12 UMPU Tests ( UMP unbiased )

Größe: px
Ab Seite anzeigen:

Download "12 UMPU Tests ( UMP unbiased )"

Transkript

1 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 Nveau α für H 0 : ϑ Θ 0 gegen H 1 : ϑ Θ 1, falls (1) E ϑ ϕ α ϑ Θ 0, E 0 ϕ α ϑ Θ 1 Im Folgenden legen enparametrge Exponentalfamlen mt Dchte ( ) f(x, ϑ) = c(ϑ) exp(ϑt (x)) h(x), x X und natürlchem Parameterberech Θ vor. Zu testen se H 0 : ϑ = ϑ 0 gegen H 1 : ϑ ϑ 0. Nach Lemma 6.1 st de Gütefunkton β(ϑ) = E ϑ ϕ(x) belebg oft dfferenzerbar. Aus Forderung (1) folgt: () E ϑ0 ϕ(x) = α, d dϑ E ϑϕ(x) ϑ=ϑ0 = 0 Mt c(ϑ) = [ e ϑt (x) h(x)µ(dx)] 1 c (ϑ) = T (x)e ϑt (x) h(x)µ(dx) c(ϑ) folgt weter β (x) = [ ϕ(x)c(ϑ)e ϑt (x) h(x)µ(dx)] = c (ϑ) ϕ(x)e ϑt (x) h(x)µ(dx) + c(ϑ) ϕ(x)t (x)e ϑt (x) h(x)µ(dx) = c(ϑ) T (x)e ϑt (x) h(x)µ(dx) ϕ(x)e ϑt (x) h(x)µ(dx) +E ϑ [ϕ(x)t (x)] = E ϑ [ϕ(x)t (x)] E ϑ T (x)e ϑ ϕ(x) Damt st () äquvalent zu (3) E ϑ0 ϕ(x) = α, E ϑ0 [ϕ(x)t (x)] = αe ϑ0 T (x)

2 90 1 UMPU TESTS ( UMP UNBIASED ) 1.1 Satz (UMPU-Tests n enparametrgen Exponentalfamlen) Exponentalfamle we n ( ). Weter se 1, T (x) < c ϕ 1 oder T (x) > c (x) = γ, T (x) = c ( = 1, ) 0, c 1 < T (x) < c wobe c 1, c, 0 γ 1, γ 1 so, dass ϕ (3) erfüllt. Dann: a) Unter allen Nveau α Tests für H 0 : ϑ = ϑ 0 gegen H 1 : ϑ ϑ 0 de (3) erfüllen st ϕ glechmäßg bester Test. b) ϕ st UMPU-Test zum Nveau α für H 0 gegen H 1. Anmerkung: UMP-Tests snd eventuell auf ener Sete besser, versagen dafür aber auf der anderen Sete. Se snd her aber soweso unzulässg, da se ncht unverfälscht snd! 1. Bemerkungen a) Aus (3) folgt E ϑ0 [ϕ(x) (at (X) + b)] = a E ϑ0 [ϕ(x)t (X)] +α b = αe }{{} ϑ0 [at (X) + b] =αe ϑ0 T d.h. Bedngung (3) und auch de Form des Tests ϕ ändern sch ncht unter lnear affnen Transformatonen T (x) = a T (x)+b (a 0). Also st ϕ (x) = 1, T (x) < c 1 oder T (x) > c γ, T (x) = c ( = 1, ) 0, c 1 < T (x) < c mt E ϑ0 ϕ =! α, E ϑ0 [ ϕ T ] = α Eϑ0 T ebenfalls UMPU-Test zum Nveau α für H 0 gegen H 1. b) Se P T ϑ 0 symmetrsch bezüglch t 0, d.h. P ϑ0 (T t 0 t) = P ϑ0 (T t 0 t) t R Se 1, T (x) t 0 > c ϕ (x) = γ, T (x) t 0 = c 0, T (x) t 0 < c

3 1.3 Bespel (Zwesetger Gauss-Test) 91 mt P ϑ0 (T (X) t 0 > }{{} c ) + γ P ϑ0 (T (X) t 0 = c ) =! α. >0 P ϑ0 ( T (X) t 0 > c ) + γ P ϑ0 ( T (X) t 0 = c ) = α, d.h. E ϑ0 ϕ = α ( ). Weter glt: E ϑ0 T (X) = t 0, ϕ symmetrsch bezüglch t 0 E ϑ0 [ϕ T ] = E ϑ0 [(T t 0 ) ϕ ] +t 0 E }{{} ϑ0 ϕ ( ) = t 0 α = α E ϑ0 T =0 s.u. [Betrachte g(t) = (t t 0 ) ϕ (t) E ϑ0 [(T t 0 ) ϕ (T )] = g(t)p T ϑ 0 (dt) = 0.] D.h. auch de zwete Bedngung n (3) st erfüllt. ϕ st also UMPU-Test zum Nveau α für H 0 gegen H 1. Bestmmung von c, γ also we bem ensetgen UMP-Test zum Nveau α. Bemerkung: Form des Tests blebt unverändert unter streng monotonen Transformatonen T (x) = h( T (x) t0 ). 1.3 Bespel (Zwesetger Gauss-Test) X 1,..., X n uv N (µ, σ 0 ), σ 0 > 0 bekannt. H 0 : µ = µ 0 gegen H 1 : µ µ 0 Vertelung von X = (X 1,..., X n ) st enparametrge Exponentalfamle mt ϑ = µ, T (x) = n σ0 =1 x, n =1 X N (nµ 0, nσ0 ) unter H 0. Lnear affne Transformaton T (x) = T (x) nµ 0 nσ 0 = n x n µ 0 σ 0 lefert P T µ0 = N (0, 1), also symmetrsch bezüglch 0. Vertelungsfunkton st stetg { 1, n x n µ 0 ϕ σ = 0 0, n x n µ 0 st UMPU-Test für H 0 gegen H 1. σ 0 > z 1 α z 1 α

4 9 1 UMPU TESTS ( UMP UNBIASED ) 1.4 Bespel X = (X 1,..., X n ), X uv Bn(1, p), 0 < p < 1 H 0 : p = p 0 gegen H 1 : p p 0 Enparametrge Exponentalfamle mt ϑ = log p 1 p, T (x) = n =1 x, n =1 X Bn(n, p 0 ) unter H 0. Im Allgemenen ncht symmetrsch! UMPU-Test: 1, x < c ϕ 1 oder x > c (x) = γ, x = c 0, c 1 < x < c mt (komplzerten) Bedngungen für c 1, c, γ 1, γ. In der Praxs oft: Konstrukton des Tests aus zwe ensetgen UMP-Tests zum Nveau α, st aber ncht UMPU. Im Folgenden Exponentalfamle mt (4) f(x, ϑ, ξ) = c(ϑ, ξ) exp(ϑ U(x) + (ϑ, ξ) Θ R R k, Θ konvex, Θ. k ξ T (x)) h(x) =1 Zu testen: bzw. H 0 : ϑ ϑ 0 gegen H 1 : ϑ > ϑ 0 H 0 : ϑ = ϑ 0 gegen H 1 : ϑ ϑ 0 ξ = (ξ 1,..., ξ k ) st Störparameter, T (x) = (T 1 (x),..., T k (x)) Für festes t st Dchte n (4) enparametrge Exponentalfamle. ene en- U T =t [Genauer: Man kann zegen, dass de bedngte Vertelung Pϑ,ξ parametrge Exponentalfamle mt Dchte (unabhängg von ξ) st.] c t (ϑ) e ϑ U h(x) (bedngte) UMP- bzw. UMPU-Tests für H 0 bzw. H0 exsteren. Es lässt sch zegen, dass dese bedngten Tests auch für zufällges T = T (X) optmal snd:

5 1.5 Satz Satz a) Der Test ϕ 1, defnert durch wobe E ϑ0 [ϕ 1 (U, T ) T = t] H 0 gegen H 1. b) Der Test ϕ, defnert durch 30 1, U > c(t) ϕ 1 (x) = γ(t), U = c(t) 0, U < c(t)! = α, st UMPU-Test 9 zum Nveau α für 1, U < c 1 (t) oder U > c (t) ϕ (x) = γ, U = c (t) 0, c 1 (t) < U < c (t) wobe E ϑ0 [ϕ (U, T ) T = t]! = α, E ϑ0 [ϕ (U, T ) U T = t]! = α E ϑ0 [U T = t] st UMPU-Test zum Nveau α für H 0 gegen H 1. De Tests aus 1.5 können manchmal so transformert werden, dass c(t), γ(t) bezehungswese c 1 (t), c (t), γ (t) ncht von t abhängen. 1.6 Satz Unter der Vertelungsannahme (4) se V = h(u, T ) ene unter ϑ = ϑ 0 von T unabhängge reellwertge Statstk. Dann glt: a) Ist h(u, t) streng monoton wachsend n u be festem t, so st 1, v > c ϕ 1 (v) = γ, v = c 0, v < c wobe E ϑ0 ϕ 1 (V ) = α, UMPU-Test zum Nveau α für H 0 gegen H 1. 9 Ken Schrebfehler! Test st ken UMP-Test sondern nur UMPU! 30 besser: γ (t)

6 94 1 UMPU TESTS ( UMP UNBIASED ) b) Glt h(u, t) = a(t)u + b(t), a(t) > 0 so st 1, v < c 1 oder v > c ϕ (v) = γ, v = c 0, c 1 < v < c wobe E ϑ0 ϕ (V ) = α, E ϑ0 [ ϕ (V )V ] = αe ϑ0 (V ) UMPU-Test zum Nveau α für H 0 gegen H 1. Bewes: a) Nach Korollar blebt de Form des Tests unter streng monotoner Transformaton unverändert, man erhält also enen Test der Form ϕ 1 mt c = c(t), γ = γ(t). Nach Vorraussetzung st V aber unabhängg von T unter ϑ = ϑ 0, deshalb hängen c, γ ncht von t ab. b) folgt analog mt Bemerkung 1.(a) Nachwes der Unabhänggket von V und T? Üblche Methoden der Wahrschenlchketstheore, oder 1.7 Satz (Basu s Theorem) Se = {P ϑ : ϑ Θ}. Statstk T se suffzent und vollständg für ϑ. Ist V ene Statstk deren Vertelung ncht von ϑ abhängt, so snd V und T stochastsch unabhängg. 31 Bespel: uv X 1,..., X n N (µ, σ0 ), σ 0 > 0 bekannt, Θ = {µ : µ R}, T = n suffzent und vollständg für µ. V = n (X X n ) =1 } {{ } ( ) ( ) = ((X µ)( X n µ)) = n =1 (Y Ȳn) wobe Y N (0, σ 0 ) Vertelung von V unabhängg von µ (V σ 0 χ n 1 ). 1.7 V und T snd unabhängg. 31 V ancllary =1 X

7 1.8 Korollar 95 Bewes: Se g belebge beschränkte Funkton, m = E ϑ g(v ) (unabhäng von ϑ nach Vorraussetzung). h(t (x)) := E ϑ [g(v ) m T = T (x)] unabhängg von ϑ, da T suffzent. Wegen E ϑ h(t ) = E ϑ [E ϑ [g(v ) m T ]] = 0 ϑ Θ und der Vollständgket von T folgt h(t ) = 0 P ϑ f.s., also E ϑ [g(v ) T ] = m = E ϑ g(v ) P ϑ f.s. und somt de Unabhänggket von V und T. 1.8 Korollar Se Exponentalfamle we n (4), wobe ϑ(= ϑ 0 ) fest gewählt st. Hängt de Vertelung ener Statstk V ncht von ξ ab, so snd V und T unabhängg. Bewes: Nach Bespel 7.7 und 7.1 st T vollständg und suffzent für ξ. 1.7 Behauptung. 1.9 Bespel (1-Stchproben-t-Test) X 1,..., X n uv N (µ, σ ), ϑ = (µ, σ ) Θ = R R >0, X = (X 1,..., X n ) a) H 0 : µ µ 0 gegen H 1 : µ > µ 0 -parametrge Exponentalfamle nach Bespel 6.3, hat de Form n (4) mt ϑ = µ, ξ = 1, U(x) = n σ σ =1 x, T (x) = n =1 x. Ohne Enschränkung se µ 0 = 0, andernfalls betrachte man x µ 0 anstelle der x. H 0, H 1 snd dann äquvalent zu H 0 : ϑ 0, H 1 : ϑ > 0. Betrachte: v = 1 n 1 n xn = 1 n =1 (x x n ) n u t u n n 1 =: h(u, t) h(u,t) u > 0 h(u, t) streng monoton wachsend n u be festem t. (Beachte: t > u n > 0.)

8 96 1 UMPU TESTS ( UMP UNBIASED ) Weter glt: Unter ϑ = ϑ 0 glt V t n 1, also unabhängg von ξ. 1.8 V und T snd stochastsch unabhängg (unter ϑ = ϑ 0 ). 1.6(a) st Der UMPU-Test für H 0 : µ µ 0 gegen µ > µ 0 zum Nveau α { 1, n x n µ 0 ϕ 1 (v) = s t n 1;1 α 0, n xn µ 0 s < t n 1;1 α b) H0 : µ = µ 0 gegen H 1 : µ µ 0 Ohne Enschränkung µ 0 = 0, dann H 0 : ϑ = ϑ 0 = 0, H1 : ϑ ϑ 0 ncht lnear n u. h(u, t) = 1 n u t u /n n 1 Betrachte ṽ = h(u, t) = u t = x x Unter ϑ = 0 glt Ṽ Y, wobe Y Y N (0, 1). 3 Vertelung von Ṽ st unabhängg von ξ und symmetrsch um 0. Nach 1.6(b) exstert en UMPU-Test ϕ (ṽ), der wegen der Symmetre der Vertelung von Ṽ nach 1.(b) enen Ablehnberech der Form ṽ > c hat. Nun glt bzw. v = g( ṽ ). v = h(u, t) = g(ṽ) = n 1 n ṽ 1 ṽ /n g( ṽ ) st streng monoton wachsend auf [0, n) 33, so dass nach Bemerkung n 1.(b) der UMPU-Test auch auf enem Ablehnberech der Form v c baseren kann. Somt st ϕ (x) = { 1, n x n µ 0 0, s n x n µ 0 s t n 1;1 α < t n 1;1 α UMPU-Test für H 0 gegen H 1. 3 Erwetere ṽ mt 1 um des zu erkennen! 33 σ Beachte: ṽ ( n, n) (nachrechenbar)

9 1.10 Bemerkung Bemerkung Ähnlche Überlegungen zegen, dass auch der en- bzw. zwesetge -Stchproben-t-Test UMPU-Test st. (z.b. Lehmann/Romano, S , 3. ed.) 1.11 Bespel (Unabhänggketstest unter NV-Annahme) (X 1, Y 1 ),..., (X n, Y n ) uv N (µ, ν, σ, τ, ϱ), also Dchte 34 f((x 1, y 1 ),..., (x n, y n ), µ, ν, σ, τ, ϱ) = (πστ 1 ϱ ) n 1 exp( (1 ϱ ) ( 1 σ (x µ) ϱ (x µ)(y ν)+ 1 στ τ (y ν) )) ( ) Zu testen: H0 : X 1, Y 1 unabhängg; H1 : X 1, Y 1 ncht unabhängg Äquvalent: H0 : ϱ = 0; H1 : ϱ 0 Bzw. de ensetge Hypothese H 0 : ϱ 0 gegen H 1 : ϱ > 0. ( ) st Exponentalfamle we n (4) mt U = x y, T 1 = x, T = y, T 3 = x, T 4 = y ϑ = ϱ στ(1 ϱ ) 1 ξ 1 = σ (1 ϱ ), ξ 1 = τ (1 ϱ ), ξ 3 = 1 1 ϱ ( µ σ νϱ στ ), ξ 4 = 1 1 ϱ ( ν τ µϱ στ ) a) H 0 : ϑ 0 gegen H 1 : ϑ > 0 Se R = (X X)(Y Ȳ ) (X X) (Y Ȳ ) emprscher Korrelatonskoeffzent nach Pearson. Transformaton X X µ σ, Y j Y j ν τ ändert R ncht, deshalb hängt de Vertelung von R ncht von µ, ν, σ, τ ab, sondern nur von ϱ. Für ϑ = 0 st de Vertelung von R also unabhängg von ξ 1, ξ, ξ 3, ξ ϱ st Korrelatonskoeffzent (s. Stochastk 1)

10 98 1 UMPU TESTS ( UMP UNBIASED ) Korolar 1.8 R st unabhängg von (T 1,..., T 4 ) unter ϑ = UMPU-Test hat Ablehnberech der Form R c oder äquvalent w := R 1 R n c U T [R = 3 T 4 /n st streng monoton wachsend n U (T1 T3 /n)(t T4 /n) w st streng monoton wachsend 35 n U] Nach Aufgabe 36 glt: w t n falls ϱ = 0 (bzw. ϑ = 0). Deshalb: { 1, w tn,1 α ϕ 1 (w) = 0, w < t n,1 α UMPU-Test zum Nveau α für H 0 gegen H 1. b) Test von H 0 : ϑ = 0, H1 : ϑ 0 R st lnear n U mt um 0 symmetrscher Vertelung für ϑ = 0 UMPU-Test hat Ablehnberech der Form R c. x 1 x De Funkton x st streng monoton wachsend für 0 x 1, woraus we n 1.9(b) folgt: { 1, w tn,1 α ϕ (w) = 1 0, w < t n,1 α st UMPU-Test zum Nveau α für H 0 : ϱ = 0 gegen H 1 : ϱ w st streng monoton wachsend n R (Beachte: R [ 1, 1] und w (R) > 0 R ( 1, 1))

Stochastische Prozesse

Stochastische 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)

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis 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

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 Das Pumping-Lemma für reguläre Sprachen: Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma

Mehr

Zulassungsprüfung Stochastik,

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

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. 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

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte 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

Mehr

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

1 Finanzmathematik. 1.1 Das Modell. Sei Xt 1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd

Mehr

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

Asymptotische 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

Mehr

2 Zufallsvariable und Verteilungen

2 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

Mehr

Konkave und Konvexe Funktionen

Konkave 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

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare 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

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik 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

Mehr

Musterlösung zu Übung 4

Musterlösung zu Übung 4 PCI Thermodynamk G. Jeschke FS 05 Musterlösung zu Übung erson vom 6. Februar 05) Aufgabe a) En Lter flüssges Wasser egt m H O, l ρ H O, l L 998 g L 998 g. ) De Stoffmenge n H O, l) von enem Lter flüssgen

Mehr

6. Übung zur Linearen Algebra II

6. Übung zur Linearen Algebra II Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

50 Matrixnormen und Eigenwertabschätzungen

50 Matrixnormen und Eigenwertabschätzungen 50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur 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

Mehr

f s, x(s) ds max f s, x(s) f s, y(s) ds exp L s t0 L t t 0 ) ds

f s, x(s) ds max f s, x(s) f s, y(s) ds exp L s t0 L t t 0 ) ds 8 1 Fxpunktsätze 2. Nach Defnton von M glt xt p 0 X b für alle t [t 0 c, t 0 + c], d.h. xt Q für alle t [t 0 c, t 0 + c]. Also lefern 1.18 1 und de Egenschaften des Integrals cf. Folgerung??.?? T p0 x

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe 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

Mehr

Die Hamilton-Jacobi-Theorie

Die Hamilton-Jacobi-Theorie Kaptel 7 De Hamlton-Jacob-Theore Ausgearbetet von Rolf Horn und Bernhard Schmtz 7.1 Enletung Um de Hamlton schen Bewegungsglechungen H(q, p q k = p k H(p, q ṗ k = q k zu verenfachen, führten wr de kanonschen

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 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

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

3. Lineare Algebra (Teil 2)

3. 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

Mehr

Definition des linearen Korrelationskoeffizienten

Definition 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.

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die 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

Mehr

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Prof. 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

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 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

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 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

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

Runge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme

Runge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme Runge-Kutta-Teore: Adjungerte Verfaren, A-Stabltät, Stefe Systeme Andre Neubert [email protected] Semnar Numerk für Informatker, SS2004: Runge-Kutta-Teore Sete Glederung : - Adjungerte Verfaren / Symmetrsce

Mehr

( a ) z + ( 1 b ) z = ( 1 c ) z.

( a ) z + ( 1 b ) z = ( 1 c ) z. Hans Walser, [2000509a] Fermat mt negatven Exponenten Anregung: T. G., B. Vgl. [Morgan 200] Ausgangsrage Gesucht snd Lösungen a,b,c! der Glechung: a z + b z = c z, z! 2 Bespele und Gegenbespele a) Für

Mehr

18. Dynamisches Programmieren

18. 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

Mehr

MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen

MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS Matheatsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Opterung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz,

Mehr

Eine kurze Einführung in die Dichtefunktionaltheorie (DFT)

Eine kurze Einführung in die Dichtefunktionaltheorie (DFT) Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl 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

Mehr

Die Transzendenz der Eulerschen Zahl e

Die Transzendenz der Eulerschen Zahl e De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen

Mehr

2.6 Struktursatz und Anwendungen

2.6 Struktursatz und Anwendungen 2.6. STRUKTURSTZ UND NWENDUNGEN 79 2.6 Struktursatz und nwendungen Lernzele 4. Normalformen für Präsentatonen endlch erzeugter Moduln über Eukldschen erechen nwendungen auf ratonale Normalformen für Vektorraumendomorphsmen

Mehr

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen

Lineare 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

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

Mehr

Schriftliche Prüfung aus Signaltransformationen Teil: Dourdoumas am

Schriftliche Prüfung aus Signaltransformationen Teil: Dourdoumas am TU Graz, Insttut für Regelungs- und Automatserungstechnk 1 Schrftlche Prüfung aus Sgnaltransformatonen Tel: Dourdoumas am 1. 10. 01 Name / Vorname(n): Kennzahl / Matrkel-Nummer: 1 errechbare Punkte 4 errechte

Mehr

z.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!

z.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

Mehr

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Regressionsgerade. 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

Mehr