14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
|
|
- Inge Franke
- vor 5 Jahren
- Abrufe
Transkript
1 14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche Erw.treue 573 W.Kössler, Humboldt-Unverstät zu Berln
2 var ˆθ n möglchst klen: gute, effzente Schätzung wenn var ˆθ n den klenstmöglchen Wert annmmt für alle e-treuen Schätzungen: ˆθ n : optmale Schätzung 574 W.Kössler, Humboldt-Unverstät zu Berln
3 MSE = var ˆθ n + bas 2 ˆθn = var ˆθ n + (Eˆθ n θ) 2 mnmal oder möglchst klen. Egenschaften sollten möglchst auch be (klenen) Abwechungen von der (Normal-)Vertelungsannahme gelten robuste Schätzung. 575 W.Kössler, Humboldt-Unverstät zu Berln
4 Schätzmethoden Momentenmethode Man drückt den zu schätzenden Parameter durch de Momente, z.b. E(X), aus. Dann werden de Momente durch de entsprechenden emprschen Momente, z.b. durch X, ersetzt. Maxmum-Lkelhood-Schätzung (ML-Schätzung) Es wrd der Schätzwert für den unbekannten Parameter ermttelt, der am mesten für desen Paramter sprcht (most lkely). 576 W.Kössler, Humboldt-Unverstät zu Berln
5 Klenste-Quadrat-Schätzung (KQS) Se θ der zu schätzende Parameter. Man geht aus von enem Modell, z.b. Y = g(θ,x ) + ɛ Dannn versucht man de Summe der Fehlerquadrate n =1 n ɛ 2 = (Y g(θ,x )) 2. =1 zu mnmeren (Klenste Quadrate). 577 W.Kössler, Humboldt-Unverstät zu Berln
6 Bsp. 97 (Momentenschätzung be Normalvertelung) Seen X 1,...,X n N(µ,σ ). µ = EX = ˆµ = X σ 2 = E(X EX) 2 = ˆσ 2 = (X X) 2 = 1 n n (X X) 2 Bsp. 98 (Momentenschätzung be Exponentalvertelung) Seen X 1,...,X n Exp(λ). λ = 1 EX = ˆλ = 1 X =1 578 W.Kössler, Humboldt-Unverstät zu Berln
7 Bsp. 99 (Momentenschätzung be Bnomalvertelung) Seen X 1,...,X n B(1,p). p = EX = ˆp = X der relatve Antel der Realserungen x = W.Kössler, Humboldt-Unverstät zu Berln
8 Bsp. 100 (ML-Schätzung be Bnomalvertelung) Beobachten n=1000 Jugendlche. Stchprobe (X 1,...,X n ) X = 1 X = 0 falls Übergewcht festgestellt sonst. De Wkt., daß de beobachtete Stchprobe auftrtt, wenn der Parameter p vorlegt st P(X 1 = x 1,...,X n = x n ) = wobe k = n =1 x. ( ) n p k (1 p) n k, k Der ML-Schätzer st der Wert, der dese Funkton, L n (p), Lkelhood-Funkton genannt, bzgl. p maxmert. Maxmeren 580 W.Kössler, Humboldt-Unverstät zu Berln
9 statt L n (p): log L n (p) (Arg.Max. st dasselbe). ln L n (p) = ln (( ) n p k (1 p) n k) k = ln (( ) n ) + k ln p + (n k) ln(1 p). k Ableten nach p und Nullsetzen lefert: De enzge Lösung st: k p n k 1 p = 0 ˆp = k n = 1 n Für en relatves Extremum n (0,1) kommt nur deser Wert n Betracht. 581 W.Kössler, Humboldt-Unverstät zu Berln n =1 x
10 Müssen aber noch de Lkelhood-Funkton an den Rändern betrachten: Für p = 0 und p = 1 wrd ln L(p) =. Also: ˆp ML = k n. 582 W.Kössler, Humboldt-Unverstät zu Berln
11 Bsp. 101 (ML-Schätzung be Normalvertelung) Lkelhood: f X1,...,X n (x 1,...,x n ), de gemensame Dchtefunkton der X. Seen X 1,...,X n unabhängg, X N(µ, 1). 583 W.Kössler, Humboldt-Unverstät zu Berln
12 Lkelhood: L n (µ) = = n f X (x ) =1 n =1 1 2π e (x µ) 2 /2 ln L n (µ) = n ln( 2π) + L n (µ) µ = 2 Nullsetzen lefert: n (x µ) =1 ˆµ = X. (Unabhänggket) n =1 ( (x µ) 2 2 ) 584 W.Kössler, Humboldt-Unverstät zu Berln
13 Bsp. 102 (ML-Schätzung be Glechvertelung auf (0,θ)) Lkelhood: f X1,...,X n (x 1,...,x n ), de gemensame Dchtefunkton der X. Seen X 1,...,X n unabhängg, X R(0,θ), d.h. f X (x ) = 1 θ falls 0 x θ 0 sonst Lkelhood: L n (θ) = = n f X (x ) =1 (Unabhänggket) 1 θ n falls 0 x θ x 0 sonst 585 W.Kössler, Humboldt-Unverstät zu Berln
14 Maxmal, wenn θ x 1,...,x n, und wenn θ möglchst klen, also ˆθ = max(x 1,...,x n ). 586 W.Kössler, Humboldt-Unverstät zu Berln
15 Bsp. 103 ( KQS des Lageparameters) Modell: Y = µ + ɛ De Summe der Fehlerquadrate n =1 ɛ 2 = n (Y µ) 2. =1 mnmeren: Dfferenzeren und Nullsetzen lefert: ˆµ KQS = Y. 587 W.Kössler, Humboldt-Unverstät zu Berln
16 Bsp. 104 (KQS m enfachen lnearen Regressonsmodell) Y = θ 1 + θ 2 X + ɛ 1 n 1 n f(x,θ 1,θ 2 ) = θ 1 X + θ 2 f θ 1 = X f θ 2 = 1 n (Y (θ 1 X + θ 2 )) X = 0 =1 n (Y (θ 1 X + θ 2 )) 1 = 0 =1 588 W.Kössler, Humboldt-Unverstät zu Berln
17 X Y θ 1 X 2 θ 2 X = 0 Y θ 1 X θ 2 n = 0 De zwete Glechung nach θ 2 auflösen: θ 2 = 1 n Y θ 1 1 n X und n de erste ensetzen: 589 W.Kössler, Humboldt-Unverstät zu Berln
18 X Y θ 1 X 2 1 Y n X +θ 1 1 n X X = 0 X Y 1 ( Y X θ 1 ( X 2 1 ) X X = 0 n n ˆθ 1 = X Y 1 n X X2 1( n X ) 2 ˆθ 2 = 1 ( Y n ˆθ ) 1 X Y = S XY S 2 X 590 W.Kössler, Humboldt-Unverstät zu Berln
19 Se θ en zu schätzender Parameter ener Populaton mt Dchte f. Se ˆθ = θ n ene erwartungstreue Schätzung von θ. Dann glt de Cramer-Rao-Unglechung: wobe var(ˆθ) 1 ni(f,θ), I(f,θ) = E ( ln f(x,θ) θ ( ln f(x,θ) ) 2f(x,θ)dx = θ de sogenannte Fsher-Informaton st. ) W.Kössler, Humboldt-Unverstät zu Berln
20 Bespele a) f normal, f(x,µ) = 1 e (x µ)2 2σ 2 2πσ ln f(x,µ) = ln( 2πσ) ln f(x,µ) µ = x µ 1 σ σ I(f,µ) = 1 σ 2 (x µ σ (x µ)2 2σ 2 ) 2 f(x,µ)dx = 1 σ 2. Also: varx σ2 n. 592 W.Kössler, Humboldt-Unverstät zu Berln
21 Verglechen Se mt: varx = 1 n 2 n =1 varx = σ2 n. 593 W.Kössler, Humboldt-Unverstät zu Berln
22 b) f exponental f(x,λ) = 1 λ e 1 λ x falls x 0 0 sonst. Es glt: I(f,λ) = 1 λ 2 (ÜA, 2 P.) De Cramer-Rao-Schranke st also: 1 ni(λ) = λ2 n. Anderersets: varx = λ2 n. 594 W.Kössler, Humboldt-Unverstät zu Berln
23 c) F Doppelexponental (=Laplace) f(x,λ) = 1 1 λ e 1 λ x falls x e 1 λ x falls x < 0 λ 595 W.Kössler, Humboldt-Unverstät zu Berln
24 ln f((x,µ) = ln 2 ln λ + x 1 falls x 0 λ 1 falls x < 0 ln f(x,λ) = 1 λ λ + x 1 falls x 0 λ 2 1 falls x < 0 I(f,λ) = 1 ( ( 1 2λ 0 λ + x ) 2 x e λ 2 λ dx + 0 ( 1 λ x ) ) 2 x e λ 2 λ dx = 1 2λ λ 2 = 1 λ W.Kössler, Humboldt-Unverstät zu Berln
25 Cramer-Rao-Schranke Verglechen Se mt (ÜA) λ 2 n. varx = 1 n 2 n =1 varx = 2 λ2 n. Bem. 23 Für den Medan x 0.5 glt: var(x 0.5 ) 1 λ2 n. (zusätzlche frewllge ÜA, 10 P.) 597 W.Kössler, Humboldt-Unverstät zu Berln
26 Satz: Se f Dchte der Populaton, und ˆθ ene erwartungstreue Schätzung des Parameters θ. Dann glt: wobe var(ˆθ) 1 ni(f,θ), ( ln f(x,θ) I(f,θ) = E θ ) 2 falls der Erwartungswert exstert. Bewes: Se x = (x 1,...,x n ) ene unabhängge Stchprobe und L(x,θ) := n f(x,θ) =1 de sogenannte Lkelhood der Stchprobe. 598 W.Kössler, Humboldt-Unverstät zu Berln
27 Offenbar glt L(x,θ)dx = 1. R n und demzufolge (wr setzen voraus, Dfferentaton und Integraton dürfen vertauscht werden.) θ R n L(x,θ)dx = 0 R n θ L(x,θ)dx = W.Kössler, Humboldt-Unverstät zu Berln
28 Weter glt, da ˆθ erwartungstreu, θ Eˆθ = θ ˆθL(x,θ)dx = θ R n ˆθL(x,θ)dx = 1 R n L(x,θ) ˆθ dx = 1 R θ n }{{} ln L(x,θ) ˆθ L(x,θ)dx = 1 R θ n ( ) ln L(x,θ) E ˆθ = 1 θ 600 W.Kössler, Humboldt-Unverstät zu Berln
29 Auf den lnken Term n der vorletzten Glechung wenden wr de Cauchy-Schwarzsche Unglechung an, 601 W.Kössler, Humboldt-Unverstät zu Berln
30 1 = ln L(x,θ) ˆθ R θ n L(x,θ)dx θ θ L(x,θ)dx R } n {{} ln L(x,θ) = (ˆθ θ) L(x,θ)dx R θ n ( ) 2 ln L(x,θ) (ˆθ θ) 2 L(x,θ)dx L(x,θ)dx R n R θ ( n n =1 = var(ˆθ) ln f(x ) 2,θ) L(x,θ)dx R θ n n ( ) 2 ln f(x,θ) = var(ˆθ) L(x,θ)dx θ =1 R n = varˆθ n I(f). = W.Kössler, Humboldt-Unverstät zu Berln
31 De zu den gemschten Summanden gehörenden Integrale snd alle Null, ( j): ( )( ln f(x,θ) ln f(xj,θ) R 2 θ f(x,θ) = R θ 2 θ f(x j,θ) θ ) f(x,θ)f(x j,θ)dx dx j dx dx j = W.Kössler, Humboldt-Unverstät zu Berln
Zulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrDie Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
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
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
MehrAsymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.
Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrHäufigkeitsdiagramme PROC UNIVARIATE PROC GCHART
194 / 264 Häufigkeitsdiagramme PROC UNIVARIATE PROC GCHART PROC GCHART ; VBAR variablenliste ; /* vertikales Histogramm */ HBAR var.list ; /* horizontales Histogramm
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrP(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =
Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
Mehr5 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
Mehr6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM)
6. Hlbertraum und lneare Operatoren (mathematsche Grundlagen QM) 6.1 Hlbertraum Raum = mathematsches Konstrukt: Vektorraum a) Der lneare komplexe Raum st de Menge von mathematschen Objekten mt folgenden
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gauslng, M.Sc. C. Hendrcks, M.Sc. Sommersemester 1 Bergsche Unverstät Wuppertal Fachberech C Mathematk und Naturwssenschaften Angewandte Mathematk / Numersche Analyss Enführung
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:
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
MehrDas zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrErwartungswert und Varianz
Erwartungswert und Varanz Dskrete Wahrschenlchketsvertelungen J E(X p(xj x j var(x E[X ( E(X] j BespelEnpunktvertelung ε a Zähldchte: p(x I(a x E(X a var(x 0 BespelDskrete Glechvertelung G(x,,x n Zähldchte:
Mehr4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:
4.5 Lemma Das folgende Problem Par, 0, }max st NP-vollständg: Inut: d, m N mt m d, α N und x,...,x m, 0, } d l.u.. Frage: Exsteren κ,...,κ m, }, sodass m κ x α? Bemerkung: Beachte, dass wegen Satz 4.2
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrSchriftliche Prüfung aus Systemtechnik am
U Graz, Insttut egelungs- und Automatserungstechnk Schrftlche Prüfung aus Systemtechnk am 4.. 5 Name / Vorname(n): Kenn-Matr.Nr.: Bonuspunkte: 4 errechbare Punkte 4 5 7 5 errechte Punkte U Graz, Insttut
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen
MehrKaplan- Meier- Schätzer
Kaplan- Meer- Schätzer Glederung 1. Enletung 2. Zensur 3. Notaton 4. Methoden zur Schätzung der Überlebensfunton a. Reduced Sample Method/ Drect Method b. Actuaral Method bzw. verscherungsmath. Methode
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
Mehr3 Elastizitätstheorie
3 Elastztätstheore Für en elastsches Medum nmmt man enen spannungsfreen Referenzzustand an, der n Eulerkoordnaten durch x = Ax, t) gegeben st. Abwechungen werden beschreben durch de Verschebung ux, t)
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrProf. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie
Prof. Dr. Jürgen Dassow Otto-von-Guercke-Unverstät Magdeburg Fakultät für Informatk Coderungstheore und Kryptographe Sommersemester 2005 1 2 Inhaltsverzechns 1 Defnton und Charakterserung von Codes 5 1.1
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
Mehr