Numerische Methoden und Algorithmen in der Physik
|
|
- Roland Dresdner
- vor 7 Jahren
- Abrufe
Transkript
1 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47
2 Methode der kleinsten Quadrate Likelihood Methode χ 2 -Wahrscheinlichkeitsverteilung χ 2 -Test Numerische Methoden und Algorithmen in der Physik Christian Autermann 2/ 47
3 Übersicht Methode der kleinsten Quadrate Literaturliste Methode der kleinsten Quadrate Beispiel Varianz Likelihood Methode χ 2 -Wahrscheinlichkeitsverteilung χ 2 -Test Numerische Methoden und Algorithmen in der Physik Christian Autermann 3/ 47
4 Informationen Material: Stroustrup: The C++ Programming Language, 3rd edition cpp/ B. Stroustrup: C++ In-depth Series A. Koenig, B. E. Moo: Accelerated C++ Press et al: Numerical Recipes, 3rd edition T. H. Cormen et al: Introductions to Algorithms, 2nd edition V. Blobel, E. Lohrmann: Statistische und numerische Methoden der Datenanalyse Numerische Methoden und Algorithmen in der Physik Christian Autermann 4/ 47
5 Parameteranpassung Übersicht In der Physik muss oft eine Theorie die durch einen Satz von Parametern beschrieben werden kann, an eine Menge von Messwerten angepasst werden. Im Physikerjargon nennt man dies Fit. In dieser Vorlesung sollen Fit-Methoden und ihre Eigenschaften eingeführt werden. Danke an C. Sander für Vorlesungsmaterial! Numerische Methoden und Algorithmen in der Physik Christian Autermann 5/ 47
6 Problemstellung Methode der kleinsten Quadrate Gegeben seien N + 1 Messpunkte (x 0, y 0 )... (x N, y N ) Diese Messpunkte sollen einer Funktion y = f (x) gehorchen, wobei die Funktion (also das Modell ) durch m + 1 Parameter a 0... a M beschrieben ist. Beispiel: y = a 0 x Numerische Methoden und Algorithmen in der Physik Christian Autermann 6/ 47
7 Parameteranpassung Das Problem kann mit unterschiedlichen Voraussetzungen auftreten: Die gesuchte Funktion hängt linear oder nicht-linear von den freien Parametern des Modells ab Die gesuchte Funktion lässt sich als Polynom m-ter Ordnung schreiben Die y-werte (und x-werte) der Messpunkte sind mit unterschiedlich großen Fehlern behaftet oder besitzen ein unterschiedlich großes Gewicht. Numerische Methoden und Algorithmen in der Physik Christian Autermann 7/ 47
8 Parameteranpassung Lineare Abhängigkeit von Parametern: f (x) = a 0 f 0 (x) + a 1 f 1 (x) a m f m (x) (1) Spezialfall: f (x) lässt sich durch Polynomzerlegung darstellen f 0 (x) = 1 f 1 (x) = x f 2 (x) = x 2. f m (x) = x m Parameteranpassung Bestimmung der Koeffizienten a i durch die Methode der kleinsten Quadrate Numerische Methoden und Algorithmen in der Physik Christian Autermann 8/ 47
9 Methode der kleinsten Quadrate (χ 2 -Fit) Ansatz: Die optimalen Parameter a i sind solche, für welche die Summe der quadratischen Abweichung zu den Messwerten y i minimal ist: Q = NX (f (x i ) y i ) 2 = i=0 NX i=0 r 2 i (2) Bei linearer Abhängigkeit gilt mit Gleichung (1): Q = NX i=0! 2 mx a k f k (x i ) y i (3) k=0 Im Minimum von Q verschwinden die partiellen Ableitungen nach den freien Parametern: Q = 0 (4) a i â Minimierungsproblem! Numerische Methoden und Algorithmen in der Physik Christian Autermann 9/ 47
10 Methode der kleinsten Quadrate (χ 2 -Fit) Q a i = 2 N j=0 (f (x j ) y j ) f (x j) a i = 0 (5) In der expliziten Darstellung von f (x) nach Gl. (1): f (x j ) f i (x j ) (6) a i ( Q N m ) = 2 a k f k (x j ) y j f i (x j ) = 0 (7) a i j=0 k=0 wobei j = 0..m. Diese insgesamt m + 1 Gleichungen können als Matrixgleichung geschrieben werden. Numerische Methoden und Algorithmen in der Physik Christian Autermann 10/ 47
11 Methode der kleinsten Quadrate (χ 2 -Fit) Normalengleichung 0 Pi f 0(x i ) 2 P i f 0(x i ) f 1 (x i )... P i f P 1(x i ) f 0 (x i ) i f 1(x i ) P i fm(x i ) f 0 (x i ) P i fm(x i ) f 1 (x i )... P i f 0(x i ) f m(x i ) P i f 1(x i ) f m(x i ) Pi fm(x i ) a 0 a 1 C B a m 1 0 C A = P i f 0(x i ) y i P i f 1(x i ) y i P. i fm(x i ) y i 1 C A Diese Normalengleichung der Form C a = b kann durch Invertierung der Matrix C gelöst werden: a = C 1 b (8) Numerische Methoden und Algorithmen in der Physik Christian Autermann 11/ 47
12 Methode der kleinsten Quadrate (χ 2 -Fit) Spezialfall: Fit mit Polynomdarstellung Es sei f (x) = P m (x) = a 0 + a 1 x 1 + a 2 x a m x m also f k (x) = x k für k = 0... m. Damit nimmt die Matrixgleichung folgende Form an: 0 Pi (x0 i )2 Pi (x0 i xi 1 )... P i (x0 i xi m ) Pi (x1 i xi 0 ) P P i (x1 i )2... i (x1 i xi m ) Pi (xm i xi 0 ) Pi (xm i xi 1 )... Pi (xm i ) a 0 a 1 C B a m 1 0 C A = P P i x0 i y i i x1 i y i. P i xm i y i 1 C A Durch Kürzen lässt sich diese Gleichung noch weiter vereinfachen. Numerische Methoden und Algorithmen in der Physik Christian Autermann 12/ 47
13 Fehlerbehaftete Messpunkte Seien jetzt die einzelnen y i statistisch unabhängige Daten mit dem jeweiligen Fehler σ i : Die Beiträge in der Summe der kleinsten Quadrate müssen jetzt entsprechend der Fehler gewichtet werden, also Q = N (f (x i ) y i ) 2 Q = i=0 N (f (x i ) y i ) 2 σ 2 (9) i=0 Numerische Methoden und Algorithmen in der Physik Christian Autermann 13/ 47
14 Beispiel für eine Messung mit 11 Messpunkten Alle Datenpunkte haben individuelle Fehler Numerische Methoden und Algorithmen in der Physik Christian Autermann 14/ 47
15 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 0 Numerische Methoden und Algorithmen in der Physik Christian Autermann 15/ 47
16 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 1 Numerische Methoden und Algorithmen in der Physik Christian Autermann 16/ 47
17 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 2 Numerische Methoden und Algorithmen in der Physik Christian Autermann 17/ 47
18 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 3 Numerische Methoden und Algorithmen in der Physik Christian Autermann 18/ 47
19 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 4 Numerische Methoden und Algorithmen in der Physik Christian Autermann 19/ 47
20 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 5 Numerische Methoden und Algorithmen in der Physik Christian Autermann 20/ 47
21 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 6 Numerische Methoden und Algorithmen in der Physik Christian Autermann 21/ 47
22 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 7 Numerische Methoden und Algorithmen in der Physik Christian Autermann 22/ 47
23 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 8 Numerische Methoden und Algorithmen in der Physik Christian Autermann 23/ 47
24 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 9 Numerische Methoden und Algorithmen in der Physik Christian Autermann 24/ 47
25 Beispiel für eine Messung mit 11 Messpunkten Fit für m = 10 (identisch mit Interpolationspolynom) Numerische Methoden und Algorithmen in der Physik Christian Autermann 25/ 47
26 Varianz der Parameter Bestimmung der Varianzen σ k der Parameter a k durch Fehlerfortpflanzung σ 2 k = NX ak i=0 y i «2 σ 2 i (10) Aus der Bestimmungsgleichung des Lösungsvektors a = C 1 b und der Definition von C und b lässt sich zeigen, dass Die Matrix C 1 wird auch Kovarianzmatrix genannt. Allgemein gilt: σ 2 k = C 1 kk (11) Korrelation(x i x j ) = Kovarianz(x i x j ) p Varianz(xi ) pvarianz(x j ) (12) Numerische Methoden und Algorithmen in der Physik Christian Autermann 26/ 47
27 Übersicht Methode der kleinsten Quadrate Likelihood Methode Definition Beispiel Gaußischer Spezialfall χ 2 -Wahrscheinlichkeitsverteilung χ 2 -Test Numerische Methoden und Algorithmen in der Physik Christian Autermann 27/ 47
28 Maximum Likelihood Methode Die den Messwerten x 1... x n zugrunde liegende und a-priori bekannte Wahrscheinlichkeitsdichte sei f (x a), wobei a für einen oder mehrere unbekannte Parameter steht, von dem die Wahrscheinlichkeitsdichte abhängt. Aus dieser ein- oder mehrdimensionalen Wahrscheinlichkeitsdichte wird die Likelihood-Funktion L(a) definiert: L(a) = f (x 1 a) f (x 2 a)... f (x n a) = Der beste Wert für die Parameter a ist definiert durch ny f (x i a) (13) i=1 L(â) = Maximum (14) In der Praxis arbeitet man oft mit dem negativen Logarithmus der Likelihood-Funktion l(a), man sagt Log-Likelihood-Funktion. l(a) = 2 ln L(a) (15) l(â) = Minimum (16) Numerische Methoden und Algorithmen in der Physik Christian Autermann 28/ 47
29 Beispiel: Zerfallswinkelverteilung eines Elementarteilchens Die Zerfallswinkelverteilung eines bestimmten Teilchens sei durch folgende Wahrscheinlichkeitsdichtefunktion gegeben: f (x a) = 1 (1 + a cos θ) (17) 2 Die Funktion ist für alle mögliche Werte für a auf 1 normiert, so dass sich für die negative Log-Likelihood-Funktion ergibt: F (a) = 2 nx ln 1 2 (1 + a cos θ i) (18) i=1 Numerische Methoden und Algorithmen in der Physik Christian Autermann 29/ 47
30 Beispiel: Gaußische Wahrscheinlichkeitsdichtefunktion Für eine Gauß-Wahrscheinlichkeitsdichte geht die Likelihood-Methode in die Methode der kleinsten Quadrate über. f (x i a) = 1 2 e (x i a) 2 2σ i 2 (19) 2πσ i Die negative Log-Likelihood-Funktion wird damit zu (Vergleich mit Gl. (9)): F (a) = konst + 2 nx i=1 (x i a) 2 2σ 2 i Für den Fehler der besten Schätzung des Mittelwertes â gilt: σ(â) = d 2 F da 2 (20) 12 â«(21) In diesem Beispiel ist σ(â) = ( P 1/σ 2 i ) 1 2. Sind alle Gewichte gleich σi = σ gilt: σ(â) = σ n (22) Numerische Methoden und Algorithmen in der Physik Christian Autermann 30/ 47
31 Übersicht Methode der kleinsten Quadrate Likelihood Methode χ 2 -Wahrscheinlichkeitsverteilung Übersicht Exponentialverteilung χ 2 -Verteilung χ 2 -Test Numerische Methoden und Algorithmen in der Physik Christian Autermann 31/ 47
32 Wahrscheinlichkeitsverteilungen Diskrete Wahrscheinlichkeitsverteilungen (Abzählbar) Binomialverteilung ( letzte Vorlesung) Poisson-Verteilung ( letzte Vorlesung) Kontinuierliche Wahrscheinlichkeitsverteilungen Gleichverteilung ( letzte Vorlesung) Gauß- oder Normalverteilung ( letzte Vorlesung) Exponentialverteilung χ 2 -Verteilung Numerische Methoden und Algorithmen in der Physik Christian Autermann 32/ 47
33 Exponentialverteilung Beispiel: Zeitabstände zwischen zwei Kernzerfällen j λ e λ x für 0 x inf f (x, λ) = 0 sonst (23) Mittelwert: µ = 1 λ Varianz: σ 2 = 1 λ 2 Numerische Methoden und Algorithmen in der Physik Christian Autermann 33/ 47
34 χ 2 -Verteilung Seien x 1... x n unabhängige Zufallsvariablen, die der standardisierten Gauß-Verteilung (µ = 0 und σ = 1) genügen, so folgt die Summe der Quadrate u = χ 2 = i (x i ) 2 (24) einer χ 2 -Verteilung mit k Freiheitsgraden: f k (u) = mit Γ(x) = 1 2 ( u 2 ) n 2 1 e u 2 Γ( k 2 ) (25) inf 0 e t t x 1 dt für x > 0 (26) Die x i können mehrere gleiche Messungen sein, oder z.b. Messpunkte auf einer Kurve Numerische Methoden und Algorithmen in der Physik Christian Autermann 34/ 47
35 Mittelwert u = χ 2 = k Varianz σ 2 = 2n χ 2 -Verteilung Die Wahrscheinlichkeit, in einer Stichprobe x 1... x n ein χ 2 zu finden das kleiner ist als x: F k (x) = x 0 f k (t)dt (27) Numerische Methoden und Algorithmen in der Physik Christian Autermann 35/ 47
36 Übersicht Methode der kleinsten Quadrate Likelihood Methode χ 2 -Wahrscheinlichkeitsverteilung χ 2 -Test Prüfung von Hypothesen mit dem χ 2 Test 1. Beispiel für χ 2 -Test 2. Beispiel für χ 2 -Test Interpretation des χ 2 -Test Numerische Methoden und Algorithmen in der Physik Christian Autermann 36/ 47
37 Prüfung von Hypothesen Interpretation von Daten Häufige Aufgabenstellung (nicht nur) in der Physik: Interpretation von Messdaten im Rahmen eines Modells Dazu gehöhren: Aufstellung einer Hypothese (Das Modell) Bestimmung der Parameter des Modells Überprüfung der Hypothese anhand der Messdaten Ziel: Die Übereinstimmung von Messdaten und Modell zu quantifizieren Methoden: χ 2 -Test, Studentscher t-test, Kolmogorov-Smirnov-Test,... Numerische Methoden und Algorithmen in der Physik Christian Autermann 37/ 47
38 χ 2 -Test Seien x 1... x n Messpunkte unabhängiger gaußverteilter Variablen, mit den Varianzen σ i und den Erwartungswerten E i, so folgt die Summe der Quadrate einer χ 2 -Verteilung mit n Freiheitsgraden: n u = χ 2 (x i E i ) 2 i=1 σ 2 i (28) Im Falle korrelierter Zufallsvariablen muss das χ 2 über die Kovarianzmatrix V definiert werden: u = χ 2 = n n i=1 j=1 (x i E 1 ) V 1 ij (x j E j ) (29) Sind die Erwartungswerte E i durch ein zugrunde liegendes Modell vorgegeben und nicht durch die Daten selbst bestimmt, so ist die Zahl der Freiheitsgrade gleich der Zahl der Messpunkte n. Numerische Methoden und Algorithmen in der Physik Christian Autermann 38/ 47
39 χ 2 -Test Für den Mittelwert der χ 2 -Verteilung gilt: χ 2 = n (30) Für den Mittelwert pro Freiheitsgrade n (oder degrees of freedom d.o.f. ) gilt demnach: χ 2 Daraus folgt: n = 1 (31) Falls die Hypothese (das Modell) zutrift, so sollte man im Mittel (etwa nach häufigen Wiederholen der Messreihe) χ 2 /d.o.f. = 1 finden. Die Güte der Hypothese lässt sich durch die integrierte χ 2 -Verteilung quantifizieren Numerische Methoden und Algorithmen in der Physik Christian Autermann 39/ 47
40 Zahl der Freiheitsgrade Bei einem vorgegebenen bestimmten Modell ist die Zahl der Freiheitsgrade d.o.f. gleich der Zahl der Messpunkte. Sollen ein einem χ 2 -Fit m freie Parameter a m des Modells bestimmt werden, so gilt: χ 2 a i 0 (32) Jede dieser m Bedingungen reduziert den statistischen Variationsspielraum der Messwerte gegenüber der Vorhersage des Modells und verringert die Zahl der Freiheitsgrade: d.o.f. = n m (33) Zur Überprüfung der Analyse benutzt man χ 2 min /d.o.f.. Numerische Methoden und Algorithmen in der Physik Christian Autermann 40/ 47
41 Beispiel für χ 2 Test Polynom 1. Ordnung, (11 Datenpunkte): d.o.f. = 9 χ 2 = 75.4/9 = 8.37 d.o.f. Wahrscheinlichkeit dieses χ 2 (oder ein noch größeres) zu finden: P = 1 F 9 (75.4) = Numerische Methoden und Algorithmen in der Physik Christian Autermann 41/ 47
42 Beispiel für χ 2 Test Polynom 3. Ordnung, (11 Datenpunkte): d.o.f. = 7 χ 2 = 19.4/7 = 2.78 d.o.f. Wahrscheinlichkeit dieses χ 2 (oder ein noch größeres) zu finden: P = 1 F 7 (19.4) = Numerische Methoden und Algorithmen in der Physik Christian Autermann 42/ 47
43 Beispiel für χ 2 Test Polynom 4. Ordnung, (11 Datenpunkte): d.o.f. = 6 χ 2 = 5.22/6 = 0.87 d.o.f. Wahrscheinlichkeit dieses χ 2 (oder ein noch größeres) zu finden: P = 1 F 6 (5.22) = 0.52 Numerische Methoden und Algorithmen in der Physik Christian Autermann 43/ 47
44 Gleiche Daten, größere Fehler Polynom 4. Ordnung, (11 Datenpunkte): d.o.f. = 6 χ 2 = 0.60/6 = 0.10 d.o.f. Wahrscheinlichkeit dieses χ 2 (oder ein noch größeres) zu finden: P = 1 F 6 (0.6) = Numerische Methoden und Algorithmen in der Physik Christian Autermann 44/ 47
45 Interpretation des χ 2 Wertes χ 2 /d.o.f. 1 Dies ist ein Zeichen dafür, dass die Hypothese (das Modell) falsch ist, oder die Fehler der Messung unterschätzt wurden, oder der Datensatz inkonsistent ist. χ 2 /d.o.f. 1 Dies unterstützt die Hypothese χ 2 /d.o.f. 1 Ist meist ein Zeichen dafür, dass die Fehler überschätzt wurden Numerische Methoden und Algorithmen in der Physik Christian Autermann 45/ 47
46 Interpretation des χ 2 Wertes χ 2 /d.o.f. 1 Kritische Betrachtung der Messwerte und des Modells ist trotzdem wichtig! Polynom 0. Ordnung, (11 Datenpunkte): d.o.f. = 10 χ 2 = 11.4/10 = 1.14 d.o.f. Wahrscheinlichkeit dieses χ 2 (oder ein noch größeres) zu finden: P = 1 F 10(11.4) = 0.32 Bei falscher Hypothese und überschätzten Fehlern kann man trotzdem ein gutes χ 2 /d.o.f. erhalten. Numerische Methoden und Algorithmen in der Physik Christian Autermann 46/ 47
47 Parameteranpassung Was vernachlässigt wurde Systematische, also unter den Messwerten korrelierte, Fehler Nicht-normalverteilte Zufallsvariablen Viele andere moderne statistische Analysemethoden Limitberechnung... Numerische Methoden und Algorithmen in der Physik Christian Autermann 47/ 47
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood KARLSRUHER INSTITUT FÜR TECHNOLOGIE (KIT) 0 KIT 06.01.2012 Universität des Fabian Landes Hoffmann Baden-Württemberg und nationales Forschungszentrum
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
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
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
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
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Mai 2011 3. Schätzung von Parametern Problemstellung: Aus fehlerbehafteten Messungen möglichst genaue Ergebnisse erarbeiten zusammen mit Aussagen
Mehr4.1 Stichproben, Verteilungen und Schätzwerte. N(t) = N 0 e λt, (4.1)
Kapitel 4 Stichproben und Schätzungen 4.1 Stichproben, Verteilungen und Schätzwerte Eine physikalische Messung ist eine endliche Stichprobe aus einer Grundgesamtheit, die endlich oder unendlich sein kann.
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
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
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrParameteranpassung mit kleinsten Quadraten und Maximum Likelihood
Parameteranpassung mit kleinsten Quadraten und Maximum Likelihood Armin Burgmeier 27. November 2009 1 Schätzwerte 1.1 Einführung Physikalische Messungen sind immer fehlerbehaftet. Man misst niemals den
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 29.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Fourier-Transformation
MehrComputergestützte Datenanalyse in der Kern- und Teilchenphysik
Computergestützte Datenanalysein der Kern- und Teilchenphysik p. 1/?? Computergestützte Datenanalyse in der Kern- und Teilchenphysik Vorlesung 4 Jan Friedrich Computergestützte Datenanalysein der Kern-
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
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
MehrSchätzung von Parametern
Schätzung von Parametern Schätzung von Parametern Quantitative Wissenschaft: Messung von Parametern Gemessene Werte weichen durch (statistische und systematische) Messfehler vom wahren Wert des Parameters
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrRechnernutzung in der Physik
Rechnernutzung in der Physik Teil 3 Statistische Methoden in der Datenanalyse Roger Wolf 15. Dezember 215 INSTITUTE OF EXPERIMENTAL PARTICLE PHYSICS (IEKP) PHYSICS FACULTY KIT University of the State of
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
Mehr1. Grundbegri e der Stochastik
Wiederholung von Grundwissen der Stochastik. Grundbegri e der Stochastik Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrStatistik und Datenanalyse (Handout zum Seminarvortrag von Norman Bhatti, gehalten am )
Statistik und Datenanalyse (Handout zum Seminarvortrag von Norman Bhatti, gehalten am 9.0.) Motivation Unter Statistik versteht man die Lehre von den Methoden zum Umgang mit quantitativen Informationen,
MehrVerteilungen mehrerer Variablen
Kapitel 3 Verteilungen mehrerer Variablen 3. Eigenschaften von Verteilungen mehrerer Variablen Im allgemeinen muss man Wahrscheinlichkeiten für mehrere Variable, die häufig auch voneinander abhängen, gleichzeitig
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
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
PHY3 Herbstsemester 04 Olaf Steinkamp Physik-Institut der Universität Zürich Winterthurerstrasse 90 CH-8057 Zürich olafs@physik.uzh.ch Büro: 36-J- Tel.: 044-635.57.63 Vorlesungsprogramm Einführung, Messunsicherheiten,
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrModerne Methoden der Datenverarbeitung in der Physik I
Moderne Methoden der Datenverarbeitung in der Physik I Prof. Dr. Stefan Schael / Dr. Thomas Kirn I. Physikalisches Institut MAPLE II, Krypthographie Wahrscheinlichkeit Zufallszahlen, Wahrscheinlichkeitsdichten,
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
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
MehrSpezielle Verteilungen
Spezielle Verteilungen Prof. Sabine Attinger Jun. Prof. Anke Hildebrandt Beschreibende Statistik Lagemaße: 1. Mittelwert: µ = x = 1 n n i= 1 x i 3. Median=0.5 Perzentil Beschreibende Statistik Streumaße:
MehrVorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen
Vorwort zur fünften Auflage Liste der Beispiele Häufig benutzte Symbole und Bezeichnungen v xiv xvii 1 Einleitung 1 1.1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 1.3 Zu den Programmen
MehrI. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
2013-11-13 Statistik - Fehlerrechnung - Auswertung von Messungen TEIL I Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Literatur Eindimensionaler Fall: Grundbegriffe Wahrscheinlichkeitsverteilungen:
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
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:
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
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
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
MehrVorlesung: Computergestützte Datenauswertung Einige (wichtige) Verteilungen
Vorlesung: Computergestützte Datenauswertung Einige (wichtige) Verteilungen Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
MehrInhaltsverzeichnis. Vorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen
Vorwort zur fünften Auflage Liste der Beispiele Häufig benutzte Symbole und Bezeichnungen v xiv xvii 1 Einleitung 1 Typische Aufgaben der Datenanalyse 1 1.2 Zum Aufbau dieses Buches 2 Zu den Programmen
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
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
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,
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
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
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrMehrdimensionale Verteilungen und Korrelation
Vorlesung: Computergestützte Datenauswertung Mehrdimensionale Verteilungen und Korrelation Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in
MehrDatenanalyse für Naturwissenschaftler und Ingenieure
Siegmund Brandt Datenanalyse für Naturwissenschaftler und Ingenieure Mit statistischen Methoden und Java-Programmen 5. Auflage 4y Springer Spektrum Inhaltsverzeichnis Vorwort zur fünften Auflage Liste
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 11.12.2008 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Einführung Verfahren für
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrMathematische und statistische Hilfsmittel für Pharmazeuten
Mathematische und statistische Hilfsmittel für Pharmazeuten Dr. Helga Lohöfer Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Fassung vom September 2003 Inhaltsverzeichnis I Elementare
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
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
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2002 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit..................................
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrStatistik in Geodäsie, Geoinformation und Bauwesen
Wilhelm Benning Statistik in Geodäsie, Geoinformation und Bauwesen 2., überarbeitete und erweiterte Auflage Herbert Wichmann Verlag Heidelberg Matrix-Theorie 1 1.1 Matrizen und Vektoren 1 1.2 Matrixverknüpfungen
MehrModellierung von Unsicherheit in Systemen
Modellierung von Unsicherheit in Systemen Motivation Systeme Zeitdiskrete, lineare und nicht-lineare Systeme, Beispiele Wahrscheinlichkeiten Zufallsvariablen, Wahrscheinlichkeitsdichten, mehrdimensionale
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
MehrGrundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler
Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler Von Professor Dr. Gert Heinrich 3., durchgesehene Auflage R.Oldenbourg Verlag München Wien T Inhaltsverzeichnis
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
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)
MehrKapitel VI - Maximum-Likelihood-Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Maximum-Likelihood-Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG E-Mail: Markus.Schumacher@physik.uni-freiburg.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
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
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
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrStatistische Inferenz
Statistische Inferenz Prinzip der statistischen Inferenz Datensätze = Stichproben aus einer Gesamtpopulation (meistens) Beispiel : Messung der Körpertemperatur von 106 gesunden Individuen man vermutet,
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
MehrÜberbestimmte lineare Gleichungssysteme
Überbestimmte lineare Gleichungssysteme Fakultät Grundlagen September 2009 Fakultät Grundlagen Überbestimmte lineare Gleichungssysteme Übersicht 1 2 Fakultät Grundlagen Überbestimmte lineare Gleichungssysteme
MehrTeil VII. Deskriptive Statistik. Woche 5: Deskriptive Statistik. Arbeitsschritte der Datenanalyse. Lernziele
Woche 5: Deskriptive Statistik Teil VII Patric Müller Deskriptive Statistik ETHZ WBL 17/19, 22.05.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
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
Mehr