10 ARIMA-Modelle für nicht-stationäre Zeitreihen
|
|
- Oskar Goldschmidt
- vor 7 Jahren
- Abrufe
Transkript
1 10 ARIMA-Modelle für nicht-stationäre Zeitreihen In diesem Abschnitt untersuchen wir einige praktische Aspekte bei der Wahl eines geeigneten Modells für eine beobachtete Zeitreihe X 1,...,X n. Falls die Reihe ein stationäres Verhalten zeigt (Grafik) und die Autokovarianzen schnell genug abklingen, so legt man i.a. ein ARMA(p, q)-modell zugrunde. Falls nicht, versucht man, durch geeignete Transformation (z.b. Differenzenbildung) zu einer ARMA(p, q)-reihe zu kommen. Definition (ARIMA(p, d, q)-reihe ) Für d N 0 heißt {X n } n Z eine ARIMA(p, d, q)-reihe, falls die Zeitreihe {Y n } n Z mit Y n =(1 B) d X n,n Z, eine kausale ARMA(p, q)-reihe bildet. [ ] AutoRegressive Integrierte Moving Average-Zeitreihe. D.h., eine ARIMA(p, d, q)-reihe genügt der Differenzengleichung (10.1) a (B) X n = a(b)(1 B) d X n = b(b) e n, n Z, mit {e n } D WN(0,σ ), dem Backward-Shift-Operator B und Polynomen a (z) = a(z)(1 z) d = (1 a 1 z a p z p )(1 z) d, a p 0, b(z) = 1+b 1 z + + b q z q, b q 0, wobei a(z) 0 für z 1 (Kausalität). Das Polynom a ( ) besitzt also eine d-fache Nullstelle bei z = 1. Bemerkung a) Bei d 1 kann ein polynomialer Trend der Ordnung d 1 zu {X n } addiert werden, ohne die Gleichungen (10.1) zu verletzen. Daher gilt : {X n } ist stationär d =0. b) EX n und Cov(X n,x m ) sind durch (10.1) nicht eindeutig festgelegt. c) Für eine Vorhersage werden zusätzliche Bedingungen an {X n } benötigt (s.u.). 61
2 Beispiel {X n } ist ARIMA(1, 1, 0)-Reihe, falls für α < 1 gilt : (1 αb)(1 B) X n = e n, d.h. Y n = (1 B)X n = α j e n j, n Z, j=0 wobei {e n } D WN(0,σ ). Folglich : X n = X 0 + n Y j, n N, sowie X n = X 0 j=1 n 1 Y j, n N. j=0 Typisch für ARIMA-Zeitreihen : Es gibt langsam abklingende positive (oder oszillierende) Autokovarianzen. Ferner : Es werden nur spezielle Nicht-Stationaritäten modelliert. Wichtig : Identifikation der Modellordnungen ( p, q und d ). Oft gelingt eine angemessene Modellierung erst nach vorheriger Transformation, z.b. Box- Cox (1964)-Transformationen : 1 f λ (X j ) = {X λ j 1}, X j 0 (λ>0) bzw. ln X j, X j > 0 (λ =0). Identifikation : Sei {X j } trendbereinigte, ggf. transformierte Zeitreihe, für die ein ARMA(p, q)-modell angepasst werden soll. Man beachte : Es besteht die Gefahr der Überanpassung ( Overfitting ), z.b. können 100 beobachtete Werte (etwa) einer Zeitreihe Y j = a + b j + ε j (j =1,...,100) perfekt durch ein Polynom 99-sten Grades angepasst werden, das aber offenbar das Modell weit verfehlt. Daher : Anpassungskriterien, die Overfitting verhindern sollen. FPE-Kriterium (Akaike, 1969) [ Minimiere Final Prediction Error ] : FPE : (Geschätzter) 1-Schritt-Vorhersagefehler einer von {X 1,...,X n } unabhängigen Realisation, etwa {Y 1,...,Y n }, derselben Zeitreihe. Sei z.b. {X 1,...,X n } Abschnitt einer kausalen AR(p)-Reihe und {Y 1,...,Y n } unabhängig von {X 1,...,X n } mit derselben Struktur ; ferner seien â 1,...,â p die 6
3 ML-Schätzer von a 1,...,a p, basierend auf X 1,...X n. Betrachte den (geschätzten) 1-Schritt-Vorhersagefehler E ( Y n+1 â 1 Y n â p Y n+1 p ). Mit X (n) =(X 1,...,X n ),Y (n,p) =(Y n,...,y n+1 p ),a=(a 1,...,a p ), â =(â 1,...,â p ) erhält man : E ( Y n+1 â Y (n,p)) = E ( Yn+1 a Y (n,p) (â a) Y (n,p)) Kausalität = σ + E ( E { (â a) Y (n,p) Y (n,p) (â a) X (n) }) X (n),y (n,p) = unabhängig σ + E{(â a) Γ p (â a) } mit Γ p = (( γ(j k) )) j,k=1,...,p. Bei {e n } D IID(0,σ ) gilt (vgl. Brockwell & Davis (1991), Theorem 8.1.1) : D ( ) n (â a) N 0,σ Γ 1 p und daher n (â a) Γ p (â a) D σ X p, d.h. E ( (â a) Γ p (â a) ) σ p n, also E ( ) ( Y n+1 â 1 Y n â p Y n+1 p σ 1+ p ). n Ersetzt man σ durch die ML-Schätzung ˆσ und beachtet ( vgl. Brockwell & Davis (1991), 8.9 ) n ˆσ D σ X n p, d.h. n ˆσ so motiviert dies den Ansatz : FPE := n ( ˆσ 1+ p ) n p n Allgemeiner anwendbar ist das n p Minimiere = ˆσ n + p n p. asymptotisch erwartungstreu, AIC-Kriterium (Akaike 1973) [ Akaike s Information Criterion ] : Es basiert auf der Kullback-Leibler-Information (dem Kullback-Leibler-Index) einer W-Dichte f( ; ϑ) bzgl. einer anderen f( ; ϑ 0 ), d.h. auf I(ϑ ϑ 0 ) := log ( f(x; ϑ) ) { ( )} f(x; ϑ 0 ) dx = E ϑ0 log f(x; ϑ). Die Jensen sche Ungleichung liefert für die Kullback-Leibler-Diskrepanz d(ϑ ϑ 0 ):= I(ϑ ϑ 0 ) I(ϑ 0 ϑ 0 ): 63
4 f(x, ϑ) d(ϑ ϑ 0 ) log f(x, ϑ 0 ) f(x, ϑ 0) dx = 0, wobei = genau dann gilt, wenn P X ϑ = P X ϑ 0. Seien {X 1,...,X n } Abschnitt einer kausalen ARMA(p, q)-reihe und {Y 1,...,Y n } unabhängig von {X 1,...,X n } mit derselben Struktur. Analog zum FPE betrachtet man die (geschätzte) Kullback-Leibler-Information (10.) E a,b;σ { logf(y ;â, ˆb, ˆσ ) }, wobei X =(X 1,...,X n ), Y =(Y 1,...,Y n ), â, ˆb, ˆσ die Schätzer für die entsprechende Gauß sche ARMA(p, q)-reihe bezeichnen ( vgl. (9.13) (9.14) ). Mit S(a, b) = S X (a, b) aus 9 erhält man für die log-likelihoodfunktion : (â, logl Y ˆb, ) (â, ˆσ = logl X ˆb, ) ˆσ + 1ˆσ S (â, Y ˆb) n [ 1 beachte : n S (â, ] X ˆb) = ˆσ, folglich { ( logf Y ;â, ˆb, )} ˆσ E a,b,σ = E a,b,σ { loglx (â,ˆb, ˆσ )} + E a,b,σ Man kann zeigen, dass Normalapprox. E a,b,σ S Y (â, ˆb) σ (n + p + q) { SY (â, ˆb) ˆσ } n. (â, sowie S Y ˆb) asymptotisch unabhängig ist von ˆσ. Daher : { (â, SY ˆb) } ( ) (10.3) E a,b,σ n σ (n + p + q) E ˆσ a,b,σ n 1ˆσ = ( B&D σ (n + p + q) σ n p q n AICC ( â, ˆb ) ( := logl X â, ˆb; S X(â, ˆb) ) + n ) 1 n = (p + q +1)n n p q (p + q +1)n n p q ist asymptotisch erwartungstreuer Schätzer der (geschätzten) Kullback-Leibler-Information in (10.), falls a, b, σ bzw. p, q die zutreffenden Parameterwerte sind. Wähle daher p, q derart, dass AICC(â,ˆb) minimiert wird. [ ] Akaike s Information Criterion Corrected 64
5 Das Akaike Information Criterion AIC ( â, ˆb ) ( := logl X â, ˆb; S X(â, ˆb) ) +(p + q +1)n n benutzt eine andere Approximation in (10.3), kann aber ansonsten entsprechend verwendet werden. Weitere Modelldiagnose : Da die gewichteten Innovationen W j = ( X j ˆX )/ j rj 1 mit r j 1 = E ( X j ˆX ) / j σ (j =1,...,n) paarweise orthogonal sind, mit EW j =0,EWj = σ, also den Abschnitt einer WN(0,σ )-Reihe bilden, sollten sich auch die (so genannten) Residuen (10.4) Ŵ j = X j ˆX j (â, ˆb) r j 1 (â,ˆb), j =1,,..., näherungsweise wie ein weißes Rauschen WN(0, ˆσ ) verhalten. Eine andere mögliche Wahl der Residuen ist : ê j = ˆb 1 (B)â(B) X j, j =1,...,n, wobei â(z) :=1 â 1 z â p z p, ˆb(z) =1+ˆb 1 z + + ˆb q z q und X j := 0, falls j 0. Zu Tests auf Vorliegen eines weißen Rauschens vgl. Brockwell & Davis (1991), 9.4. Vorhersage von ARIMA-Zeitreihen : I.A. sind die E.W. EX j und. Momente EX j X j+k einer ARIMA(p, d, q)- Reihe nicht durch die Modellgleichungen (10.1) eindeutig festgelegt. Sei z.b. {Y j } j=1,,... eine zentrierte, kausale ARMA(p, q)-reihe und j X j = X 0 + Y l (j =1,,...) l=1 mit einer quadratintegrierbaren ZV. X 0, so bildet {X j } j=0,1,... eine ARIMA(p, 1,q)- Reihe mit E.W. EX j = EX 0 und Autokovarianzen, die von Var(X 0 ) und den Kovarianzen Cov(X 0,Y j ) abhängen. Beste lineare Vorhersage : Sei M n =[{X 0,X 1,...,X n }]=[{X 0,Y 1,...,Y n }], so ergibt sich : ˆX n+1 = P Mn (X 0 + Y Y n+1 ) = X n + P Mn Y n+1, 65
6 wobei letztere Projektion von EX 0 Y j (j =1,...,n+ 1) und EX0 abhängt. Sind X 0 und die {Y j } unkorreliert, so gilt : P [{X0,Y 1,...,Y n+1 }] Y n+1 = P [{Y1,...,Y n}] Y n+1, d.h., es genügt die Kenntnis der acv.f. von {Y j } für die Vorhersage von {X j }. Allgemeiner Fall : Die beobachtete Zeitreihe {X j } j=1,,... genüge der Differenzengleichung (10.5) (1 B) d X j = Y j, j =1,,..., wobei {Y j } eine kausale ARMA(p, q)-reihe sei und B der Backward-Shift-Operator. Annahme : {X 1 d,x d,...,x 0 } und {Y 1,Y,...} sind orthogonal, d.h. paarweise unkorreliert. Es seien n + d Werte, etwa X 1 d,x d,...,x n von {Y j } beobachtet worden. von {X j }, d.h. n Werte Y 1,...,Y n Gesucht : P Mn X n+h = P [{X1 d,...,x n}] X n+h (h =1,,...). Setze P n Y n+h := P [{Y1,...,Y n}] Y n+h, Ŷ n+1 = P n Y n+1. Da M n =[{X 1 d,...,x 0 ; Y 1,...,Y n }] und [{X 1 d,...,x 0 }] [{Y 1,...,Y n }], erhält man : (10.6) P Mn Y n+h = P M0 Y n+h + P n Y n+h = P n Y n+h. Eine Anwendung von (10.6) auf die Gleichung (10.5) liefert : (10.7) P Mn X n+h (10.5) = P Mn (Y n+h (10.6) = P n Y n+h d j+1 d j+1 ( d j ( ) d )( 1) j X n+h j j ) ( 1) j P Mn X n+h j. Da die Vorhersagen P n Y n+h der ARMA(p, q)-reihe {Y j } gemäß 7 rekursiv bestimmt werden können, lassen sich die Vorhersagen P Mn X n+1,p Mn X n+,... also gemäß (10.7) ebenfalls rekursiv berechnen. Man beachte : P Mn X n+1 j = X n+1 j (j =1,...,d). Mit X k+1 = P M k X k+1 liefern (10.5) und (10.7) : X k+1 X k+1 = Y k+1 Ŷk+1, k =0, 1,
7 Folglich für n>r=max(p, q) und h 1 ( vgl. (7.8)/(7.13) ) : p q ( (10.8) P n Y n+h = a j P n Y n+h j + d n+h 1,j Xn+h j Xn+h j). j=1 j=h Mit a (z) =(1 z) d a(z) =1 a 1 z a p+d zp+d liefern (10.6) (10.8) : p+d q ( (10.9) P Mn X n+h = a j P Mn X n+h j + d n+h 1,j Xn+h j Xn+h j), j=1 j=h analog zu (7.8)/(7.13) für die h-schritt-vorhersagen von ARMA(p, q)-reihen. Zum Vorhersagefehler : vgl. Brockwell & Davis (1991), Formeln (9.5.6) und (9.5.7). Abschließend noch einige Bemerkungen zu SARIMA-(saisonale ARIMA-)Zeitreihen : Statt des klassischen Modells X j = m j + s j + Y j, j Z mit deterministischen Trendund Saisonkomponenten m j und s j betrachtet man die trendbereinigte Zeitreihe mit zufälliger Saisonkomponente, z.b. Monatsdaten über verschiedene Jahre erhoben : Monat X 1 X... X 1 Jahr X 13 X X 4 3 X 15 X 6... X r X 1+1(r 1) X +1(r 1)... X 1+1(r 1) Modellierung, z.b. für Monat k = 1,...,1 : X k+1j A 1 X k+1(j 1) a P X k+1(j P ) (10.10) = U k+1j + B 1 U k+1(j 1) + + B Q U k+1(j Q) mit {U k+1j } D j Z WN(0,σU ), d.h., man modelliert dasselbe ARMA(P, Q)-Modell für die Zwischenjahreswerte. Man beachte, dass i.a. EU j U j+h 0, falls h 1. Mit A(z) =1 A 1 z A P z P, B(z) =1+B 1 z + + B Q z Q, Backward-Shift-Operator B 1 gilt : (10.10 ) A(B 1 ) X j = B(B 1 ) U j, j Z, wobei {U k+1j } D WN(0,σ U ). 67 z C, und dem
8 Zur Modellierung der Abhängikeiten der 1 verschiedenen Zwischenjahresreihen wähle man z.b. ein ARMA(p, q)-modell für die Folge {U j } j Z, d.h. (10.11) a(b) U j = b(b) e j, j Z, mit a(z) =1 a 1 z a p z p,b(z) =1+b 1 z + + b q z q, {e j } D WN(0,σ). Man beachte, dass i.a. EU j U j+h 0 j, h aber EU j U j+1h klein. Eine Kombination von (10.10) und (10.11) und Zulassen vorheriger Differenzenbildung liefert : Definition 10.. (SARIMA (p, d, q) (P, D, Q) s -Reihe ) Für d, D N 0 heißt {X j } j Z saisonale ARIMA (p, d, q) (P, D, Q) s -Reihe ) mit Periode s, falls die Reihe {Y j } j Z mit Y j =(1 B 1 ) d (1 B s ) D X j eine kausale ARMA(p, q)- Reihe bildet, d.h. a(b 1 )A(B s ) Y j = b(b 1 )B(B s ) e j, j Z, wobei {e j } D WN(0,σ ) und a(z) =1 a 1 z a p z p, a p 0, A(z) = 1 A 1 z A P z P, A P 0, b(z) =1+b 1 z + + b q z q, b q 0, B(z) = 1+B 1 z B Q z Q, B Q 0. Bemerkung 10.. a) {Y j } kausal = a(z) 0 A(z) ( z 1) ; b) In Anwendungen : D 1 und P, Q 3. Schritte zur Anpassung eines SARIMA-Modells : 1) Finde d, D so, dass die differenzierte Reihe Y j = (1 B) d (1 B s ) D X j, j Z, ein stationäres Verhalten zeigt (s.o.). ) Finde P, Q so, dass die geschätzten Autokorrelationen ˆρ(sh), h = 1,,..., von {Y j } zum Lag h zu denen einer ARMA(P, Q)-Reihe vergleichbar sind. 3) Finde p, q so, dass ˆρ(1),...,ˆρ(s 1) zu den Autokorrelationen einer ARMA(p, q)- Reihe vergleichbar sind. Zu weiteren Einzelheiten und Beispielen vgl. Brockwell & Davis (1991),
6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Mehr11. Zeitreihen mit Trend und Saisonalität
In diesem Abschnitt geht es um ZR, die in eine Trend-, eine Saisonund eine Restkomponente zerlegt werden können. (Das Niveau sei in der Trendkomponente enthalten.) Beispiele für solche ZR sind in Abb.
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
MehrKointegration. Kapitel 19. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 28 Kointegration Kapitel 19 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 28 Inhalt I(d), Trends, Beispiele Spurious Regression Kointegration, common trends Fehlerkorrektur-Modell Test
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
Mehracf(y) pacf(y) Series y Series y Index ACF Lag Partial ACF Lag
Aufgabe 47: Parameterschätzung und Modellwahl im ARMA-Modell (Software) Analysieren Sie die in der Datei aufgabe47.txt gegebene Zeitreihe (y t ), t = 1,..., 100. Nehmen Sie an, dass diese Realisation eines
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrSchätzer und Konfidenzintervalle
Kapitel 2 Schätzer und Konfidenzintervalle Bisher haben wir eine mathematische Theorie entwickelt, die es uns erlaubt, gewisse zufällige Phänomene zu modellieren. Zum Beispiel modellieren wir die Anzahl
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 ]
MehrEine zeitreihenanalytische Untersuchung der Industrieproduktion in Deutschland
Eine zeitreihenanalytische Untersuchung der Industrieproduktion in Deutschland Klaus Neusser 2. Dezember 2010 Zusammenfassung Ziel dieses Beitrags ist es, den fortgeschrittenen Studierenden eine Einführung
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
Mehr14 Lineare Differenzengleichungen
308 14 Lineare Differenzengleichungen 14.1 Definitionen In Abschnitt 6.3 haben wir bereits eine Differenzengleichung kennengelernt, nämlich die Gleichung K n+1 = K n q m + R, die die Kapitalveränderung
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
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
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
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
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
MehrSymmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome
Proseminar Lineare Algebra SS10 Symmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome Natalja Shesterina Heinrich-Heine-Universität ASymmetrische Polynome Definition 1 Sei n
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
Mehr4.3 Anwendungen auf Differentialgleichungen
7 4.3 Anwendungen auf Differentialgleichungen Die Laplace-Transformation wird gerne benutzt, um lineare Differentialgleichungen mit konstanten Koeffizienten y n + a n y n +... + a y + a 0 y ft zu lösen,
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrZusammenfassung Stochastik I + II
Zusammenfassung Stochastik I + II Stephan Kuschel Vorlesung von Dr. Nagel Stochastik I: WS 007/08 Stochastik II: SS 008 zuletzt aktualisiert: 7. Juli 009 Da diese Zusammenfassung den Menschen, die sie
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
Mehr4 Modellierung und Prognose mit ARMA, ARIMA und SA- RIMA Modellen
4 Modellierung und Prognose mit ARMA, ARIMA und SA- RIMA Modellen Ein Problem von großer praktischer Bedeutung ist natürlich die Schätzung der unbekannten Parameter eines ARM A(p, q) Prozesses (mit Mittelwert
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
Mehr4.1. Grundlegende Definitionen. Elemente der Analysis I Kapitel 4: Funktionen einer Variablen. 4.2 Graphen von Funktionen
4.1. Grundlegende Definitionen Elemente der Analysis I Kapitel 4: Funktionen einer Variablen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 22./29. November 2010 http://www.mathematik.uni-trier.de/
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrAnalysis und Lineare Algebra mit MuPAD
Analysis und Lineare Algebra mit MuPAD Dehling/Kubach Mögliche Themen für Abschlussprojekte 1 Fourier-Reihen Zu einer integrierbaren Funktion f : [0,2π] R definieren wir die Fourier-Reihe wobei a 0 = 1
Mehr17 Nichtparametrische Schätzer
17 Nichtparametrische Schätzer In diesem Paragraphen werden kurz einige Möglichkeiten skizziert, auch in nichtparametrischen Modellenzu Schätzern fürinteressierende statistische Größenzugelangen. a Empirische
MehrHauptseminar zum Thema:
Fakultät Informatik Institut für angewandte Informatik Professur Technische Informationssysteme Hauptseminar zum Thema: Vergleich ARCH- und GARCH- Modelle bei der Analyse von Zeitreihen mit veränderlichen
Mehrein stationärer Prozeß (AR(0)). Etwas allgemeiner nimmt man an, daß die d-te Differenz ARMA(p, q) ist, also ist die Differenz
Kapitel 4 Nichtstationäre Zeitreihen 4.1 ARIMA-Modelle Die bisher diskutierten ARMA-Modelle sind bei bei geeigneter Wahl der Parameter stationär, d.h. wenn alle Wurzeln der Gleichung φ(λ 1 )=0betragsmäßig
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
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
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
Mehrx A, x / A x ist (nicht) Element von A. A B, A B A ist (nicht) Teilmenge von B. A B, A B A ist (nicht) echte Teilmenge von B.
SBP Mathe Grundkurs 1 # 0 by Clifford Wolf # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das Lernen mit Lernkarten
MehrSBP Mathe Grundkurs 1 # 0 by Clifford Wolf. SBP Mathe Grundkurs 1
SBP Mathe Grundkurs 1 # 0 by Clifford Wolf SBP Mathe Grundkurs 1 # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit. Das
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
MehrOutline. 1 Funktionen von mehreren Veränderlichen. 2 Grenzwert und Stetigkeit. 3 Partielle Ableitungen. 4 Die verallgemeinerte Kettenregel
Outline 1 Funktionen von mehreren Veränderlichen 2 Grenzwert und Stetigkeit 3 Partielle Ableitungen 4 Die verallgemeinerte Kettenregel 5 Das totale Differential 6 Extremstellen Roman Wienands (Universität
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
Mehrn=1 a n mit reellen Zahlen a n einen
4 Unendliche Reihen 4. Definition und Beispiele Ein altes Problem der Analysis ist es, einer Reihe mit reellen Zahlen einen Wert zuzuordnen. Ein typisches Beispiel ist die unendliche Reihe + +..., die
Mehr55 Lokale Extrema unter Nebenbedingungen
55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
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
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrMathematik 1 für Informatiker und Wirtschaftsinformatiker Wintersemester 07/08 (Winkler) Musterprüfung mit Lösungen
Mathematik für Informatiker und Wirtschaftsinformatiker Wintersemester 07/08 (Winkler Musterprüfung mit Lösungen. Sei T N. (a Unter welchen beiden Voraussetzungen an T garantiert das Induktionsaxiom (nach
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
Mehr2. Spezielle anwendungsrelevante Funktionen
2. Spezielle anwendungsrelevante Funktionen (1) Affin-lineare Funktionen Eine Funktion f : R R heißt konstant, wenn ein c R mit f (x) = c für alle x R existiert linear, wenn es ein a R mit f (x) = ax für
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrMusterlösung Höhere Mathematik I/II Di. Aufgabe 1 (11 Punkte) Geben Sie die Matrixbeschreibung der Quadrik
Aufgabe Punkte Geben Sie die Matrixbeschreibung der Quadrik {x R 3x 3x 8x x +x +4x +7 = 0} an Berechnen Sie die euklidische Normalform der Quadrik und ermitteln Sie die zugehörige Koordinatentransformation
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrGewöhnliche inhomogene Differentialgleichungen der 1. und 2. Ordnung. Christopher Schael
Gewöhnliche inhomogene Differentialgleichungen der 1. und. Ordnung 1.1.) Anleitung DGL der 1. Ordnung 1.) DGL der 1. Ordnung In diesem Abschnitt werde ich eine Anleitung zur Lösung von inhomogenen und
Mehr