12 UMPU Tests ( UMP unbiased )
|
|
|
- Helmut Dressler
- vor 9 Jahren
- Abrufe
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
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)
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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,
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
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
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
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
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
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
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)
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
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.
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,
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
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
-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
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
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
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
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
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
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 /
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
( 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
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
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,
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
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
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
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
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
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
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
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
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
