Algorithmen für geographische Informationssysteme. 6. Vorlesung: 14. Mai 2014
|
|
- Ulrike Becke
- vor 5 Jahren
- Abrufe
Transkript
1 Algorithmen für geographische Informationssysteme 6. Vorlesung: 14. Mai 2014
2 Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen P 2 Δh 2,3 = 7.0 m P 3 Δh 1,2 = 4.1 m Δh 4,2 = 5.4 m Δh 3,4 = 1.1 m P 1 h 1 = 0 m Δh 4,1 = 1.2 m P 4 Gesucht: h 2, h 3, h 4
3 Der Ausgleichungsalgorithmus 1. Welche Beobachtungen liegen vor? Vektor L, n Elemente
4 Der Ausgleichungsalgorithmus 1. Welche Beobachtungen liegen vor? Vektor L, n Elemente 2. Welche Unbekannte sind gesucht? Vektor X, u Elemente
5 Der Ausgleichungsalgorithmus 1. Welche Beobachtungen liegen vor? Vektor L, n Elemente 2. Welche Unbekannte sind gesucht? Vektor X, u Elemente 3. Wie ließen sich die wahren Beobachtungen L bei gegebenen wahren Unbekannten X berechnen? funktionales Modell Φ: X L bzw. L = Φ X = AX Designmatrix A, n Zeilen, u Spalten Zeile i, Spalte j:?
6 Der Ausgleichungsalgorithmus 1. Welche Beobachtungen liegen vor? Vektor L, n Elemente 2. Welche Unbekannte sind gesucht? Vektor X, u Elemente 3. Wie ließen sich die wahren Beobachtungen L bei gegebenen wahren Unbekannten X berechnen? funktionales Modell Φ: X L bzw. L = Φ X = AX Designmatrix A, n Zeilen, u Spalten Zeile i, Spalte j:? 4. Löse Normalgleichung A T AX = A T L. Liefert ausgeglichene Unbekannte X
7 Beispiel: Ausgleichung von Höhendifferenzen Ausgeglichene Beobachtungen: L = AX Ausgleichung bei linearem A funktionalen Modell X m m L Δh 1,2 = 4.1 m P m 4.2 m m Δh P 2,3 = 7.0 m 2 P 3 Δh 4,2 = 5.4 m Δh 4,1 = 1.2 m P m 1.3 Δh 3,4 = 1.1 m
8 Quelle: wikipedia
9 Jede Beobachtung ist die Realisierung einer Zufallsvariablen X. Gelegentlich ist eine a-priori- der Beobachtung bekannt, gegeben als Varianz σ 2 : = E X E X 2. Quelle: wikipedia Erwartungswert
10 Jede Beobachtung ist die Realisierung einer Zufallsvariablen X. Gelegentlich ist eine a-priori- der Beobachtung bekannt, gegeben als Varianz σ 2 : = E X E X 2. Quelle: wikipedia Bei mehreren Beobachtungen (Vektor L): Kovarianzmatrix Σ LL : = E L E L L E(L) T.
11 Bei mehreren Beobachtungen (Vektor L): Kovarianzmatrix Σ LL : = E L E L L E L T. Bei zwei Beobachtungen: Kovarianzmatrix Σ LL = σ 1 2 ρ 12 σ 1 σ 2 ρ 12 σ 1 σ 2 σ 2 2.
12 Bei mehreren Beobachtungen (Vektor L): Kovarianzmatrix Σ LL : = E L E L L E L T. Bei zwei Beobachtungen: Kovarianzmatrix Σ LL = σ 1 2 ρ 12 σ 1 σ 2 ρ 12 σ 1 σ 2 σ 2 2. Varianzen
13 Bei mehreren Beobachtungen (Vektor L): Kovarianzmatrix Σ LL : = E L E L L E L T. Bei zwei Beobachtungen: Kovarianzmatrix Σ LL = σ 1 2 ρ 12 σ 1 σ 2 ρ 12 σ 1 σ 2 σ 2 2. Kovarianzen
14 Bei mehreren Beobachtungen (Vektor L): Kovarianzmatrix Σ LL : = E L E L L E L T. Bei zwei Beobachtungen: Kovarianzmatrix Σ LL = σ 1 2 ρ 12 σ 1 σ 2 ρ 12 σ 1 σ 2 σ 2 2. Korrelationskoeffizienten 1 ρ 12 1 Maß für stochastische Abhängigkeit
15 Bei mehreren Beobachtungen (Vektor L): Kovarianzmatrix Σ LL : = E L E L L E L T. Bei zwei Beobachtungen: Kovarianzmatrix Σ LL = σ 1 2 ρ 12 σ 1 σ 2 ρ 12 σ 1 σ 2 σ 2 2. In der Regel: Σ LL = σ σ 2 2.
16 Σ LL oft schwer a priori abzuschätzen, aber srelationen bekannt: Σ LL = σ 0 2 Q LL Varianz der Gewichtseinheit (unbekannte Konstante) Kofaktormatrix (lässt sich gut abschätzen)
17 Ausgleichungsziel: v T v Min
18 Ausgleichungsziel: v T v Min v T Pv Min mit P = Q 1 Quelle: wikipedia Verbesserungen genauer Beobachtungen werden besonders bestraft.
19 Ausgleichungsziel: v T v Min v T Pv Min mit P = Q 1 Gauß-Normalgleichung: A T PAX = A T PL
20 Wie genau sind Größen, die aus Beobachtungen abgeleitet wurden? Kovarianzfortpflanzungsgesetz
21 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Gesucht: Kovarianzmatrix des Vektors f Σ LL f = FL Σ ff
22 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Gesucht: Kovarianzmatrix des Vektors f Σ LL f = FL Σ ff Beispiel: L 1 L 2 f = l 1 + l 2 = 1 1 L 1 L 2 Σ LL = [cm 2 ]
23 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL
24 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL Σ ff = E FL E FL FL E FL T
25 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL Σ ff = E FL E FL FL E FL T
26 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL Σ ff = E FL E FL FL E FL T = E FL FE L FL FE L T Linearität des Erwartungswerts!
27 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL Σ ff = E FL E FL FL E FL T = E FL FE L FL FE L T = E F L E L L E L T F T Linearität des Erwartungswerts!
28 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL Σ ff = E FL E FL FL E FL T = E FL FE L FL FE L T = E F L E L L E L T F T Linearität des Erwartungswerts! = F E L E L L E L T F T
29 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL Σ ff = E FL E FL FL E FL T = E FL FE L FL FE L T = E F L E L L E L T F T Linearität des Erwartungswerts! = F E L E L L E L T F T = FΣ LL F T
30 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL Σ ff = FΣ LL F T
31 Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors L Vektor f als lin. Funktion von L Σ LL = E L E L L E L T f = FL Σ ff = FΣ LL F T Beispiel: f = L 1 + L 2 = 1 1 L 1 L 2 Σ LL = [cm 2 ] Σ ff = cm cm = 7 cm2
32 Kovarianzfortpflanzungsgesetz für X? Ausgleichung mit Ziel v T Pv Min:
33 Kovarianzfortpflanzungsgesetz für X? Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL
34 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL
35 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL Also: Σ XX = FΣ LL F T
36 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL Also: mit Σ XX = FΣ LL F T F = A T PA 1 A T P
37 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL Also: Σ XX = FΣ LL F T mit F = A T PA 1 A T P = σ 2 0 FQ LL F T = σ 2 0 A T PA 1 A T PQ LL F T = σ 2 0 A T PA 1 A T F T = σ 2 0 A T PA 1 A T PA A T PA 1 = σ 2 0 A T PA 1
38 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL Also: Σ XX = FΣ LL F T mit F = A T PA 1 A T P = σ 2 0 FQ LL F T = σ 2 0 A T PA 1 A T PQ LL F T = σ 2 0 A T PA 1 A T F T = σ 2 0 A T PA 1 A T PA A T PA 1 = σ 2 0 A T PA 1
39 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL Also: Σ XX = FΣ LL F T mit F = A T PA 1 A T P = σ 2 0 FQ LL F T = σ 2 0 A T PA 1 A T PQ LL F T = σ 2 0 A T PA 1 A T F T = σ 2 0 A T PA 1 A T PA A T PA 1 = σ 2 0 A T PA 1
40 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL Also: Σ XX = FΣ LL F T mit F = A T PA 1 A T P = σ 2 0 FQ LL F T = σ 2 0 A T PA 1 A T PQ LL F T = σ 2 0 A T PA 1 A T F T = σ 2 0 A T PA 1 A T PA A T PA 1 = σ 2 0 A T PA 1
41 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: A T PAX = A T PL X = A T PA 1 A T PL Also: Σ XX = FΣ LL F T mit F = A T PA 1 A T P = σ 2 0 FQ LL F T = σ 2 0 A T PA 1 A T PQ LL F T = σ 2 0 A T PA 1 A T F T = σ 2 0 A T PA 1 A T PA A T PA 1 = σ 2 0 A T PA 1
42 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: der ausgeglichenen Unbekannten: Σ XX = σ 0 2 A T PA 1
43 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: der ausgeglichenen Unbekannten: Σ XX = σ 0 2 A T PA 1 der ausgeglichenen Beobachtungen: Σ LL = AΣ XX A T wegen L = AX
44 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: der ausgeglichenen Unbekannten: Σ XX = σ 0 2 A T PA 1 der ausgeglichenen Beobachtungen: Σ LL = AΣ XX A T wegen L = AX
45 Problem: Berechnung von Σ XX = σ 2 0 A T PA 1 erfordert Kenntnis von σ 2 0. Lösung: Schätze σ 0 2 durch Ausgleichung (Kenntnis von srelationen Q LL vorausgesetzt)
46 σ 0 2 lässt sich mittels v abschätzen. σ 0 2 = vt Pv n u ist ein erwartungstreuer Schätzer für σ 2 0. (ohne Beweis)
47 σ 0 2 lässt sich mittels v abschätzen. σ 0 2 = vt Pv n u ist ein erwartungstreuer Schätzer für σ 2 0. (ohne Beweis) Beispiel 1: v = AX L = 1 1 X L 1 L n = X L 1 X L n
48 σ 0 2 lässt sich mittels v abschätzen. σ 0 2 = vt Pv n u ist ein erwartungstreuer Schätzer für σ 2 0. (ohne Beweis) Beispiel 1: v = AX L = 1 1 X L 1 L n = X L 1 X L n σ 0 2 = vt Pv n u = vt v n 1 = n i=1 X L i n 1 2
49 σ 0 2 lässt sich mittels v abschätzen. σ 0 2 = vt Pv n u ist ein erwartungstreuer Schätzer für σ 2 0. (ohne Beweis) Beispiel 1: v = AX L = 1 1 X L 1 L n = X L 1 X L n σ 0 2 = vt Pv n u = vt v n 1 = n i=1 X L i n 1 2
50 σ 0 2 lässt sich mittels v abschätzen. σ 0 2 = vt Pv n u ist ein erwartungstreuer Schätzer für σ 2 0. (ohne Beweis) Beispiel 1: v = AX L = 1 1 X L 1 L n = X L 1 X L n Stichprobenvarianz σ 0 2 = vt Pv n u = vt v n 1 = n i=1 X L i n 1 2
51 E σ 0 2 = E Beweis für Spezialfall Mittelwert n 2 i=1 X L i n 1
52 E σ 0 2 = E = 1 n i=1 n X L i 2 n 1 E X μ + μ L n 1 i=1 i = 1 E n X μ 2 2 X μ L n 1 i=1 i μ + L i μ 2 = 1 n 1 n 2 E X μ n 2 n i=1 i=1 2 i=1 X μ L i μ + L i μ 2 = 1 E n X μ 2 2n X μ X μ + n L n 1 i=1 i μ 2 = 1 E n L n 1 i=1 i μ 2 n X μ 2 = 1 n 1 n i=1 E L i μ 2 ne X μ 2 = 1 n 1 nσ 0 2 nσ X 2 = 1 2 nσ n n σ 0 n Beweis für Spezialfall Mittelwert = σ 0 2 μ = E X
53 Beispiel 2: Ausgleichung von Höhendifferenzen v = L L = m σ 0 2 = vt Pv n u m = 0.11 m2 5 3 σ 0 = 0.23 m = = m m Δh 1,2 = 4.1 m P Δh P 2,3 = 7.0 m 2 P 3 Δh 4,2 = 5.4 m 1.3 Δh 4,1 = 1.2 m P Δh 3,4 = 1.1 m
54 Beispiel 2: Ausgleichung von Höhendifferenzen Σ XX = σ 0 2 A T PA = m = m 2
55 Beispiel 2: Ausgleichung von Höhendifferenzen Σ XX = σ 0 2 A T PA = m = m 2
56 Beispiel 2: Ausgleichung von Höhendifferenzen Σ XX = σ 0 2 A T PA = m = m 2
57 Beispiel 2: Ausgleichung von Höhendifferenzen Σ XX = σ 0 2 A T PA = m = m 2 σ h2 = σ h4 = σ h3 = m 2 = m m 2 = m
58 Beispiel 2: Ausgleichung von Höhendifferenzen P Δh 1,2 = 4.1 m 0 m 4.2 m m Δh P 2,3 = 7.0 m 2 P 3 Δh 4,2 = 5.4 m Δh 4,1 = 1.2 m σ h2 = σ h4 = m 2 = m σ h3 = m 2 = m P m 1.3 Δh 3,4 = 1.1 m
59 Σ LL = AΣ XX A T = m 2
60 Σ LL = AΣ XX A T = m 2
61 Σ LL = AΣ XX A T = m 2
62 Σ LL = AΣ XX A T = m 2 σ Δh1,2 = σ Δh2,3 = σ Δh3,4 = σ Δh4,1 = m 2 = m σ Δh4,2 = m 2 = m Vergleich: σ 0 = 0.23 m sgewinn durch Ausgleichung
63 Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel v T Pv Min: der ausgeglichenen Unbekannten: Σ XX = σ 0 2 A T PA 1 der ausgeglichenen Beobachtungen: Σ LL = AΣ XX A T wegen L = AX
Ausgleichungsrechnung - nach der Methode der kleinsten Quadrate -
Computer Vision Ausgleichungsrechnung - nach der Methode der kleinsten Quadrate -.6.5 Problem Beispiel: Bestimmung der Parameter einer Gerade bei gegebenen x und fehlerhaften y y = ax+ b Beschreibung der
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrStatistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Dr. Stan Lai und Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 2. November 2009 Poisson-Verteilung Die Poisson-Verteilung ist gegeben durch: P(r) = µr e µ r! Der Mittelwert ist: r = µ Die Varianz ergibt sich aus
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
Mehr2.Tutorium Multivariate Verfahren
2.Tutorium Multivariate Verfahren - Multivariate Verteilungen - Hannah Busen: 27.04.2015 und 04.05.2015 Nicole Schüller: 28.04.2015 und 05.05.2015 Institut für Statistik, LMU München 1 / 21 Gliederung
MehrVorlesung 9b. Kovarianz und Korrelation
Vorlesung 9b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrStrukturdynamik Prof. Dr. Wandinger. 1.2 Stochastische Lasten. Lösungen. Aus der Definition des Erwartungswerts folgt durch elementare Rechnung:
Strukturdynamik 1.-1 Prof. Dr. Wandinger Aufgabe 1 1. Stochastische Lasten Lösungen Aus der Definition des Erwartungswerts folgt durch elementare Rechnung: Aufgabe E [a g( x)+b h(y)]= =a =a =a ( ( p(x,
MehrVorlesung 8b. Kovarianz, Korrelation und Regressionsgerade
Vorlesung 8b Kovarianz, Korrelation und Regressionsgerade 1 1. Die Kovarianz und ihre Eigenschaften 2 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrPearson- Korrelationskoeffizienten höherer Grade
Pearson- Korrelationskoeffizienten höherer Grade Dipl.- Ing. Björnstjerne Zindler, M.Sc. Erstellt: 13. März 2014 Letzte Revision: 16. März 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Der Lineare Korrelationskoeffizient
Mehr5. Übungsblatt zur Mathematik II für BI, MaWi, WI(BI), AngGeo und UI
Fachbereich Mathematik Prof Dr K Ritter Dr M Slassi M Fuchssteiner SS 9 9 Mai 9 5 Übungsblatt zur Mathematik II für BI, MaWi, WI(BI, AngGeo und UI Gruppenübung Aufgabe G (a Betrachten Sie die Vektoren
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrAnhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen
Kapitel 9 Anhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen 9 Definitionen, Eigenschaften Wir betrachten jetzt p Zufallsvariablen X, X 2,, X p Alle Definitionen, Notationen und Eigenschaften
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrVorlesung 7b. Kovarianz und Korrelation
Vorlesung 7b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
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
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
MehrMathematische Grundlagen Kalman Filter Beispielprogramm. Kalman Filter. Stephan Meyer
Kalman Filter Stephan Meyer FWPF Ortsbezogene Anwendungen und Dienste Georg-Simon-Ohm-Hochschule Nürnberg 07.12.2007 Outline 1 Mathematische Grundlagen 2 Kalman Filter 3 Beispielprogramm Mathematische
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
MehrMehrdimensionale Verteilungen und Korrelation
Vorlesung: Computergestützte Datenauswertung Mehrdimensionale Verteilungen und Korrelation Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrErwartungswerte. Kapitel 5
Kapitel 5 Erwartungswerte Wir haben bisher Erwartungswerte nur für diskrete und für absolut stetige Zufallsvariable definiert und berechnet. Ziel dieses Abschnitts ist die Erweiterung des Begriffs des
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrStatistik in Geodäsie, Geoinformation und Bauwesen
Wilhelm Benning Statistik in Geodäsie, Geoinformation und Bauwesen 2., überarbeitete und erweiterte Auflage Herbert Wichmann Verlag Heidelberg Matrix-Theorie 1 1.1 Matrizen und Vektoren 1 1.2 Matrixverknüpfungen
MehrVerteilungen mehrerer Variablen
Kapitel 3 Verteilungen mehrerer Variablen 3. Eigenschaften von Verteilungen mehrerer Variablen Im allgemeinen muss man Wahrscheinlichkeiten für mehrere Variable, die häufig auch voneinander abhängen, gleichzeitig
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
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
MehrÜbungsrunde 10, Gruppe 2 LVA , Übungsrunde 10, Gruppe 2, Markus Nemetz, TU Wien,
Übungsrunde, Gruppe 2 LVA 7.369, Übungsrunde, Gruppe 2, 9..27 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 9..27 Anmerkung: Viele dieser Lösungsvorschläge stammen aus dem Informatik-Forum, Subforum
MehrLösung Semesterendprüfung
MLAE Mathematik: Lineare Algebra für Ingenieure Herbstsemester Dr. Christoph Kirsch ZHAW Winterthur Lösung Semesterendprüfung Aufgabe : a Mit dem Distributivgesetz multiplizieren wir aus: und lösen nach
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrMonte Carlo Finite Elemente Methode
Monte Carlo Finite Elemente Methode Lisa Eppler Johannes-Gutenberg Universität Mainz 18. Januar 2018 1 / 55 Inhalt Monte Carlo Finite Elemente Methode 1 Wiederholung 2 Monte Carlo 3 Beispiele 1-d 2-d 4
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
Mehr( x i 1 ; x i ] \(ỹ j 1 ; ỹ j ]
Aufgabe 1 Die Befragung von 100 mittelständischen Dienstleistungsunternehmen einer Metropolregion nach ihren Umsätzen sowie Werbeausgaben im Jahre 2008 erbrachte folgende Häufigkeitsfunktion: ( x i 1 ;
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 29. Oktober 2007 1. Statistik 1.1 Wahrscheinlichkeit Pragmatisch: p(e) = n(e) N für N sehr groß Kombination von Wahrscheinlichkeiten p(a oder B) =
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
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
MehrAppendix. Kapitel 2. Ökonometrie I Michael Hauser
1 / 24 Appendix Kapitel 2 Ökonometrie I Michael Hauser 2 / 24 Inhalt Geometrie der Korrelation Freiheitsgrade Der OLS Schätzer: Details OLS Schätzer für Okuns s law nachgerechnet Anforderungen an Theorien
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrGauß-Prozess-Regression
Bayessche Regression und Gaußprozesse Dr. rer. nat. Johannes Riesterer Motivation Kriging Der südafrikanische Bergbauingenieur Danie Krige versuchte 1951, eine optimale Interpolationsmethode für den Bergbau
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrA. Grundlagen der Stochastik
A. Grundlagen der Stochastik Satz A.1 (Axiome der Wahrscheinlichkeit). Folgende Axiome der Wahrscheinlichkeit können definiert werden: (1) Die Wahrscheinlichkeit P(A) eines Ergebnisses A bei einem Experiment
MehrA. Grundlagen der Stochastik
A. Grundlagen der Stochastik Satz A.1 (Axiome der Wahrscheinlichkeit). Folgende Axiome der Wahrscheinlichkeit können definiert werden: (1) Die Wahrscheinlichkeit P(A) eines Ergebnisses A bei einem Experiment
MehrStatistische Methoden für Bauingenieure WS 13/14
Statistische Methoden für Bauingenieure WS 13/14 Einheit 6: Simulation und probabilistische Bemessung/ Zuverlässigkeit Univ.Prof. Dr. Christian Bucher Typische Problemstellung Auslegung des Turmschafts
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung SS 18: Woche vom
Übungsaufgaben 12. Übung SS 18: Woche vom 2. 7. 6. 7. 2018 Stochastik VI: Zufallsvektoren; Funktionen von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
Mehry (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrVorlesung 8b. Bedingte Erwartung und bedingte Varianz
Vorlesung 8b Bedingte Erwartung und bedingte Varianz 1 1. Zerlegung eines Erwartungswertes nach der ersten Stufe (Buch S. 91) 2 Wie in der vorigen Vorlesung betrachten wir die gemeinsame Verteilung von
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
Mehr