Konfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,
|
|
- Oldwig Blau
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter γϑ beschreibt, γ : Θ G, wobei G eine nicht-leere Menge ist. ϑ Θ Definition 4.1 Bereichsschätzer, Konfidenzbereich Ein Bereichschätzer für γϑ ist eine Mengen-wertige Abbildung Ŝ : M PG, die in folgendem Sinne messbar ist: { } { } Ŝ z := x M : Sx z A z G. Die Wahrscheinlichkeiten P ϑ Ŝ γϑ, ϑ Θ, heißen die Überdeckungswahrscheinlichkeiten des Bereichsschätzers Ŝ für γϑ; wenn für ein gegebenes α 0, 1 gilt: P ϑ Ŝ γϑ 1 α ϑ Θ, dann heißt Ŝ ein 1 α-konfidenzbereich für γϑ. 9
2 Kapitel 4: Konfidenzbereiche 30 Lemma 4. Konfidenzbereich und nicht-randomisierte Signifikanztests a Sei Ŝ ein 1 α-konfidenzbereich für γϑ. Definiere für jedes z G : { 1, falls z ϕ z x := Ŝx 0, falls z Ŝx x M. Dann ist ϕ z z G eine Familie von nicht-randomisierten Tests auf M mit der Eigenschaft P ϑ ϕz = 1 α ϑ γ 1 {z}, z G. D.h. für jedes z G ist ϕ z ein nicht-randomisierter α-signifikanztest für das Testproblem H 0,z : γϑ = z gegen H 1,z : γϑ z. b Sei umgekehrt ϕ z z G eine Familie von nicht-randomisierten Tests auf M mit der Eigenschaft. Dann ist durch Ŝx := { z G : ϕ z x = 0 } x M, ein 1 α-konfidenzbereich für γϑ gegeben. Lemma 4.3 Konstruktion eines Konfidenzbereichs durch ein Pivot Sei T z z G eine Familie von Statistiken T z : M, A N, B z G, wobei N, B ein Messraum ist, mit der Eigenschaft, dass die Verteilungen P T γϑ ϑ für alle ϑ Θ identisch sind: Die Familie T z z G nennt man ein Pivot für γϑ. P T γϑ ϑ = Q ϑ Θ. Sei α 0, 1 gegeben, und sei B 0 B mit QB 0 1 α gewählt. Dann ist durch ein 1 α-konfidenzbereich für γϑ gegeben. Ŝx := { z G : T z x B 0 } x M, Bemerkung: Reellwertiges Pivot Im Fall eines reellwertigen Pivot T z z G, also N, B = R, B 1, wählt man meistens B 0 = a 0, b 0, wobei a 0 ein p 1 -Quantil von Q, b 0 ein p -Quantil von Q und p 1, p 0, 1 mit p p 1 = 1 α sind. Dann ist in der Tat Q a 0, b 0 = F Q b 0 F Q a 0 p p 1 = 1 α. Die Standardwahl für p 1, p ist: p 1 = α und p = 1 α. Aber auch die Wahl B 0 =, b 0 mit einem 1 α-quantil b 0 von Q oder die Wahl B 0 = a 0, mit einem α-quantil a 0 von Q sind bisweilen von Interesse.
3 Kapitel 4: Konfidenzbereiche 31 Lemma 4.4 Bonferroni-Konstruktionen Seien r N, r, α l 0, 1 für l = 1,..., r mit α := r α l < 1. a Für jedes l = 1,..., r sei Ŝl ein 1 α l -Konfidenzbereich für γϑ. Dann ist Ŝx := r Ŝ l x, x M, ein 1 α-konfidenzbereich für γϑ. b Die Menge G Wertevorrat von γ sei das cartesische Produkt von Mengen G 1,..., G r, G = r G l, und γϑ = γ 1 ϑ,..., γ r ϑ, ϑ Θ, mit Funktionen γ l : Θ G l, 1 l r. Für jedes l = 1,..., r sei Ŝl ein 1 α l -Konfidenzbereich für γ l ϑ. Dann ist ein 1 α-konfidenzbereich für γϑ. Ŝx := r Ŝ l x, x M, 4. Normalverteilungsmodelle: Konfidenzintervalle für reelle Parameter 4..1 Modell mit u.i.v. normalverteilten ZV en Wir betrachten das Modell mit n u.i.v. Nβ, σ -verteilten Zufallsvariablen X 1,..., X n, wobei β R und σ 0, die Parameter sind, d.h.: M = R n, A = B n, P β,σ = n Nβ, σ, β, σ R 0,. Konfidenzintervalle für den Erwartungswert β : Sei γβ, σ = β. wobei x = 1 n Betrachte n x i und sx = T z x := n x z sx 1 n 1 n x i x. x R n, z R, Streng genommen ist für gegebenes z R die Statistik T z nur auf dem Teilbereich {s > 0} von R n definiert. Auf der Menge {s = 0} λ n -Nullmenge sei T z irgendwie messbar definiert, z.b. gleich 0. Die Familie T z z R ist ein Pivot für β mit der Pivotverteilung Q = t n 1 : P T β β,σ = t n 1 β, σ, t n 1 die t-verteilung mit n 1 Freiheitsgraden. Lemma 4.3 liefert die folgenden 1 α-konfidenzintervalle entsprechend der Wahl von B 0 als B 0 = t n 1, 1 α, t n 1, 1 α, bzw. B0 =, t n 1, 1 α, bzw. B0 = t n 1, 1 α, ; dabei bezeichnet t n 1, p für p 0, 1 das p-quantil der t n 1 -Verteilung.
4 Kapitel 4: Konfidenzbereiche 3 Lemma 4.5 Konfidenzintervalle für den Erwartungswert β Im Modell X i Nβ, σ u.i.v. 1 i n, wobei n, haben wir die folgenden 1 α- Konfidenzintervalle für β : Îx = x sx t n n 1, 1 α, x + sx t n n 1, 1 α x R n ; Î u x = Î o x = x sx n t n 1, 1 α,, x + sx n t n 1, 1 α x R n ; x R n. Konfidenzintervalle für die Varianz σ : Sei γβ, σ = σ. Betrachte T z x = n x i x / z x R n, z 0,. Die Familie T z z 0, ist ein Pivot für σ mit der Pivotverteilung Q = χ n 1 : Mit Lemma 4.3 erhalten wir: P T σ β,σ = χ n 1 β, σ. Lemma 4.6 Konfidenzintervalle für die Varianz σ Im Modell X i Nβ, σ u.i.v. 1 i n, wobei n, haben wir die folgenden 1 α- Konfidenzintervalle für σ : n Îx = x i x / n c n 1, 1 α, x i x / c n 1, α x R n ; n Î u x = x i x / c n 1, 1 α, x R n ; n Î o x = 0, x i x / c n 1, α x R n. Dabei bezeichnet c n 1, p das p-quantil der χ n 1-Verteilung, für p 0, Lineares Normalverteilungsmodell X = X 1,..., X n t NBβ, σ I n, β, σ R k 0,, wobei B eine gegebene n k Matrix vom Rang k und n > k. Im Folgenden werden oft Intervalle der Form m, m + auftreten, wobei m und längliche Ausdrücke darstellen. Wir wollen daher als abkürzende Schreibweise vereinbaren: m ± := m, m +.
5 Kapitel 4: Konfidenzbereiche 33 Konfidenzintervall für eine Linearkombination c t β : Sei γβ, σ = c t β, mit einem gegebenen c R k, c 0. Ähnlich wie in Abschnitt 4..1 mit etwas allgemeineren Argumenten, haben wir ein Pivot für c t β : T z x = c t B t B 1 c 1/ c t βx z sx wobei βx = B t B 1 B t 1 x und sx = n k RSSx ; die Pivotverteilung ist Q = t n k. Daraus ergeben sich die folgenden Konfidenzintervalle. x R n, z R, Lemma 4.7 Konfidenzintervalle für eine Linearkombination c t β Im linearen Normalverteilungsmodell X NBβ, σ I n haben wir die folgenden 1 α- Konfidenzintervalle für die Linearkombination c t β : Îx = c t βx ± c t B B 1 c 1/ sx tn k, 1 α x R n ; Î u x = c t βx c t B B 1 c 1/ sx tn k, 1 α, x R n ; Î o x =, c t βx + c t B B 1 c 1/ sx tn k, 1 α Dabei bezeichnet t n k, p das p-quantil der t n k -Verteilung. x R n. Konfidenzintervall für die Varianz σ : Sei γβ, σ = σ. Wiederum anolog zu Abschnitt 4..1 mit etwas allgemeineren Argumenten, haben wir ein Pivot für σ : T z x = 1 z RSSx x Rn, z 0,, mit der Pivotverteilung Q = χ n k. Daraus ergeben sich die folgenden Konfidenzintervalle. Lemma 4.8 Konfidenzintervalle für die Varianz σ Im linearen Normalverteilungsmodell X NBβ, σ I n haben wir die folgenden 1 α- Konfidenzintervalle für σ : Îx = RSSx RSSx, c n k, 1 α c n k, α x R n ; Î u x RSSx =, x R n ; Î o x = c n k, 1 α 0, RSSx c n k, α Dabei bezeichnet c n k, p das p-quantil der χ n k -Verteilung. x R n.
6 Kapitel 4: Konfidenzbereiche Lineares Normalverteilungsmodell: Mehrdimensionale Konfidenzbereiche Sei ein lineares Normalverteiliungsmodell gegeben: wobei B eine gegebene n k Matrix vom Rang k und n > k. X P β,σ = NBβ, σ I n, β, σ R k 0,, Oft interessieren nicht nur Konfidenzintervalle für eine Linearkombination c t β z.b. eine einzelne Komponente β j0, sondern auch simultane Konfidenzintervalle für mehrere Linearkombinationen c t l β, l = 1,..., r, z.b. für alle Komponenten β j, j = 1,..., k, hier wäre r = k und c l = e l, l = 1,..., k, die elementaren Einheitsvektoren des R k. Sei eine k r Matrix gegeben: C = c 1, c,..., c r, wobei c l R k \ {0}, 1 l r, Ein 1 α-konfidenzbereich Ŝ für Ct β heißt ein simultanes 1 α-konfidenzintervall für c t l β, l = 1,..., r, wenn Ŝ von der folgenden Form ist: Sx = r Î l x, x R n, mit Intervallen Îlx R für alle l = 1,..., r und alle x R n. Aus Lemma 4.4, Teil b, und Lemma 4.7 erhalten wir: Lemma 4.9 Simultanes Konfidenzintervall nach Bonferroni Ein simultanes 1 α-konfidenzintervall für c t lβ, 1 l r, ist gegeben durch: Ŝx = r c t l βx ± c t l Bt B 1 1/ c l sx tn k, 1 α, r wobei t n k, 1 α r das 1 α r -Quantil der t n k-verteilung ist. Eine anderer Konfidenzbereich für C t β im Fall RangC = r ist das Konfidenzellipsoid nach Scheffé, das aus dem folgenden Pivot für C t β resultiert: T z x = 1 r C t βx z t C t B t B 1 C 1 C t βx z / s x, x R n, z R r. Die Pivot-Verteilung ist Q = F r,n k. Lemma 4.10 Konfidenzellipsoid nach Scheffé Sei C eine gegebene k r Matrix mit RangC = r. Ein 1 α-konfidenzbereich für C t β ist gegeben durch: { Ŝx = z R r : z C t βx t C t B t B 1 C 1 } z C t βx r fr,n k, 1 α s x x R n, wobei f r,n k, 1 α das 1 α-quantil der F r,n k -Verteilung bezeichnet. Anmerkung: Für jedes x ist Ŝx ein Ellipsoid in Rr mit dem Mittelpunkt C t βx. Daher nennt man Ŝ ein Konfidenzellipsoid. Aus dem Konfidenzellipsoid lassen sich simultane Konfidenzintervalle gewinnen s. Korollar 4.1 unten. Hierzu zunächst:
7 Kapitel 4: Konfidenzbereiche 35 Kleines Hilfsresultat: Seien y R r und A eine positiv definite r r Matrix. Dann: w t y y t A 1 y = max w R r \{0} w t A w. Lemma 4.11 Andere Interpretation des Konfidenzellipsoids Sei L ein gegebener linearer Teilraum von R k mit r := diml 1. Dann gilt für jeden Parameterpunkt β, σ und für gegebenes α 0, 1 : P β,σ c t β c t β r f r,n k, 1 α c t B t B 1 c 1/ s c L = 1 α. Korollar 4.1 Simultanes Konfidenzintervall nach Scheffé Sei C = c 1,..., c r eine gegebene k r Matrix mit Spalten cl 0, 1 l r. Bezeichne r 0 := RangC. Ein simultanes 1 α-konfidenzintervall für c t lβ 1 l r ist gegeben durch: Ŝx = r c t l βx ± r 0 f r0,n k, 1 α c t l Bt B 1 1/ c l sx, x R n. 4.4 Modelle mit isotonen Dichtequotienten Sei ein statistisches Modell M, A, P ϑ ϑ Θ mit Θ R gegeben, und P ϑ ϑ Θ isotonen Dichtequotienten in einer Statistik T : M, A R, B 1. sei eine Familie mit Betrachte für jedes ϑ 0 Θ das einseitige Testproblem TP1 H 0 : ϑ ϑ 0 gg. H 1 : ϑ > ϑ 0, und den optimalen α-signifikanztest von Theorem.10 ϕ 1 = ϕ 1,ϑ 0. Wir runden diesen Test zu einem nicht-randomisierten α-signifikanztest ϕ 1,ϑ0 : ϕ 1,ϑ0 x := { 1 0, falls T x > cϑ 0, 1 α, x M, wobei cϑ 0, 1 α das kleinste 1 α-quantil der W-Verteilung Pϑ T 0 bezeichnet: { cϑ 0, 1 α = min c R : P T } ϑ0, c 1 α. Wir erhalten eine Familie ϕ 1,ϑ0 ϑ0 Θ von nicht-randomisierten Tests, die insbesondere die Bedingung von Lemma 4., Teil a, hier mit γϑ = ϑ erfüllt statt ϑ 0 schreiben wir jetzt einfach ϑ : P ϑ ϕ1,ϑ = 1 α ϑ Θ. Anwendung von Lemma 4., Teil a, liefert schließlich:
8 Kapitel 4: Konfidenzbereiche 36 Lemma 4.13 Untere Konfidenzschranke Bezeichne ϑu x := inf { ϑ Θ : T x cϑ, 1 α } R {± }, x M, mit der Konvention: inf :=. Ein 1 α-konfidenzintervall für ϑ ist gegeben durch: ϑu x, Θ, falls in das inf ein min ist Î u x = ϑu x, Θ, anderenfalls, x M. Eine analoge Betrachtung für die optimalen α-signifikanztests von Theorem.10 für Testprobleme TP H 0 : ϑ ϑ 0 gg. H 1 : ϑ < ϑ 0 liefert eine obere 1 α-konfidenzschranke für ϑ. Hier verwenden wir das größte α-quantil der W-Verteilung Pϑ T 0, d.h. { cϑ 0, α := max c R : P T } ϑ0, c α für jedes ϑ 0 Θ. Lemma 4.14 Obere Konfidenzschranke Bezeichne ϑo x := sup { ϑ Θ : T x cϑ, α } R {± }, x M, mit der Konvention: sup :=. Ein 1 α-konfidenzintervall für ϑ ist gegeben durch:, ϑo x Θ, falls in das sup ein max ist Î o x =, ϑo x Θ, anderenfalls, x M. Lemma 4.15 Zweiseitiges Konfidenzintervall nach Bonferroni Seien α 1, α 0, 1 mit α 1 + α =: α 0, 1 gewählt. Betrachte die untere 1 α 1 -Konfidenzschranke von Lemma 4.13 und die obere 1 α - Konfidenzschranke von Lemma 4.14 : ϑu x = inf { ϑ Θ : T x cϑ, 1 α 1 }, x M, ϑo x = sup { ϑ Θ : T x cϑ, α }, x M. Dann ist durch Îx = ϑu x, ϑ o x Θ, x M, ein 1 α-konfidenzintervall für ϑ gegeben. Dabei soll die doppelte Beklammerung des Intervalls ausdrücken, dass jeder der beiden Randpunkte des Intervalls einbezogen oder auch nicht einbezogen sein mag, entsprechend der folgenden Regel: ϑ u x Îx das inf in ist ein min ; ϑ o x Îx das sup in ist ein max.
9 Kapitel 4: Konfidenzbereiche Binomialmodell Binomialmodell: M = {0, 1..., n}, P p = Bin, p, p 0, 1, n N gegeben. Lemmata 4.13, 4.14 und 4.15 liefern hier die folgenden Resultate. Dabei bezeichnet F n,p die Verteilungsfunktion von Bin, p. Untere Konfidenzschranke: Die untere 1 α-konfidenzschranke p u x für p ist die eindeutige Lösung für p 0, 1 der Gleichung F n,p x 1 = 1 α, sofern x 1; im Fall x = 0 ist p u x = 0. Das entsprechende einseitige 1 α-konfidenzintervall lautet: Î u x = p u x, 1, x {0, 1..., n}. Obere Konfidenzschranke: Die obere 1 α-konfidenzschranke p o x für p ist die eindeutige Lösung für p 0, 1 der Gleichung F n,p x = α, sofern x n 1; im Fall x = n ist p o x = 1. Das entsprechende einseitige 1 α-konfidenzintervall lautet: Î o x = 0, p o x, x {0, 1..., n}. Zweiseitiges Konfidenzintervall: Ein 1 α-konfidenzintervall für p ist gegeben durch: Îx = p u x, p o x, x {0, 1,..., n}, wobei: p u x ist die Lösung für p 0, 1 der Gleichung F n,p x 1 = 1 α, sofern x 1; p u0 = 0. p o x ist die Lösung für p 0, 1 der Gleichung F n,p x = α, sofern x n 1; p on = Exponentialverteilungsmodell Betrachte das Modell mit n u.i.v. Exp1/ϑ-verteilten Zufallsvariablen X 1,..., X n, wobei ϑ 0, der Parameter ist und bekanntlich den Erwartungswert der Exponentialverteilung darstellt. Anders gesagt: M = 0, n, A = B0 n, n, P ϑ = n Exp1/ϑ, ϑ 0,. Lemmata 4.13, 4.14 und 4.15 liefern hier die folgenden Resultate. Konfidenzintervalle für den Erwartungswert: Wir haben die folgenden 1 α-konfidenzintervalle für ϑ : n x n x Îx =, Î u x = Î o x = c n,1 α n x c n,1 α 0, n x c n, α c n, α, x 0, n ; x 0, n ; x 0, n. Dabei bezeichnen x = n x i und c n, p das p-quantil der χ n -Verteilung.
Stochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrEinführung in die. Wahrscheinlichkeitstheorie und Statistik
Institut für Mathematische Stochastik Einführung in die Wahrscheinlichkeitstheorie und Statistik (Kurzskript zur Vorlesung Wintersemester 2014/15 von Prof. Dr. Norbert Gaffke Inhaltsverzeichnis 1 Wahrscheinlichkeitsräume
MehrDie Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab
Einfache lineare Regression als Beispiel für das ALM ALM : Allgemeines Lineares Modell Y : Kriterium U : Prädiktor Modell : Erwartungswert von Y ist lineare Funktion von U Genauer : Für festes u gilt für
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
Mehr34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrEinführung in die mathematische Statistik
Kapitel 7 Eiführug i die mathematische Statistik 7.1 Statistische Modellierug Bei der Modellierug eies Zufallsexperimets besteht oft Usicherheit darüber, welche W-Verteilug auf der Ergebismege adäquat
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
MehrÜbungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Prof. Dr. Dres. h.c. Hans Georg Bock Dr. Christian Kirches Dipl.-Phys. Simon Lenz Übungen zur Numerischen Mathematik 2 Sommersemester
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
Mehr1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0.
1 Ordnung uß sein 1.1 Angeordnete Körper Wir nehen einal an, daß es in eine Körper Eleente gibt, die wir positiv nennen. Welche Eigenschaften sollen diese haben? O1) Wenn x und y positiv sind, dann auch
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
Mehr3. Zusammenhang. 22 Andreas Gathmann
22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
Mehr5 Statistische Testverfahren
70 5 Statistische Testverfahren 5.1 Grundlegende Definitionen und Binomialtest Beispiel 5.1.1: (Fortsetzung von Beispiel 4.2.15) Wir nehmen an, dass das Medikament als wenig bedenklich eingestuft werden
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrStatistik im Versicherungs- und Finanzwesen
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel
MehrAnwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem
Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Inauguraldissertation zur Erlangung des Doktorgrades der Mathematisch Naturwissenschaftlichen
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
MehrQuantilsschätzung als Werkzeug zur VaR-Berechnung
Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrGleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrFinanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/
Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell
MehrStandardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 11. Mai 2015. Mathematik. Teil-2-Aufgaben. Korrekturheft. öffentliches Dokument
Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS 11. Mai 2015 Mathematik Teil-2-Aufgaben Korrekturheft Aufgabe 1 200-m-Lauf a) Lösungserwartung: s (t) = 7 75 t + 1,4 s (t) = 7 75 s (t)
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
MehrGenexpression. Expression eines einzelnen Gens. Expressionsmessung. Genexpressionsmessung. Transkription (Vorgang) Genexpression
Genexpressionsmessung Genexpression Transkription (Vorgang) Genexpression (quantitativ) Wieviele m-rna Moleküle eines bestimmten Gens sind in den Zellen? Genomische Datenanalyse 8. Kapitel Wie mißt man
Mehr27. Statistische Tests für Parameter. Was ist ein statistischer Test?
27. Statistische Tests für Parameter Wenn du eine weise Antwort verlangst, musst du vernünftig fragen Was ist ein statistischer Test? Ein statistischen Test ist ein Verfahren, welches ausgehend von Stichproben
MehrSkalare Differentialgleichungen
Kapitel 2 Skalare Differentialgleichungen 2.1 Skalare lineare Differentialgleichungen 2.2 Bernoulli und Riccati Differentialgleichungen 2.3 Differentialgleichungen mit getrennten Variablen 2.4 Exakte Differentialgleichungen
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrHerzlich Willkommen zur Vorlesung Statistik
Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
Mehr3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper
32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrEinige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
MehrGeometrische Mannigfaltigkeiten
Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten
MehrMaple-Skripte. A.1 Einleitung. A.2 Explizite Zweischritt-Runge-Kutta-Verfahren. Bei der Ausführung
A Maple-Skripte A.1 Einleitung Bei der Ausführung mechanischer Rechnungen können Computeralgebra-Programme sehr nützlich werden. Wenn man genau weiß, was eingesetzt, umgeformt, zusammengefaßt oder entwickelt
MehrKapitel 15: Differentialgleichungen
FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrVerteilungsmodelle. Verteilungsfunktion und Dichte von T
Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrMathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrWahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren
Wahrscheinlichkeitstheoretische Grundlagen für False Discovery Rate-kontrollierende multiple Testprozeduren Thorsten Dickhaus Universität des Saarlandes, 06. Juli 2009 Übersicht Einführung: Multiples Testen
MehrBeispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.
Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,
MehrMultivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf
Mehr