Re: Fit, Weights

["Robert Nowak" <robert.nowak@XXXXXXX.at>]

> N"o  fd^(-2) liefert nun mal
>
> In[]:={{x1, y1}, {x2, y2}, {x3, y3}}^(-2)
>
> Out[]={{x1^(-2), y1^(-2)}, {x2^(-2), y2^(-2)}, {x3^(-2), y3^(-2)}}
>
ok, macht aber "zufaelligerweise" keine unterschied.

> > NonlinearFit[] liefert ergebnisse die durchwegs wesentlich naeher an den
> > angesetzten parametern  {a -> 3, b -> 7} liegen als bei Regress[].
>
> Diese Argumentation ist Unsinn, weil jede statistische Beschreibung
> davon
> ausgeht das man die richtigen Parameter *nicht* kennt. Man kann nur
> die  Qualit"at der Anpassung zwischen den Methoden vergleichen.

genau das mache ich ja auch wenn ich eine vielzahl von fitts von daten mit
bekannten parametern aber ueberlagertem rauschen vergleiche.
klar ist das man nicht nur jeweils einzelnen Regress[] mit einem einzigen
NonlinearFit vergleichen darf.
(ausser die methoden waeren durch das anpassen der gewichte exakt equivalent
dann muesste ja auch genau das gleiche rauskommen, scheint es aber nicht zu
spielen)

> Du willst den
> Effekt *ruckg"anging* machen damit wieder das Selbe rauskommt, ergo
> musst Du
> nicht mit 1/f'[y]^2 multiplizieren sondern mit f'[y]^2.

JAAAAA ich glaube das ist der eigntliche punkt durchs transformieren
"veraendert sich das gewicht multiplikativ" und das muss man rueckgaengig
machen, jetzt habe ichs kapiert.

mit dank Robert