Supplement til sandsynlighedsregning og matematisk statistik
|
|
- Ejvind Søgaard
- 4 år siden
- Visninger:
Transkript
1 Supplemet tl sadsylghedsregg og matematsk statstk 1. Bevs for lgg (4b) 22.4 ( 23.3) 8. (7.) udgave. Teorem 3 (4): Atallet af forskellge kombatoer med k elemeter, der ka daes ud af forskellge elemeter, er ( ) ( ) + k 1 ude getagelser: med getagelser: k k Det er teorem (4b), hvor de ekelte elemeter ka optræde fra tl k gage de ekelte kombatoer, der skal bevses. Læreboge foreslår at bevse sætge ved dukto: Teoremet er korrekt for = 1 for e vlkårlg værd af k:der er ku de ee mulghed, at alle k elemeter er es. Teoremet atages korrekt for 1 elemeter (for e vlkårlg værd af k), og skal med dee forudsætg vses at være gyldg for elemeter: V starter med de 1 elemeter og daer alle mulge kombatoer med k elemeter (med getagelser): ( ) 1+k 1 k. Tl dette atal mulgheder skal adderes dem, hvor det te elemet optræder 1 gag. Dette er lg med atallet af kombatoer med k 1 elemeter valgt ud bladt de resterede 1elemeter: ( ) 1+k 1 1 k 1. Næste led er de kombatoer, hvor det te elemet optræder to gage, og hvor der skal vælges k 2 elemeter ud af de 1 elemeter, osv. dtl v år frem tl, at alle k-elemeter er det te elemet. Dermed blver det samlede atal kombatoer: ( ) ( ) ( ) ( ) ( ) + k 2 + k 3 + k k k 1 k som ka omskrves tl ( ) ( ) k 2+s k 2+s = s 2 s= Beyttes lgg (13) boge (med k erstattet med 2 og øverste sum græse 1medk) fås, at summe er lg ( ) ( ) ( ) k k 1 + k 1 = = Q.E.D k Lgg (13), som beyttes bevset, ka ge bevses ved dukto samt brug af lgg (11) (regeøvelse-opgave). Revderet efterår 2. s=
2 Supplemet 2 Alteratvt bevs for Teorem 4b Teorem 4b ka omformuleres tl, at atallet af måder k kugler ka fordeles kasser er ( ) + k 1 k hvs der kke er begræsger på hvor mage kugler, der ka være de ekelte kasser (svarede tl Bose-statstk). E kugle e kasse, svarer tl at dette elemet er udtrukket. De kasser stlles på erække,ogdek (sorte) kugler fordeles, fx som vst fgur a). De k kugler plus de 1 skllevægge betragtes uder et, agvet som hvde kugler fgur b). E vlkårlg kombato ka fdes ved at udvælge k af de hvde kugler b) tl at være sorte og de resterede tl at være skllevægge. Et eksempel er vst fgur c). Her er skllevæggee vst som hvde kugler, dvs. der er 1 kugle 1. kasse, 2. kasse, 1 3. kasse, 2 4. kasse, osv. Atallet af kombatoer er derfor det samme som atallet af måder, v ka udvælge k af de 1+k hvde kugler b) tl at være sorte kugler, hvlket etop er ( ) + k 1 k a) b) c)
3 2. Movre s sætg 3 2. Movre s sætg Sadsylghedstæthede for bomalfordelge: f(x) = ( ) p x q x (x =, 1,,) (2.1) x (q =1 p) ka betragtes to græser: (I) For og p, således at λ = p holdes kostat går bomalfordelge mod Posso-fordelge:Idføres λ ka f(x) skrves hvor for og f(x) = ( 1) ( x +1) x ( 1) ( x +1) x λ x x! =1 ( 1 1 ( 1 λ ) ( λ ) x 1 (2.2) ) x 1) ( 1 1 (2.3) ( λ ) λ ( 1) λ 2 ( 1)( 2) λ 3 1 =1 + 1! 2! 2 3! 3 + =1 λ + ( 1 1 ) λ 2 2! ( 1 1 )( 2 ) λ 3 1 3! + 1 λ + λ2 2! λ3 + = e λ 3! Sdste faktor (2.2) går mod 1, dvs. (2.4) f(x) λx x! e λ for (2.5) som er Posso-sadsylghedstæthede med mddelværd µ = λ. (II) Ud fra bomal-fordelge ka v å frem tl e kotuert fordelg ved at fastholde p uder græseovergage.hervedgår mddelværde µ = p og spredge σ = pq begge mod. Dette ødvedggør e ormerg af de oprdelge stokastske varabel X, som erstattes med Z = X µ σ (2.6) Igræse blver Z e kotuert stokastsk varabel og F (z =(x µ)/σ) går over stadard ormalfordelge, med mddelværde og spredge 1, dvs. F (z) Φ(z) (De Movre og Laplace s græseværdsætg), svarede tl lgg (11) på sde 19 (1189) 8. (7.) udgave af boge (hvs ±.5 α og β eglgeres).
4 Supplemet 4 I bevset udyttes det, at det ku er opførsle af f(x) e tæt omeg af x = µ, der er afgørede, f(x) hvs x µ > rσ, hvorr er af størrelsesordee 5. Det betyder at omege relatvt set, rσ/µ = r pq/p for,ogdermed at v dels ka beytte Strlgs formel for alle faktorere bomalkoeffcete, over x, og dels udytte e rækkeudvklg mht. /µ, hvor =x µ: Avedes Strlgs formel [lgg (7) sde 167 (1163)] (2.1) fås: f(x) = 2π e 2πxx x e x 2π( x)( x) x e +x px q x 2πx( x) ( ) p x ( q ) x (2.7) x x Rækkeudvkles kvadratrode tl te orde erstattes de af 1/ 2πpq. For det æste led fås: ( ) p x [ =exp x l ( µ ) ] [ =exp (µ + )l ( µ ) ] x x µ + hvor og dermed ( p x l ( µ µ + ) ( ) = l 1+ µ µ ) ] [ x exp [ 2 =exp p x 2µ ( ) 2 µ ] (x p)2 2p (2.8) og helt aalogt ( ) q x exp [q ( x) x ] [ ] ( x q)2 =exp 2 2q 2q (2.9) Gager v de to faktorer samme fås ( ) p x ( ) q x exp [ 2 x x 2p + 2 ] [ 2 ] =exp 2(1 p) 2p(1 p) og år pq = p(1 p) erstattes med σ 2 blver slutresultatet f(x) 1 [ ] σ 2π exp (x µ)2 2σ 2 (2.1) som er gyldgt græse µ = p 1. Det ka tlføjes, at beyttes samme fremgagsmåde ka det vses at sadsylghedstæthede for Posso fordelge for store værder af µ ka tlærmes med de ormale fordelg (2.1) med σ = µ. Bemærk, at boges tabel A6 over Posso-fordelge ku medtager værder af µ 5. For større værder af µ ka ma beytte Φ(z).
5 2. Movre s sætg Fgure vser sadsylghedstæthede for e bomalfordelg med p =.3 og = 5, 2 og 4 (puktere) og de tlsvarede ormale fordelgstæthed (de kotuerte kurver).
6 Supplemet 6 3. χ 2 -fordelg og Studet s t-fordelg χ 2 -fordelge afhæger ku af atallet af frhedsgrader, og er deferet ved: Y = U 2 (3.1) hvor U,forhvert, er e uafhægg stokastsk varabel med e frekvesfukto, som er de stadardserede ormale fordelgstæthed: φ(u )= 1 2π e u2 /2 Y er de stokastske varabel svarede tl χ 2 (bemærk, at χ 2 opfattes som e betegelse for e varabel y som er kke-egatv). Fordelgsfuktoe F (χ 2 ) er produktet af frekvesfuktoere (dbyrdes uafhægge stokastske varable) tegreret over volumeet gvet ved y = u 2 χ2 : F (χ 2 )= du y χ 2 1 du 2 du (2π) 2 e y/2 (3.2) Fuktoe, der skal tegreres, afhæger ku af r = y, som ka opfattes som rade af e -dmesoal kugle. Volumeet af de -dmesoal kugle er V = r C, hvor ehedskugles volume (se appedx) er C = π 2 Γ(1 + 2 ) (3.3) og Γ(1 + a) =aγ(a) er gammafuktoe. Volumeet V ka fdes ved tegrato af overfladearealet S (r) =dv /dr = r 1 C mht. r. I lgg (3.2) ka v ude vdere tegrere over alle de 1 frhedsgrader, der er uafhægge af y = r 2, hvlket gver: og dermed, at F (χ 2 )= r= χ 2 S (r)(2π) 2 e r 2 /2 dr (3.4) f (χ 2 )=F (χ2 )= df dr dr dχ 2 = S ( χ 2) (2π) 2 e χ 2 /2 1 2 = ( χ 2) 1 π 2 Γ(1 + 2 e χ 2 /2 1 2 )(2π) 2 eller f (χ 2 1 ( ) )= χ e χ 2 /2 2 2 Γ( 2 ) som er sadsylghedstæthede for χ 2 -fordelge med frhedsgrader. χ 2 χ 2 (3.5) (3.6)
7 3. χ 2 -fordelg og Studet s t-fordelg 7 Det ka vses, at mddelværde og varase af χ 2 -fordelge er heholdsvs og 2: χ 2 f (χ 2 )dχ 2 = (3.7) χ 4 f (χ 2 )dχ 2 2 =2 For at udlede teorem (teorem ) betragter v de stokastske størrelse S 2 = 1 (X µ) 2 (3.8) hvor X er ormalt fordelt med mddelværde µ og varase σ 2,såer S2 σ 2 = ( ) X µ 2 = U 2 (3.9) σ beskrevet ved χ 2 -fordelge med -frhedsgrader [højresde er de samme som lgg (3.1)]. Idfører v de stokastske mddelværd X = 1 X (3.1) ka (3.8) omskrves tl S 2 = [ (X X)+(X µ) ] 2 = (X X) 2 + (X µ) 2 (3.11) det lgg (3.1) medfører, at produktet mellem de to led de frkatede paretes summerer tl. Dermed har v, at S2 σ 2 = ( X X σ ) 2 ( ) X µ 2 + σ/ (3.12) Ifølge 23.3 teorem 1 ( 24.6 teorem 2) er X ormalfordelt med mddelværde µ og varase σ 2 /, dvs.atsdsteledpåhøjre sde af (3.12) etop er kvadratet på e stokastsk varabel, som har e stadardserede ormalfordelg, og dermed, at dette led har e χ 2 -fordelg med 1 frhedsgrad. Deftosmæssgt er summe af to (uafhægge) χ 2 -fordelger med frhedsgradere 1 og 2 gvet ved χ 2 - fordelge med frhedsgrader. Det ka vses, at de to led på højresde af (3.12) er statstsk uafhægge (kovarase er ), hvoraf følger, at første led har e χ 2 -fordelg med 1 frhedsgrader. Stkprøveværde af vestre sde af lgg (3.12) (store bogstaver erstattes med stkprøveværder gvet ved de tlsvarede små bogstaver) er tlærmet lg med mddelværde af højre sde, og beyttes (3.7) fås, at s 2 /σ2 ( 1) + 1 eller som forvetet, at s σ. Betragter v alee det første led (3.12), fås (x x) 2 /σ 2 1, eller at s 2 = 1 (x x) 2 σ 2 (3.13) 1
8 Supplemet 8 hvor s 2 er størrelse, der ka bestemmes drekte ud fra stkprøve, hvormod bestemmelse af s 2 kræver kedskab tl µ. Studet s t-fordelg: V har etop betragtet de stokastske varabel U = X µ σ/ hvor U 2 er χ 2 -fordelt med 1 frhedsgrad. For, at vurdere påldelghedstervallet ved e bestemmelse af µ ud fra stkprøveværde af varase betragter v u stedet T = X µ S/ = U σ (3.14) S Ifølge (3.12) og (3.13) er S 2 σ 2 = Y p (3.15) p hvor Y p har e χ 2 -fordelg med p = 1 frhedsgrader. Dvs. v har T 2 p = Y 1 Y p med Y 1 = U 2 (3.16) og dermed er fordelgsfuktoe G(t 2 /p) for de stokastske varabel T 2 /p bestemt, som arealet af f 1 (y 1 )f p (y p )overområdet, hvor y 1 /y p t 2 /p G(t 2 yp t 2 /p /p) = f 1 (y 1 )f p (y p )dy 1 dy p (3.17) y p = y 1 = Deftoe af fordelgsfuktoer medfører, at G(t 2 /p) =±[F t (t) F t ( t)], hvor + ( ) svarertlt postv (egatv). Dermed ka t-frekvesfuktoe, f t (t) =F t(t), bestemmes som 2f t (t) =± d(t2 /p) dg(t 2 /p) [ dt d(t 2 =(2 t /p) f1 (y /p) 1 ) ] y1=ypt 2/p y pf p (y p )dy p (3.18) og beyttes lgg (3.6) fås [ 1 f t (t) =( t /p) y 1 ] 2 1 e y 1 /2 1 y p 2π y 1 =y p t 2 /p 2 p 2 Γ( p 2 )(y p) p 2 1 e yp/2 dy p = t p π p t p+1 2 Γ( p 2 ) (y p ) p 1 2 e (1+ t2 p )y p/2 dy p hvor tegralet udreges tl [ ] p Γ( p+1 1+t 2 /p 2 ), og dermed slutresultatet (3.2) f t (t) = 1 Γ( p+1 2 ) (1+ t2 pπ Γ( p 2 ) p ) p+1 2 (3.21)
9 3. χ 2 -fordelg og Studet s t-fordelg 9 som er frekvesfuktoe tl T lgg (3.14), år p = 1. Dermed har v udledt teorem (teorem ). E ærmere aalyse af de to fordelger ka fdes som Mathematca programmer på hjemmesde. Teorem (teorem ), det såkaldte Cetral lmt theorem, fortæller at begge fordelger ærmere sg ormalfordelge, år atallet af frhedsgrader vokser. Som ævt har χ 2 -fordelge med frhedsgrader mddelværde µ = og varase σ 2 =2. Studet s t-fordelge med p frhedsgrader har mddelværde µ = (frekvesfuktoe er lge t). Varase dvergerer for p =1ogp =2. Forp 3ervaraseσ 2 = p/(p 2). Dvs. at for store p blver varase 1, som reflekterer at uskkerhede kyttet tl bestemmelse af σ ud fra s blver llle. Appedx Ehedskugles volume dmesoer, C, ka bestemmes ved at udrege tegralet I = e (x2 1 +x x2) dx 1 dx 2 dx (3.22) dels drekte, som et produkt af Gauss tegraler: e x2 dx = π I = π 2 (3.23) dels ved at udytte at fuktoe uder tegraltegee ku afhæger af de radære varabel r (x x x2 )1/2. Volumeet af e -dmesoal kugle med radus r er V (r) = r dx 1 dx 2 dx = S (r )dr = r C (3.24) og dermed dv = S (r)dr = r 1 C dr. Det betyder, at udføres alle de 1 tegratoer (3.22), der er uafhægge af r, fås I = S (r) e r2 dr = r 1 C e r2 dr (3.25) 1 = C 2 z 2 1 e z dz = 2 C Γ( 2 )=C Γ(1 + 2 ) Ved at sammeholde de to resultater for I,fås C = π 2 Γ(1 + 2 ) (3.26)
10 Supplemet 1 4. Cetral lmt teorem V skal supplere boge med ogle vgtge resultater. V vl starte med at betragte de momet-geererede fukto, som dføres 22.8 opgave 14 ( 23.5 opgave 2 og 23.6 opgave 16 19): som har egeskabe: G(t) = e tx etx f(x)dx = e tx f(x ) ( d X ) G(t) = dt t= (4.1) For de to dskrete fordelger, heholdsvs bomalfordelge (µ = p, σ 2 = pq) og Posso-fordelge, har v fra boges opgaver, at G b (t) =(pe t + q) og G P (t) =e µ e µet (4.2) For Gauss-fordelge er: G(t) = e tx = 1 σ (x µ) 2 ] 2π e[tx 2σ 2 dx hvor ekspoete ka omskrves tl og dermed, at tx (x µ)2 2σ 2 = µt σ2 t 2 (x µ σ2 t) 2 2σ 2 G(t) =e (µt+ 1 2 σ2 t 2 ) 1 σ (x µ σ 2 t) 2 2π e 2σ 2 dx Gauss-tegralet er uafhæggt af, at µ er erstattet af µ + σ 2 t, og resultatet for de momet-geererede fukto for ormalfordelge er: G(t) =e (µt+ 1 2 σ2 t 2 ) (4.3) Geerelt har v, at hvs Y er e learkombato af to uafhægge stokastske varable X 1 og X 2, Y = a 1 X 1 + a 2 X 2 så er de momet-geererede fukto for y-fordelge produktet af de to momet-geererede fuktoer G 1 (a 1 t)ogg 2 (a 2 t)forx 1 -ogx 2 -fordelgere: G y (t) = e ty = e ta 1X 1 e ta 2X 2 = e ta 1X 1 e ta 2X 2 = G 1 (a 1 t)g 2 (a 2 t) (4.4)
11 4. Cetral lmt teorem 11 Dsse to resultater, (4.3 og (4.4), ka beyttes tl at eftervse teorem (teorem ): Summe af to uafhægge stokastske varable, Y = X 1 +X 2, som begge har ormalfordelger med mddelværd µ 1, µ 2 og varas σ1 2, σ2 2 har ormalfordelge med µ = µ 1 + µ 2 og σ 2 = σ1 2 + σ2 2. Ifølge (4.4) er G y (t) =G 1 (t)g 2 (t) =e (µ 1t+ 2 1 σ2 1 t2) e (µ 2t+ 2 1 σ2 2 t2) = e [(µ 1+µ 2 )t+ 2 1 (σ2 1 +σ2 2 )t2 ] (4.5) som er de momet-geererede fukto for de agve y-fordelg. [Idskud: Frekvesfuktoe for Y = X 1 + X 2,bestemtvedvlkårlge (kotuerte) frekvesfuktoer, f 1 (x) ogf 2 (x), ka skrves som et foldgstegral: F (y) er produktet af de to frekvesfuktoer tegreret over arealet y = x 1 + x 2 y eller x 2 y x 1,dvs.: y x1 F (y) = f 1 (x 1 )f 2 (x 2 )dx 1 dx 2 = f 1 (x 1 )F 2 (y x 1 )dx 1 x 1 = x 2 = eller f(y) =F (y) = f 1 (x)f 2 (y x)dx (4.6) Foldgstegralet optræder fx år e resoaskurve, f 1 (x), udmåles med e ekspermetel uskkerhed beskrevet ved e opløsgsfukto, R(x) = f 2 (x) med µ 2 =. Atages begge fuktoer, at være (eller kue tlærmes med) Gauss-fuktoer, blver resultatet e Gauss-fukto cetreret omkrg µ 1 med varase σ1 2 + σ2 2.] V har tdlgere vst, at bomalfordelge for store værder af ka tlærmes med ormalfordelge (med µ = p og σ 2 = pq), og tlsvarede for Possofordelge (for µ 5). Resultatere (4.3) og (4.4) ka u beyttes tl at bevse de geerelle sætg the cetral lmt theorem : Atag X, =1,..., er uafhægge stokastske varable, som beskrves ved frekvesfuktoere f (x ) (der alle ka være forskellge) med mddelværd µ og varas σ 2. De stokastske varabel Y = 1 X (4.7) har følgede egeskaber: () Mddelværde er µ = Y = 1 µ () Varase er σ 2 = 1 2 σ 2 () Fordelgsfuktoe for Z = Y µ vl (asymptotsk) Φ(z) (de stadardserede ormalfordelg) for σ.
12 Supplemet 12 Bemærk, at teoremet dee udgave er mere geerelt ed læreboges verso, teorem (teorem ). Puktere () og () følger drekte af teorem 1 og ( 23.8). Pukt () ka bevses ved at udytte (4.4), geeralseret tl led med a =1/, dvs. G y (t) = G (t/) E Taylor-rækkeudvklg af G (t/) =G () + G ()(t/) G ()(t/)2 gver ærmest deftosmæssgt: ( ) t G =1+µ t (σ2 + µ 2 ) t2 2 + =exp [ µ t σ2 og dermed, at for 1: G y (t) t 2 ] ( ) O 3 [ t exp µ + 1 t 2 ] [ 1 2 σ2 2 =exp µ t ] 2 2 σ 2 t2 som etop, fl. (4.3), er de momet-geererede fukto for ormalfordelge med mddelværd µ () og varas σ 2 (). Ophobgslove ka betragtes som et korrolar tl the cetral lmt theorem. Er Y e geerel fukto af X ka v tlærmelsesvs erstatte fuktoe med et leært udtryk et område omkrg Y s mddelværd: Y = ψ(x 1,...,X ) ψ ( X 1,..., X ) + ( ) ψ X X j = X j ( X X ) Hvs de forskellge varable har e Gauss-fordelg, eller hvs der er mage forskellge bdrag (uskkerhedsberegger!), vl Y, fl. heholdsvs (4.5) og (4.7), (tlærmelsesvs) have e ormalfordelg med mddelværde Y = ψ ( X 1,..., X ) (4.8a) og varase σ 2 = ( ) ψ 2 X X j = X j σ2 (4.8b) V skal beytte ophobgslove tl at udrege varase af parametree k og k 1 bestemt ved e leær regresso: y = k + k 1 x (4.9) E stkprøve på talsæt (x,y ), atages gvet, hvor x atages bestemt ude uskkerheder (eller sarere at k 1 σ x σ y ). Maksmum lkelhood metode fører tl resultatet, at de mest sadsylge værder af de to parametre bestemmes
13 4. Cetral lmt teorem 13 ved at mmere summe af de kvadratske afvgelser (y y ) 2,hvorvhar dført y = k + k 1 x : Resultatet er, overesstemmelse med 23.9 eller 18.5 ( eller 19.5), D = x 2 ( ) 2 x x 2 k = y x x y D k 1 = x y x y D (4.1) hvor alle summer går fra = 1tl =. I e ekspermetel stuato vl stadardafvgelse af y (σ y ) ofte være ukedt, me atager v, at de er de samme for alle målepuktere (alle ) vl (y y ) 2 /σy 2 have χ2 -fordelge med 2 frhedsgrader, og dermed er σ y s(y), hvor s 2 (y) = 1 2 (y y ) 2 ; y = k + k 1 x (4.11) Beytter v ophobgslove er stkprøve-varase af k : eller xj s 2 (k )= ( ) k 2s 2 (y) = ( x 2 j x ) 2s 2 (y) y D [ = ( ) x 2 2 ( ) 2 j 2 xj x 2 j + ( ) 2 ] xj x 2 s 2 (y) j D 2 s 2 (k )= x 2 j D s2 (y) (4.12) Helt aalogt ka varase af k 1 udreges tl: s 2 (k 1 )= D s2 (y) (4.13) Dette sdste resultat svarer tl boges opskrft Tabel (Tabel 24.13): q = ( 2)s 2 (y) og( 1)s 2 x = D/ og dermed K = cs(k 1 )[s x beæves s 1 7. udgave; bemærk at s y 8. udgave kke er de samme parameter som s(y) her på sde]. Kostate c der agver de relatve lægde af kofdestervallet forhold tl stadardafvgelse, bestemmes af Studet s t-fordelg med 2 frhedsgrader. Frhedsgradere reduceres med 2 ford stkprøve beyttes tl at fastlægge 2 parametre k og k 1, aalog med at frhedsgradere reduceres med 1 ved bestemmelse af kofdestervallet for µ, år stkprøveværde af stadardafvgelse beyttes.
BEVISER TIL KAPITEL 7
BEVISER TIL KAPITEL 7 A. Komplemetærhædelse Det er klart, at e hædelse A og de komplemetære hædelse A udgør hele udfaldsrummet U, dvs. A A = Da fås P(U = U P(A A = P (A + P(A = da de to hædelser er dsjukte
Læs mereHvorfor n-1 i stikprøvevariansen?
Erk Vestergaard www.matematkfysk.dk Hvorfor - stkprøvevarase? Lad os sge, at e fabrk producerer e bestemt type halogepærer. Det vser sg, at levetde for e såda elpære varerer efter e ormalfordelg. Nogle
Læs mereSpørgsmål 1 (5 %) Bestem sandsynligheden for at batteriet kan anvendes i mere end 5 timer.
TATITIK krftlg evaluerg, 3. semester, fredag de 4. jauar 3 kl. 9.-3.. Alle hjælpemdler er tlladt. Opgaveløsge forsyes med av og CR-r. OGAVE Et batter har e levetd tmer med de tlkyttede tæthedsfukto f (
Læs mereMen tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ.
χ test matematkudervsge χ - test gymasets matematkudervsg I jauar ummeret 8 af LMFK bladet havde jeg e artkel, hvor jeg harcelerede ldt over, at regresso og sær χ fordelg havde fudet dpas matematkudervsge
Læs mereStatistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation
Statstk Lekto 4 Smpel Leær Regresso Smpel leær regresso Mdste kvadraters metode Kovaras og Korrelato Scatterplot Scatterplot kf Advertsg Epedtures ( ad Sales ( Et scatterplot vser par (, af observatoer.
Læs mereVi ønsker også at teste hypoteser om parametrene. F.eks: Kan µ tænkes at være 0 (eller anden fast, kendt værdi)? Eksempel: dollarkurser
Uge 37 I Teoretsk Statstk, 9.sept. 003. Fordelger kyttet tl N-ford. Gvet: uafhægge observatoer af samme N(µ,σ )-fordelte stokastske varabel. Formelt: X,X,,X uafhægge, alle N(µ,σ )-fordelt. Mddelværd µ
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 merebestemmes. kendes ( ) A i Subjektiv information + objektiv information Bayesiansk statistik (gang 10) Bayes sætning
Statstk. gag BAYESIANSKE METOER Objektv formato f.eks. forsøgs resultater klasssk statstk gag -9 Subjektv formato objektv formato Bayesask statstk gag Bayes sætg E E A A E A A... E A A A E A E E E A A
Læs mereEksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik.
Epdemolog og bostatstk. Uge, trsdag. Erk Parer, Isttut for Bostatstk. Geerelt om statstk Dataaalyse - Deskrptv statstk - Statstsk feres Sammelgg af to grupper med kotuerte data - Geemst og spredg - Parametre
Læs mereScorer FCK "for mange" mål i det sidste kvarter?
Uge 7 I Teoretsk Statstk, 9. aprl 2004. Hvor er v? Hvor var v: opstllg af statstske modeller Hvor skal v he: tro om estmato og test 2. Eksempel: FCK Estmato (tutvt) Test Maksmum lkelhood estmato Scorer
Læs mereØkonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005
Dages program Økoometr De smple regressosmodel 4. september 5 Dee forelæsg drejer sg stadg om de smple regressosmodel (Wooldrdge kap.4-.6) Fuktoel form Hvorår er OLS mddelret? Varase på OLS estmatore Regressosmodelle
Læs mereStatistisk analyse. Vurdering af usikkerhed i forbindelse med statistiske opgørelser forudsætter:
Statstsk aalyse Vurderg af uskkerhed forbdelse med statstske opgørelser forudsætter: Kvattatve mål for varato og spredg forbdelse med statstske opgørelser varas og stadardafvgelse Kvattatve mål for tlfældgheder
Læs mereRepetition. Forårets højdepunkter
Repetto Forårets højdepukter Forårets højdepukter Smpel Leær Regresso Smpel leær regresso: Mdste kvadraters metode Kovaras og Korrelato Scatterplot Scatterplot kf Advertsg Epedtures (X ad Sales (Y Et scatterplot
Læs mereStatistik 9. gang 1 REGRESSIONSANALYSE. Korrelation (kontrol af model) Regression (tilpasning af model)
Statstk 9. gag REGRESSIONSANALYSE Korrelato kotrol af model Regresso tlpasg af model Statstk 9. gag KORRELATIONS ANALYSE. Grad af fælles varato mellem X og Y. Område og fordelg af sample data 3. Optræde
Læs mereInduktionsbevis og sum af række side 1/7
Iduktosbevs og sum af række sde /7 Skrver ma,,,...,,..., =, 2, 3,... 2 3 taler ma om e talfølge, eller blot e følge. Adre eksempler på følger er, -,, -,, -,..., (-) +,..., =, 2, 3,..., 2, 3, 4,...,,...,
Læs mereØkonometri 1. For mange variable i modellen. For få variable. Dagens program. Den multiple regressionsmodel 21. september 2004
Dages program Økoometr De multple regressosmodel. september 004 Emet for dee forelæsg er stadg de multple regressosmodel (Wooldrdge kap. 3.4-3.5) Praktske bemærkg Opsamlg fra sdst Irrelevate varable og
Læs mereFordelingen af gentagne observationer (målinger) kan beskrives ved hjælp af et histogram, der viser antallet af målinger i et givet interval.
H:\excerc\geodstat.doc, sdste ædrg: ov. 5, 3.. 3. Geodætsk statstk og mdste kvadraters metode. 3.. Statstske grudbegreber. 3.. Fordelger. Fordelge af getage observatoer (målger ka beskrves ved hælp af
Læs mereFORDELINGER: HYPERGEOMETRISK FORDELING, BINOMIALFORDELING MIDDELVÆRDI DEFINITION. X er en stokastisk variabel på et endeligt sandsynlighedsfelt ( )
FORDELINGER: HYERGEOMETRIS FORDELING, BINOMIALFORDELING MIDDELVÆRDI Mddelværd MIDDELVÆRDI (TYS: ERWARTUNGSWERT ) DEFINITION X er e stokastsk varabel på et edelgt sadsylghedsfelt U, ( ) Mddelværde af X
Læs merePearsons formel for χ 2 test. Den teoretiske forklaring
Pearsos formel for χ test De teoretse forlarg Ole Wtt-Hase 04 Idhold. Normalfordelge og χ.... Pearsos formel for χ test... 3. Forlarg på Pearsos formel....4 Pearsos formel for χ test. Normalfordelge og
Læs merex-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasum Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 Sadsylghedsfelt... 3 Edelge sadsylghedsfelter (sadsylghedsfordelger):... 3 Uedelge
Læs mereLineære Normale Modeller
Note tl Leære Normale Modeller Bo Rosbjerg. marts 009 Tegger udført af Herk Ve Chrstese Idhold E smpel leær ormal model 5. Modelbestemmelse........................... 5. Mdste kvadraters estmat......................
Læs mereØkonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 21. september 2005
Dages program Økoometr De multple regressosmodel. september 005 Emet for dee forelæsg er de multple regressosmodel (Wooldrdge kap 3.-3.3+appedx E.-E.) Defto og motvato Fortolkg af parametree de multple
Læs mereVariansanalyse. på normalfordelte observationer af Jens Friis
Varasaalyse på ormalfordelte observatoer af Jes Frs Esdg varasaalyse Model eelt ormalfordelt observatosræe Lad X, X, X er dbyrdes uafhægge N(μ, σ ) - fordelt stoastse varable Det tlhørede observatossæt
Læs mereSimpel Lineær Regression - repetition
Smpel Leær Regresso - repetto Spørgsmål: Afhæger leært af?. Model: β + β + ε ε d N(0, σ 0 ) Sstematsk kompoet + Stokastsk kompoet Estmato - repetto Vha. Mdste Kvadraters Metode fder v regressosle hvor
Læs mereχ 2 -fordelte variable
χ -fordelte varable Defnton af χ -fordelngen Kvadratsummen V n af n uafhængge standardserede normalfordelte stokastske varable sges at være χ -fordelt med n frhedsgrader. V n fremkommer altså som V n =
Læs mereSUPPLEMENT til Anvendt statistik
SUPPLEMET tl Avedt statstk IDHOLD A BEVISER VEDRØREDE ORMALFORDELIGE 3A χ - FORDELIE 3 3B t - FORDELIGE 6 3C F - FORDELIGE 7 4A DEFIITIOER OG EKSEMPLER PÅ CETRALE OG EFFEKTIVE ESTIMATORER 9 4B BEVISER
Læs mereIKKE-KONTINUERTE (DISKRETE) STOKASTISKE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRISK, BINOMIAL, POISSON
IE-ONTINUERTE (DISRETE) STOASTISE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRIS, BINOMIAL, POISSON Edelgt sadsylghedsfelt V reeterer: Et sadsylghedsfelt ( P ) U, kaldes edelgt, hvs
Læs mereVideregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005
Vderegåede Algortmk Davd Psger, DIKU Reeksame, Aprl 5 Bsecto problemet Gvet e uvægtet graf G = (V, E) samt et heltal k. E bsecto af grafe G er e opdelg af kudere V to lge store mægder S og T. MAX-BISECTION
Læs mereElementær Matematik. Sandsynlighedsregning
lemetær Matematk Sadsylghedsregg Ole Wtt-Hase Køge Gymasum 008 INDHOLD KAP. KOMBINATORIK.... MULTIPLIKATIONS- OG ADDTIONSPRINCIPPT.... PRMUTATIONR... 3. KOMBINATIONR...3 KAP. NDLIGT SANDSYNLIGHDSFLT...7.
Læs mereNotato: k grupper observeret tl tdspuktere (logartmerede) t1;t2;:::;t k. Tl tdspukt observeres et atal ( ) ph-vρrder, 1 ; 2 ;:::;. V opfatter dem som
Statstk 1, torsdag de 15. marts Leρr regressosaalyse, afst 5.2.1 ffl Problemstllg ffl Data Model Estmato og test Dages program: Hvad ka v? 1 V ka sammelge grupper af observatoer, hvor data hver gruppe
Læs mereL komponent produceret i linie 1
Statstk. gag BAYESIANSKE METOER Obektv ormato (.eks. orsøgs resultater klasssk statstk (gag -9 Subektv ormato + obektv ormato Bayesask statstk (gag Bayes sætg ( E ( E A ( A + ( E A ( A +... ( E A ( + (
Læs mereKvantitative metoder 2
Program for dag: Kvattatve metoder Iferes de leære regressosmodel 9. marts 007 Opsamlg vedr. feres e leær regressosmodel uder Gauss-Markov atagelser (W.4-5) Eksempel med flere restrktoer (F-test) Lagrage
Læs mereKvalitet af indsendte måledata
Notat ELT2004-112 Aktørafregg Dato: 23. aprl 2004 Sagsr.: 5584 Dok.r.: 185972 v1 Referece: NIF/AFJ Kvaltet af dsedte måledata I Damark er det etvrksomhederes opgave at måle slutforbrug, produkto og udvekslg
Læs mereBetænkning om kommunernes udgiftsbehov. Bilag (med metodediskussion af professor Anders Milhøj)
Betækg om kommueres udgftsbehov Blag (med metodedskusso af professor Aders Mlhøj) Betækg r. 36 Oktober 998 Kommueres Udgftsbehov Betækg om kommueres udgftsbehov - Redegørelse fra arbejdsgruppe uder Idergsmsterets
Læs mereKontrol af udledninger ved produktion af ørred til havbrugsfisk
Kotrol af udledger ved produto af ørred tl havbrugsfs Notat fra DCE - Natoalt Ceter for Mljø og Eerg Dato: 19. december 013 Rettet: 4. jauar 014 og de 8. marts 014 Søre Er Larse 1 & Lars M. Svedse 1 Isttut
Læs mereRettevejledning til Økonomisk Kandidateksamen 2006I, Økonometri 1
Rettevejledg tl Økoomsk Kaddateksame 6I, Økoometr Vurdergsgrudlaget er selve opgavebesvarelse og blaget. Programmer og data, som er afleveret på dskette/cd, bedømmes som såda kke, me er avedt f.eks. tl
Læs mereKorrelation (kontrol af model) Regression (tilpasning af model) 1. Grad af fælles variation mellem X og Y. 2. Område og fordeling af sample data
tatstk 9. gag GIONANAL Korrelato (kotrol af model egresso (tlpasg af model tatstk 9. gag KOLATION ANAL. Grad af fælles varato mellem X og. Område og fordelg af sample data 3. Optræde af ekstrem-værder
Læs mereDefinition: 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 mereØkonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS
y = cy ( c 0 ) Pla for IV geemgag Økoometr Istrumetvarabelestmato 6. ovember 004 F9: Hvad er IV estmato: Bvarat model, et strumet: Kap.5. + afst -4 ote. F0: IV estmato det multple tlfælde (eksakt detfceret):
Læs mereFACITLISTE TIL KOMPLEKSE TAL
FACITLISTE TIL KOMPLEKSE TAL Kaptel Opgave Opgave Opgave Det emmeste check af lgge er at opløfte begge sder tl. potes. Bombells metode gver følgede lgger: a a b = 5 ( ) b a b = 09 = 7. Løs dem med et CAS
Læs mereIndeks over udviklingen i biltrafikken i Danmark
Ideks over udvklge bltrafkke Damark Afdelgsgeør Alla Crstese, Vejdrektoratet, og cvlgeør, p.d. Crsta Overgård ase, TetraPla A/S. Baggrud og formål. Baggrud Vejdrektoratet ar sde 978 regelmæssgt udgvet
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 mereLineær regression lidt mere tekniske betragtninger om R^2 og et godt alternativ
Dowloaded from orbt.dtu.dk o: Dec 0, 08 Leær regresso ldt mere tekske betragtger om R^ og et godt alteratv Brockhoff, Per B.; Ekstrøm, Claus Thor; Hase, Erst Publshed : LMFK-Bladet Publcato date: 07 Documet
Læs mere1.0 FORSIKRINGSFORMER
eam Lv forskrgsakteselskab Bereggsgrudlaget sgrp217 tl præmeberegg for gruppeforskrg e-am Lv forskrgsakteselskab 1. FORIKRINGFORMER 1.1 Oblgatorske ordger Alle gruppeforskrgsordger teget på dette grudlag
Læs mereKombinatorik. 1 Kombinationer. Indhold
Kombator, marts 04, Krste Roselde Georg Mohr-Kourrece Kombator Kombator går ud på at tælle atallet af ombatoer af et eller adet, og for at ue tælle atallet af ombatoer smart har ma brug for forsellge tællestrateger
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 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 mereKogebog: 5. Beregn F d
tattk 8. gag KONFIDENINERVALLER Kofdetervaller: kaptel Valg og tet af fordelgfukto tattk 8. gag. KONFIDEN INERVALLER Et kofde terval udtrykker tervallet hvor de rgtge værd af parametere K, med γ % adylghed
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 mereBrugen af R 2 i gymnasiet
Bruge af R gymaset Per Bruu Brockhoff, DTU Compute, Erst Hase, KU Matematk og Claus Thor Ekstrøm, KU Bostatstk Der lader tl at være e vs forvrrg bladt og ueghed mellem forskellge faggrupper omkrg R værde,
Læs mereVægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen
Vægtet model Landmålngens fejlteor Lekton 4 Vægtet gennemsnt Fordelng af slutfejl - kkb@mathaaudk http://peoplemathaaudk/ kkb/undervsnng/lf3 Insttut for Matematske Fag Aalborg Unverstet Gvet n uafhængge
Læs mereFY01 Obligatorisk laboratorieøvelse. O p t i k. Jacob Christiansen Afleveringsdato: 3. april 2003 Morten Olesen Andreas Lyder
FY0 Oblgatorsk laboratoreøvelse O p t k Hold E: Hold: D Jacob Chrstase Alevergsdato: 3. aprl 003 Morte Olese Adreas Lyder Idholdsortegelse Idholdsortegelse Forål...3 Måleresultater...4. Salelser...4. Spredelse...5.3
Læs mereIkke-parametriske tests af forskel i central tendens. Tests for forskel i central tendens for data på ordinal- og intervalskala
Statstk for bologer 5-6, moul 7: Tests for forskel cetral tees for ata på oral- og tervalskala Ikke-parametrske tests af forskel cetral tees Vægter forskel mea ve hjælp af ragtal Data skal være på mst
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 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 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 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 mereDen stokastiske variabel X angiver levetiden i timer for en elektrisk komponent. Tæthedsfunktionen for den stokastiske variabel er givet ved
STATISTIK Skrtlg evaluerg, 3. emeter, madag de 3. jauar 5 kl. 9.-3.. Alle hjælpemdler er tlladt. Opgaveløge orye med av og CPR-r. OPGAVE De tokatke varabel agver levetde tmer or e elektrk kompoet. Tætheduktoe
Læs mere1 Løsning og mindste kvadraters løsninger af lineære ligningssystemer
Løsg og mdste kadraters løsger af leære lggssystemer Def. Lære lggssystemer Et leært lggssystem er et system af m lgger ubekedte, hor dsse ka skres som: a a... a b 2 2... a a... a b m m2 2 m m Dsse systemer
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 mereBinomialfordelingen: april 09 GJ
Bnomalfordelngen: aprl 09 GJ Spm A 14: Sandsynlghedsregnng og statstk. Efter en kort ntrodukton af grundlæggende begreber sandsynlghedsregnng og statstk skal du skal ntroducere bnomalfordelngsmodellen
Læs mereØkonometri 1. Heteroskedasticitet 27. oktober Økonometri 1: F12 1
Økonometr 1 Heteroskedastctet 27. oktober 2006 Økonometr 1: F12 1 Dagens program: Heteroskedastctet (Wooldrdge kap. 8.3-4) Sdste gang: I dag: Konsekvenser af heteroskedastctet for OLS Korrekton af varansen
Læs mereKombinatoriknoter 2012, Kirsten Rosenkilde 1
Kombatoroter 0, Krste Roselde Kombator Kombator går ud på at tælle atallet af ombatoer af et eller adet, og for at ue tælle atallet af ombatoer smart har ma brug for forsellge tællestrateger. I otere troduceres
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 mereKvantitative metoder 2
Program for dag: Kvanttatve metoder Den smple regressonsmodel 9. februar 007 Regressonsmodel med en forklarende varabel (W..3-5) Varansanalyse og goodness of ft Enheder og funktonel form af varabler modellen
Læs mereSUPPLEMENT til Matematiske Grundbegreber
UPPLEMET tl Matematske Grudbegreber IDHOLD A BEVIER VEDRØREDE ORMALFORDELIGE 3A χ - FORDELIE 3 3B t - FORDELIGE 6 3C F - FORDELIGE 7 4A DEFIITIOER OG EKEMPLER PÅ CETRALE OG EFFEKTIVE ETIMATORER 9 4B BEVIER
Læs mereTALTEORI Følger og den kinesiske restklassesætning.
Følger og den knesske restklassesætnng, december 2006, Krsten Rosenklde 1 TALTEORI Følger og den knesske restklassesætnng Dsse noter forudsætter et grundlæggende kendskab tl talteor som man kan få Maranne
Læs mereØkonometri 1 Efterår 2006 Ugeseddel 9
Økonometr 1 Efterår 006 Ugeseddel 9 Program for øvelserne: Opsamlng på Ugeseddel 8 Gruppearbejde SAS øvelser Ugeseddel 9 består at undersøge, om der er heteroskedastctet vores model for væksten og så fald,
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 mereEKSAMEN I MATEMATIK-STATISTIK, 27. JANUAR 2006, KL 9-13
EKSAMEN I MATEMATIK-STATISTIK, 7. JANUAR 006, KL 9-13 [HER STARTER STATISTIKDELEN] Opgave 3 (5%): Bologsk baggrundsnformaton tl forståelse af opgaven: Dr producerer kke altd lge meget afkom af hvert køn.
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 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 mereLys og gitterligningen
Fysik rapport: Lys og gitterligige Forfatter: Bastia Emil Jørgese.z Øvelse blev udført osdag de 25. jauar 202 samme med Lise Kjærgaard Paulse 2 - Bastia Emil Jørgese Fysik rapport (4 elevtimer), februar
Læs mereOverlappende stationsoplande: Bestemmelse af passagerpotentialer
Resumé Overlappede statosoplade: Bestemmelse af passagerpotetaler Valdemar Warburg, stud.polyt., valde@post.com Ibe Rue, stud.polyt., berue@hotmal.com Ceter for Trafk og Trasport (CTT), Damarks Tekske
Læs mereBinomialfordelingen. Erik Vestergaard
Bnomalfordelngen Erk Vestergaard Erk Vestergaard www.matematkfysk.dk Erk Vestergaard,. Blleder: Forsde: Stock.com/gnevre Sde : Stock.com/jaroon Sde : Stock.com/pod Desuden egne fotos og llustratoner. Erk
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 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 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 mereKombinatorik. Indhold. Georg Mohr-Konkurrencen. 1 Kombinationer 2
Kombator Kombator går ud på at tælle atallet af ombatoer af et eller adet, og for at ue tælle atallet af ombatoer smart har ma brug for forsellge tællestrateger I otere troduceres helt grudlæggede måder
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 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 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 mereInertimoment for arealer
13-08-006 Søren Rs nertmoment nertmoment for arealer Generelt Defntonen på nertmoment kan beskrves som Hvor trægt det er at få et legeme tl at rotere eller Hvor stort et moment der skal tlføres et legeme
Læs mereKombinatorik. Indhold. Georg Mohr-Konkurrencen. 1 Kombinationer 2
Kombator Kombator går ud på at tælle atallet af ombatoer af et eller adet, og for at ue tælle atallet af ombatoer smart har ma brug for forsellge tællestrateger I otere troduceres helt grudlæggede måder
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 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 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 mereRegressions modeller Hvad regresserer vi på og hvorfor? Anders Stockmarr Axelborg statistikgruppe 6/
Regressos modeller Hvad regresserer v på og hvorfor? Aders Sockmarr Aelborg saskgruppe 6/ 0 Geerel Regresso Y f( ) ε f er e UKENDT fuko der beskrver relaoe mellem de uafhægge varabel og de afhægge varabel
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 mereAnalyse af bivariate data: korrelation og regression. korrelation. Korrelation og regression: Co-varians:
,,,,,,,,,, Stattk for bologer -, modul og : Korrelato og regreo: Aale af bvarate data: korrelato og regreo Korrelato: llutrerer v.h.a. e koeffcet hvlke grad to varable er dbrde afhægge: - (perfekt egatv
Læs mereIntroduktion til uligheder
Itroduktio til uligheder, marts 0, Kirste Rosekilde Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og
Læs mereKvantitative metoder 2
Dagens program: Heteroskedastctet (Wooldrdge kap. 8.4) Kvanttatve metoder Heteroskedastctet 6. aprl 007 Sdste gang: Konsekvenser af heteroskedastctet for OLS Whte s korrekton af OLS varansen Test for heteroskedastctet
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 mereØkonometri 1. Test for heteroskedasticitet. Test for heteroskedasticitet. Dagens program. Heteroskedasticitet 26. oktober 2005
Dagens program Økonometr Heteroskedastctet 6. oktober 005 Emnet for denne forelæsnng er heteroskedastctet (Wooldrdge kap. 8.3-8.4) Konsekvenser af heteroskedastctet Hvordan fnder man en effcent estmator?
Læs mereIntroduktion til uligheder
Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og det kvadratiske geemsit. Først skal vi ved fælles
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 mereDLU med CES-nytte. Resumé:
Danmarks Statstk MODELGRUPPEN Arbejdspapr* Grane Høegh 17. august 2006 DLU med CES-nytte Resumé: Her papret undersøges det om en generalserng af den bagvedlggende nyttefunkton DLU fra Cobb-Douglas med
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 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 mere