Hovedpointer fra SaSt
|
|
- Jesper Olesen
- 5 år siden
- Visninger:
Transkript
1 Hovedpoiter fra SaSt Marti Nørgaard Peterse 13. februar 2018 Følgede geemgår udvalgte begreber fra E Itroduktio til Sadsylighedsregig af M. Sørese (9. udgave), Itroductio to Likelihood-based Estimatio ad Iferece af H.B. Nielse. Der tages forbehold for fejl og magler. Udervisige i Sadsylighedsteori og Statistik (SaSt) dækker i høj grad over idlærig af diverse regeregler. Nærværede ote har ikke til formål at gegive alle disse regeregler her hevises til grudbøger, slides, mv. Note vil opridse de vigtigste resultater med heblik på e grudlæggede forståelse. 1 Begreber 1.1 Overordet Sadsylighedsfuktio også p.f. (probability fuctio). Er e fuktio p fra e edelig mægde M id i itervallet [0, 1]. Der skal gælde at summe af sadsylighedere på mægde M giver Sadsylighedsmål eller fordeligsfuktio. Til ehver sadsylighedsfuktio fides et sadsylighedsmål P (A) for e delmægde A M. De er givet som P (A) = x A p(x) For diskrete fordeliger på e delmæge af N 0 gælder, at sadsylighedsmålet vokser i sprig, samt at: P (X = i) = F (i) F (i 1) Tæthedsfuktio også p.d.f. (probability desity fuctio). E fuktio p : I R [0, [, som opfylder: p(x)dx = 1, kaldes e sadsylighedstæthed på I. I 1
2 Agives med små bogstaver f(x) = P (X = x) og vi bemærker, at sadsylighede i et ekelt pukt for e kotiuert fordelig er 0. Kaldes udertide sadsylighedstæthed eller blot tæthed. Der gælder for e stokastisk variabel X med tæthed p(x), at sadsylighede på A er P (X A) = P (A) = 1 A (x)p(x)dx, hvor 1 A (x) er e idikatorfuktio, der atager værdie 1 på A Fordeligsfuktio også c.d.f. (cumulative desity fuctio). Agives ved store bogstaver F X (x) = P (X < x) og er sadsylighede for at de kotiuerte stokastiske variabel X atager e værdi midre ed x. Der gælder at F X (x) = f X(x), hvor f X (x) er tæthedsfuktioe. 1 Fordeligsfuktioe for e stokastisk variabel X med tæthed p(x) er givet ved: F (x) = P (X x) = x p(y)dy Bemærk edvidere, at F (x) = 0, 5 betyder, at halvdele af sadsylighedsmasse ligger i mægde ], x] og halvdele ligger i ]x, [. Tallet x er således mediae. (Dette ka avedes til at fide kvartiler, mm.) Stokastisk variabel Lad E være et udfaldsrum og P et sadsylighedsmål. E stokastisk variabel X er da e fuktio fra udfaldsrummet id i R. Stokastiske variable agives typisk med kapitaler. Vi ka skrive e tilfældig variatio af X for ehver delmægde A af R som P X (A) = P (X A) = P ({e E X(e) A}), (1) hvor sidste skrivemåde sjældet beyttes. Fler-dimesioel stokastisk variabel ka disse sammefattes til Ser vi på flere stokastiske på e gag X = (X 1, X 2,..., X ), (2) hvor X i er de e-dimesioale stokastiske variable. X kaldes for e -dimesioal stokastisk variabel. 1 Der gælder følgede for e fordeligsfuktio: De er defieret på R id i [0, 1], de er ikke-aftagede og lim F () = 1 og lim F ( ) = 0 2
3 1.2 Simulta og margial sadsylighed Simulta fordelig Fordelige for de stokastiske variable X = (X 1, X 2,..., X ) på R kaldes de simultae fordelig og er givet ved: hvor A R P X (A) = P ((X 1, X 2,..., X ) A), (3) For fordelige af X ka vi skrive fordeligs- Simulta fordeligsfuktio fuktioe som: F X (x 1, x 2,..., x ) = P (X 1 < x 1, X 2 < x 2,..., X < x ) Notatio Når vi beskæftiger os med hædelser skriver vi de simultae sadsylighed som P (A B). Med stokastiske variable oterer vi samme P (X 1, x 2 ) Margial fordelig Når de -fordeliger af de ekelte koordiater X i af X = (X 1, X 2,..., X ) kaldes de for margiale fordeliger. Margial fordeligsfuktio Betragt e to-dimesioel stokastisk variabel (X 1, X 2 ), hvor X i er kocetreret på mægde T i for i = 1, 2. Lad være givet e sadsylighedsfuktio p : T 1 T 2 [0, 1] for de simultae fordelig af (X 1, X 2 ). Da er de sadsylighedsfuktioere for fordelig af hhv. X 1 og X 2, p 1 : T 1 [0, 1] og p 2 : T 2 [0, 1] givet ved (se evt. sætig i Sørese): p 1 = p(x 1, x 2 ) og p 2 = p(x 1, x 2 ) (4) x 2 T 2 x 1 T Trasformatio Atag at X er e stokastisk variabel på R og t er e fuktio fra R id i R. Lad Y = t(x). Da ka fordelige for Y u bestemmes ved A R: P Y (A) = P (Y A) = P (t(x) A) = P (X t 1 (A)) = P X (t 1 (A)), hvor t 1 (A) = {x R t(x) A} kaldes origialmægde af A. Trasformatiossætige (se sætig i Sørese). Atag X er e kotiuert stokastisk variabel kocetreret på et iterval I. Lad t være e kotiuert differetiabel fuktio på et iterval (a, b) hvor t (x) 0 på itervallet (a, b) { p(t 1 (y)) d dy q(y) = t 1 (y), y t(i) 0 ellers 3
4 Trasformatio af fordeligsfuktio Hvis t er stregt voksede er 0 hvis y < v F Y (y) = F X (t 1 (y)) hvis y J 1 hvis y > h Hvis t er stregt aftagede er 0 hvis y < v F Y (y) = 1 F X (t 1 (y)) + P (X = t 1 (y)) hvis y J 1 hvis y > h 2 Regeregler 2.1 Sadsyligheder For et sadsylighedsmål, hvor A og B beteger vilkårlige hædelser gælder og E er de hele mægde: P (A) =1 P (E\B) P (A B) =P (A) + P (B) P (A B) For betiget sadsylighed gælder følgede: P (A, B) P (A B) = P (B) P (B A)P (A) P (A B) =, P (B) hvor sidste resultat er Bayes formel og gælder for positive sadsyligheder P (A), P (B) > 0. Edelig ka vi opskrive love om total sadsylighed (sætig i Sørese) 2.2 Uafhægighed P (B) = P (B A i )P (A i ) i=1 Vi betragter to uafhægige hædelser A og B. Da gælder, at de simultae sadsylighed er lig prodktet af de margiale sadsyligheder: P (A B) = P (A)P (B), derudover gælder at P (A B) = P (A) Første resultat bruges ofte til at afgøre, hvorvidt to stokastiske variable er uafhægige. Derudover gælder der, at to uafhægige stokastiske variable ødvedigvis må være e produktmægde T 1 T 2, hvis dette er tilfældet, da er de ikke uafhægige. 4
5 Betiget uafhægighed Vi idfører u e tredje hædelse C. A og B siges at være betiget uafhægige givet 2 C, hvis 2.3 Middelværdi P (A B C) = P (A C)P (B C) Middelværdie for e diskret stokastisk variabel X kocetreret på et iterval 3 I er givet ved: E(X) = x I xp(x) Middelværdie for e ikke-diskret stokastisk variabel Y er givet ved: E(Y ) = yp(y)dy Vi lader X og Y være stokastiske variable. Der gælder geerelt, at: I E(X + Y ) =E(X) + E(Y ) og (2.3.1) E(aX + b) =ae(x) + b Middelværdie for et produkt at to stokastiske variable er givet som: E(XY ) = i=1 j=1 m x i y j P (X = x, Y = y) Hvis X og Y desude er uafhægige gælder, at For e afbildig t : R R gælder at E(XY ) = E(X)E(Y ) E(t(X)) = x i T t(x i )p(x i ) Betiget middelværdi De betigede middelværdi E(X Y = y) for e fordeligsfuktio P (Y = y) > 0 er defieret som: p(x i, y) E(X Y = y) = x i P (X = x i Y = y i ) = x i p(y) i=1 Et adet vigtigt resultat er: x f X(x) P (X A) dx = A xf(x)dx P (Q A A i=1 2 Ka også oteres P (X 1, X 2 X 3 ) = P (X 1 X 3 )P (X 2 X 3 ) 3 Hvis vi i stedet betragtede e diskret stokastisk variabel på e uedelig tællelig mægde, da skulle vi være opmærksom på om middelværdie er veldefieret. 5
6 Derudover gælder, at: E(X X) = E(X), og hvis X og Y er uafhægige gælder, at E(X Y ) = E(X) Bemærk, at (2.3.1) også gælder for betigede middelværdier. Se ote om betigede middelværdier af A. Rahbek for mere. Love om itereret middelværdier 2.4 Varias og spredig E[Y ] = E[E[Y X]] Der gælder følgede: Lad være givet e stokastisk variabel X på e edelig mægde 4. Da er variase givet som: Var(X) = E([X E(X)] 2 ) = E(X 2 ) [E(X)] 2 Der gælder for summe af to stokastiske variable X og Y, at: Var(X + Y ) = Var(X) + Var(Y ) + 2 cov(x, Y ), hvor vi bemærker, at cov(x, Y ) = 0, hvis X og Y er uafhægige, hvilket medfører at variase af summe af vilkårligt mage uafhægige stokastiske variable blot er summe af de ekelte variaser. Spredige defieres som: spredig: σ = Var(X) For lieære trasformatioer gælder desude, at Var(a + bx) = b 2 Var(X) For e stokastisk variabel gælder, at V ar(x) = 0, hvis og ku hvis der fides et c R, så P (X = c) = Betiget varias 2.5 Kovarias Kovariase mellem to stokastiske variable X og Y er et udtryk for om de to stokastiske variable samvarierer. Lad a, b, c og d reelle tal, da gælder følgede: Cov(X, Y ) = E[(X E[X]) (Y E[Y ])] = E(XY ) E(X)E(Y ) Cov(X, X) = Var(X) Cov(a + bx, c + dy ) = bdcov(x, Y ) Cov(X, Y ) = Cov(Y, X) Cov(X + Y, Z) = Cov(X, Y ) + Cov(Z, Y ) 4 Vi ka avede samme udtryk for variase defieret på e tællelig mægde T = {x i i N}, dersom vi bemærker, at variase skal være veldefieret: x 2 i p(x i) < i=1 6
7 Hvis Cov(X, Y ) = 0 er der ige samvariatio. Hvis Cov(X, Y ) < 0 er der e tedes til egativ samvariatio. Eksempelvis, at store værdier af X og små værdier af Y er mere sadsylige. Hvis Cov(X, Y ) > 0 er der e tedes til positiv samvariatio. Der gælder, at hvis X og Y er uafhægige. Da er Cov(X, Y ) = 0. Bemærk, at kovariase ka være 0, selvom de to variable ikke er uafhægige. At kovariase er 0 er således e tilstrækkelig betigelse for uafhægig mellem de stokastiske variable, me ikke e ødvedig betigelse. Dog gælder det for ormalfordelige og ku dee at er kovariase 0, da er de to stokastiske variable også uafhægige. Korrelatio Korrelatioe er et udtryk for samvariatioe, stadardiseret, så corr(x, Y ) [ 1, 1]. korrelatioe mellem X og Y givet ved: corr(x, Y ) = Cov(X, Y ) Var(X)Var(Y ) 2.6 Diverse Idikatorfuktio Der gælder, at Biomialkoefficiet E idikator beskriver e afbildig, hvor om det gælder: { 1 hvis x A 1 A (x) = 0 hvis x / A 1 A (x)f(x)dx = x A f(x)dx er givet som: ( )! = k k!( k)! = (k), k! hvor (k) = ( 1)... ( k + 1). 3 Diskrete fordeliger E stokastisk variabel siges at være diskret, hvis de atager et edeligt atal værdier eller et uedeligt atal tællelige værdier. For diskrete fordeliger gælder at for e stokastisk variabel X at sadsylighede for hædelse A er summe af puktsadsylighedere hørede til A: P (A) = x A p(x) 7
8 3.1 Beroullifordelig Beroullifordelige er de eeste fordelig af e stokastisk variabel med topukts udfaldsrum og ka betragtes som et særtilfælde af biomialfordelige for = 1. Vi skriver X Ber(p), hvor sadsylighedsparametere p ]0, 1[. Der gælder, at: P (X = 1) = p og P (X = 0) = 1 p, De tilhørede sadsylighedsfuktio er givet som: { 1 p hvis x = 0 p(x) = p hvis x = 1 = px (1 p) 1 x for x [0, 1] Middelværdi E(X) = p Varias V (X) = p(1 p) 3.2 Biomialfordelig Biomialfordelige er e fordelig på {0, 1,..., } udfald. Lad X 1, X 2,..., x være uafhægige stokastiske variable på mægde {0, 1}, der alle er beroullifordelt, jf. ovefor, med samme sadsylighedsparameter p ]0, 1[. Fordelige af summe S = X 1 + X X kaldes biomialfordelige med atalsparameter og sadsylighedsparameter p (defiitio 3.2.1). Vi skriver X Bi(, p) Sadsylighedsfuktioe er, jf. sætig 3.2.3: ( ) p(x) = p x (1 x) x, for x {0, 1, 2,..., } x Middelværdi E(X) = p Varias V (X) = p(1 p) Sum af to biomialfordeliger Lad S 1, S 2 være uafhægige stokastiske variable, der er biomialfordelte med sadsylighedsparameter p og atalsparameter i (for i = 1, 2). Da er S = S 1 + S 2 biomialfordelt med sadsylighedsparameter p og atalsparameter = Polyomialfordelig Polyomialfordelige er e fordelig på {0, 1,..., } k udfald og er således e geeraliserig af biomialfordelige, hvis ma har mere ed to udfald. Sadsylighedsfuktioe er givet som: ( ) p(x) = p x1 1 s 1 s 2... s... px k k k hvor polyomialkoefficiete er givet ved: ( )! = s 1 s 2... s k s 1! s 2!... s k! 8
9 Middelværdi E(X) = p i Varias V (X) = p i (1 p i ) 3.4 Poissofordelig Er e fordelig på N 0 og er i modsætig til de tre oveståede således e fordelig på et tælleligt, me ikke edeligt udfaldsrum. Vi skriver X Poi(λ), λ > 0 Sadsylighedsfuktioe til e poissofordeliger er hvor p(x) ]0, 1] Middelværdi E(X) = λ Varias V (X) = λ. p(x) = P (X = x) = λx x! exp( λ), x N 0m Sum af poissofordeliger Jf. sætig i Sørese gælder, at for X 1,..., X uafhægige stokastiske variable, der er poissofordelte med parametre λ 1,..., λ, at X X er poissofordelt med parameter λ λ. 3.5 Geometrisk fordelig Kaldes udertide e diskret vetetidsfordelig. Har sadsylighedsfuktioe p(x) = (1 θ) x θ, x N 0, hvor θ ]0, 1[ er sadsylighedsparametere. Middelværdi Varias E(X) = 1 θ θ V (X) = 1 θ θ 2. 4 Kotiuerte fordeliger E stokastisk variabel siges at være kotiuert, hvis de atager værdier på R eller itervaller. For kotiuerte sadsyligheder, hvor e stokastisk variabel X er kocetreret på mægde I, og hvor A I gælder at sadsylighede for hædelse A er givet som: P (X) = 1 A (x)p(x)dx = p(x)dx I For e kotiuert fordelig gælder, at sadsylighede i et pukt a er 0 (ma ka dog betragte sadsylighede på stykket a til a + δ for et lille δ > 0.) A 9
10 4.1 Uiform fordelig (ligefordelig) Fordelige (X ui(a, b)) på itervallet a til b, hvor b > a har følgede tæthed: p(x) = 1 (a,b) (x) = 1 b a, hvoraf følger at fordeligsfuktioe er givet ved: Middelværdi Varias F (x) = E(X) = a+b 2 V (X) = (b a)2 12 x 4.2 Ekspoetialfordelig 1 (a,b) (x)p(x)dx Ekspoetialfordelige med λ > 0 (også skrevet X Exp(λ)) har tæthedsfuktio e p(x) = λ exp( λx), x > 0 Fordeligsfuktioe er F (x) { 1 exp( λx), hvis x > 0 0, hvis x 0 Middelværdi E(X) = 1 λ Varias V (X) = 1 λ Normalfordelig Dee fordelig har følgede tæthed: ( 1 p(x) = exp 1 ) (x µ)2 2πσ 2 2σ2 De tilhørede fordeligsfuktio er: x ( 1 Φ(x) = F (x) = exp 1 ) (x µ)2 dx 2πσ 2 2σ2 Middelværdi E(X) = µ Varias V (X) = σ 2 Stadard ormalfordelige, ofte oteret Z, har middelværdi µ = 0 og varias σ 2 = 1 og er symmetrisk om 2. akse, så φ(x) = φ( x). Edvidere er E(X 3 ) = 0 og kurtosis E(X 4 ) = 3 = κ Sum af variable Vi betragter X 1, X 2,..., X idbyrdes uafhægige ormalfordelte stokastiske variable. Da gælder for e liearkombiatio S = a 1 X 1 + a 2 X a X, at: E(S) = a 1 E(X 1 ) + a 2 E(X 2 ) a E(X ) og V (S) = a 2 1V (X 1 ) + a 2 2V (X 2 ) a 2 V (X ) 10
11 Bemærk, at første resultat er geerelt, mes sidste resultat ku gælder for uafhægige variable. Er Cov(X, Y ) 0 da må ma bruge, at V ar(x 1 + X 2 ) = V ar(x 1 ) + V ar(x 2 ) + 2Cov(X 1, X 2 ) Uafhægighed Der gælder, at hvis, og ku hvis kovariase for e multivariat ormalfordelig (heruder bivariat) er 0, er de stokastiske variable uafhægige. For multivariate ormalfordeliger gælder dette begge veje. Positios- og skalaparameter De geerelle ormalfordelig ka opskrives ved at idføre positiosparameter µ R og skalaparameter σ > 0. Hvis X er stadard ormalfordelt, er Y = µ + σx ormalfordelt med middelværdi µ og varias σ 2. Dette er et resultat af det geerelle udtryk for positios- og skalaparametre, Eksempel i Sørese. 5 Statistik 5.1 Deskriptiv statistik Mometer Det teoretiske momet af orde k er defieret som: E[Y k ] Første momet er middelværdie. For simple fordeliger fider vi ofte, at de bedste estimator for parametere (se likelihood-fuktio) er middelværdie. Dette tjeer bl.a. til argumet for, hvorfor middelværdie er et relevat begreb. Keder vi middelværdie ka vi defiere cetrale mometer: E([Y E(Y )] k ] Variase er det adet cetrale momet. Variase er et udtryk for sadsylighede for at observere stor variatio fra middelværdie og et udtryk for bredde af fordelige. Tredje momet er skewess eller skævhed. Hvis fordelige er symmetrisk er skævhede 0 (ormalfordelig). E egativ skævhed idikerer at fordelige er vestreskæv og vice versa. Edelig fides fjerde momet, som kaldes kurtosis, der er et mål for sadsylighedsmasse i fordeliges haler. Normalfordelige har e kurtosis på 3. E højere kurtosis betyder mere sadsylighedsmasse i halere Fraktiler Fraktiler er defieret som de værdi q Y (α), så de adel α af sadsylighedsmasse ligger uder dee værdi: P (Y q Y (α) = F Y (q Y (α)) = α, hvor F Y er c.d.f. e. Altså er fraktil-fuktioe de iverse af c.d.f. e: q Y (α) = F Y 1(α) 11
12 5.2 Iferes-baseret statistik Det bør bemærkes, at estimatet (et tal, der afhæger af data) ˆθ(y 1,..., y ) er e realisatio af estimatore (e stokastisk variabel, der afhæger af e række adre stokastiske variable) ˆθ(Y 1,... Y ). Atagelse I vores arbejde, atager vi, at modelle er korrekt specificeret, dvs. at vores atagelser (3.1) holder for e give sad værdi θ 0, så de stokastiske variable er karakteriseret ved e og samme tæthedsfuktio Egeskaber på e edelig mægde Ubiased Vi siger at vores estimator er ubiased, hvis E(ˆθ ) = θ 0, altså at fordelige af vores estimator er allokeret, så de er lig de sade værdi. Vi ka bruge variase af vores estimator som udtryk for usikkerhede ved vores estimator. Dee vil være givet som e fuktio af de sade værdi, me da de sade værdi er os ukedt estimerer vi variase ved at idsætte vores estimator. Stadardfejl Ehede af variase er givet i samme ehed som θ. Derfor avedes stadardfejl, givet som: se(ˆθ ) = V (ˆθ ) Asymptotiske egeskaber Det er muligt at vise, at ormalfordelige ikke er automatisk ubiased. Når ser vi bladt adre resultater, at ormalfordelig ærer sig ubiased. I praksis har vi ikke uedelige datamægder, me vi atager, at resultater tilærmelsesvis gælder for store værdier af. Teorem 4.1 Uder atagelse om at de stokastiske variable ka karakteriseres med ved e tæthedsfuktio (p.d.f) eller e [] (p.f.), at de er idetisk fordelt, så θ 1 = θ 2 = θ og at de er idbyrdes uafhægige (i.i.d atagelse, se p. 50 i Nielse) gælder følgede om Maksimum Likelihood Estimatore (MLE). 1. MLE er kosistet 5 : ˆθ p θ0 for. For et vilkårligt stort vil estimatore således ærme sig de sade værdi. Vi taler om koverges i sadsylighed. 2. MLE er asymptotisk ormalfordelt for (ˆθ θ 0 ) d N(0, Ωθ ). Dette er altså et udtryk for at for et vilkårligt stort opfører fordelige af estimatore sig som e ormalfordelt stokastisk variabel. Vi taler om koverges i fordelig. Resultatet ka opskrives til: ˆθ a N ( θ0, 1 Ω θ ) 5 Dette ka også oteres som δ > 0 : P ( ˆθ θ 0 > 0) 0 12
13 3. De asymptotiske varias er givet ved Ω θ = I(θ 0 ) 1, hvor iformatiosmatrice er I(θ 0 ) = E(H i (θ 0 )), og H i (θ 0 ) = log l(θ Y i), θ θ evalueret for e bestemt værdi θ = θ MLE er asymptotisk efficiet: alle adre kosistete og asymptotiske ormale estimatorer har e asymptotisk varias, der er større ed eller lig I(θ) 1 Vi bemærker, at det er de sade værdi θ 0, der idgår i græseresultatere fordi egeskabere for estimatore er udledt uder atagelse om korrekt specifikatio. Da θ 0 i praksis er ukedt idsættes estimatore ˆβ, jf. rettevejledig til eksamessæt til ordiær eksame viter Kofidesiterval Vi har ovefor oteret os, at e af de approksimerede fordelig af ˆθ er: ˆθ a N ( θ0, 1 Ω θ ), (5.2.3) hvilket ka avedes til at fide itervaller, hvori det er sadsyligt at de sade værdi af parametere θ 0 ligger. Vi ka isolere i oveståede udtryk og fide: ˆθ θ 0 se(ˆθ ) a N(0, 1) For e stadard ormalfordelig gælder det, at 95 pct. af sadsylighedsmasse ligger idefor P (Φ 1 (0, 025) Z Φ 1 (0, 975)) = P ( 1, 96 Z 1, 96) = 0, 95, hvor Z = ˆθ θ 0. Idsætter vi dette og isolerer fider vi, at: se(ˆθ ) {θ θ 0 θ} = {ˆθ 1, 96 se(ˆθ ) θ 0 ˆθ + 1, 96 se(ˆθ ) Der er således 95 pct. sadsylighed for at itervallet rummer de sade værdi θ 0, eller omvedt 5 pct. sadsylighed for at itervallet ikke rummer de sade værdi P-værdi P-værdie er et udtryk for sadsylighede forat få e realisatio, der er mere ekstrem ed de umeriske værdi af vores test-værdi. Jo tættere estimatet er på vores (sade) værdi, desto midre er z-værdie for e z-test. Vi ka udrege de tilhørede p-værdi som: p = P (X x) + P (X x) = 2P (X x) = 2 (1 P (X x) = 2 (1 Φ(x)), hvor Φ(x) er c.d.f. for ormalfordelige. Hvis p-værdie er midre ed vores sigifikasiveau, p < α forkastes ulhypotese. 13
14 5.3 Hypotese-test For at udersøge, hvorvidt de sade værdi af e give parameter atager e bestemt værdi, aveder vi hypotese-test. Til dette formål opstiller vi e ulhypotese, samt e alterativ hypotese: Z-test (Wald-test) H 0 : θ 0 = a og H A : θ 0 a Dee test er baseret på afstade mellem estimatore og de foreslåede værdi a samt fordelige givet i ligig (5.2.3). Vi ka omdae dette udtryk for fordelige til (se p. 101 i Nielse for udregiger) z (θ 0 = a) = ˆθ a se(ˆθ ) a N(0, 1) Hvis ul-hypotese er sad, altså θ 0 = a, da vil udtrykket kovergere i fordelig mod e stadard ormalfordelig, me er det ikke sadt vil de gå mod ±. Hvis z (θ 0 = a) ligger i de kritiske mægde af vores fordelig (udefor kofidesitervallet, se ovefor) vil vi afvise H 0 og argumetere for at H a er mere sadsylig, og vice versa. Forude Z-test, der er mest avedt i eksamesopgaver, fides også kvadreret Z-test og LR-test. Her hevises til ade litteratur. 14
15 Appedix 5.4 Regeregler for summer f() ± g(k) = (f() ± g(k)) (f() c) = c f() (f() + c) = c + f() f() g(k) = f()g(k) k k f()g(k) = f()g(k) k k Regel til iversio af matricer A = 1 det A ( d ) b c a 15
Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Repetitio: Normalfordelige Ladmåliges fejlteori Lektio Trasformatio af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/udervisig/lf13 Istitut for Matematiske Fag Aalborg Uiversitet
Læs mereProgram. Middelværdi af Y = t(x ) Transformationssætningen
Program Statistik og Sadsylighedsregig 2 Trasformatio af kotiuerte fordeliger på R, flerdimesioale kotiuerte fordeliger, mere om ormalfordelige Helle Sørese Uge 7, osdag I formiddag: Opfølgig på trasformatiossætige
Læs mereEstimation ved momentmetoden. Estimation af middelværdiparameter
Statistik og Sadsylighedsregig 1 STAT kapitel 4.2 4.3 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae Estimatio ved mometmetode Idimellem ka det være svært (eller
Læs merehvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i
Normalfordeliger For at e stokastisk variabel X ka være ormalfordelt, skal X agive værdie af e eller ade målig, f.eks. tid, lægde, vægt, beløb osv. Notatioe er: Xi ~ N( μ, σ hvor i er observatiosummeret,
Læs mereVelkommen. Program. Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R. Praktiske ting og sager
Program Statistik og Sadsylighedsregig 2 Sadsylighedstætheder og kotiuerte fordeliger på R Helle Sørese Uge 6, madag Velkomme I dag: Praktiske bemærkiger Hvad skal vi lave på SaSt2? Sadsylighedstætheder
Læs merePraktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.
Praktisk ifo Liste med rettelser og meigsforstyrrede trykfejl i DS på Absalo. Statistisk aalyse af e ekelt stikprøve: kedt eller ukedt varias Sadsylighedsregig og Statistik (SaSt) Helle Sørese Projekt
Læs mereAnvendt Statistik Lektion 3. Punkt- og intervalestimater Konfidensintervaller Valg af stikprøvestørrelse
Avedt Statistik Lektio 3 Pukt- og itervalestimater Kofidesitervaller Valg af stikprøvestørrelse Pukt- og itervalestimater: Motivatio Motiverede eksempel: I e udersøgelse er adele af rygere 0.27. Det aslås
Læs mereantal gange krone sker i første n kast = n
1 Uge 15 Teoretisk Statistik, 5. april 004 1. Store tals lov Eksempel: møtkast Koverges i sadsylighed Tchebychevs ulighed Sætig: Store tals lov. De cetrale græseværdisætig 3. Approksimatio af sadsyligheder
Læs mereDagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)
Dages program Estimatio: Kapitel 9.4-9.7 Eksempler på middelrette og/eller kosistete estimator (de sidste fra sidste forelæsig) Ko desiterval for store datasæt kap. 9.4 Ko desiterval for små datasæt kap.
Læs mereSætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n
Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1
Økoometri 1 Iferes i de lieære regressiosmodel 9. september 006 Økoometri 1: F7 1 Dages program Opsamlig af hemmeopgave om Mote Carlo eksperimeter Mere om hypotesetest: Ekelt lieær restriktio på koefficieter
Læs mereDen flerdimensionale normalfordeling
De flerdimesioale ormalfordelig Stokastiske vektorer Ved e stokastisk vektor skal vi forstå e vektor, hvor de ekelte kompoeter er sædvalige stokastiske variable. For de stokastiske vektor Y = Y,..., Y
Læs mereStikprøvefordelinger og konfidensintervaller
Stikprøvefordeliger og kofidesitervaller Stikprøvefordelige for middelværdi De Cetrale Græseværdi Sætig Egeskaber Ved Estimatore Kofidesitervaller t-fordelige Estimator og estimat E stikprøve statistik
Læs mere1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2
Idhold 1 Pukt- og itervalestimatio 2 1.1 Puktestimatorer: Cetralitet(bias) og efficies.................... 2 2 Kofidesiterval 3 2.1 Kofidesiterval for adel................................ 4 2.2 Kofidesiterval
Læs mereStatistiske Modeller 1: Notat 1
Statistiske Modeller : Notat Jes Ledet Jese 9. august 005 Idhold Kast med k-sidet terig Betigig i multiomialfordelig 3 3 Fordelig af X + X - frembrigede fuktio 4 4 Maksimerig af log-likelihood 5 5 Afledede
Læs mere24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.
Epidemiologi og biostatistik. Forelæsig Uge, tirsdag. Niels Trolle Aderse, Afdelige for Biostatistik. Geerelt om kurset: - Formål - Forelæsiger - Øvelser - Forelæsigsoter - Bøger - EpiBasic: http://www.biostat.au.dk/teachig/software
Læs mereLøsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Løsigsforslag til skriftlig eksame i Kombiatorik, sadsylighed og radomiserede algoritmer (DM58) Istitut for Matematik & Datalogi Syddask Uiversitet Madag de 3 Jauar 011, kl. 9 13 Alle sædvalige hjælpemidler
Læs mereSandsynlighedsfordelinger for kontinuerte data på interval/ratioskala
Statistik for biologer 005-6, modul 5: Sadsylighedsfordeliger for kotiuerte data på iterval/ratioskala M6, slide Gægse matematiske sadsylighedsfordeliger: Diskrete data: De positive biomialfordelig Poisso-fordelige
Læs mereSandsynlighedsteori 1.2 og 2 Uge 5.
Istitut for Matematiske Fag Aarhus Uiversitet De 27. jauar 25. Sadsylighedsteori.2 og 2 Uge 5. Forelæsiger: Geemgage af emere karakteristiske fuktioer og Mometproblemet afsluttes, og vi starter på afsittet
Læs mereMotivation. En tegning
Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget
Læs mereDiskrete og kontinuerte stokastiske variable
Diskrete og kotiuerte stokastiske variable Beroulli Biomial fordelig Negativ biomial fordelig Hypergeometrisk fordelig Poisso fordelig Kotiuerte stokastiske variable Uiform fordelig Ekspoetial fordelig
Læs mereMeningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017
Meigsmåliger KLADDE Thomas Heide-Jørgese, Rosborg Gymasium & HF, 2017 Idhold 1 Meigsmåliger 2 1.1 Idledig................................. 2 1.2 Hvorda skal usikkerhede forstås?................... 3 1.3
Læs mereSandsynlighedsregning 9. forelæsning Bo Friis Nielsen
Dages eer afsit 5.3 og 5.4 Siultae kotiuerte fordeliger P(X dx,y dy = f(x,ydxdy Sadsylighedsregig 9. forelæsig Bo Friis Nielse Mateatik og Coputer Sciece Daarks Tekiske Uiversitet 8 Kgs. Lygby Daark Eail:
Læs mereSpørgsmål 3 (5 %) Bestem sandsynligheden for at et tilfældigt valgt vindue har en fejl ved listerne, når man ved at der er fejl i glasset.
STATISTIK Skriftlig evaluerig, 3. semester, madag de 30. auar 006 kl. 9.00-3.00. Alle hælpemidler er tilladt. Opgaveløsige forsyes med av og CPR-r. OPGAVE Ved e produktio af viduer er der mulighed for,
Læs mereStatistiske test. Efteråret 2010 Jens Friis, AAU. Hjemmeside :
Statistiske test Efteråret 00 Jes Friis, AAU Hjemmeside : http://akaaudk/jfj Kotiuerte fordeliger Defiitio: Tæthedsfuktio E sadsylighedstæthedsfuktio på R er e itegrabel fuktio f : R [0; [ hvor f d = Defiitio:
Læs mere9. Binomialfordelingen
9. Biomialfordelige 9.. Gekedelse Hvert forsøg ka ku resultere i to mulige udfald; succes og fiasko. I modsætig til poissofordelige er atallet af forsøg edeligt. 9.. Model X : Stokastisk variabel, der
Læs mereStatistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion
Statistik 8. gag 1 KONIDENSINTERVALLER Kofidesitervaller: kapitel 11 Valg og test af fordeligsfuktio Statistik 8. gag 11. KONIDENS INTERVALLER Et kofides iterval udtrykker itervallet hvori de rigtige værdi
Læs mere29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.
Epidemiologi og biostatistik Forelæsig Uge 1, torsdag. februar 006 ichael Væth, Afdelig for Biostatistik. Sammeligig af to middelværdier sikkerhedsitervaller statistisk test Sammeligig af to proportioer
Læs mereIntroduktion til Statistik
Itroduktio til Statistik 4. udgave Susae Ditlevse og Helle Sørese Susae Ditlevse, susae@math.ku.dk Helle Sørese, helle@math.ku.dk Istitut for Matematiske Fag Købehavs Uiversitet Uiversitetsparke 5 2100
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab
Statistik ved Bachelor-uddaelse i folkesudhedsvideskab Græseværdisætiger Det hadler om geemsit Statistikere elsker geemsit Det er oplagt e god ide at tage geemsit. Hvis jeg f.eks skal gætte på vægte af
Læs mereAsymptotisk optimalitet af MLE
Kapitel 4 Asymptotisk optimalitet af MLE Lad Y 1, Y 2,... være uafhægige, idetisk fordelte variable med værdier i et rum (Y,K). Vi har givet e model (ν θ ) θ Θ for fordelige af Y 1 (og dermed også for
Læs mereGenerelle lineære modeller
Geerelle lieære modeller Regressiosmodeller med é uafhægig itervalskala variabel: Y e eller flere uafhægige variable: X,..,X k De betigede fordelig af Y givet X,..,X k atages at være ormal med e middelværdi,
Læs mereStatistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer
Statistik Lektio 7 Hpotesetest og kritiske værdier Tpe I og Tpe II fejl Strke af e test Sammeligig af to populatioer 1 Tri I e Hpotesetest E hpotesetest består af 5 elemeter: I. Atagelser Primært hvilke
Læs mereTest i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!
Test i to populatioer Hypotesetest for parrede observatioer Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og
Læs mereSkitse til notat om hvor de forskellige sandsynlighedsfordelinger kan tænkes at komme fra
E6 efterår 1999 Notat 8 Jørge Larse 12. oktober 1999 Skitse til otat om hvor de forskellige sadsylighedsfordeliger ka tækes at komme fra I statistik opererer ma i vid udstrækig med et lille atal»stadardfordeliger«.
Læs mereAsymptotisk estimationsteori
Kapitel 5 Asymptotisk estimatiosteori De fleste eksperimeter har e idbygget størrelse, som regel kaldet eller N. Dette repræseterer typisk atallet af foretage måliger, atallet af udersøgte idivider, atallet
Læs merevejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.
enote 5 enote 5 Determiater I dee enote ser vi på kvadratiske matricer. Deres type er altså for 2, se enote 4. Det er e fordel, me ikke absolut ødvedigt, at kede determiatbegrebet for (2 2)-matricer på
Læs mereNogle Asymptotiske Resultater. Jens Ledet Jensen Matematisk Institut, Aarhus Universitet. 1 Indledning 1
Nogle Asymptotiske Resultater Jes Ledet Jese Matematisk Istitut, Aarhus Uiversitet Idhold Idhold i Idledig 2 Resultater i et geerelt set-up 7 2. Eksistes af et kosistet estimat............... 7 2.2 Asymptotisk
Læs mereProjekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning
Hvad er matematik? Projekter: Kaitel 9 Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Sætig : Regeregler
Læs mereSandsynlighedsteori 1.2
Forelæsigsoter til Sadsylighedsteori.2 Sved Erik Graverse Jauar 2006 Istitut for Matematiske Fag Det Naturvideskabelige Fakultet Aarhus Uiversitet. Mometproblemet. I dette afsit beteger X e stokastisk
Læs mereØkonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006
Dages program Økoometri De multiple regressiosmodel 5. februar 006 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.-3.3+appedix E.-E.) Defiitio og motivatio Fortolkig af parametree
Læs mereIndholdsfortegnelse Generelt Diskrete stokastiske variable: Kontinuerte stokastiske variable: Regneregler for stokastiske variable
Idholdsfortegelse Geerelt:...3 Stokastisk variabel:...3 Tæthedsfuktio/sadsylighedsfuktio for stokastisk variabel:...3 Fordeligsfuktio/sumfuktio for stokastisk variabel:...3 Middelværdi:...4 Geemsit:...4
Læs mere13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )
3. februar 003 Epidemiologi og biostatistik. Uge, torag d. 3. februar 003 Morte Frydeberg, Istitut for Biostatistik. Type og type fejl Nogle specielle metoder: Test i RxC tabeller Test i x tabeller Fishers
Læs mereLøsninger til kapitel 7
Løsiger til kapitel 7 Opgave 7.1 a) HpoStat giver resultatet: Pop. varias er ukedt, me 30, så Normalf. bruges approksimativt = 54,400 s 1.069,90 = 00,000 0,95 49,868 58,93 Dette betder, at med 95% sikkerhed
Læs mereKvantitative metoder 2
Dages program Kvatitative metoder De multiple regressiosmodel 6. februar 007 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.- 3.+appedix E.) Defiitio og motivatio Fortolkig af
Læs mereSimpel Lineær Regression. Opsplitning af variationen Determinations koefficient Variansanalyse F-test Model-kontrol
Simpel Lieær Regressio Opsplitig af variatioe Determiatios koefficiet Variasaalse F-test Model-kotrol Opbgig af statistisk model Specificer model Ligiger og atagelser Estimer parametre Modelkotrol Er modelle
Læs mereINSTITUT FOR MATEMATISKE FAG c
INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske
Læs mereSandsynlighedsregning 9. forelæsning Bo Friis Nielsen
Dages eer afsit 5.3 og 5.4 Siultae kotiuerte fordeliger P(X dx,y dy f(x,ydxdy Sadsylighedsregig 9. forelæsig Bo Friis Nielse Mateatik og Coputer Sciece Daarks Tekiske Uiversitet 8 Kgs. Lygby Daark Eail:
Læs mereStatistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!
Statistik Lektio 8 Parrede test Test for forskel i adele Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og kviders
Læs mereDeskriptiv teori: momenter
Kapitel 13 Deskriptiv teori: mometer Vi vil i dette og det følgede kapitel idføre e række begreber der bruges til at beskrive sadsylighedsmål på (R, B). Samtlige begreber udspriger i e eller ade forstad
Læs mereKonfidens intervaller
Kofides itervaller Kofides itervaller for: Kofides iterval for middelværdi, varias kedt Kofides iterval for middelværdi, varias ukedt Kofides iterval for adel Kofides iterval for varias Bestemmelse af
Læs mereMorten Frydenberg version dato:
Morte Frdeberg versio dato: 4--4 Itroduktio til kurset Statistik Forelæsig Morte Frdeberg, Sektio for Biostatistik af Biostatistik dele af. semester kurset. Statistiske modeller Biomialfordelige Normalfordelige
Læs mereRegularitetsbetingelserne i simple modeller
Kapitel 7 Regularitetsbetigelsere i simple modeller I dette kapitel vil vi udersøge forskellige modeller med uafhægige, idetisk fordelte variable, rækkede fra det trivielle til det gaske geerelle. Målet
Læs mereVejledende besvarelser til opgaver i kapitel 15
Vejledede besvarelser til opgaver i apitel 5 Opgave a) De teststatistier, ma aveder til at teste om to middelværdier er es, består af et estimat på forselle mellem middelværdiere,, divideret med et udtry
Læs mere30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.
30. august 005 Epidemiologi og biostatistik. Forelæsig 3 Uge, torag d. 8. september 005 Michael Væth, Afdelig for Biostatistik. Mere om kategoriske data Test for uafhægighed I RxC tabeller Test for uafhægighed
Læs mereBaggrundsnote til sandsynlighedsregning
Baggrudsote til sadsylighedsregig Kombiatorik. Multiplikatiospricippet E mægde beståede af forskellige elemeter kaldes her e -mægde. Elemetere i e m-mægde og elemetere i e -mægde ka parres på i alt m forskellige
Læs mereMikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007
Mikroøkoomi, matematik og statistik Eksameshjemmeopgave 14. 20. december 2007 Helle Buzel, Tom Egsted og Michael H.J. Stæhr 14. december 2007 R E T N I N G S L I N I E R F O R E K S A M E N S H J E M M
Læs mereMaja Tarp AARHUS UNIVERSITET
AARHUS UNIVERSITET Maja Tarp AARHUS UNIVERSITET HVEM ER JEG? Maja Tarp, 4 år Folkeskole i Ulsted i Nordjyllad Studet år 005 fra Droiglud Gymasium Efter gymasiet: Militæret Australie Startede på matematik
Læs mereForelæsningsnoter til Stokastiske Processer E05. Svend-Erik Graversen Revideret af Jan Pedersen Kapitel 12 og Appendix B og G af Jan Pedersen
Forelæsigsoter til Stokastiske Processer E5 Sved-Erik Graverse Revideret af Ja Pederse Kapitel 12 og Appedix B og G af Ja Pederse 16. august 25 Forord Nærværede otesæt skal bruges i forbidelse med kurset
Læs mereSupplement til Kreyszig
Supplemet til Kreyszig Forelæsigsoter til Matematik F Idholdsfortegelse side 1. Numerisk itegratio. Fejlvurderig af trapez og Simpso algoritmere 1. Dekompoerig af brøker (Laplace trasformatio) 3. Permutatioer
Læs mereAnalyse 1, Prøve maj 2009
Aalyse, Prøve 5. maj 009 Alle hevisiger til TL er hevisiger til Kalkulus (006, Tom Lidstrøm). Direkte opgavehevisiger til Kalkulus er agivet med TLO, ellers er alle hevisiger til steder i de overordede
Læs mereElementær Matematik. Polynomier
Elemetær Matematik Polyomier Ole Witt-Hase 2008 Køge Gymasium Idhold 1. Geerelle polyomier...1 2. Divisio med hele tal....1 3. Polyomiers divisio...2 4. Polyomiers rødder....4 5. Bestemmelse af røddere
Læs mereProjekt 4.8 De reelle tal og 1. hovedsætning om kontinuerte funktioner
Projekter: Kapitel 4 Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Kotiuitet og kotiuerte fuktioer Ord som kotiuert og kotiuerlig
Læs mereSTATISTISK MODELLERING OG ANALYSE 19. DECEMBER 2008 ET MAT3-PROJEKT I BAYESIANSK INFERENS VEJLEDER: JAKOB G. RASMUSSEN GRUPPE: G4-115
STATISTISK MODELLERING OG ANALYSE ET MAT3-PROJEKT I BAYESIANSK INFERENS 19. DECEMBER 2008 θ x VEJLEDER: JAKOB G. RASMUSSEN GRUPPE: G4-115 INSTITUT FOR MATEMATISKE FAG Istitut for Matematiske Fag Fredrik
Læs merex-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasium Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 SANDSYNLIGHEDSFELT... 3 DE STORE TALS LOV... 4 Sadsyligheder og frekveser:... 4 STOKASTISK
Læs mereSandsynlighedsregning Oversigt over begreber og fordelinger
Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)
Læs mereMatematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet.
Matematik A Studetereksame Forsøg med digitale eksamesopgaver med adgag til iterettet Forberedelsesmateriale Vejledede opgave Forår 0 til stx-a-net MATEMATIK Der skal afsættes 6 timer af holdets sædvalige
Læs mereEksempel 10.1 En autoregressiv proces af orden 1 (ofte blot kaldet en AR(1)- proces) pårhar et opdateringsskema (10.1) med funktionen. for y R.
Kapitel 0 Markovkæder Vi vil i det følgede studere processer Y 0, Y, Y 2,... med værdier irgivet på forme Y = f (Y +ǫ for =, 2,... (0. Her erǫ,ǫ 2,... e følge af iid støjvariable med middelværdi 0, alle
Læs mereIMFUFA TEKST NR TEKSTER fra ROSKILDE UNIVERSITETSCENTER. Jørgen Larsen
TEKST NR 435 2004 Basisstatistik 2. udgave Jørge Larse August 2006 TEKSTER fra IMFUFA INSTITUT ROSKILDE UNIVERSITETSCENTER FOR STUDIET AF MATEMATIK OG FYSIK SAMT DERES FUNKTIONER I UNDERVISNING, FORSKNING
Læs mereSandsynlighedsregning
Sadsylighedsregig E ote om sadsylighedsregig. Via basal sadsylighedsregig gøres læsere klar til forstå biomialfordelige. Herik S. Hase, Sct. Kud Versio 5.0 Opgaver til hæftet ka hetes her. PDF Facit til
Læs mereOpsamling. Lidt om det hele..!
Opsamlig Lidt om det hele..! Kursus oversigt Hvad har vi været igeem: Deskriptiv statistik Sadsyligheder Stokastiske variable diskrete og kotiuerte Fordeliger Estimatio Test Iferes Sammeligig af middelværdier
Læs merecos(t), v(t) = , w(t) = e t, z(t) = e t.
Aalyse Øvelser Rasmus Sylvester Bryder. og. oktober 3 Bevis for Cotiuity lemma Theorem. Geemgås af Michael Staal-Olse. Bevis for Lemma.8 Dee har vi faktisk allerede vist; se Opgave 9.5 fra Uge. Det er
Læs mere(VIDENSKABSTEORI) STATISTIK (EKSPERIMENTELT ARBEJDE)
(VIDENSKABSTEORI) STATISTIK (EKSPERIMENTELT ARBEJDE) x-klassere Gammel Hellerup Gymasium Idholdsfortegelse INDLEDNING... 3 DESKRIPTIV STATISTIK... 3 Eksempler ide for deskriptiv statistik... 12 Normalfordeligskurver...
Læs mereSupplerende noter II til MM04
Supplerede oter II til MM4 N.J. Nielse 1 Uiform koverges af følger af fuktioer Vi starter med følgede defiitio: Defiitio 1.1 Lad S være e vilkårlig mægde og (X, d et metrisk rum. E følge (f af fuktioer
Læs merer n E[ X n ]/n! for alle r > 0 ifølge monoton konvergens, giver potensrækketeori, at ( ) er ækvivalent med, at ρ n E[ X n ]/n!
Mometproblemet. Lad i dette afsit X betege e stokastisk variabel med mometer af ehver orde. Mometfølge (E[X ]) er derfor e vel defieret reel talfølge bestemt ved fordelige, og spørgsmålet om, de omvedt
Læs mereProgram. Ensidet variansanalyse Normalfordelingen. Antibiotika og nedbrydning af organisk materiale. Tegninger
Faculty of Life Scieces Program Esidet variasaalyse Normalfordelige Claus Ekstrøm E-mail: ekstrom@life.ku.dk Esidet variasaalyse (oe-way ANOVA) Hvilke type data? Hvad er problemstillige? Variatio mellem
Læs mereRESEARCH PAPER. Nr. 2, En model for lagerstørrelsen som determinant for købs- og brugsadfærden for et kortvarigt forbrugsgode.
RESEARCH PAPER Nr., 005 E model for lagerstørrelse som determiat for købs- og brugsadfærde for et kortvarigt forbrugsgode af Jørge Kai Olse INSTITUT FOR AFSÆTNINGSØKONOMI COPENHAGEN BUSINESS SCHOOL SOLBJERG
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Normalfordelingen og transformation af kontinuerte fordelinger Helle Sørensen Uge 7, mandag SaSt2 (Uge 7, mandag) Normalford. og transformation 1 / 16 Program Paretofordelingen,
Læs mereAgenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede
Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater
Læs mereTeoretisk Statistik, 9. februar Beskrivende statistik
Uge 7 I Teoretisk Statistik, 9 februar 004 Beskrivede statistik Kategoriserede variable 3 Kvatitative variable 4 Fraktiler for ugrupperede observatioer 5 Fraktiler for grupperede observatioer 6 Beliggeheds-
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Læs mereSammenligning af to grupper
Sammeligig af to gruer Reetitio, heruder om kritiske værdier Sammeligig af to gruer Sammeligig af to middelværdier Sammeligig af to adele Sammeligig af to variaser yoteser og hyotesetest. E hyotese er
Læs mereVejledende opgavebesvarelser
Vejledede opgavebesvarelser 1. Atal hæder er lig med K(52,5), altså 2598960. Ved brug af multiplikatiospricippet ka atal hæder med 3 ruder og 2 spar udreges som K(13, 3) K(13, 2), hvilket giver 22308.
Læs mereog Fermats lille sætning
Projekter: Kaitel 0. Projekt 0. Modulo-regig, restklassegruer og Fermats lille sætig Projekt 0. Modulo-regig, restklassegruere ( { 0 }, ) og Fermats lille sætig Vi aveder moduloregig og restklasser mage
Læs mereDagens forelæsning. Claus Munk. kap. 1-3. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro
Dages forelæsig Grudlæggede itroduktio til obligatioer Claus Muk kap. - 3 Betaligsrækker og låeformer Det daske obligatiosmarked Effektive reter 2 Obligatioer Grudlæggede Itro Obligatioer Grudlæggede Itro
Læs mereClaus Munk. kap. 1-3
Claus Muk kap. 1-3 1 Dages forelæsig Grudlæggede itroduktio til obligatioer Betaligsrækker og låeformer Det daske obligatiosmarked Pris og kurs Effektive reter 2 1 Obligatioer Grudlæggede Itro Debitor
Læs mereSTATISTIK x-klasserne Gammel Hellerup Gymnasium
STATISTIK x-klassere Gammel Hellerup Gymasium Jui 209 ; Michael Szymaski ; mz@ghg.dk Idholdsfortegelse INDLEDNING...3 DESKRIPTIV STATISTIK...4 Skemaer...5 Diagrammer...8 Statistiske deskriptorer... 0 Typetal
Læs mereSTATISTIKNOTER Simple normalfordelingsmodeller
STATISTIKNOTER Simple ormalfordeligsmodeller Jørge Larse IMFUFA Roskilde Uiversitetsceter Februar 1999 IMFUFA, Roskilde Uiversitetsceter, Postboks 260, DK-4000 Roskilde. Jørge Larse: STATISTIKNOTER: Simple
Læs mereUndersøgelse af numeriske modeller
Udersøgelse af umeriske modeller Formål E del af målsætige med dette delprojekt er at give kedskab til de begræsiger, fejl og usikkerheder, som optræder ved modellerig. I de forbidelse er følgede udersøgelse
Læs mereOversigt. 1 Fordelingen for gennemsnittet t-fordelingen. 3 Den statistiske sprogbrug og formelle ramme
Itroduktio til Statistik Forelæsig 4: Kofidesiterval for middelværdi (og spredig) Peder Bacher DTU Compute, Dyamiske Systemer Bygig 303B, Rum 009 Damarks Tekiske Uiversitet 2800 Lygby Damark e-mail: pbac@dtu.dk
Læs mereEstimation og test i normalfordelingen
af Birger Stjerholm Made Samfudlitteratur 07 Etimatio og tet i ormalfordelige Dee tekt ideholder et overblik over ogle grudlæggede pricipper for etimatio og tet i ormalfordelige i hyppigt forekommede ituatioer:
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sadsylighedsregig 1 STAT Sætig 4.4 og kapitel 6 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae 8. udervisigsuge 1 E hypotese af forme H 0 : θ =
Læs mereMatematikkens mysterier - på et obligatorisk niveau. 7. Ligninger, polynomier og asymptoter
Matematikkes mysterier - på et obligatorisk iveau af Keeth Hase 7. Ligiger, polyomier og asymptoter Hvad er e asymotote? Og hvorda fides de? 7. Ligiger, polyomier og asymptoter Idhold 7.0 Idledig 7.1 Udsag
Læs mereog Fermats lille Projekt 0.4 Modulo-regning, restklassegrupperne sætning ..., 44, 20,4,28,52,... Hvad er matematik? 3 ISBN
Projekt 0.4 Modulo-regig, restklassegruppere sætig ( p 0, ) og Fermats lille Vi aveder moduloregig og restklasser mage gage om dage, emlig år vi taler om tid, om hvad klokke er, om hvor lag tid der er
Læs mereTests for forskel i central tendens for data på ordinal- og intervalskala. Typer af statistiske test:
Statistik for biologer 005-6, modul 7: Tests for forskel i cetral tedes for data på ordial- og itervalskala M7, slide M7, slide Typer af statistiske test: Parametrisk statistik: - Tester for forskel i
Læs mereOversigt. Kursus 02402/02323 Introducerende Statistik. Forelæsning 12: Inferens for andele. Klaus K. Andersen og Per Bruun Brockhoff
Kursus 02402/02323 Itroducerede Statistik Forelæsig 12: Iferes for adele Klaus K. Aderse og Per Bruu Brockhoff DTU Compute, Statistik og Dataaalyse Damarks Tekiske Uiversitet 2800 Lygby Damark e-mail:
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mereSandsynlighedsregning og statistisk
Sadsylighedsregig og statistisk J. C. F. Gauss 777 855) Peter Haremoës Niels Brock 2. april 23 Idledig Dette hæfte er lavet som supplemet til 2. udgave af boge Mat B. Der er lagt vægt på at give e bedre
Læs mere