Scorer FCK "for mange" mål i det sidste kvarter?
|
|
- Cecilie Jakobsen
- 8 år siden
- Visninger:
Transkript
1 Uge 7 I Teoretsk Statstk, 9. aprl 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 FCK "for mage" mål det sdste kvarter? Hypotese ord: FCK scorer e sjettedel af se mål det sdste kvarter af kampe (,dvs. de observerede overvægt af mål scoret det sdste kvarter er blot et udslag af tlfældgheder). Statstsk model: Betger med atal scorede mål ( = 542) X = atal mål scoret det sdste kvarter. (Obs: x=7) X ~ b(=542, p=/6); f(x,p) = Nulhypotese, H 0 : p = /6 = x 6 6 x 542 x
2 2 Først estmato Itutv estmator for p (sammefaldede med ML-estmatore, som v skal se seere): ˆp= X/ Observeret værd (estmat): 7/542 = 0.22 Husk at ˆp [ ] er e stokastsk varabel med e fordelg! Specelt er E[p] ˆ = E X/ = p/ = p. Estmat :7/542= var[p] ˆ = var[x/ ] = p( p)/ = p( p)/. Estmat :7 425/542 = (2) Scorer FCK "for mage" mål det sdste kvarter? Nulhypotese, H 0 : p = /6 = Alteratv hypotese (det v "tester mod"): p > /6. Hvs p = /6, hvad er så sadsylghede for at få oget, der passer lge så dårlgt eller edu dårlgere med H 0 ed det v faktsk har observeret? Dee sadsylghed kaldes sgfkassadsylghede og bereges således ( ) ( ε= P X 7 = 542,p = /6 = P X 6 542,/6 6 + /2 542 (/6) 26.7 = Φ = Φ = Φ ( /6)( 5 /6) = Da ε er meget llle mdre ed 0.05 forkaster v hypotese. ) ( )
3 (3) Scorer FCK "for mage" mål det sdste kvarter? 3 Me hov, hvad med overtd? Hvs v atager, at der er 3 mutters tllægstd begge halvlege blver de teressate ulhypotese: H 0 :p= = = og sgfkassadsylghede blver så ε = P 3/6 (X > 7) = P 3/6 (X 6) = 0.05 og u er koklusoe kap så klar Data fra de ekelte år V har også data fra de ekelte år, 92/93-02/03 X ~ b(,p) Derfra ka ma berege ye estmater ˆp = x / og teste hypotese. Store sgfkasssh. (og accept af H 0 ) trods store ˆp 'er Stor varas på ˆp 'er Brede kofdestervaller (herom uge 9) Pote: Sammelæg data fra de ekelte år Y bedre estmator og skrere test.
4 4 Maxmum lkelhood estmato Sadsylghedsfukto x f (x p) = P p(x = x) = p ( p) p x Fortolkg: ssh. for at observere x, år parametere er p. Løst: ˆp er de værd af p, der "passer bedst med" det observerede x. ML-metode: ˆp er de værd af p, der gør de observerede værd mest sadsylg. (2) Maxmum lkelhood estmato V betragter u P p (X = x) som fukto af p for fastholdt observeret værd x. Dee fukto er lkelhoodfuktoe : x L(p) = L(p x) = f (x p) = P p(x = x) = p ( p) p x E ML-estmator er de værd af p, der maksmalserer L(p).
5 5 (3) Maxmum lkelhood estmato Som regel emmere at maksmalsere logl(p) : l p =logl p =log +xlogp+ -x log -p x ( ) ( ) ( ) ( ) Maksmalser ved at løse lkelhoodlgge: l(p) = 0 p x -x p -p Dette gver (som forvetet) ˆp= x/. = x( -p ) = p( -x) x Bemærk at v kue have droppet leddet fra start, da det kke afhæger af p. Poter V skal tl at sakke om estmato og test (kaptel 8 og 9). Vgtge poter desagåede (som ok skal blve getaget de æste gage : ) E estmator er et "skø" over de ukedte parameter; løst sagt de værd der passer bedst med data. E estmator er e stokastsk varabel, der har e fordelg! Maksmum lkelhood estmato er de mest udbredte metode: puktsadsylghede/tæthede maksmalseres med hesy tl parametere for fastholdt x.
6 6 Teoretsk Statstk, 9. aprl Statstsk model og estmato 2. Maksmum lkelhood estmato 3. Adre estmatosmetoder 4. Fordelg af estmatorer Statstsk model Stokastske varable X,,X. Smulta puktsadsylghed/tæthed for (X,,X ): f(x,,x θ) hvor θ er e ukedt parameter med varatosområde Θ. Atag at der fdes e sad parameterværd θ, som v vl estmere udfra observatoer x,,x af X,,X.
7 7 Eksempler på statstske modeller Eksempler: X ~ b(,p): x x f(x p) = p ( p) ; p (0,) x X,,X uafhægge; X ~N(µ,σ 2 ): 2 2 µσ = 2 µ = 2 2σ f (x,...,x, ) exp (x ) 2πσ 2 (( ) ( )) ( µσ, ),, 0, (2) Eksempler på statstske modeller Stkprøve: N kuder; hvoraf M = Nθ er tlfredse; udspørger kuder; x af dem er tlfredse. X ~ hypgeo(n,nθ,): P(X = x θ ) = Nθ N( θ) x x N θ (0,) X,,X uafhægge; X ~Ps( λ): = x λ λ f (x,...,x λ ) = e λ 0,,2... x! [ )
8 8 Puktestmato De sade værd af parametere er ukedt; v vl skøe over de på bass af observatoere x,,x. Skøet beteges ˆθ. I læreboge skeles mellem estmat og estmator: Estmator: θ=θ ˆ ˆ(X,...,X ) altså e fukto af de stokastske varable og dermed selv e stokastsk varabel. De har e fordelg og e mddelværd og e varas. Estmat: θ ˆ =θ(x ˆ,...,x ) altså de observerede værd af estmatore. E talværd (eller e vektor af talværder). Adre observatoer adet estmat. Teoretsk Statstk, 9. aprl Statstsk model og estmato 2. Maksmum lkelhood estmato 3. Adre estmatosmetoder 4. Fordelg af estmatorer
9 9 Maksmum lkelhood estmato Puktsadsylghed/tæthed for gvet θ: f(x,,x θ) (x,,x ) varerer udfaldsrummet for (X,,X ), θ er fast. Vl u betragte f som fukto af θ, hvorved de beteges lkelhoodfuktoe L(θ) = L(θ x,,x ) = f(x,..,x θ) θ varerer Θ, x= ( x,x 2,...,x ) er fast! Maksmum lkelhood estmatore er de værd af θ, der maksmalserer L(θ). (2) Maksmum lkelhood estmato Fortolkg det dskrete tlfælde: L( θ ) = f (x,...,x θ ) = P (X = x,...,x = x ) θ Dvs. L(θ) er sadsylghede for at observere etop det, v har observeret, år parametere er θ. Estmatet ˆθ sadsylg! er altså de værd af θ, der gør vores observato mest (I det kotuerte tlfælde kke helt samme fortolkg, me æste )
10 0 (3) Maksmum lkelhood estmato V skal altså fde de værd af θ 0 Θ der maksmalserer L(θ): L( θ ˆ x) = max L( θ x) I prakss er det æste altd emmere at maksmalsere l(θ) = logl(θ) OK, da log er e voksede fukto. Ma løser lkelhoodlgge (mht. θ): l( θ x) θ θ Θ = 0 Eksempler X ~ b (,p) x x L(p) = L(p x) = p ( p) ; pˆ = x / x (se ovefor).
11 X,,X uafhægge Ps(λ)-fordelte: x x λ λ λ L( λ ) = e = e x! Π x! dvs. = ( λ ) = λ+ ( ) λ ( ) ( λ ) λ l x,...,x x log log x! så lkelhoodlgge blver l x,...,x = + x = 0 λ λ Løses dee lgg mht λ fås ˆ λ= x = x = (4) Maksmum lkelhood estmato Hvs θ = (θ,,θ k ) er flerdmesoal skal v have fat de partelle afledede, og ma får k lgger: l( θ) log L( θ) = = 0; =,...,k θ θ Uaset atallet af parametre skal ma aturlgvs skre sg at lkelhoodlggere gver et maksmum (sarere ed et mmum) og at det er et globalt (og kke blot et lokalt) maksmum.
12 2 Eksempel: Normalfordelge X,,X uafhægge, X ~ N(µ,σ 2 ): = 2 2σ L( µσ, ) = exp (x µ ) ( 2πσ (Se eksempel 8.7 AJKM ) Opsummerg om ML-estmato ˆθ maksmalserer L(θ )= f (x,,x θ). ˆθ er de værd af θ der gør observatoe mest sadsylg (det dskrete tlfælde). Ofte er ML-estmatet det ma tutvt vlle gætte på Geerel metode der ka beyttes så sart modelle er fuldt specfceret, dvs. år puktssh/tæthed er gvet. ML-estmatore opfører sg pæt for voksede.
13 3 Teoretsk Statstk, 9. aprl Statstsk model og estmato 2. Maksmum lkelhood estmato 3. Adre estmatosmetoder 4. Fordelg af estmatorer Adre estmatosmetoder Adre metoder ka være påkrævede, fx. tlfælde hvor ma kke ka eller kke øsker at specfcere modelle fuldt ud ML-estmato er for bereggskrævede Adre metoder (ofte sammefaldede med ML): Mdste kvadraters metode: mmer θ Mometmetode Metoder baseret på fraktler mm, fx. ˆµ 2 = (x E θ[x ]) = meda N(µ, σ 2 ) mht.
14 4 Mometmetode Mddelværde E[X] = m (θ) afhæger af parametere. Løs m( θ ) = x= x = Eksempel (stkprøve): X~hypgeo (N,Nθ,), så θ =x θ ˆ =x/ Nθ E[X] = = θ. N Hvs θ= ( θ, θ2) bruges også varase, dvs. løs også 2 2 = var[x] = m ( θ ) = s = (x x) Teoretsk Statstk, 9. aprl Statstsk model og estmato 2. Maksmum lkelhood estmato 3. Adre estmatosmetoder 4. Fordelg af estmatorer
15 5 Fordelg af estmatorer E estmator ˆθ = ˆθ (X,,X ) er e stokastsk varabel! ˆθ = ˆθ (X,,X ) har e fordelg og specelt e mddelværd og e varas. Fordelge, og dermed også mddelværd og varas, afhæger af θ som er ukedt Det er vgtgt at kede fordelge (på ær de ukedte parameter) eller e god approksmato for at kue udtale sg om præcsoe af estmatore. Eksempler Normalfordelge: 2 µ= ˆ Xogσ ˆ = S 2 er uafhægge og ( 2 ) µ= ˆ X N µ, σ / = χ 2 2 = σ (X X) S ( ) σ
16 6 (2) Eksempler Possofordelge, : = λ= ˆ X = X λ= ˆ X ~Ps( λ); E[ λ ˆ] =λ; var[ λ ˆ] =λ/ = Ofte bruges sætg 7.6: ˆλ approks. N(λ, λ /)-fordelt Bomalfordelge, ˆp= X/: pˆ = X~b(,p); E[p] ˆ = p; var[p] ˆ = p( p)/ Ofte bruges sætg 7.4: ˆp approks. N(p,p(-p)/)-fordelt. Opsummerg De statstske takegag: modelopstllg og estmato! Modelle beskrver for gvet værd af parametere hvorda data varerer (tlfældgt) Data bruges tl at estmere skøe over værde af de ukedte parameter E estmator er e stokastsk varabel, der har e fordelg! Maksmum lkelhood estmato: puktsadsylghede/tæthede maksmalseres mht. parametere for fastholdt x. ML prakss: tag logartme og sæt de (eller de) afledede lg 0.
Vi 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 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 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 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 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 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 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 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 mereØkonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)?
Dagens program Økonometr Heteroskedastctet 6. oktober 004 Hovedemnet for denne forelæsnng er heteroskedastctet (kap. 8.-8.3) Lneære sandsynlghedsmodel (kap 7.5) Konsekvenser af heteroskedastctet Hvordan
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 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 mereUge 48 II Teoretisk Statistik 27. november 2003. Numerisk modelkontrol af diskrete fordelinger: intro
Uge 48 II Teoretisk Statistik 7. november 003 Numerisk modelkontrol af diskrete fordelinger: intro Eksempel: kvalitetskontrol Goodness-of-fit test: generel teori Endeligt udfaldsrum Udfaldsrum uden øvre
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 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 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 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 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 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 merex-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasum Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 Sadsylghedsfelt... 3 Edelge sadsylghedsfelter (sadsylghedsfordelger):... 3 Uedelge
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 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 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 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 mereBEVISER 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 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 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 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 mereLandbrugets efterspørgsel efter Kunstgødning. Angelo Andersen
Landbrugets efterspørgsel efter Kunstgødnng Angelo Andersen.. Problemformulerng I forbndelse med ønsket om at reducere kvælstof udlednngen fra landbruget kan det være nyttgt at undersøge hvordan landbruget
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 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 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 mereMatematisk Modellering 1 Hjælpeark
Matematisk Modellerig Hjælpeark Kaare B. Mikkelse 2005090 3. september 2007 Idhold Formler 2 2 Aalyse af k ormalfordelte prøver 2 2. Modelcheck............................................ 2 2.2 Test af
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 mereStatistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel
Statstk II Lekton 5 Modelkontrol Modelkontrol Modelsøgnng Større eksempel Generel Lneær Model Y afhængg skala varabel 1,, k forklarende varable, skala eller bnære Model: Mddelværden af Y gvet =( 1,, k
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 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 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 mereDATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Bi Packig Problemet David Pisiger, Projektopgave 2 Dette er de ade obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig og operatiosaalyse.
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 mereGamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)
Gamle eksamesopgaver Diskret Matematik med Avedelser (DM72) & Diskrete Strukturer(DM504) Istitut for Matematik& Datalogi Syddask Uiversitet, Odese Alle sædvalige hjælpemidler(lærebøger, otater etc.), samt
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 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 mereSupplement til sandsynlighedsregning og matematisk statistik
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,
Læs mereLineær regressionsanalyse8
Lneær regressonsanalyse8 336 8. Lneær regressonsanalyse Lneær regressonsanalyse Fra kaptel 4 Mat C-bogen ved v, at man kan ndtegne en række punkter et koordnatsystem, for at afgøre, hvor tæt på en ret
Læs mereAntag X 1,..., X n stokastiske variable med fælles middelværdi µ og varians σ 2. Hvis µ er ukendt estimeres σ 2 ved 1/36.
Estmaton af varans/sprednng Landmålngens fejlteor Lekton 4 Vægtet gennemsnt Fordelng af slutfejl - rw@math.aau.dk Insttut for Matematske Fag Aalborg Unverstet Antag X,..., X n stokastske varable med fælles
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 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 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/lf Gvet n uafhængge målnger x,, x n af n størrelser µ,, µ n Målnger
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 mereRenteformlen. Erik Vestergaard
Reteformle Erik Vestergaard 2 Erik Vestergaard www.matematikfysik.dk Erik Vestergaard, 2010. Billeder: Forside: istock.com/ilbusca Side 4: istock.com/adresrimagig Desude ege illustratioer. Erik Vestergaard
Læs mereKvantitative metoder 2
Kvanttatve metoder 2 Instrumentvarabel estmaton 14. maj 2007 KM2: F25 1 y = cy ( c 0) Plan for resten af gennemgangen F25: Instrumentvarabel (IV) estmaton: Introdukton tl endogentet og nstrumentvarabler
Læs mereKvantitative metoder 2
y = cy ( c 0) Plan for resten af gennemgangen Kvanttatve metoder Instrumentvarabel estmaton 4. maj 007 F5: Instrumentvarabel (IV) estmaton: Introdukton tl endogentet og nstrumentvarabler En regressor,
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 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 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 merePrøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse
Økonometr Prøveeksamen Indtjenng, konkurrencestuaton og produktudvklng danske vrksomheder Kommenteret vejledende besvarelse Resultaterne denne besvarelse er fremkommet ved brug af eksamensnummer 7. Dne
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 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 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 mereBilag 6: Økonometriske
Marts 2015 Blag 6: Økonometrske analyser af energselskabernes omkostnnger tl energsparendsatsen Energstyrelsen Indholdsfortegnelse 1. Paneldataanalyse 3 Specfkaton af anvendte panel regressonsmodeller
Læs mereNote til styrkefunktionen
Teoretisk Statistik. årsprøve Note til styrkefunktionen Først er det vigtigt at gøre sig klart, at når man laver statistiske test, så kan man begå to forskellige typer af fejl: Type fejl: At forkaste H
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 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 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 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 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 mereOpsamling. Simpel/Multipel Lineær Regression Logistisk Regression Ikke-parametriske Metoder Chi-i-anden Test
Opsamlng Smpel/Multpel Lneær Regresson Logstsk Regresson Ikke-parametrske Metoder Ch--anden Test Opbygnng af statstsk model Specfcer model Lgnnger og antagelser Estmer parametre Modelkontrol Er modellen
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 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 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 mereFra små sjove opgaver til åbne opgaver med stor dybde
Fra små sjove opgaver tl åbne opgaver med stor dybde Vladmr Georgev 1 Introdukton Den største overraskelse for gruppen af opgavestllere ved "Galle" holdkonkurrenen 009 var en problemstllng, der tl at begynde
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 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 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 mereØkonometri 1 Efterår 2006 Ugeseddel 13
Økonometr 1 Efterår 2006 Ugeseddel 13 Prram for øvelserne: Gruppearbejde plenumdskusson SAS øvelser Øvelsesopgave: Vækstregressoner (fortsat) Ugeseddel 13 fortsætter den emprske analyse af vækstregressonen
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 mereKvantitative metoder 2 Forår 2007 Ugeseddel 10
Kvanttatve metoder 2 Forår 2007 Ugeseddel 0 Program for øvelserne: Gennemgang af teoropgave fra Ugesedel 9 Gruppearbejde og plenumdskusson SAS øvelser, spørgsmål -4. Sdste øvelsesgang (uge 2): SAS øvelser,
Læs mereEstimation af CES - forbrugssystemet med og uden dynamik: -fcf/fcfv sammenhold med fcv/fcfv -fct/fcts sammenhold med fcs/fcts
Danmarks Statstk MODELGRUPPEN Arbejdspapr [udkast] Andreas Østergaard Iversen 140609 Estmaton af CES - forbrugssystemet med og uden dynamk: -fcf/fcfv sammenhold med fcv/fcfv -fct/fcts sammenhold med fcs/fcts
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 merePraktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser
Uge 36 Velkommen tilbage Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl. -2 i Kirkesalen, Studiestræde 38 Øvelser Hold -4 og 6: mandag og onsdag kl. 8-; start 3. september Hold 5: tirsdag
Læs mereMorten Frydenberg Biostatistik version dato:
Morten Frydenberg Bostatstk verson dato: -4- Bostatstk uge mandag Morten Frydenberg, Afdelng for Bostatstk Resume: Hvad har v været gennem ndtl nu Lneær (normal) regresson en kontnuert forklarende varabel
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 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 mereØkonometri 1. Interne evalueringer. Interne evalueringer. Dagens program. Heteroskedaticitet (Specifikation og dataproblemer) 2.
Dagens program Øonometr 1 Heterosedatctet (Specfaton og dataproblemer). november 005 dataproblemer 1 Interne evaluernger Emner for denne forelæsnng: Heterosedastctet (ap 8.4-8.5) Egensaber ved FGLS Esempel
Læs mereStatistik Lektion 15 Mere Lineær Regression. Modelkontrol Prædiktion Multipel Lineære Regression
Statstk Lekton 15 Mere Lneær Regresson Modelkontrol Prædkton Multpel Lneære Regresson Smpel Lneær Regresson - repetton Spørgsmål: Afhænger y lneært af x?. Model: y = β + β x + ε ε d N(0, σ 0 1 2 ) Systematsk
Læs mereSandsynlighedsregning og statistik med binomialfordelingen
Sandsynlghedsregnng og statstk med bnomalfordelngen Katja Kofod Svan og Olav Lyndrup Januar 09 Indhold Stokastske varable... 3 Mddelværd og sprednng... 6 Bnomalfordelngen... Andre sandsynlghedsfordelnger...
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 mereLuftfartens vilkår i Skandinavien
Luftfartens vlkår Skandnaven - Prsens betydnng for valg af transportform Af Mette Bøgelund og Mkkel Egede Brkeland, COWI Trafkdage på Aalborg Unverstet 2000 1 Luftfartens vlkår Skandnaven - Prsens betydnng
Læs mere6. SEMESTER Epidemiologi og Biostatistik Opgaver til 3. uge, fredag
Afdelng for Epdemolog Afdelng for Bostatstk 6. SEESTER Epdemolog og Bostatstk Opgaver tl 3. uge, fredag Data tl denne opgave stammer fra. Bland: An Introducton to edcal Statstcs (Exercse 11E ). V har hentet
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 mereVariansanalyse (ANOVA) Repetition, ANOVA Tjek af model antagelser Konfidensintervaller for middelværdierne Tukey s test for parvise sammenligninger
Vaansanalyse (ANOVA) Repetton, ANOVA Tjek af model antagelse Konfdensntevalle fo mddelvædene Tukey s test fo pavse sammenlgnnge ANOVA - defnton ANOVA (ANalyss Of VAance), også kaldet vaansanalyse e en
Læs mere4. september 2003. π B = Lungefunktions data fra tirsdags Gennemsnit l/min
Epidemiologi og biostatistik Uge, torsdag 28. august 2003 Morten Frydenberg, Institut for Biostatistik. og hoste estimation sikkerhedsintervaller antagelr Normalfordelingen Prædiktion Statistisk test (udfra
Læs mereØkonometri lektion 7 Multipel Lineær Regression. Testbaseret Modelkontrol
Økonometr lekton 7 Multpel Lneær Regresson Testbaseret Modelkontrol MLR Model på Matrxform Den multple lneære regressons model kan skrves som X y = Xβ + Hvor og Mndste kvadraters metode gver følgende estmat
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 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 mereRegressionsanalyse. Epidemiologi og Biostatistik. 1.Simpel lineær regression (Kapitel 11) systolisk blodtryk og alder
Regressonsanalyse Epdemolog og Bostatstk Mogens Erlandsen, Insttut for Bostatstk Uge, torsdag (forelæsnng) 1.Smpel lneær regresson (Kaptel 11) systolsk blodtryk og alder. Multpel lneær regresson (Kaptel
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 mereinfo FRA SÆBY ANTENNEFORENING Lynhurtigt bredbånd til lavpris på vej til hele Sæby! Priser kan ses på bagsiden.
ifo FRA SÆBY ANTENNEFORENING Lyhurtigt bredbåd til lavpris på vej til hele Sæby! Priser ka ses på bagside. Velkomme til SAFet - avet på vores eget lokale Bredbåd! Sæby Ateeforeig har med virkig fra 15.
Læs mere