Satz (Cramér-Rao-Ungleichung) Es seien {P ϑ : ϑ Θ} reguläre Verteilungsklasse un T : R n R s reguläre Statistik. Dann gilt: (1) Var ϑ (T ) ( ϑ E ϑt T ) T In 1 (ϑ) ( ϑ E ϑt T ) (ϑ Θ) in (1) gilt T E ϑt + ( ϑ E ϑt T ) T In 1 (ϑ) U n (ϑ) 5.12 mit V (ϑ) : U n (ϑ), E ϑ U n (ϑ) 0 (Lemma 5.8), J(ϑ) I n (ϑ), D(ϑ) E ϑ [U n (ϑ)(t E ϑ T ) T ] C n (ϑ) ϑ E ϑt T (5.11) Bemerkungen a) Ist T erwartungstreu für g(ϑ), so gilt E ϑ T g(ϑ) ϑ Θ rechte Seite von 5.13(1) ist nicht von T abhängig. b) Falls k s un T erwartungstreu für ϑ, so gilt E ϑ T ϑ ϑ Θ un somit ϑ E ϑt T I k Var ϑ T In 1 (ϑ) T ϑ + I 1 n (ϑ) log f(x, ϑ) ϑ P ϑ f.s. c) Falls X (X 1,..., X n ) un X 1,..., X n f 1 (ξ, ϑ), so gilt: f(x, ϑ) n f 1 (x j, ϑ) U n (ϑ) ϑ log f 1 (X j, ϑ) ϑ log f 1(X j, ϑ) mit E ϑ ( )0
9 5.15 Beispiel 41 I n (ϑ) E ϑ [U n (ϑ)un T (ϑ)] E ϑ [ ϑ log f 1(X i, ϑ) ϑ log f 1(X j, ϑ) T ] i1 0 für i j n E ϑ [ ϑ log f 1(X 1, ϑ) ϑ log f 1(X 1, ϑ)t ] :I 1 (ϑ) n I 1 (ϑ) Schranke in 5.13(1) geht mit 1 n gegen 0. ) Ist Θ R 1, T : R 1 R 1, γ(ϑ) : E ϑ (T ), ϑ Θ, X 1,..., X n f 1 (ξ, ϑ) wie in (c), so folgt: Var ϑ (T ) (γ (ϑ)) 2 n I 1 (ϑ), ϑ Θ e) T heißt CR-effizient, falls in 5.13(1) Gleichheitszeichen gilt. Achtung: CR-effizienzierter Schätzer muss nicht existieren Beispiel X 1,..., X n Bin(1, ϑ), ϑ Θ (0, 1), µ Zählmaß auf {0, 1} n. f 1 (ξ, ϑ) ϑ ξ (1 ϑ) 1 ξ, ξ {0, 1} f(x, ϑ) n f 1 (x j, ϑ) ϑ j x j (1 ϑ) n j x j, x A log f(x, ϑ) j x j log ϑ + (n j x j ) log(1 ϑ) j log f(x, ϑ) x j ϑ ϑ n j x j 1 ϑ j x j nϑ ϑ(1 ϑ) I n (ϑ) E ϑ [( ϑ log f(x, ϑ))2 ] 1 ϑ 2 (1 ϑ) 2 E ϑ[( 1 ϑ(1 ϑ) X j Bin(n,ϑ) nϑ) 2 ] } {{ } nϑ(1 ϑ)
10 42 5 OPTIMALE ERWARTUNGSTREUE SCHÄTZER [Erwartungswert von Bin(n, ϑ) nϑ, also ist in er vorletzten Zeile ie Varianz von Bin(n, ϑ) gesucht.] (1) Raten Sei T (x) : 1 n n x j. T erwatungstreu 5.14() E ϑ T ϑ T ist UMVUE 1 ϑ(1 ϑ) Var ϑ T I n (ϑ) n 1 n Var ϑ(x 1 ) 1 n ϑ(1 ϑ) (2) Konstruktion nach 5.13 urchführen n T (X) 5.14(b) ϑ(1 ϑ) ϑ + X j nϑ n ϑ(1 ϑ) X n } {{ } I n(ϑ) 1 log f(x,ϑ) ϑ
Punktschätzer 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
MehrMathematische Statistik
Mathematische Statistik Vorlesungsmitschrieb zur Vorlesung Mathematische Statistik (Statistik I) Dr. Klar / Universität Karlsruhe / Sommersemester 2007 getexed von Tobias Baust und Tobias Flaig Stand:
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
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,
Mehr2 Multivariate Normalverteilung
2 Multivariate Normalverteilung 2. Multivariate Normalverteilung Definition 2.. Normalverteilung Eine univariat normalverteilte Zufallsvariable X besitzt ie Dichte ) (x µ)2 f (x) = exp ( x R. 2π σ 2σ 2
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
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
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
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
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) =
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
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
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
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
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
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. 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)
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
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
Mehr15 Differentialrechnung in R n
36 15 Differentialrechnung in R n 15.1 Lineare Abbilungen Eine Abbilung A : R n R m heißt linear falls A(αx + βy) = αa(x) + βa(y) für alle x, y R n un alle α, β R. Man schreibt oft Ax statt A(x) un spricht
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
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
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
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
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;
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
Mehr7 Anwendungen der Linearen Algebra
7 Anwenungen er Linearen Algebra 7.1 Extremwertaufgaben mit Nebenbeingungen Bemerkung 7.1. Wir behaneln as Problem: Gegeben ist eine zweimal stetig ifferenzierbare Funktion f : R n R un ein stetig ifferenzierbares
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
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
Mehr2.Tutorium Multivariate Verfahren
2.Tutorium Multivariate Verfahren - Multivariate Verteilungen - Hannah Busen: 27.04.2015 und 04.05.2015 Nicole Schüller: 28.04.2015 und 05.05.2015 Institut für Statistik, LMU München 1 / 21 Gliederung
MehrSuffizienz und Vollständigkeit
KAPITEL 7 Suffizienz und Vollständigkeit 7.1. Definition der Suffizienz im diskreten Fall Beispiel 7.1.1. Betrachten wir eine unfaire Münze, wobei die Wahrscheinlichkeit θ, dass die Münze Kopf zeigt, geschätzt
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
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
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrErwartungstreue Schätzer
KAPITEL 4 Erwartungstreue Schätzer Ein statistisches Modell ist ein Tripel (X, A, (P θ ) θ Θ ), wobei X (genannt der Stichprobenraum) die Menge aller möglichen Stichproben, A eine σ Algebra auf X, und
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrZufallsvariable in separablen Banach- und Hilbert-Räumen
Zufallsvariable in separablen Banach- und Hilbert-Räumen Hans-Jörg Starkloff TU Bergakademie Freiberg Westsächsische Hochschule Zwickau Januar 2011 Hans-Jörg Starkloff Zufallsvariable in separablen Banach-
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
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
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
Mehr1.8 Mehrdimensionale Zufallsvariablen
1.8 Mehrdimensionale Zufallsvariablen 1.8 Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Schnelldurchgang unter Bezug auf das
MehrKonfidenzbereiche. Kapitel Konstruktion
Kapitel 7 Konfidenzbereiche Wir wollen wieder eine Größe τ :Θ Σ schätzen. Jedoch wollen wir diesmal nicht nur einen Wert T (x) angeben, der uns besonders plausibel erscheint, sondern einen ganzen Bereich
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
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
MehrWahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom
Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung - 2017 Bemerkung: Sei X = (X 1,..., X n ) Zufallsvektor. Der n dimensionale Vektor ( ) E(X ) = E(X 1 ),..., E(X n ) ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N (0,
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
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
Mehr7 Poisson-Punktprozesse
Poisson-Punktprozesse sind natürliche Modelle für zufällige Konfigurationen von Punkten im Raum Wie der Name sagt, spielt die Poisson-Verteilung eine entscheidende Rolle Wir werden also mit der Definition
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrA Kurzskript: Stochastische Majorisierung und Testtheorie
A Kurzskript: Stochastische Majorisierung und Testtheorie A.1 Stochastische Majorisierung Denition A.1 (stochastisch gröÿer) Seien Q und P zwei W'Maÿe auf (R, B). Dann heiÿt Q stochastisch gröÿer als P
MehrSchwache Konvergenz von W-Verteilungen auf der Zahlengeraden
Kapitel 5 Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 5.1 Schwache Konvergenz bzw. Verteilungskonvergenz Bezeichne W(, B 1 ie Menge aller W-Verteilungen auf (, B 1. Definition 5.1 (Schwache
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
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
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
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
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
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,
MehrMessbare Vektorräume
Messbare Vektorräume Hans-Jörg Starkloff TU Bergakademie Freiberg Westsächsische Hochschule Zwickau Dezember 2010 / Januar 2011 Hans-Jörg Starkloff Messbare Vektorräume 1 1. Definition Geg. X linearer
MehrKapitel 2.9 Der zentrale Grenzwertsatz. Stochastik SS
Kapitel.9 Der zentrale Grenzwertsatz Stochastik SS 07 Vom SGGZ zum ZGWS Satz.4 (Schwaches Gesetz großer Zahlen) Sei (X i ) i eine Folge unabhängiger, identisch verteilter Zufallsvariablen mit E[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
MehrAlgorithmen für geographische Informationssysteme. 6. Vorlesung: 14. Mai 2014
Algorithmen für geographische Informationssysteme 6. Vorlesung: 14. Mai 2014 Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen P 2 Δh 2,3 = 7.0 m P 3 Δh 1,2 =
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
MehrInduktive Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Induktive Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrSignifikanztests Optimalitätstheorie
Kapitel Signifikanztests Optimalitätstheorie Randomisierte Tests In einem statistischen Modell M, A, P ϑ sei ein Testproblem gegeben: H : ϑ Θ gegen H : ϑ Θ ; wobei also durch Θ Θ Θ eine Zerlegung des Parameterbereichs
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
Mehr