3 GEOSTATISTIK 25. Erwartungswertfunktion, räumlicher Trend. . c(s i,s j ) i=1,...,n; j=1,...,n
|
|
- Anke Koch
- vor 6 Jahren
- Abrufe
Transkript
1 3 GEOSTATISTIK 5 3 Geostatistik 3.1 Gauß-Prozesse Definition 3.1. (Gauß-Zufallsfelder) Y = Y (s), s D R d heißt Gauß-Zufallsfeld der Dimension d (Gauß-ZF oder Gaussian random field (GRF) oder Gauß-Prozess):, Für beliebige Lokationen s 1,...,s n ist (Y (s 1 ),...,Y(s n )) 0 multivariat normalverteilt. Bezeichnungen: µ(s) =E[Y (s)] : Erwartungswertfunktion, räumlicher Trend (s) =Var(Y (s)) : Varianzfunktion c(s, s 0 )=Cov(Y (s), Y(s 0 )) : Kovarianzfunktion Theorem 1. Ein Gauß-Prozess wird durch µ(s) und c(s, s 0 ) vollständig spezifiziert. Beweis: Für alle s 1,...,s n D gilt: µ(s 1 ) (Y (s 1 ),...,Y(s n )) 0 BB C N c(s i,s j ) i=1,...,n; j=1,...,n AC A µ(s n ) Stationarität Definition 3.. (Schwach stationär) Ein räumlicher stochastischer Prozess Y = {Y (s), s D} heißt schwach stationär:, E[Y (s)] = µ =const, Cov (Y (s), Y(s 0 )) = c(s s 0 ) für alle s, s 0 D Definition 3.3. (Strenge Stationarität) Ein räumlicher stochastischer Prozess Y heißt streng stationär:, alle endlichdimensionale Verteilungen sind verschiebungsinvariant. Theorem. (Strenge und schwache Stationarität) 1. Y streng stationär ) Y schwach stationär. Y sei Gauß-Prozess. Dann gilt: Y streng stationär, Y schwach stationär.
2 3 GEOSTATISTIK Theoretisches (Ko-)Variogramm und Korrelationsfunktion Definition 3.4. Sei Y = {Y (s), s D} ein räumlicher Prozess. Dann heißt c(s, s 0 ):=Cov(Y (s), Y(s 0 )) Kovariogramm oder Kovarianzfunktion und (Semi-)Variogramm. Es gilt: (s, s 0 ):= 1 Var (Y (s) Y (s0 )) (s, s 0 )= 1 Var(Y (s)) + 1 Var(Y (s0 )) c(s, s 0 ) Definition 3.5. Sei Y = {Y (s), s D} ein stationärer Prozess und h := s s 0.Dannheißtc(h) =c(s s 0 )=c(s, s 0 )stationäre Kovarianzfunktion und (h) := c(h) = c(h) c(0) Korrelogramm oder Korrelationsfunktion. Es gilt: c(0) = =Var(Y (s)) = const. c(h) = c( h) (h) = ( h) Definition 3.6. (Isotropie und Anisotropie) Ist c(s s 0 )=c (ks s 0 k) nur eine Funktion des euklidischen Abstands von s und s 0,soheißtY bzw. c isotrop; ansonsten anisotrop. Definition 3.7. (Intrinsisch stationär) Y intrinsisch stationär:, E[Y (s)] = µ, (s, s 0 )= (s s 0 ). (h) heißt stationäres Variogramm. Es gilt: (h) = ( h), (0) = 0. Hängt (h) nur von khk ab, so heißt isotrop. Theorem 3. Y schwach stationär ) Y intrinsisch stationär mit (h) =c(0) c(h) = (1 (h)). Definition 3.8. (L -Stetigkeit, L -Di erenzierbarkeit) Yheißt L -stetig:, E[Y (s + h) Y (s)]! 0 für h! 0 Yheißt L -di erenzierbar:, Es existiert ein SP Y 0 mit apple Y (s + h) E h Y (s) Y 0 (s)! 0 für h! 0.
3 3 GEOSTATISTIK 7 Später: wenn Y nicht L -stetig, liegt ein Nugget E ekt vor. Wir interessieren uns (erstmal) nur für stationäre Prozesse. Eigenschaften: Y stationär ) Y ist L -stetig, (h) stetigin h =0 Y k-mal L -di erenzierbar, (h) k-mal in h =0di erenzierbar. Y ist L -stetig, (h) stetigin h =0 (h) =constfür h>0 ) Cov (Y (s), Y(s 0 )) = 0 für beliebige s 6= s 0. Die räumliche Korrelation wird bei stationären GRF also durch (h) bzw. (h) bestimmt. 3. Empirisches Variogramm In diesem Abschnitt nichtparametrische Schätzung des (Ko-)Variogramms als exploratives Werkzeug. Später definieren wir uns parametrische Modelle, die auch paramterische Schätzung erlauben Schätzer (a) Empirisches Variogramm b(h) = 1 N(h) X i,jn(h) (y(s i ) y(s j )) mit N(h) ={(s i, s j ): s i s j = h ; i, j =1,...,n} Herleitung: (h) =Var(Y (s i ) Y (s j )), (h) = 1 Var(Y (s i) Y (s j )) = 1 E[(Y (s i) Y (s j )) ] (E[Y (s i ) Y (s j )]) = 1 E[(Y (s i) Y (s j )) ] (E[Y (s i )] E[Y (s j )]) = 1 E[(Y (s i) Y (s j )) ] (µ µ) = 1 E[(Y (s i) Y (s j )) ] ) 1 X b(h) = (y(s i ) y(s j )) N(h) i,jn(h)
4 3 GEOSTATISTIK 8 Analoger Schätzer für Kovariogramm verzerrt. Nachteil: N(h) meist klein, oft N(h) =1) Schätzer instabil. (b) Empirisches Variogramm nach Matheron Für isotrope, intrinsisch stationäre Prozesse. Einteilung der euklidischen Distanz d ij = d(s i,s j ) zwischen zwei Lokationen in K Klassen (Bins): H k = {d ij : h k 1 apple d ij <h k }, k =1,...,K; h 0 =0 b k = 1 N k X i,jn k (Y (s i ) Y (s j )) N k = {(s i,s j ):s i s j H k } Fragen / Probleme: K =?, Wahl der Klassengrenzen. (c) Constant nearest-neighbour estimator b CNN (h) = Pi<j 1 { < h ks i s j k < } (Y (s i ) Y (s j )) P i<j 1 { < h ks i s j k < } (d) Variable nearest-neighbour estimator b VNN (h) = P i<j 1 K h ksi s j k 0(ks i s j k) 0(ks i s j k) P i<j 1 K h ksi s j k 0(ks i s j k) 0(ks i s j k) (Y (s i ) Y (s j )), wobei K den Kern und die Bandbreite bezeichnen. 0 erlaubt bessere Anpassung, oft wird 0 1angenommen. kann AMISE-optimal gewählt werden. 3.. Bezeichnungen (a) Nugget-E ekt Empirisch ist oft zu beobachten, dass das Variogramm bei khk = 0 springt. Sei Y (s)derwahre,stationäre Prozess und Z(s)einbeobachteter Prozess mit i.i.d. Z(s) =Y (s)+"(s), " i N(0, ) Dann gilt: c Z (h) = cy (h)+ ", falls khk > 0 c Y (0), falls khk =0 (b) Schwellenwert/Sill Mit Schwellenwert oder Sill bezeichnet man den Wert, den das Vario-
5 3 GEOSTATISTIK 9 gramm erreicht, wenn der Abstand h gegen unendlich geht. Zieht man von diesen Wert den Nugget-E ekt ab, so erhält man den Partial Sill. (c) Range Mit Range wird der Abstand bezeichnet, ab dem das Variogramm den Schwellenwert fast erreicht. Punkte, deren Abstand größer ist als der Range werden als unabhängig voneinander betrachtet. Das hat zur Folge, dass dann, wenn das Variogramm positiv konstant ist (außer am Ursprung, wo es null ist), kein Zusammenhang zwischen Z(s i )undz(s j ) für alle s i und s j besteht. γ(s i, s j ) Partial Sill Sill Nugget Range Distance Abbildung 3: Variogramm 3.3 Parametrische Modelle für Korrelationsfunktionen und (Ko-)Variogramme Gültigkeit von Korrelationsfunktionen Gültige Modelle für Kovariogramme müssen positiv semidefinit sein, d.h. nx i=1 nx a i a j c (s i s j ) 0 für beliebige a i,a j,s i,s j j=1 erfüllen. Völlig analog für Korrelationsfunktionen. Dies sichert: Var (a 1 Y (s 1 )+...+ a n Y (s n )) 0.
6 3 GEOSTATISTIK 30 Es gilt: c 1 (h) und c (h) gültige Kovarianzfunktionen ) b 1 c 1 (h)+b c (h) für b 1 > 0undb > 0 sind gültige Korrelationsfunktionen. Wünschenswerte Eigenschaften: c 1 (h) c (h) (h) fallendinh, (h)! 0für h!1. Wenigstens 1 Parameter steuert, wie schnell (h)! 0 für h!1 geht. Theorem 4. (Bochner-Kriterium für isotrope Korrelationsfunktionen) (u) ist gültige isotrope Korrelationsfunktion, (u) ist charakteristische Funktion einer symmetrischen ZV X, (u) = Z +1 1 exp(iux)f(x)dx Weiterführende Literatur: Gneiting and und P. Guttorp [007] 3.3. Übliche Korrelationsfunktionen Erinnerung: Es gilt unter Isotropie: (u) =c(0) c(u) = (1 (u)). (a) Potenz-Exponentialfamile (Abb. 4) (u) =exp{ (u/ ) apple }, > 0, 0 <appleapple apple =1:Exponential-Korrelationsfunktion, apple =:Gauß-Korrelationsfunktion. (b) Sphärische Familie (Abb. 5) 1 3 (u) = (u/ )+ 1 (u/ )3, 0 apple u apple 0, u > Problem: Nicht di erentierbar in u = ) Schwierigkeiten bei ML- Schätzung.
7 3 GEOSTATISTIK 31 Abbildung 4: Powered-Exponential Korrelationsfunktion mit = 0. und apple =1(durchgezogeneLinie),apple =1.5 (gestricheltelinie)undapple =(gepunktete Linie). Abbildung 5: Sphärische Korrelationsfunktion mit = (c) Matérn-Familie (Abb. 6) (u) = 1 apple 1 (apple) (u/ )apple K apple (u/ ), > 0, apple > 0 K apple : Besselfunktion, i.a.nicht in geschlossener Form anzugeben. Numerische Approximationen in Abramowitz and Stegun [197]. Explizite Formeln für apple =0.5, 1.5,... möglich: (u; =1,apple=0.5) = exp( u) (u; =1,apple=1.5) = exp( u)(1 + u) (u; =1,apple=.5) = exp( u) 1+u + 13 u
8 3 GEOSTATISTIK 3 Abbildung 6: Matérn-Korrelationsfunktion mit = 0. undapple = 1 (durchgezogene Linie), apple =1.5 (gestricheltelinie)undapple = (gepunktetelinie). (u; =1,apple=3.5) = exp( u) 1+u + 5 u u3 apple!1: Gauß-Korrelationsfunktion Obwohl nurnumerischgreifbar gebräuchlichste Korrelationsfunktion, vgl. Abschnitt Anisotrope und nicht-stationäre Prozesse Arten der Anisotropie: Geometrische Anisotropie: Sill identisch, Range unterschiedlich Zonale Anisotropie: Sill unterschiedlich Erkennung: Berechne Variogramme in verschiedenen Raumrichtungen. Geometrische (Range-)Anisotropie Wähle in isotroper Korrelationsfunktion (u) für u statt u = khk eine nicht-euklidische Distanz, z.b.: u = h 0 R( ) S( ) R( ) h mit R( ) = cos sin sin cos Rotationsmatrix, (0, ) S( ) = Dehnungsmatrix, 1
9 3 GEOSTATISTIK 33 Zonale Anisotropie (siehe Ecker and Gelfand [003]) l (u), l=1,...,pseien gültige D isotrope Korrelationsfunktionen ) (h) = 1 p h0 B 1 h,..., p p h0 B p h mit B l pos. definit ist gültige Korrelationsfunktion in R. γ(h) Drift Effekt γ(h) Hole Effekt h h Abbildung 7: Der Drift E ekt weist auf Nicht-Stationarität hin. Der Hole E ekt weist auf regelmäßige Strukturen hin. 3.5 Kriging Ziel: Schätzung der (wahren) Oberfläche. Vorerst seien (deterministische) Erwartungswertfunktion und Korrelationsfunktion bekannt Einfaches Kriging Gegeben: Daten y(s 1 ),...,y(s n ) Daten-Modell: Y (s i )=Z(s i )+"(s i ) Z sei ein (stationäres) Zufallsfeld mit µ(s) undc(s, s 0 )= (s, s 0 ) "(s i )seii.i.d.mite["(s i )] = 0 und Varianz " Gesucht: linearer Prädiktor für Z(s 0 )für alle s 0 D mit minimalem mittleren quadratischen Prädiktionsfehler. Wegen Verschiebungssatz gilt: bz(s 0 )=l 0 Y + K MSPE(l, K) =E[Z(s 0 ) l 0 Y K] =Var(Z(s 0 ) l 0 Y K)+{E[Z(s 0 ) l 0 Y K]}
10 3 GEOSTATISTIK 34 E[Z(s 0 ) l 0 Y K] =µ(s 0 ) l 0 µ Y K, wobei µ Y =(µ(s 1 ),...,µ(s n )) Var(Z(s 0 ) l 0 Y K) =Var(Z(s 0 )) l 0 Cov(Z(s 0 ),Y)+l 0 C Y l wobei K fest ist. Cov(Z(s 0 ),Y)=(c(s 0,s 1 ),c(s 0,s ),...,c(s 0,s n )) 0 =: c(s 0 ) c(si,s C Y =(C Y (s i,s j )) i=1,...,n mit C Y (s i,s j )= i )+ ", für i = j j=1,...,n c(s i,s j ), sonst Ableiten nach l ) l = C 1 Y c(s 0) Ableiten nach K ) K = µ(s 0 ) c(s 0 ) 0 C 1 µ Y Daraus folgt, der lineare Prädiktor ist Die Kriging-Varianz ist dann Bemerkungen: bz(s 0 )=µ(s 0 )+c(s 0 ) 0 C 1 Y (Y µ Y ) Y (s 0 ) = MSPE(l,K )=c(s 0,s 0 ) c(s 0 ) 0 C 1 Y c(s 0) (1) Fall µ(s) µ heißt gewöhnliches (ordinary) Kriging. () Fall µ(s) =x(s) 0 mit bekanntem heißt universelles Kriging. Beispiel. Sei µ(s) =µ =0, Var(Z(s)) = 1 und " =0.5. Gegeben: Zwei Punkte s 1 =(1, 0) und s =(, 0), s 1 näher an s 0 =(0.5, 0) als s. Annahme: es gelte die Exponentialkorrelationsfunktion mit =1. c(s 1,s 0 )=0.61, c(s,s 0 )=0. und c(s 1,s )=0.37 Also und Kriging ergibt C Y = c(s 0 )=(0.61, 0.) I = bz =0.395 Y (s 1 ) Y (s ) wobei und die Kriging- Gewichte sind. Die zugehörige Varianz ist Y =1 (0.61, 0.) =
11 3 GEOSTATISTIK 35 also unabhängig von Y! Bemerkungen: Größerer Nugget-E ekt! Größere Kriging-Varianz. Größerer Sill! Größere Kriging-Varianz. Größerer Range! Kleinere Kriging-Varianz. Kriging-Varianz klein, wo mehr Daten (Trick: erhebe weitere Daten dort, wo Kriging-Varianz groß) Kriging im Gauß-Modell Nun Normalverteilungsannahme. Erster Ansatz: additives Modell Y (s) =µ(s)+z(s)+"(s) µ(s): deterministisch Z(s): stationäres Gaußzufallsfeld mit E[Z(s)] = 0 und Var(Z(s)) = "(s): i.i.d. mit E["(s)] = 0 und Var("(s)) = Gelegentlich auch Y (s) =µ(s)+w (s)+v (s)+"(s) W (s) undv (s) unabhängige und stationäre GZF mit W und V und V geht schnell gegen 0.! Mikroskalenvariation, vgl. Bsp. (Rongelap Daten). Oft aber V (s) undw (s) nicht unterscheidbar. gegeben Alternativer Ansatz: hierarchisches Modell Y (s) Z(s), " i.n.d. N(Z(s), ") Z(s) Gauss-ZufallsfeldmitE[Z(s)] = µ(s), Var(Z(s)) =, Z (h) gegeben. Die beiden Ansätze sind identisch. Es gilt jeweils: E[Y (s)] = µ(s) undcov(y (s i ),Y(s j )) wie oben
12 3 GEOSTATISTIK 36 Y = (Y (s 1 ),...,Y(s n )) 0 R = (v ij )=( (s i s j )) µ = (µ(s 1 ),...,µ(s n )) 0 Y N(µ, R + I) r := (r 1,...,r n ) 0 ; r i = (s 0 s i ) Dann gilt auch für Z 0 = Z(s 0 ) Z0 µ(s0 ) N Y µ, r 0 r 0 R + I Z 0 Y ist normalverteilt mit: E[Z 0 Y ]=µ(s 0 )+ r 0 ( R + I) 1 (Y µ) =: b Z 0 Var(Z 0 Y )= r 0 ( R + I) 1 r Entspricht also dem einfachen Kriging-Schätzer und dessen Varianz Inferenz Seien nun µ(s) =X 0 (s) und (h) unbekannt. Bemerkung: X kann parametrisches Modell für Oberfläche, etwa µ(s) = s X + s Y + 3 s X + 4s Y + 5s X s Y,seinund/oderräumlich vorliegende Kovariable (für die Prädiktion müssen diese aber auf ganz D vorliegen). (a) Maximum-Likelihood-Schätzer: Y (s i )=X 0 (s i ) + Z(s i )+"(s i ) Korrelationsparameter, := (,, ) Cov(Y )= I + R( ) =: ( ) Das allgemeine lineare Modell ergibt sich zu Y N(X, ( )) Log-Likelihood (bei Normalverteilungsannahme) l(, ) = 1 log ( ) +(y X )0 1 ( )(y X )
13 3 GEOSTATISTIK 37 Für gegebenes ist b ( ) =(X 0 1 ( ) X) 1 X 0 1 ( )y ML-Schätzer für für.einsetzenin l(, ) ergibtdieprofil-log-likelihood l( ) :=l b( ),. Maximieren liefert ML-Schätzer b. Einsetzenin b ( ) liefert b (b ) Problem: Verzerrung in kleineren Stichproben ) Übergang zu REML. (b) Restringierte ML (REML) - Schätzung Ziel: Bias-Reduktion Herleitung 1 Transformiere Y = X + Z + " linear zu Y = AY so, dass Verteilung von Y nicht von abhängt ) A so, dass AX =0. Geht z.b. mit A = I X(X 0 X) 1 X 0. Schätze nach ML-Prinzip für Y. Ergebnis: b REML maximiert die restringierte log-likelihood l ( ) = log ( ) +log X 0 1 ( )X + y X b 0 ( ) 1 ( ) y 1 X b ( ) (Alternative: ersetze b ( ) durch und schätze und simultan.) Herleitung Für das hierarchische Modell gilt Y,Z, N(X + Z, Z N 0, R( ) Sei p(y,z, )zugehörige Dichte. Bilde marginale Dichte (mit p( ) / const) Z p( y )= p(y,z, ) d dp(z) und maximiere bezüglich. I)
14 3 GEOSTATISTIK 38 Es gilt (Harville [1974]) bis auf multiplikative Konstanten log p( y )=l ( ) Nach Diggle et al. [003] istremlinordnungfür gewöhnliches Kriging, ansonsten ist die MSE-Güte aber unklar; REML sensitiv bei Missspezifikation von µ(s) (allgemeines Problem). Manchmal wird l re (, )= 1 log ( ) +log X0 1 ( )X +(y X ) 0 1 ( )(y X ) als restringierte log-likelihood bezeichnet und zum simultanen Schätzen von, maximiert. (c) Bayes-Schätzer Als Hierarchisches Modell: Y (s) Z(s), " N(Z(s), ") Prioris: " IG(, ) Z(s) GZF(, ) IG(, )? 9 >= semi-konjugierte >; Posteriori / Priori Likelihood Vollständig bedingte Posteriori: Prädiktive Posteriori Z(s) N(, ) IG(, ) IG(, )? (oft apple fix) Y (s 0 ) Z, Generalisiertes Kriging N(Z(s 0 ), ") Geostatistische Modelle für nicht-normalverteilte Zielvariablen, z.b. Y binär, binomial, kategorial oder Zählvariable, bzw. Erweiterung des generalisierten
15 3 GEOSTATISTIK 39 linearen Modells um geostatistische Komponente. Vgl. Beispiele (Rongelap) und 3 (Waldschäden). Hierarchisches Modell (1) Y (s i ) W (s i ),i=1,...,n bedingt unabhängig, Dichten aus Exponentialfamilien () W stationärer Gauß-Prozess, E[W (s)] = 0 (3) µ i = E[Y (s i ) W (s i )] = h( i ), i = x 0 i + W (s i ), x i = x(s i ) Speziell: x 0 i = µ Gewöhnliches Kriging cw (s) =E[W (s) Y ], Y =(Y (s 1 ),...,Y(s n )) 0 bzw.: b (s) =x 0 i b + c W (s) ist generalisierter linearer Kriging-Prädiktor für W bzw. an der Stelle s. Statistische Inferenz Zu schätzen sind: Regressionsparameter, Kovarianzparameter, W (s) an Beobachtungsstellen s 1,...,s n und an Vorhersagestelle s. Sei die (bedingte) Likelihood, mit W =(W (s 1 ),...,W(s n )) 0 z.b. p(y W, )= ny f i (y(s i ) W (s i ), ) i=1 f i (y(s i ) W (s i ), )= y(s i) i (1 i ) 1 y(s i) für binäre Y (s i ) und (a) Bayes-Ansatz i = exp( i) 1+exp( i ) bei Logit-Modell W N n (, ) p( ) / const oder N(, ), IG(, )? MCMC mit Sampling aus vollständig bedingten Dichten:
16 3 GEOSTATISTIK 40 ( ) Metropolis-Hastings (W ) Metropolis-Hastings ( ) IG mit aufdatierten Parametern ( ) IG mit aufdatierten Parametern ( )? (b) Penalisierter Likelihood-Ansatz (1) l pen (, W )=l(, W)+ 1 W 0 R 1 ( ) W! max, W {z } vgl. Kapitel 6 (),, mit REML (1) und () iterieren l(,w) = logp(y W, ) r ij = (ks i s j k ) (c) MCML: Monte Carlo Maximum Likelihood (Christensen [004]) Mit ' wird im Folgenden der Vektor der Parameter bezeichnet. Z L(') =f(y ') = f(y W )f(w ')dw Z Z f(y W )f(w ') f(y W )f(w ') / dw = ef(y) f(y W ) f(w e ef(w y)dw ) " # = E e f(w ') y ef(w ) ef(w )isteinevorschlagsdichtefür W auf R n. Z ef(y) = f(y W ) f(w e )dw (i) Monte Carlo Approximation L M (') = 1 m mx j=1 f(w (j) ') ef(w (j))
17 3 GEOSTATISTIK 41 wobei W (j) Ziehungen aus e f( y) sind. Wahl von e f kritisch, Vorschlag e f = f( ' 0 ), einige Iterationen für neues '. (ii) Maximiere L M über Newton-Raphson iterativ Varianz der Kovarianzstruktur b (W (j)) = (X 0 C 1 X) 1 C 1 W (j) b (W (j)) = 1 n (W (j) X b (W (j)) 0 C 1 (W (j) X b (W (j))) mit C = R( )+ I n (iii) b und b Plugin einsetzen in L M.Maximiere L e M ( ) =L M ( b, b, ). Maximiere numerisch (C 1 kritisch).
Kapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrGeoadditive Regression
Seminar: Stochastische Geometrie und ihre Anwendungen - Zufallsfelder Universität Ulm 27.01.2009 Inhalt Einleitung 1 Einleitung 2 3 Penalisierung 4 Idee Variogramm und Kovarianz Gewöhnliches Ansatz für
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mehr2. Statistische Methoden in der Diagnostik. Elemente des Studiendesigns
2. Statistische Methoden in der Diagnostik Elemente des Studiendesigns Diagnosestudien in der Medizin Klassifikation in krank - nicht krank basierend auf diagnostischem Test Beispiel: Diagnose von Brustkrebs
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
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
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrMarkov-Ketten-Monte-Carlo-Verfahren
Markov-Ketten-Monte-Carlo-Verfahren Anton Klimovsky 21. Juli 2014 Strichprobenerzeugung aus einer Verteilung (das Samplen). Markov- Ketten-Monte-Carlo-Verfahren. Metropolis-Hastings-Algorithmus. Gibbs-Sampler.
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
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrGrundprinzipien der Bayes-Statistik
Grundprinzipien der Bayes-Statistik Karl-Rudolf Koch Zusammenfassung: In drei wesentlichen Punkten unterscheidet sich die Bayes-Statistik von der traditionellen Statistik. Zunächst beruht die Bayes-Statistik
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrFORMELSAMMLUNG. Analyse longitudinaler Daten und Zeitreihen WS 2003/04
FORMELSAMMLUNG Analyse longitudinaler Daten und Zeitreihen WS 2003/04 Inhaltsverzeichnis 1 Zeitreihenanalyse 3 1.1 Grundlagen................................ 3 1.1.1 Notation..............................
MehrKap. 9: Regression mit einer binären abhängigen Variablen
Kap. 9: Regression mit einer binären abhängigen Variablen Motivation Lineares Wahrscheinlichkeitsmodell Probit- und Logit-Regression Maximum Likelihood Empirisches Beispiel: Analyse der HMDA-Daten Ausblick:
MehrOliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen**
Effektschätzung in Cluster-Randomized Trials mit binärer Zielgröße: Eine Sensitivitätsanalyse mit numerischer Integration, MCMC und NPMLE am Beispiel der DHP Oliver Kuß*; Dorothee Twardella**; Maria Blettner***;
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrCredit Risk+: Eine Einführung
Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.
MehrModerne Monte Carlo Methoden für Anwendungen in Finanz- und Versicherungsmathematik
Fraunhofer ITWM Kaiserslautern, 4..009 Moderne Monte Carlo Methoden für Anwendungen in Finanz- und Versicherungsmathematik Ralf Korn (TU Kaiserslautern & Fraunhofer ITWM) 0. Einige praktische Probleme
MehrWortproblem für kontextfreie Grammatiken
Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?
MehrRäumliche Punkt- und Zählprozesse
Kapitel 4 Räumliche Punkt- und Zählprozesse Literatur: Cressie, N. (1993), Statistics for Spatial Data, Chapter 8: Spatial Point Patterns, New York et. al. Illian, J., Penttinen, A., Stoyan, H. & Stoyan,
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrGeneralisierte lineare Modelle. Statistik 3 im Nebenfach. Binäre Regressionsmodelle. 4.1 Binäre Regression
Generalisierte lineare Modelle Statistik 3 im Nebenfach Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München WS 2010/2011 basierend auf Fahrmeir, Kneib & Lang (2007) 4 Generalisierte
MehrStochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada
Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?
MehrBisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners
1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man
MehrErfüllbarkeit und Allgemeingültigkeit
Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 3.3 Aussagenlogik Erfüllbarkeit 44 Erfüllbarkeit und Allgemeingültigkeit Def.: eine Formel ϕ heißt erfüllbar, wennesein I gibt, so dass I = ϕ
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
MehrKernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung
Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function
MehrKommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrBewertung von Forwards, Futures und Optionen
Bewertung von Forwards, Futures und Optionen Olaf Leidinger 24. Juni 2009 Olaf Leidinger Futures und Optionen 2 24. Juni 2009 1 / 19 Überblick 1 Kurze Wiederholung Anleihen, Terminkontrakte 2 Ein einfaches
Mehr300 Arbeit, Energie und Potential 310 Arbeit und Leistung 320 Felder und Potentiale
300 Arbeit, Energie und Potential 30 Arbeit und Leistung 30 Felder und Potentiale um was geht es? Arten on (mechanischer) Energie Potentialbegriff Beschreibung on Systemen mittels Energie 3 potentielle
MehrUmgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrMessen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse
Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Dominik Ernst Reliabilität und explorative Faktorenanalyse 1/20
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrEntwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields
Mehrax 2 + bx + c = 0, (4.1)
Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die
MehrVarianzanalyse ANOVA
Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für
MehrHerzlich Willkommen zur Vorlesung Statistik
Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrPräsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik
Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
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
Mehr8. Übung zur Vorlesung Mathematisches Modellieren Lösung
Universität Duisburg-Essen Essen, den.6. Fakultät für Mathematik S. Bauer C. Hubacsek C. Thiel 8. Übung zur Vorlesung Mathematisches Modellieren Lösung In dieser Übung sollen in Aufgabe und die qualitativ
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
MehrTutorial 2: Simulationen
Tutorial 2: Simulationen Andrea Wiencierz Institut für Statistik, LMU München Andrea.Wiencierz@stat.uni-muenchen.de Abschlussarbeiten-Kolloquium, AG Augustin A. Wiencierz (LMU Munich) Literature & LATEX
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrRekursionen (Teschl/Teschl 8.1-8.2)
Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrBlack Jack - Kartenzählen
Black Jack - Kartenzählen Michael Gabler 24.01.2012 Literatur: N. Richard Werthamer: Risk and Reward - The Science of Casino Blackjack, Springer Black Jack - Kartenzählen 1 Wie zähle ich Karten? Historisches
MehrFaktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975)
Dass das Problem, die Primzahlen von den zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren zu zerlegen zu den wichtigsten und nützlichsten der ganzen Arithmetik gehört und den Fleiss
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrEinführung. Vita Rutka. Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009
Einführung Vita Rutka Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009 Was ist FEM? Die Finite-Elemente-Methode (FEM) ist ein numerisches Verfahren zur näherungsweisen Lösung,
MehrComputational Finance
Computational Finance Kapitel 2.2: Monte Carlo Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrStochastische Modelle
Klausur (Teilprüfung) zur Vorlesung Stochastische Modelle (WS04/05 Februar 2005, Dauer 90 Minuten) 1. Es sollen für eine Zufallsgröße X mit der Dichte Zufallszahlen generiert werden. (a) Zeigen Sie, dass
MehrComputational Finance
Computational Finance Kapitel 2.1: Einführung in die Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4
MehrCommercial Banking. Kreditportfoliosteuerung
Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung
MehrAnalytische Methoden und die Black-Scholes Modelle
Analytische Methoden und die Black-Scholes Modelle Diplomverteidigung Universität Rostock Institut für Mathematik 20.01.2011 Agenda 1 Das Ornstein-Uhlenbeck Volatilitätsmodell 2 in L 2 (R 2 ) 3 4 Problem
MehrEinführung und Beispiele
Kapitel 1 Einführung und Beispiele Inhalt: Anwendungsbeispiele erste Definition eines stochastischen Prozesses einige spezielle stochastische Prozesse Ziel: Aufzeigen der Vielfalt stochastischer Prozesse
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
Mehr