Ganganalyse. Modellering og estimation. Klaus Kähler Holst. 5. Januar 2006
|
|
- Randi Thomsen
- 7 år siden
- Visninger:
Transkript
1 Ganganalyse Modellering og estimation Klaus Kähler Holst 5. Januar 2006
2 Oversigt 1 Introduktion 2 Model for ledvinkelsrotation 3 PCA 4 Perspektivering
3 Ganganalyse er studiet af hvordan et menneske bevæger sig. Introduktion
4 Introduktion Ganganalyse er studiet af hvordan et menneske bevæger sig. Motivation: Medicinske anvendelser.
5 Introduktion Ganganalyse er studiet af hvordan et menneske bevæger sig. Motivation: Medicinske anvendelser. Hjælp til diagnostisering af visse sygdomme.
6 Introduktion Ganganalyse er studiet af hvordan et menneske bevæger sig. Motivation: Medicinske anvendelser. Hjælp til diagnostisering af visse sygdomme. Har en behandling en effekt?
7 Introduktion Ganganalyse er studiet af hvordan et menneske bevæger sig. Motivation: Medicinske anvendelser. Hjælp til diagnostisering af visse sygdomme. Har en behandling en effekt? Forbedring af bevægelsesmønstre.
8 Introduktion Ganganalyse er studiet af hvordan et menneske bevæger sig. Motivation: Medicinske anvendelser. Hjælp til diagnostisering af visse sygdomme. Har en behandling en effekt? Forbedring af bevægelsesmønstre. Biometri: Identifikation og verifikation baseret på gang. En stor fordel i forhold til eksisterende biometriske metoder er, at identifikationen kan ske på lang afstand.
9 Hvad er menneskelig gang? Menneskelig gang kan ses som translationer og rotationer af forskellige led.
10 Hvad er menneskelig gang? Menneskelig gang kan ses som translationer og rotationer af forskellige led. For at beskrive vinkelrotationerne benytter vi anatomiske vinkler:
11 Vi begrænser os til at betragte bevægelse i medianplanen af hofte, knæ og ankel. For knæ- og hofteleddet taler vi om fleksion/ekstension og for ankelledet dorsifleksion/plantarfleksion.
12 Vi begrænser os til at betragte bevægelse i medianplanen af hofte, knæ og ankel. For knæ- og hofteleddet taler vi om fleksion/ekstension og for ankelledet dorsifleksion/plantarfleksion. En gangcyklus er intervallet fra venstre hæl slipper kontakten med gulvet, og til hælen igen slipper kontakt. Standfasen er perioden hvor foden har kontakt med jorden (ca. 3/5 af cyklusen) og svingfasen.
13 procent af gangcyklus Hofte vinkel procent af gangcyklus Knæ vinkel procent af gangcyklus Ankel vinkel procent af gangcyklus
14 procent af gangcyklus procent af gangcyklus procent af gangcyklus
15 Rotationsvinkler for knæ vinkel procent af gangcyklus
16 Model for ledvinkel i en gangcyklus
17 Model for ledvinkel i en gangcyklus Data fra en person for et led over en gangcyklus: y = (y 1,..., y d )
18 Model for ledvinkel i en gangcyklus Data fra en person for et led over en gangcyklus: y = (y 1,..., y d ) Målefejlen beskrives ved en additiv model y = a + ε hvor a er de sande værdier og ε er målefejlen.
19 Model for ledvinkel i en gangcyklus Data fra en person for et led over en gangcyklus: y = (y 1,..., y d ) Målefejlen beskrives ved en additiv model y = a + ε hvor a er de sande værdier og ε er målefejlen. Bemærk at a naturligt kan opfattes som observationer fra en C 2 -funktion: f.
20 Model for ledvinkel i en gangcyklus Data fra en person for et led over en gangcyklus: y = (y 1,..., y d ) Målefejlen beskrives ved en additiv model y = a + ε hvor a er de sande værdier og ε er målefejlen. Bemærk at a naturligt kan opfattes som observationer fra en C 2 -funktion: f. Metoder til at separere de sande værdier fra støjen: Lineær filtrering
21 Model for ledvinkel i en gangcyklus Data fra en person for et led over en gangcyklus: y = (y 1,..., y d ) Målefejlen beskrives ved en additiv model y = a + ε hvor a er de sande værdier og ε er målefejlen. Bemærk at a naturligt kan opfattes som observationer fra en C 2 -funktion: f. Metoder til at separere de sande værdier fra støjen: Lineær filtrering Repræsentation vha ONB
22 Model for ledvinkel i en gangcyklus Data fra en person for et led over en gangcyklus: y = (y 1,..., y d ) Målefejlen beskrives ved en additiv model y = a + ε hvor a er de sande værdier og ε er målefejlen. Bemærk at a naturligt kan opfattes som observationer fra en C 2 -funktion: f. Metoder til at separere de sande værdier fra støjen: Lineær filtrering Repræsentation vha ONB...
23 Finde ONB, (ϕ i ) i=1, så K f (t) = β k ϕ k (t), t [0, 1]. k=1
24 Finde ONB, (ϕ i ) i=1, så f (t) = Egenskaber for f K β k ϕ k (t), t [0, 1]. k=1 Approksimativt periodisk. C 2 ([0, 1]). Frekvenskomponenter i intervallet [0, 6].
25 Finde ONB, (ϕ i ) i=1, så f (t) = Egenskaber for f K β k ϕ k (t), t [0, 1]. k=1 Approksimativt periodisk. C 2 ([0, 1]). Frekvenskomponenter i intervallet [0, 6]. Oplagt kandidat: Fourierrækker. Vi kigger altså på basisen {1, cos(2πx), sin(2πx), cos(2π2x), sin(2π2x),...}.
26 Vi definerer matricen 1 cos(2πt 1 ) sin(2πt 1 ) cos(2πnt 1 ) sin(2πnt 1 ) A = cos(2πt d ) sin(2πt d ) cos(2πnt d ) sin(2πnt d ) Antagelsen er at a = Aλ
27 Vi definerer matricen 1 cos(2πt 1 ) sin(2πt 1 ) cos(2πnt 1 ) sin(2πnt 1 ) A = cos(2πt d ) sin(2πt d ) cos(2πnt d ) sin(2πnt d ) Antagelsen er at a = Aλ og λ kan estimeres ved OLS: λ = ( A t A ) 1 A t y = λ + diag( 1 d, 2 d,..., 2 d )At ε.
28 Flere individer
29 Flere individer Når vi observerer flere forskellige individer, har vi observationer y 1,..., y n som hver antages at opfylde modellen y i = Aλ i + ε i.
30 Flere individer Når vi observerer flere forskellige individer, har vi observationer y 1,..., y n som hver antages at opfylde modellen y i = Aλ i + ε i. λ i erne kan nu opfattes som stokastiske, og vi antager, at λ i erne er iid og uafhængige af målefejlene ε i.
31 Flere individer Når vi observerer flere forskellige individer, har vi observationer y 1,..., y n som hver antages at opfylde modellen y i = Aλ i + ε i. λ i erne kan nu opfattes som stokastiske, og vi antager, at λ i erne er iid og uafhængige af målefejlene ε i.vi antager at λ i (µ, Σ), ε i (0, σ 2 I).
32 Flere individer Når vi observerer flere forskellige individer, har vi observationer y 1,..., y n som hver antages at opfylde modellen y i = Aλ i + ε i. λ i erne kan nu opfattes som stokastiske, og vi antager, at λ i erne er iid og uafhængige af målefejlene ε i.vi antager at λ i (µ, Σ), ε i (0, σ 2 I). Indledende modelkontrol giver ikke anledning til at tro på at y i erne eller λ i erne følger normalfordelinger.
33 På mixed model form β: faste virkninger. u i : iid tilfældige virkninger. y i = Aβ + Au i + ε i
34 På mixed model form β: faste virkninger. u i : iid tilfældige virkninger. y i = Aβ + Au i + ε i u i (0, Σ), ε i (0, σ 2 I). (3.1) u i ε i (3.2)
35 På mixed model form β: faste virkninger. u i : iid tilfældige virkninger. y i = Aβ + Au i + ε i u i (0, Σ), ε i (0, σ 2 I). (3.1) u i ε i (3.2) V = var(y i ) = AΣA t + σ 2 I.
36 På mixed model form β: faste virkninger. u i : iid tilfældige virkninger. y i = Aβ + Au i + ε i u i (0, Σ), ε i (0, σ 2 I). (3.1) u i ε i (3.2) V = var(y i ) = AΣA t + σ 2 I. Estimation af de faste virkninger: β = 1 n ( A t A ) 1 A t y n i i=1
37 På mixed model form β: faste virkninger. u i : iid tilfældige virkninger. y i = Aβ + Au i + ε i u i (0, Σ), ε i (0, σ 2 I). (3.1) u i ε i (3.2) V = var(y i ) = AΣA t + σ 2 I. Estimation af de faste virkninger: β = 1 n ( A t A ) 1 A t y n i i=1 Assymptotisk har vi D n( β β) N (0, Σ + σ 2 (A t A) 1 ), n.
38 Estimation af varianskomponenterne For at estimere σ 2 beregnes og β i = ( A t A ) 1 A t y i e i = y i Aβ i. Vi definere estimatet σ 2 (i) = 1 d p et i e i
39 Estimation af varianskomponenterne For at estimere σ 2 beregnes og β i = ( A t A ) 1 A t y i e i = y i Aβ i. Vi definere estimatet σ 2 (i) = 1 d p et i e i n σ 2 n = 1 n i=1 σ 2 (i)
40 Variansen af y i erne estimeres ved: V n = 1 n n (y i A β)(y i A β) t i=1 som er konsistent V n P AΣA t + σ 2 I, n.
41 Variansen af y i erne estimeres ved: V n = 1 n n (y i A β)(y i A β) t i=1 som er konsistent V n P AΣA t + σ 2 I, n. Endelig kan vi estimere variansen af u i erne: som også er konsistent. Σ = ( A t A ) 1 A t ( V n σ 2 ni)a(a t A) 1
42 Variansen af y i erne estimeres ved: V n = 1 n n (y i A β)(y i A β) t i=1 som er konsistent V n P AΣA t + σ 2 I, n. Endelig kan vi estimere variansen af u i erne: Σ = ( A t A ) 1 A t ( V n σ 2 ni)a(a t A) 1 som også er konsistent. Hvis Σ ikke positiv semi-definit, kan vi projicere ned på den nærmeste symmetriske, positiv semidefinitte matrix.
43 Prediktion af de tilfældige virkninger
44 Prediktion af de tilfældige virkninger Best Predictor (BP): û (BP) i = E(u i y i )
45 Prediktion af de tilfældige virkninger Best Predictor (BP): û (BP) i = E(u i y i ) Best Linear Unbiased Predictor (BLUP): û (BLUP) i = ΣA t V 1 (y i Aβ)
46 Prediktion af de tilfældige virkninger Best Predictor (BP): û (BP) i = E(u i y i ) Best Linear Unbiased Predictor (BLUP): û (BLUP) i = ΣA t V 1 (y i Aβ) Estimated Best Linear Unbiased Predictor (EBLUP): û i = ΣA t V 1 (yi A β)
47 Prediktion af de tilfældige virkninger Best Predictor (BP): û (BP) i = E(u i y i ) Best Linear Unbiased Predictor (BLUP): û (BLUP) i = ΣA t V 1 (y i Aβ) Estimated Best Linear Unbiased Predictor (EBLUP): En pragmatisk prediktor: û i = ΣA t V 1 (yi A β) û 0 i = ( A t A ) 1 A t (y i A β) = u i + ( A t A ) 1 A t ε i 1 n n (u j + ( A t A ) 1 A t ε j ) j=1
48 10th observation of 100 vinkel u0 eblup blup y tid
49 Konklusion: De tilfældige virkninger kan med fordel predikteres ved og variansen estimeres ved û 0 i = ( A t A ) 1 A t (y i A β) Σ = 1 n 1 n i=1 û 0 i û0 i t
50 Konklusion: De tilfældige virkninger kan med fordel predikteres ved og variansen estimeres ved û 0 i = ( A t A ) 1 A t (y i A β) Σ = 1 n 1 n i=1 û 0 i û0 i t Modellen kan udvides til at tage højde for flere gangcykler for hvert individ, ved at benytte en additiv model for de tilfældige virkninger: u ij = ν i + γ ij.
51 Principalkomponentanalyse (PCA)
52 Reducering i dimension. Principalkomponentanalyse (PCA)
53 Principalkomponentanalyse (PCA) Reducering i dimension. Fortolkning af variationen i data.
54 Principalkomponentanalyse (PCA) Reducering i dimension. Fortolkning af variationen i data. Ukorrelerede koordinater.
55 Principalkomponentanalyse (PCA) Reducering i dimension. Fortolkning af variationen i data. Ukorrelerede koordinater. Tegn på at gang kan fungere som biometrisk mål.
56 Klassisk PCA
57 Klassisk PCA Lad X = (X 1,..., X n ) være stokastisk variable med værdier i R n og middelværdi 0 og kovariansmatrix var(x) = Σ X = P X σ(σ X )P t X,
58 Klassisk PCA Lad X = (X 1,..., X n ) være stokastisk variable med værdier i R n og middelværdi 0 og kovariansmatrix var(x) = Σ X = P X σ(σ X )P t X, hvor P X = ( e 1 e n ) og σ(σx ) = diag(λ 1,..., λ n ) og egenværdierne antages at være sorterede: λ 1 λ n 0.
59 Klassisk PCA Lad X = (X 1,..., X n ) være stokastisk variable med værdier i R n og middelværdi 0 og kovariansmatrix var(x) = Σ X = P X σ(σ X )P t X, hvor P X = ( e 1 e n ) og σ(σx ) = diag(λ 1,..., λ n ) og egenværdierne antages at være sorterede: λ 1 λ n 0. Definition Principalkomponenterne hørende til X er de stokastiske variable Y = ( Y 1 Y n ) t = P t X X
60 X N (0, Σ X ) P X = 1 ( ) 1 1, ( ) 4 0 σ(σ X ) =. 0 1 Dvs. at Σ X = ( ).
61 X N (0, Σ X ) P X = 1 ( ) 1 1, ( ) 4 0 σ(σ X ) =. 0 1 Dvs. at Σ X = ( ). x[,2] teoretiske principalakser empiriske principalakser x[,1]
62 Sætning (Karhunen-Loéve - diskret version) For principalkomponenterne, Y = P t XX, gælder at var(y) = σ(σ X ). tr[var(y)] = tr[var(x)] = tr(σ X ). X = P X Y.
63 Vi kan rekonstruere X vha. de første k < n egenvektorer. Vi sætter P k X = ( e 1 e k 0 0, ) og lader Y k = P k X t X. Approksimationen er så X k = P k X Y k
64 Vi kan rekonstruere X vha. de første k < n egenvektorer. Vi sætter P k X = ( e 1 e k 0 0, ) Dette er den bedste approksimation: ε(φ) n i=k+1 λ i for alle ONB, Φ. og lader Y k = P k X t X. Approksimationen er så X k = P k X Y k Sætning (Approksimation vha. PCA) Forholdet mellem den totale variation af X k og X er p k = tr[var(x k)] tr[var(x)] = k i=1 λ i n i=1 λ i og middel-kvadratfejlen er givet ved n ε(p X ) = E[(X X k ) t (X X k )] = λ i. i=k+1
65 Funktional PCA Lad (X t ) t [0,1] være stokastisk proces på baggrundsrummet (Ω, F, P), med t X t (ω) L 2 ([0, 1]). Desuden antages µ t = E X t = X t dp <, Ω V (s, t) = cov(x t, X s ) = (X t µ t )(X s µ s ) dp <, s, t [0, 1] og at V er kontinuert. Ω
66 Funktional PCA Lad (X t ) t [0,1] være stokastisk proces på baggrundsrummet (Ω, F, P), med t X t (ω) L 2 ([0, 1]). Desuden antages µ t = E X t = X t dp <, Ω V (s, t) = cov(x t, X s ) = (X t µ t )(X s µ s ) dp <, s, t [0, 1] Ω og at V er kontinuert. Autokovariansfunktionen sættes til A V f (t) = f (u)v (u, t) du, f L 2 (I ). (4.1) I
67 Funktional PCA Lad (X t ) t [0,1] være stokastisk proces på baggrundsrummet (Ω, F, P), med t X t (ω) L 2 ([0, 1]). Desuden antages µ t = E X t = X t dp <, Ω V (s, t) = cov(x t, X s ) = (X t µ t )(X s µ s ) dp <, s, t [0, 1] Ω og at V er kontinuert. Autokovariansfunktionen sættes til A V f (t) = f (u)v (u, t) du, f L 2 (I ). (4.1) I Spørgsmålet er nu om vi kan opstille resultater analogt til resultaterne vedr. PCA i det endeligt dimensionale tilfælde. Kan A V diagonaliseres?
68 Funktional PCA Lad (X t ) t [0,1] være stokastisk proces på baggrundsrummet (Ω, F, P), med t X t (ω) L 2 ([0, 1]). Desuden antages µ t = E X t = X t dp <, Ω V (s, t) = cov(x t, X s ) = (X t µ t )(X s µ s ) dp <, s, t [0, 1] Ω og at V er kontinuert. Autokovariansfunktionen sættes til A V f (t) = f (u)v (u, t) du, f L 2 (I ). (4.1) I Spørgsmålet er nu om vi kan opstille resultater analogt til resultaterne vedr. PCA i det endeligt dimensionale tilfælde. Kan A V diagonaliseres? Ja, da A V er en kompakt normal operator.
69 A V har tælleligt spektrum, der netop er lig egenværdierne. Egenværdierne er ikke-negative og egenfunktionerne er kontinuerte. Lad λ 1, λ 2,... være de positive egenværdier og e 1, e 2,... de tilhørende egenfunktioner, da er V (s, t) = λ i e i (s)e i (t) = ϕ(t)λϕ(s) t i=1
70 A V har tælleligt spektrum, der netop er lig egenværdierne. Egenværdierne er ikke-negative og egenfunktionerne er kontinuerte. Lad λ 1, λ 2,... være de positive egenværdier og e 1, e 2,... de tilhørende egenfunktioner, da er V (s, t) = λ i e i (s)e i (t) = ϕ(t)λϕ(s) t i=1 Sætning (Karhunen-Loéve) (X t ) t [0,1] har dekompositionen med som er parvist uafhængige. X t L 2 = µ t + Z i e i i=1 Z i = (X t µ t )e i (t) dt. I
71 Udglatning Lad x i (t) L 2 ([0, 1]), i = 1,..., n, være realisationer af (X t ) t [0,1], med empirisk kovariansfunktion V (s, t) = 1 n n [x i (s) µ(t)][x i (t) µ(t)] i=1 hvor µ(t) = x i (t). Under antagelse at x i erne såvel som egenfunktionerne hørende til V har en endelig fourierekspansion, da findes egenfunktionerne og egenværdierne for A V ved at finde egenvektorer og egenværdier for den empiriske kovariansmatrix for fourierkoefficienterne.
72 PCA for gang-data
73 PCA for gang-data 1. principalkomponent (63.5%) 2. principalkomponent (22.8%) vinkel tid principalkomponent (7.5%) vinkel vinkel tid 4. principalkomponent (2.4%) vinkel
74 k p k λ k
75 k p k λ k vinkel fit med pca basis alm. ols opr. data t
76 Flere samtidige led-observationer Observationer fra knæ, hofte og ankel: y k Ac k ε k y = y h = Ac h + ε h. y a Ac a ε a
77 Flere samtidige led-observationer Observationer fra knæ, hofte og ankel: y k Ac k ε k y = y h = Ac h + ε h. y a Ac a ε a Sættes på en formel hvor A 3 = A A A. y = A 3 c + ε
78 Flere samtidige led-observationer Observationer fra knæ, hofte og ankel: y k Ac k ε k y = y h = Ac h + ε h. y a Ac a ε a Sættes på en formel hvor A 3 = A A A. Koefficienterne predikteres ved y = A 3 c + ε ĉ = ( A t 3 A 3) 1 A t 3 y, og de udglattede værdier er så givet ved A 3 ĉ.
79 Flere samtidige led-observationer Observationer fra knæ, hofte og ankel: y k Ac k ε k y = y h = Ac h + ε h. y a Ac a ε a Sættes på en formel hvor A 3 = A A A. Koefficienterne predikteres ved y = A 3 c + ε ĉ = ( A t 3 A 3) 1 A t 3 y, og de udglattede værdier er så givet ved A 3 ĉ. Funktional PCA foretages nu ved almindelig flerdimensional PCA på ĉ erne. Dækningsgraden p k 97% opnås med k = 10.
80 Ankel Hofte Knæ
81 Gang som mulig biometrisk mål?
82 Gang som mulig biometrisk mål? 2. principalkomponent principalkomponent
83 Gang som mulig biometrisk mål? Principalscores for knæ,hofte,ankel vinkler 2. principalkomponent (28%) principalkomponent (41.3%)
84 Perspektivering
85 Perspektivering Opstillet model for ledvinkels-rotationer med mulighed for at arbejde med flere forskellige gangcykler og observerede led. En ikke-parametriske metode til estimation af varianskomponenterne er foreslået.
86 Perspektivering Opstillet model for ledvinkels-rotationer med mulighed for at arbejde med flere forskellige gangcykler og observerede led. En ikke-parametriske metode til estimation af varianskomponenterne er foreslået. Der er eftervist en pæn sammenhæng mellem flerdimensionale og funktional PCA. Via PCA er der opnået en stor dimensionsreduktion af data.
87 Perspektivering Opstillet model for ledvinkels-rotationer med mulighed for at arbejde med flere forskellige gangcykler og observerede led. En ikke-parametriske metode til estimation af varianskomponenterne er foreslået. Der er eftervist en pæn sammenhæng mellem flerdimensionale og funktional PCA. Via PCA er der opnået en stor dimensionsreduktion af data. Vha. PCA ser vi at gang har potentiale som biometrisk mål.
88 Perspektivering Opstillet model for ledvinkels-rotationer med mulighed for at arbejde med flere forskellige gangcykler og observerede led. En ikke-parametriske metode til estimation af varianskomponenterne er foreslået. Der er eftervist en pæn sammenhæng mellem flerdimensionale og funktional PCA. Via PCA er der opnået en stor dimensionsreduktion af data. Vha. PCA ser vi at gang har potentiale som biometrisk mål. Bud på fremtidige arbejdsområder: Ikke-balancerede data. Mere generelle modeller for målefejlen.
89 Perspektivering Opstillet model for ledvinkels-rotationer med mulighed for at arbejde med flere forskellige gangcykler og observerede led. En ikke-parametriske metode til estimation af varianskomponenterne er foreslået. Der er eftervist en pæn sammenhæng mellem flerdimensionale og funktional PCA. Via PCA er der opnået en stor dimensionsreduktion af data. Vha. PCA ser vi at gang har potentiale som biometrisk mål. Bud på fremtidige arbejdsområder: Ikke-balancerede data. Mere generelle modeller for målefejlen. Transformation af data. REML. NPMLE. Opstille en decideret teststørrelse for at afgøre om to observationer stammer fra samme individ. Diskriminantanalyse.
90 Perspektivering Opstillet model for ledvinkels-rotationer med mulighed for at arbejde med flere forskellige gangcykler og observerede led. En ikke-parametriske metode til estimation af varianskomponenterne er foreslået. Der er eftervist en pæn sammenhæng mellem flerdimensionale og funktional PCA. Via PCA er der opnået en stor dimensionsreduktion af data. Vha. PCA ser vi at gang har potentiale som biometrisk mål. Bud på fremtidige arbejdsområder: Ikke-balancerede data. Mere generelle modeller for målefejlen. Transformation af data. REML. NPMLE. Opstille en decideret teststørrelse for at afgøre om to observationer stammer fra samme individ. Diskriminantanalyse.
91 holst/speciale
92 p.36 (prediktion): û i 0 = ( A t A ) 1 A t (y i A β) = u i + ( A t A ) 1 A t ε i 1 n n (u j + ( A t A ) 1 A t ε j ) j=1
93 p.77 (prediktion): y i A β = Bν i + ε i A ( A t A ) 1 A t 1 n A ( A t A ) 1 A t 1 n n j=1 ε j n Bv j j=1 ν i ν i = ( B t B ) 1 B t ε i ( B t B ) 1 B t A ( A t A ) 1 A t 1 n ( B t B ) 1 B t A ( A t A ) 1 A t 1 n n j=1 ε j n Bv j j=1
Institut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med
Repetition: Varians af linear kombination Landmålingens fejlteori Lektion 5 Fejlforplantning - rw@math.aau.dk Antag X 1, X,..., X n er uafhængige stokastiske variable, og Y er en linearkombination af X
Læs mereEt eksempel på en todimensional normalfordeling Anders Milhøj September 2006
Et eksempel på en todimensional normalfordeling Anders Milhøj September 006 I dette notat gennemgås et eksempel, der illustrerer den todimensionale normalfordelings egenskaber. Notatet lægger sig op af
Læs mereVi sætter. (Signal støj- forhold) Poul Thyregod, 25. april Specialkursus vid.stat. foraar Lad Y i angiver observationer fra i te udtagne balle.
Modellens parametre Mandag den 25 april Hierarkiske normalfordelingsmodeller Dagens program: Resume af ensidet variansanalysemodel med tilfældig effekt estimation af tilfældige effekter, fortolkning som
Læs merehvor a og b er konstanter. Ved middelværdidannelse fås videre
Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den
Læs mereLandmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Læs mereAntag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.
Simple fejlforplantningslov Landmålingens fejlteori Lektion 6 Den generelle fejlforplantningslov Antag X, X,, X n er n uafhængige stokastiske variable, hvor Var(X )σ,, Var(X n )σ n Lad Y g(x, X,, X n ),
Læs mereProdukt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereLandmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering
Landmålingens fejlteori Lektion 3 Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition: Middelværdi og
Læs mereAnvendt Lineær Algebra
Anvendt Lineær Algebra Kursusgang 4 Anita Abildgaard Sillasen Institut for Matematiske Fag AAS (I17) Anvendt Lineær Algebra 1 / 32 Vægtet mindste kvadraters metode For et lineært ligningssystem (af m ligninger
Læs mereVægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen
Vægte motiverende eksempel Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - kkb@mathaaudk Institut for Matematiske Fag Aalborg Universitet Højdeforskellen mellem punkterne P
Læs mereUge 10 Teoretisk Statistik 1. marts 2004
1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Læs mereØkonometri Lektion 1 Simpel Lineær Regression 1/31
Økonometri Lektion 1 Simpel Lineær Regression 1/31 Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Statistisk model: Vi antager at sammenhængen
Læs mereMotivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser
Motivation Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser Rasmus Waagepetersen October 26, 2018 Eksempel: En landmåler får til opgave at måle længden λ fra A til B. Entreprenøren
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereFejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning
Fejlforplantning Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Landmåling involverer ofte bestemmelse af størrelser som ikke kan
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 mereLandmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8
Landmålingens fejlteori Repetition - Fordeling af slutfejl Lektion 8 - tvede@math.aau.dk http://www.math.aau.dk/ tvede/teaching/l4 Institut for Matematiske Fag Aalborg Universitet 15. maj 2008 1/13 Fordeling
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Læs mereLandmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Institut for Matematiske Fag Aalborg Universitet 1/1 Vægtet
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereFortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Læs mereTeoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.
Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt
Læs mereLandmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske
Læs mereLandmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:
Læs mereDiagonalisering. Definition (diagonaliserbar)
1 Diagonalisering 2 Definition (diagonaliserbar) Lad A være en n n-matrix. A siges at være diagonaliserbar hvis A er similær med en diagonal matrix, dvs. A = PDP 1, hvor D er en n n diagonal matrix og
Læs mereLandmålingens fejlteori - Lektion 5 - Fejlforplantning
Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/30 Fejlforplantning Landmåling involverer ofte bestemmelse af størrelser som ikke
Læs merestandard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
Læs mereSimpel Lineær Regression
Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Vi antager at sammenhængen mellem y og x er beskrevet ved y = β 0 + β 1 x + u. y: Afhængige
Læs mereLineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable
E6 efterår 999 Notat 8 Jørgen Larsen 22. november 999 Lineære normale modeller ) udkast Ved hjælp af lineær algebra kan man formulere og analysere de såkaldte lineære normale modeller meget overskueligt
Læs mereAnvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Læs mereDen todimensionale normalfordeling
Den todimensionale normalfordeling Definition En todimensional stokastisk variabel X Y siges at være todimensional normalfordelt med parametrene µ µ og når den simultane tæthedsfunktion for X Y kan skrives
Læs mereModule 1: Lineære modeller og lineær algebra
Module : Lineære modeller og lineær algebra. Lineære normale modeller og lineær algebra......2 Lineær algebra...................... 6.2. Vektorer i R n................... 6.2.2 Regneregler for vektorrum...........
Læs mereKvantitative metoder 2
Kvantitative metoder Heteroskedasticitet 11. april 007 KM: F18 1 Oversigt: Heteroskedasticitet OLS estimation under heteroskedasticitet (W.8.1-): Konsekvenser af heteroskedasticitet for OLS Gyldige test
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mereModule 4: Ensidig variansanalyse
Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Lineære transformationer, middelværdi og varians Helle Sørensen Uge 8, onsdag SaSt2 (Uge 8, onsdag) Lineære transf. og middelværdi 1 / 15 Program I formiddag: Fordeling
Læs mereLandmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3
Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april
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 mere1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable
Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder
Læs mereØkonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2
Økonometri 1 Den simple regressionsmodel 11. september 2006 Dagens program Den simple regressionsmodel SLR : Én forklarende variabel (Wooldridge kap. 2.1-2.4) Motivation for gennemgangen af SLR Definition
Læs mereTema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.
Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller
Læs mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mere! Proxy variable. ! Målefejl. ! Manglende observationer. ! Dataudvælgelse. ! Ekstreme observationer. ! Eksempel: Lønrelation (på US data)
Dagens program Økonometri 1 Specifikation, og dataproblemer 10. april 003 Emnet for denne forelæsning er specifikation (Wooldridge kap. 9.-9.4)! Proxy variable! Målefejl! Manglende observationer! Dataudvælgelse!
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007 regressionsmodel 1 Dagens program Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5, E.2) Variansen
Læs mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereProgram: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19
Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større
Læs mereLandmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset
Læs mereTænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
Læs mereEgenværdier og egenvektorer
1 Egenværdier og egenvektorer 2 Definition Lad A være en n n matrix. En vektor v R n, v 0, kaldes en egenvektor for A, hvis der findes en skalar λ således Av = λv Skalaren λ kaldes en tilhørende egenværdi.
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Specifikation og dataproblemer 2. maj 2007 KM2: F22 1 Program Specifikation og dataproblemer, fortsat (Wooldridge kap. 9): Betydning af målefejl Dataudvælgelse: Manglende observationer
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 mereHvad er danskernes gennemsnitshøjde? N = 10. X 1 = 169 cm. X 2 = 183 cm. X 3 = 171 cm. X 4 = 113 cm. X 5 = 174 cm
Kon densintervaller og vurdering af estimaters usikkerhed Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Marts 18, 2019 Slides @ biostatistics.dk/talks/ 1 Population og stikprøve 2 Stikprøvevariation
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion
Læs mereSimpel Lineær Regression: Model
Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]
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 mereØkonometri: Lektion 6 Emne: Heteroskedasticitet
Økonometri: Lektion 6 Emne: Heteroskedasticitet 1 / 32 Konsekvenser af Heteroskedasticitet Antag her (og i resten) at MLR.1 til MLR.4 er opfyldt. Antag MLR.5 ikke er opfyldt, dvs. vi har heteroskedastiske
Læs mereAnvendt Statistik Lektion 8. Multipel Lineær Regression
Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan
Læs mereØkonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006
Dagens program Økonometri Den multiple regressionsmodel 8. september 006 Opsamling af statistiske resultater om den simple lineære regressionsmodel (W kap..5). Den multiple lineære regressionsmodel (W
Læs mereIntroduktion til GLIMMIX
Introduktion til GLIMMIX Af Jens Dick-Nielsen jens.dick-nielsen@haxholdt-company.com 21.08.2008 Proc GLIMMIX GLIMMIX kan bruges til modeller, hvor de enkelte observationer ikke nødvendigvis er uafhængige.
Læs mereBetingede sandsynligheder Aase D. Madsen
1 Uge 12 Teoretisk Statistik 15. marts 2004 1. Betingede sandsynligheder Definition Loven om den totale sandsynlighed Bayes formel 2. Betinget middelværdi og varians 3. Kovarians og korrelationskoefficient
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π
Læs mereUndervisningsnoter til øvelse i Panel Modeller. %, it. E(x kjs
4 I afsnit 3 beskæftigede vi os med 1EC modellen og viste, hvordan den kunne estimereres med FGLS - bla under forudsætning af, at det individspecifikke stokastiske led er ukorreleret med de forklarende
Læs mereWigner s semi-cirkel lov
Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse
Læs mereEstimation. Lad (ν θ ) θ Θ være en statistisk model på (X, E). En estimator af θ er en afbildning t : X Θ. En konkret værdi t(x) kaldes et estimat.
Estimation Lad (ν θ ) θ Θ være en statistisk model på (X, E). En estimator af θ er en afbildning t : X Θ. En konkret værdi t(x) kaldes et estimat. En estimator er en gætteregel.. p.1/22 Estimation X acements
Læs mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/33
Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 +β 1 x +u, hvor fejlledet u,
Læs mereMiddelværdi og varians. Kovarians. korrelation = 0.02 korrelation = 0.7 korrelation = 1.0
Middelværdi og varians Middelværdien af en diskret skalarfunktion f(x), for x = 0, N er: µ = N f(x) N x=0 For vektorfuktioner er middelværdivektoren tilsvarende: µ = N f(x) N x=0 Middelværdien er en af
Læs mere! Variansen på OLS estimatoren. ! Multikollinaritet. ! Variansen i misspecificerede modeller. ! Estimat af variansen på fejlleddet
Dagens program Økonometri Den multiple regressionsmodel 4. februar 003 regressionsmodel Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5)! Opsamling fra sidst
Læs mereØkonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006
Dagens program Økonometri Den simple regressionsmodel 5. september 006 Den simple lineære regressionsmodel (Wooldridge kap.4-.6) Eksemplet fortsat: Løn og uddannelse på danske data Funktionel form Statistiske
Læs mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mereBinomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/
Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial
Læs mereFejlstrata. Vi forestiller os at V har. 1) Et underrum L. 2) Et indre produkt, 3) En ortogonal dekomposition V = W W m
Fejlstrata Vi forestiller os at V har 1) Et underrum L 2) Et indre produkt, 3) En ortogonal dekomposition V = W 1 +... + W m Underrummene W i kaldes fejlstrata. Typisk eksempel på en fejlstratumdekomposition:
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 Indledning 2 Ensidet variansanalyse 3 Blokforsøg 4 Vekselvirkning 1 Indledning 2 Ensidet
Læs mereSymmetriske og ortogonale matricer Uge 7
Symmetriske og ortogonale matricer Uge 7 Preben Alsholm Efterår 2009 1 Symmetriske og ortogonale matricer 1.1 Definitioner Definitioner En kvadratisk matrix A = [ a ij kaldes symmetrisk, hvis aij = a ji
Læs mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs mereDefinition. Definitioner
Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/
Læs meremen nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller
Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =
Læs mereenote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 33B, Rum 9 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
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 mereBetingning med en uafhængig variabel
Betingning med en uafhængig variabel Sætning Hvis X er en reel stokastisk variabel med første moment og Y er en stokastisk variabel uafhængig af X, så er E(X Y ) = EX. Bevis: Observer at D σ(y ) har formen
Læs mereStikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader
Stikprøver og stikprøve fordelinger Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Statistik Statistisk Inferens: Prediktere og forekaste værdier af
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Afsnit 6.1 Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler Lineære transformationer
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mereProgram. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
Læs mereEksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning
1 Multipel regressions model Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning PSE (I17) ASTA - 11. lektion
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
Læs mereUge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Læs mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
Læs mereKombinant. En kombinant er en afbildning. hvor (Y, K) er endnu et målbart rum. Typisk taler vi om reelle kombinanter, hvor Y = R.
Kombinant Lad (ν θ ) θ Θ være en statistisk model på (X, E). En kombinant er en afbildning hvor (Y, K) er endnu et målbart rum. R : X Θ Y Typisk taler vi om reelle kombinanter, hvor Y = R. Som regel forsøger
Læs mereSupplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable
IMM, 00--6 Poul Thyregod Supplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable Todimensionale stokastiske variable Lærebogens afsnit 4 introducerede sandsynlighedsmodeller formuleret
Læs mereLagrange multiplier test. Økonometri: Lektion 6 Håndtering ad heteroskedasticitet. Konsekvenser af Heteroskedasticitet
Lagrange multiplier test Et alternativ til F -testet af en eller flere parametre. Økonometri: Lektion 6 Håndtering ad heteroskedasticitet Antag vi har model: y = β 0 + β 1 x 2 + + β k x k + u. Vi ønsker
Læs mereRepetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable
Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition
Læs mereEksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Læs mereFor nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.
1 Uge 11 Teoretisk Statistik 8. marts 2004 Kapitel 3: Fordeling af en stokastisk variabel, X Kapitel 4: Fordeling af flere stokastiske variable, X 1,,X m (på en gang). NB: X 1,,X m kan være gentagne observationer
Læs mere