Formelsammlung zur Vorlesung Schätzen und Testen I
|
|
- Sofie Mann
- vor 6 Jahren
- Abrufe
Transkript
1 Schätzen und Testen I WS 2008/09 Ludwig Fahrmeir, Christian Heumann, Christiane Dargatz Formelsammlung zur Vorlesung Schätzen und Testen I 1 Einführung in statistische Modelle und Inferenzkonzepte 1.1 Statistische Entscheidungstheorie Entscheidungsfunktion: d : X D x d(x Verlustfunktion: Risikofunktion: L : D R (d, θ L(d, θ R(d; θ = E θ [L(d(X; θ] = L(d(x; θf(x θ dx Minimax-Entscheidungsregel: X Eine Entscheidungsregel d : X D heißt Minimax, falls sie das supremale Risiko minimiert: Bayes-Risiko: r(d; p = sup θ R(d ; θ sup R(d; θ d D d = arg inf θ R(d; θp(θ dθ = E p [R(d; θ] = E p E θ [L(d(X; θ] = L(d(x; θf(x θ dx p(θ dθ Bayes-optimaler Schätzer: d mit Posteriori-Bayes-Risiko: mit p(θ x (eigentliche Posteriori-Dichte. X r(d ; p = inf r(d; p d D sup d D θ L(d(x; θp(θ x dθ = E θ x [L(d(x θ] R(d; θ
2 Formelsammlung zur Vorlesung Schätzen und Testen I 2 2 Klassische Schätz- und Testtheorie 2.1 Klassische Schätztheorie Suffizienz T heißt suffizient für θ (oder auch für P def die bedingte Verteilung bzw. Dichte von X gegeben T (x = t ist für alle Werte von T (x = t unabhängig von θ, d.h. Faktorisierungssatz, Neyman-Kriterium f X T (x T (x = t, θ = f X T (x T (x = t. T ist suffizient für θ f(x θ = h(xg(t (x θ für fast alle x. Minimalsuffizienz Eine Statistik T heißt minimalsuffizient für θ def T ist suffizient, und zu jeder anderen suffizienten Statistik V existiert eine Funktion H mit Verallgemeinerungen des MSE auf θ R p 1. MSE (skalar: MSE (1 2. MSE-Matrix: θ ( θ = E θ [ θ θ 2 ] = p E θ [( θ j θ j 2 ] j=1 MSE (2 θ ( θ = E θ [( θ θ( θ θ ] Fisher-reguläre Verteilungsfamilien T (x = H(V (x fast überall. = Cov θ ( θ + (E θ [ θ] θ(e θ [ θ] θ Eine Familie von Verteilungen P θ mit Dichte f(x θ = f(x 1,..., x n θ, θ, heißt Fisher-regulär, wenn gilt: 1. Der Träger {x X : f(x θ > 0} ist unabhängig von θ. 2. ist offen in R p. 3. Die ersten und zweiten Ableitungen von f(x θ bzgl. θ existieren und sind für jedes θ endliche Funktionen von x. 4. Vertauschbarkeit: Sowohl für f(x θ als auch für log(f(x θ kann erstes und zweites Differenzieren nach θ und Integration über x vertauscht werden. Log-Likelihood, Scorefunktion und Information l(θ; x = log f(x θ (log-likelihood von θ bzgl. der Stichprobe x s(θ; x = ( θ l(θ; x = l(θ; x,..., l(θ; x (Score-Funktion θ 1 θ p J(θ; x = 2 l(θ; x θ θ (beobachtete Informationsmatrix der Stichprobe mit Elementen (J(θ; x ij = 2 log f(x θ θ i θ j I(θ = E θ [J(θ; X] (erwartete oder Fisher-Informationsmatrix
3 Formelsammlung zur Vorlesung Schätzen und Testen I 3 Für X 1,..., X n i.i.d wie X 1 f(x θ wobei Informationsungleichungen Sei f(x θ Fisher-regulär. 1. Ist θ erwartungstreu für θ, so gilt: I(θ = E θ [J(θ] = n i(θ, [ ] ( i(θ = E θ 2 l(θ; X log f(x; θ θ θ = Cov θ. θ Cov θ ( θ I 1 (θ (Cramer-Rao-Ungleichung. heißt: Cov θ ( θ I 1 (θ ist positiv semidefinit (Löwner-Ordnung. 2. Ist T erwartungstreu für τ(θ, so gilt mit der Funktionalmatrix (H(θ ij = Rao-Blackwell Cov θ (T H(θI 1 (θh (θ θ j τ i (θ. Sei T = T (x suffizient für θ bzw. P θ und θ erwartungstreu für θ. Für den Schätzer θ RB = E θ [ θ T ] ( Rao-Blackwellization gilt: 1. θ RB ist erwartungstreu für θ. 2. Var θ ( θ RB Var θ ( θ. Asymptotische Eigenschaften und Kriterien θ n heißt asymptotisch erwartungstreu def lim E θ[ θ n ] = θ für alle θ. n θ n ist (schwach konsistent für θ (in Zeichen: θ n P θ (für alle θ def θ n heißt MSE-konsistent für θ def lim P θ( θ n θ ε = 1 für alle ε > 0 und alle θ. n lim MSE θ( θ n = 0 für alle θ. n θ n ist stark konsistent für θ def P θ ( lim θ n = θ = 1 für alle θ. n Asymptotische Normalität des KQ-Schätzers im linearen Modell: (D Divergenzbedingung: Für n gilt (X n X n 1 0.
4 Formelsammlung zur Vorlesung Schätzen und Testen I 4 (N Normalitätsbedingung: max i=1,...,n x i (Xn X n 1 x i 0 für n. Dann gilt: (X n X n 1/2 ( β n β d N(0, σ 2 I, β n a N(β, σ 2 (X n X n 1, n groß. Asymptotische Normalität 1. Mit n-normierung: θ n heißt asymptotisch normalverteilt für θ def d n( θn θ N(0, V (θ für n mit (nicht negativ definiter asymptotischer Kovarianzmatrix V (θ. 2. Mit Matrix-Normierung: θ n heißt asymptotisch normalverteilt für θ def es existiert eine Folge von Matrizen A n mit λ min (A n, so dass A 1/2 n ( θ n θ d N(0, V (θ. Delta-Methode Sei h : R p R k, k p 1. θ skalar: Für alle θ, für die h stetig differenzierbar ist mit h (θ 0, gilt: d n( θn θ N(0, V (θ n(h( θ n h(θ d N(0, [h (θ] 2 V (θ. 2. θ vektoriell: Sei mit der Funktionalmatrix θ = (θ 1,..., θ p h(θ = (h 1 (θ,..., h k (θ (H(θ ij = h i(θ θ j. Für alle θ, für die h(θ komponentenweise stetig partiell differenzierbar ist und jede Zeile von H(θ ungleich dem Nullvektor ist, gilt: d n( θn θ N(0, V (θ n(h( θ n h(θ d N(0, H(θV (θh(θ. Asymptotische Cramer-Rao Ungleichung Unter Fisher-Regularität sowie leichten Zusatzannahmen gilt: 1. Aus n( θ n θ d N(0, V (θ folgt V (θ i 1 (θ. 2. Aus d n(h( θ n h(θ N(0, D(θ folgt D(θ H(θi 1 (θh(θ mit Löwner-Ordnung (und den Bezeichnungen aus der Delta-Regel. Bester asymptotisch normaler (BAN-Schätzer θ n heißt BAN-Schätzer, falls in 1. oben gilt: V (θ = i 1 (θ. Transformation von BAN-Schätzern θ n BAN-Schätzer für θ h( θ n ist BAN-Schätzer für h(θ.
5 Formelsammlung zur Vorlesung Schätzen und Testen I Klassische Testtheorie Randomisierter Test 1, x B 1 φ(x = γ(x, x B 10 0, x B 0 B 1 B 0 B 10 strikter Ablehnungsbereich strikter Annahmebereich Randomisierungsbereich, Indifferenzbereich bzw. mit Teststatistik T = T (X Güte(funktion eines Tests φ 1, T (x > c φ(x = γ, T (x = c 0, T (x < c 1. g φ (θ = E θ [φ(x] = P θ (A 1, θ, heißt Gütefunktion. g φ (θ = P θ (A 1 Wahrscheinlichkeit für Fehler 1. Art, θ 0 1 g φ (θ = P θ (A 0 Wahrscheinlichkeit für Fehler 2. Art, θ 1 2. Supremale Fehlerwahrscheinlichkeiten: α(φ = sup P θ (A 1 = sup g φ (θ θ 0 θ 0 heißt (tatsächliches Niveau (level, size von φ. β(φ = sup P θ (A 0 = 1 inf g φ (θ θ 1 θ 1 ist die supremale Wahrscheinlichkeit für den Fehler 2. Art. Satz von Neyman-Pearson Problemstellung: Einfache Nullhypothese vs. einfache Alternativhypothese: Sei f 0 (x = f(x θ 0, f 1 (x = f(x θ 1. Dann heißt Likelihood-Quotient. H 0 : θ = θ 0, vs. H 1 : θ = θ 1. Λ(x = f 1(x f 0 (x Bester Test hat für stetiges f nach Neyman-Pearson die Form: H 0 ablehnen Λ(x > k α mit k α so gewählt, dass der Test das Niveau α einhält. Randomisierter LQ-Test Ein Test φ (x heißt randomisierter Likelihood-Quotienten-Test, kurz LQ-Test def φ (x hat die Struktur 1, f 1 (x > kf 0 (x Λ(x > k φ (x = γ(x, f 1 (x = kf 0 (x Λ(x = k 0, f 1 (x < kf 0 (x Λ(x < k
6 Formelsammlung zur Vorlesung Schätzen und Testen I 6 mit Konstante k > 0 und 0 nicht-randomisierter Test γ(x < 1. Falls Λ(X stetig ist, gilt P θ (Λ(X = k = 0. Dann reicht ein { φ 1, f 1 (x > kf 0 (x Λ(x > k (x = 0, sonst. Gleichmäßig bester (UMP, uniformly most powerful Test φ heißt gleichmäßig bester (UMP Test zum Niveau α def 1. E θ [φ (X] α für alle θ Für jeden anderen Test φ mit E θ [φ(x] α für alle θ 0 gilt: Verteilungen mit monotonem Dichtequotienten E θ [φ (X] E θ [φ(x] für alle θ 1. Die Verteilungsfamilie {f(x θ, θ R} mit skalarem Parameter θ besitzt monotonen Dichte- (oder: Likelihood- Quotienten (kurz: MLQ def es existiert eine Statistik T (X, so dass Λ(x = f(x θ 1 f(x θ 0 monoton wachsend in der Statistik T (x für je zwei θ 0, θ 1 mit θ 0 θ 1 ist. UMP-Test bei MLQ Gegeben sei P θ = {f(x θ : θ R} mit MLQ in T (x und die Hypothesen H 0 : θ θ 0 H 1 : θ > θ 0 1. Existenz: Es gibt einen UMP-Test φ zum Niveau α, nämlich 1, T (x > c φ (x = γ, T (x = c 0, T (x < c. Dabei sind c und γ eindeutig bestimmt durch die Niveaubedingung P θ0 (T > c + γp θ0 (T = c = α. 2. Die Gütefunktion g φ (θ ist monoton wachsend in θ und sogar streng monoton wachsend für alle θ mit 0 < g φ (θ < 1. Die maximale Wahrscheinlichkeit für den Fehler 1. Art ist g φ (θ 0 = α. 3. φ besitzt auch gleichmäßig minimale Wahrscheinlichkeiten für den Fehler 1. Art unter allen Tests φ für H 0 vs. H 1 mit g φ (θ 0 = α. 4. φ ist (mit Wahrscheinlichkeit 1 eindeutig bestimmt. Unverfälschter Niveau-α-Test Ein Test φ für H 0 vs. H 1 heißt unverfälschter (unbiased Niveau-α-Test def g φ (θ α für alle θ 0, g φ (θ α für alle θ 1. Zweiseitige UMPU (uniformly most powerful unbiased Tests Sei f(x θ = c(θ exp(θt (xh(x eine einparametrische Exponentialfamilie mit natürlichem Parameter θ ( sei ein offenes Intervall und Statistik T (x. Dann ist 1, T (x < c 1 γ 1, T (x = c 1 φ (x = 0, c 1 < T (x < c 2 γ 2, T (x = c 2 1, T (x > c 2
7 Formelsammlung zur Vorlesung Schätzen und Testen I 7 ein UMPU-Test zum Niveau α unter allen unverfälschten Tests φ zum Niveau α. Dabei werden c 1, c 2, γ 1, γ 2 aus bestimmt. E θ0 [φ (X] = α und E θ0 [φ (XT (X] = αe θ0 [T (X] 3 Likelihood-Inferenz 3.1 Parametrische Likelihood-Inferenz Likelihoodfunktion: L(θ = f(x θ Dichte der beobachteten Daten X = x, betrachtet als Funktion von θ. Mit L(θ ist auch L(θ = const L(θ eine Likelihoodfunktion. 3.2 Asymptotische Eigenschaften Unter Regularitätsannahmen gilt: P( θ n existiert 1 für n, d.h. die Likelihood-Gleichungen haben für n mit Wahrscheinlichkeit 1 eine Lösung, θ n P θ, θ n θ n a N(θ, I 1 n (θ bzw. I 1/2 n (θ( θ n θ a N(θ, J 1 n (θ bzw. J 1/2 n (θ( θ n θ d.h. ML-Schätzer sind BAN-Schätzer. d N(0, I, d N(0, I, 3.3 Testen von Hypothesen dim(d = rang(c = s. H 0 : Cθ = d vs. H 1 : Cθ d, Likelihood-Quotienten-Statistik: Wald-Statistik: Score- (oder Rao- Statistik: [ ] L( θ λ = 2{l( θ l( θ} = 2 log L( θ w = (C θ d (CI 1 ( θc 1 (C θ d u = s( θ I 1 ( θs( θ Unter H 0 (und den gleichen Regularitätsannahmen, die für die asymptotische Normalität des Maximum- Likelihood-Schätzers gefordert werden gilt 1. λ, w, u a χ 2 (s, 2. λ, w, u sind asymptotisch (lokal effizient. 3.4 Fehlspezifikation, Quasi-Likelihood und Schätzgleichungen Kullback-Leibler-Distanz von g und f θ für X stetig: ( D(g, f θ = E g log g(x f(x θ Entropie von g: E g log g(x = g(x log(g(x dx
8 Formelsammlung zur Vorlesung Schätzen und Testen I 8 Asymptotische Eigenschaften des ML-Schätzers bei Missspezifikation 1. Konsistenz: Sei θ 0 ein (lokaler Maximierer von λ(θ E g log f θ (X θ (bzw. ein Minimierer von D(g, f θ. Unter Regularitätsannahmen (ähnlich wie bei Fisher-Regularität existiert eine Folge ˆθ n von ( Quasi- ML-Schätzern, das heißt lokalen Maximierern von mit 1 n n log f(x i θ i=1 ˆθ n P θ0. 2. Asymptotische Normalität: Es gilt ( n(ˆθn θ 0 d N 0, J1 1 (θ 0 I 1 (θ 0 J1 1 (θ 0 mit ( ( log f(x θ log f(x θ I 1 (θ E g θ θ }{{}}{{} s 1(θ s 1(θ und der (Quasi-Fisher-Information ( J 1 (θ = E g 2 log f(x θ θ θ. 4 Bayes-Inferenz Finite Exchangeability Die Zufallsgrößen X 1,..., X n sind exchangeable bezüglich des Wahrscheinlichkeitsmaßes P, wenn P(x 1,..., x n = P(x π(1,..., x π(n für alle (bijektiven Permutationen π : {1,..., n} {1,..., n} gilt. Existiert eine Dichte f zu P, so gilt entsprechend: f(x 1,..., x n = f(x π(1,..., x π(n. Infinite Exchangeability Die unendliche Folge X 1, X 2,... ist exchangeable, wenn jede endliche Teilfolge exchangeable ist. Allgemeiner Darstellungssatz Sei X 1, X 2,... eine unendliche Folge reellwertiger Zufallsvariablen, die exchangeable sind, mit zugrundeliegendem Wahrscheinlichkeitsmaß P. Dann existiert ein Wahrscheinlichkeitsmaß Q über F, dem Raum aller Verteilungsfunktionen F auf R, so dass n P(x 1,..., x n = F (x i dq(f, F i=1 wobei Q(F = lim P (F n, n wobei F n die zu x 1,..., x n gehörende empirische Verteilungsfunktion bezeichnet.
9 Formelsammlung zur Vorlesung Schätzen und Testen I Bayes-Inferenz im Schnelldurchlauf Notation: X: beobachtete Daten X: unbeobachtete Daten θ: Parameter Basiskomponenten in der Bayes-Inferenz: p(θ f(x θ f(θ x f( x x Priori-Verteilung Daten-Verteilung Posteriori-Verteilung prädiktive Verteilung A priori prädiktive Verteilung: f(x = f(θ, x dθ = f(x θ p(θ dθ A posteriori prädiktive Verteilung: f( x x = f( x, θ x dθ = f( x θ, x f(θ x dθ = f( x θ f(θ x dθ 4.2 Mehr-Parameter-Modelle Dirichlet-Multinomial Modell Multinomialverteilung: Verallgemeinerung der Binomialverteilung Notation: (X 1,..., X k Multinomial(n; θ 1,..., θ k Likelihood: wobei f(x 1,..., x k θ 1,..., θ k k j=1 θ xj j, k die Anzahl der Ausprägungen oder Kategorien, n der Stichprobenumfang, x j die Anzahl von Treffern in Ausprägung oder Kategorie j, k j=1 x j = n, θ j die Wahrscheinlichkeit für Kategorie j, k j=1 θ j = 1. Dirichletverteilung: Verallgemeinerung der Betaverteilung konjugierte Verteilung der Multinomialverteilung Notation: (θ 1,..., θ k Dirichlet(α 1,..., α k Dichte: f(θ 1,..., θ k wobei θ j [0, 1] für alle j = 1,..., k und k j=1 θ j = 1. k j=1 θ αj 1 j,
10 Formelsammlung zur Vorlesung Schätzen und Testen I Bayesianisches lineares Modell Modell: y R n, X R n p, β R p, ε R n y = Xβ + ε, Annahmen und Notation: p = rang(x ε = (ε 1,..., ε n, i.i.d ε i N(0, σ 2 β = (X X 1 X y ŷ = X β = X(X X 1 X y = Hy ε = (I Hy = y ŷ σ 2 ε = ε ε n p Bayesianisch: Likelihood: y β, σ 2, X MVN(Xβ, σ 2 I ( f(y X, β, σ 2 (σ 2 n/2 exp 1 2σ 2 (y Xβ (y Xβ Nichtinformative Priori Posteriori: f(β, σ 2 y, X (σ 2 ( n +1 ( 2 exp 1 Bedingte Posteriori: (σ 2 ( n 2 +1 exp p(β, σ 2 (σ 2 1 2σ 2 (y Xβ (y Xβ ( 1 2σ 2 ( ε ε + ( β β X X( β β β σ 2, y, X MVN( β, σ 2 (X X 1 ( σ 2 β, y, X Inv-χ 2 n, ε ε + ( β β X X( β β n Marginale Posteriori: β y, X t n p ( β, σ ε(x 2 X 1 σ 2 y, X Inv-χ (n 2 ε ε p, n p Prädiktive Verteilung: f(ỹ y, X, X ] t n p [ X β, σ 2 ε ( X(X X 1 X + I Konjugierte Priori β, σ 2 MVN-inv-χ 2 (β 0, σ 2 0Σ 0 ; κ 0, σ 2 0 Posteriori: β, σ 2 y, X MVN-inv-χ 2 (β n, σ 2 nσ n ; κ n, σ 2 n,
11 Formelsammlung zur Vorlesung Schätzen und Testen I 11 wobei β n = (Σ X X 1 (Σ 1 0 β 0 + X y, Σ n = (Σ X X 1, κ n = κ 0 + n, σn 2 = (β0 Σ 1 0 β 0 βn Σ 1 n β n + y y + κ 0 σ0/(κ n. Bedingte Posteriori: β σ 2, y, X MVN(β n, σ 2 Σ n Marginale Posteriori: σ 2 y, X inv-χ 2 (κ n, σ 2 n 4.4 Markov Chain Monte Carlo Metropolis-Hastings (genauer: Metropolis-within-Gibbs für eine skalare Komponente: π : Zieldichte (unter Umständen nicht normiert q : Vorschlagsdichte X i = (X i1,..., X im R m X i, j = (X i1,..., X i,j 1, X i 1,j+1,..., X i 1,m Erzeuge Markov-Kette X 0, X 1, X 2,... mit stationärer Verteilung π. Update-Schritt für X ij : Ziehe Y aus q( X i 1,j, X i, j. Akzeptiere Y mit Wahrscheinlichkeit d.h. setze X ij = Y. α(y, X i 1,j X i, j = min { 1, Ansonsten verwirf Y, d.h. setze X ij = X i 1,j. π(y X i, j π(x i 1,j X i, j } q(x i 1,j Y, X i, j q(y X i 1,j, X i, j, 5 Bootstrap Einstichproben-Problem: i.i.d. mit X i Beobachtete Daten: F, F unbekannt Bootstrap-Stichprobe: Empirische Verteilungsfunktion: X = (X 1,..., X n T (X x = (x 1, x 2,..., x n T (x x = (x 1, x 2,..., x n T (x ˆF n (x = 1 n n I(x i x i=1
12 Formelsammlung zur Vorlesung Schätzen und Testen I 12 Bootstrap-Algorithmus zur Schätzung des Standardfehlers 1. Erzeuge B Bootstrap-Stichproben x 1,..., x B. 2. Berechne ˆθ (b, b = 1,..., B. 3. Schätze den Standardfehler se F (ˆθ = Var F (ˆθ durch { } 1 B [ˆθ ŝe B = (b B 1 ˆθ 2 ( ] 1 2 b=1 mit ˆθ ( = 1 B B ˆθ (b. b=1 Standardfehler für die Schätzung des Korrelationskoeffizienten θ (i Vergleich mit der Formel für die bivariate Normalverteilung: ŝe N2(µ,Σ(ˆθ = 1 ˆθ 2 n 3 (ii Vergleich nach Fisher-Transformation: ( ˆξ = 1 2 log 1 + ˆθ 1 ˆθ approx. N [ ( ( ] θ 1 2 log, 1 θ n 3 Zweistichproben-Problem für unabhängige Stichproben } i.i.d. Y 1,..., Y n F i.i.d. unabhängig Z 1,..., Z m G Schätzung des Standardfehlers der Schätzung für die Differenz θ = µ Y µ Z : y b = (y b 1,..., y b n zufällig mit Zurücklegen aus ˆF n z b = (z b 1,..., z b m zufällig mit Zurücklegen aus Ĝm mit und { } ŝe F,G (ˆθ = se ˆFn,Ĝm(ˆθ 1 B [ˆθ ŝe B = (b B 1 ˆθ 2 ( ] 1 2 ˆθ (b = 1 n n i=1 ˆθ ( = 1 B y b i 1 m B ˆθ (b b=1 b=1 m i=1 z b i Bootstrap-Konfidenzintervalle Bootstrap-t-Intervall 1. Generiere B Bootstrap-Stichproben x 1,..., x B. 2. Berechne Ordne die Z (b aufsteigend der Größe nach. Z (b = ˆθ (b ˆθ ŝe (b.
13 Formelsammlung zur Vorlesung Schätzen und Testen I Schätze die Quantile ˆt (α und ˆt (1 α als # { Z (b ˆt (α} = α. B 4. Das Bootstrap-t-Intervall zum Vertrauensgrad 1 2α lautet dann [ˆθ ˆt (1 α ŝe, ˆθ ˆt (α ŝe]. Bootstrap-Perzentil-Intervall 1. Ziehe x 1,..., x B B Bootstrap-Replikationen ˆθ (1,..., ˆθ (B mit ˆθ (b = T (x b. 2. Ordne die ˆθ (b der Größe nach: ˆθ (1,..., ˆθ (B. ˆθ (α ˆθ (1 α 3. Berechne Bα und B(1 α und bezeichne mit B bzw. B die Werte an den jeweiligen Positionen in der sortierten Sequenz der Bootstrap-Schätzungen. Dann ist [ˆθlower, ˆθ ] ] (1 α upper =, ˆθ ein approximatives (1 2α-Konfidenzintervall. [ˆθ (α B B
Nachholklausur zur Vorlesung Schätzen und Testen I. 04. April Bitte ausfüllen und unterschreiben!!!
Nachholklausur zur Vorlesung Schätzen und Testen I 04. April 2013 Volker Schmid, Ludwig Bothmann, Julia Sommer Aufgabe 1 2 3 4 5 6 Punkte Note Bitte ausfüllen und unterschreiben!!! Name, Vorname: Matrikelnummer:
MehrKlassische Schätz- und Testtheorie
Kapitel 2 Klassische Schätz- und Testtheorie Grundmodell: Die Stichprobe X = (X 1,..., X n ) besitzt die Verteilung P P = {P θ : θ Θ}, Θ R k, wobei θ: k-dimensionaler Parameter Θ: Parameterraum k < n,
MehrStatistik IV. Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II
Statistik IV Modul P8: Grundlagen der Statistik II Vorlesung P8.1: Wahrscheinlichkeitstheorie und Inferenz II Prof. Dr. Torsten Hothorn Institut für Statistik Ludwig Maximilians Universität München L A
MehrEinführung in die statistische Testtheorie II
1 Seminar: Simulation und Bildanalyse mit Java Einführung in die statistische Testtheorie II Guntram Seitz Sommersemester 2004 1 WIEDERHOLUNG 2 1 Wiederholung Grundprinzip: Annahme: Beobachtungen bzw.
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
MehrStochastik I - Formelsammlung
Stochastik I - Formelsammlung Ereignis Ergebnisraum: Ω von Julian Merkert, Wintersemester 2005/06, Prof. Bäuerle Ereignisse und Wahrscheinlichkeiten Ereignis: A Ω Elementarereignis: {ω}, ω Ω A B := AB
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
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,
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrStatistik. R. Frühwirth Teil 1: Deskriptive Statistik. Statistik. Einleitung Grundbegriffe Merkmal- und Skalentypen Aussagen und
Übersicht über die Vorlesung Teil : Deskriptive fru@hephy.oeaw.ac.at VO 42.090 http://tinyurl.com/tu42090 Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable und Verteilungen Februar 200 Teil 4:
MehrZusammenfassung Stochastik I + II
Zusammenfassung Stochastik I + II Stephan Kuschel Vorlesung von Dr. Nagel Stochastik I: WS 007/08 Stochastik II: SS 008 zuletzt aktualisiert: 7. Juli 009 Da diese Zusammenfassung den Menschen, die sie
Mehr5 Optimale erwartungstreue Schätzer
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
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
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
MehrStochastik III. Vorlesungsskript. Prof. Dr. Evgeny Spodarev
Stochastik III Vorlesungsskript Prof. Dr. Evgeny Spodarev Ulm 2015 Inhaltsverzeichnis 1 Tests statistischer Hypothesen 3 1.1 Allgemeine Philosophie des Testens...................... 3 1.2 Nichtrandomisierte
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
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
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche 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
MehrDas Bayes'sche Prinzip
Das Bayes'sche Prinzip Olivia Gradenwitz Patrik Kneubühler Seminar über Bayes Statistik FS8 26. Februar 28 1 Bayes'sches statistisches Modell 1.1 Statistische Probleme und statistische Modelle In diesem
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
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
MehrBeispiel 8.1 Die Sommerfeldsche Feinstrukturkonstante Alpha hat einen Zahlenwert von
Kapitel 8 Statistische Tests 8.1 Begriffsbildung und Beispiele Beispiel 8.1 Die Sommerfeldsche Feinstrukturkonstante Alpha hat einen Zahlenwert von a 0 1 137.036. Der genaue Wert ist bis auf 10 15 genau
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
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
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
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............
Mehr6. Statistische Hypothesentests
6. Statistische Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrStatistik für Punktprozesse. Seminar Stochastische Geometrie und ihre Anwendungen WS 2009/2010
Statistik für Punktprozesse Seminar Stochastische Geometrie und ihre Anwendungen WS 009/00 Inhalt I. Fragestellung / Problematik II. Ansätze für a) die Schätzung der Intensität b) ein Testverfahren auf
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
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrVorlesung Mathematische Statistik. Inhalt in Stichworten. Reinhard Höpfner. Vorlesung 2004/2005 und 2007/2008
1 Vorlesung Mathematische Statistik Inhalt in Stichworten Reinhard Höpfner Vorlesung 2004/2005 und 2007/2008 Institut für Mathematik, Johannes Gutenberg Universität Mainz 27.02.08 2 Inhalt in Stichworten
MehrKlausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik. 7. Februar 2008
L. Fahrmeir, G. Walter Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 7. Februar 8 Hinweise:. Überprüfen
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
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
MehrÜberblick. Überblick. Bayessche Entscheidungsregel. A-posteriori-Wahrscheinlichkeit (Beispiel) Wiederholung: Bayes-Klassifikator
Überblick Grundlagen Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrStep-Down Prozeduren
Step-Down Prozeduren zur Kontrolle der Family-Wise Error Rate WS 2010/2011 Jakob Gierl HU Berlin 07.02.2011 1 / 19 Modell Schrittweise Step-Down Modell mathematische Stichprobe X 1,..., X n iid im R J
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
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
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
MehrResampling. in»statistische Methoden in der Physik« Referent: Alex Ortner. Studenten-Seminar Sommersemester 2007
Resampling in»statistische Methoden in der Physik«Referent: Studenten-Seminar Sommersemester 2007 Gliederung 1 Resampling Prinzip Einleitung Resampling Methoden 2 3 4 Einleitung intuitv Resampling Prinzip
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
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
MehrVorbereitung auf 3. Übungsblatt (Präsenzübungen) - Lösungen
Prof Dr Rainer Dahlhaus Statistik 1 Wintersemester 2016/2017 Vorbereitung auf Übungsblatt (Präsenzübungen) - Lösungen Aufgabe P9 (Prognosen und Konfidenzellipsoide in der linearen Regression) Wir rekapitulieren
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/453
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/453 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrKapitel 1: Elemente der Statistik
1 Kapitel 1: Elemente der Statistik 1.1 Beispiel Ein Elektromarkt erhält eine Lieferung von N = 10000 Glühbirnen. Darunter ist eine unbekannte Anzahl h defekt, wobei h 0 1 = {0, 1,..., N}. Um Kenntnisse
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr
Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrStatistische Tests zu ausgewählten Problemen
Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren
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. Statistische Schätztheorie
5. Statistische Schätztheorie Problem: Sei X eine Zufallsvariable (oder X ein Zufallsvektor), die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X (oder
MehrDie Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare
17.1.3 Die Momentenmethode Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare Lösungen. Sei ϑ = (ϑ 1,...,ϑ s ) der unbekannte, s-dimensionale
MehrKapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin
Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung
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.
MehrNachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14
Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrEpidemiologie / Biometrie
Wintersemester 2004 / 2005 Epidemiologie / Biometrie Robert Hochstrat 14. März 2005 Zusammenschrift der Übung zur Vorlesung aus dem WS 04/05 Rückfragen, Ergänzungen und Korrekturen an robert hochstrat@web.de
MehrEinführung in die Bayes-Statistik. Helga Wagner. Ludwig-Maximilians-Universität München WS 2010/11. Helga Wagner Bayes Statistik WS 2010/11 1
Einführung in die Bayes-Statistik Helga Wagner Ludwig-Maximilians-Universität München WS 2010/11 Helga Wagner Bayes Statistik WS 2010/11 1 Organisatorisches Termine: Montag: 16.00-18.00 AU115 Dienstag:
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
Mehr