Kapitel 4: Nyttefunktioner

Størrelse: px
Starte visningen fra side:

Download "Kapitel 4: Nyttefunktioner"

Transkript

1 Kapitel 4: Nyttefunktioner Hvad er nytte? - det gamle syn: 1. Nytte betragtet som en indikator for et individs overordnede velfærd. 2. Nytten er kardinal: Størrelsen på nyttedifferencer har betydning. 3. Hvert individ ønsker at maksimere egen nytte 4. Utilitarisme: Maximere summen af nytter. 5. Læs mere...:

2 Jeremy Bentham, Problemer: 1. Hvordan måler vi nytten? 2. Kan vi sammenligne nytten mellem individider? 3. Hvordan fortolker vi kardinal nytte? 4. Kan vi nøjes med et mindre ambitiøst nyttebegreb?

3 Hvad er nytte? - det nye syn: 1. Udgangspunktet er en præferencerelation º 2. Nytte er en funktion som repræsenterer præferencer. 3. Nyttefunktionen tildeler et tal til hvert alternativ så at det foretrukne varebundt får højest nytte og vice versa: 4. u repræsenterer º hvis: 5. u(x 1,x 2 ) >u(y 1,y 2 ) (x 1,x 2 ) Â (y 1,y 2 ). 6. Ordinal nytte: Kun rangordning af alternativer har betydning. 7. Operationelt nyttebegreb: Kender vi præferencerelation º kan vi konstruere nytten.

4 Finder der altid en nyttefunktion? 1. Nej! Modeksempel: 2. Tre alternativer x, y og z. (a) x  y (b) y  z (c) z  x 3. Hvis nytte u eksisterer da giver a) u(x) >u(y), b) giver u(y) >u(z), c) giver u(z) >u(x), dvs: 4. u(x) >u(y) >u(z) >u(x) - modstrid! 1. Hvornår findes en nyttefunktion? 2. Sætning: Hvis der er et endeligt antal alternativer, da er følgende ækvivalent: (a) º er komplet og transitiv. (b) º kan repræsenteres ved en nyttefunktion. 3. Bevis: Mikro 2. år. 4. POINTE: Så længe at vi antager komplethed og transitivitet, da kommer det ud på et om vi starter med præferencerelation º eller nyttefunktion u.

5 5. NB: Typisk har vi uendeligt mange alternativer (alle mulige tænkelige størrelser varebundter). 6. Her findes eksempler på komplette og transitive præferencer som ikke kan repræsenteres ved en nyttefunktion. 7. Eksempel: Leksikografiske præferencer: 8. To goder. (x 1,x 2 ) º L (y 1,y 2 ) hvis [x 1 >y 1 eller x 1 = y 1 og x 2 y 2 ]. 9. Komplet? -Ja! 10.Transitiv? -Ja! 11.MEN kan ikke repræsenteres ved en nyttefunktion. 12.PROBLEMET: Den leksikografiske præferencerelation º L ikke kontinuert i varerummet R I praksis kan vi roligt antage at præferencer er kontinuerte.

6 Er nyttefunktion entydig? 1. SPM: Hvis der findes en nyttefunktion u der repræsenter præferencerelation º,eru da entydigt bestemt ud fra º? 2. NEJ: Hvis u repræsenter º og f er en strengt voksende funktion, da repræsenter f(u) også º. 3. HVORFOR? 4. u repræsenterer º hvis: 5. u(x 1,x 2 ) >u(y 1,y 2 ) (x 1,x 2 ) Â (y 1,y 2 ). 6. Hvis f er strengt voksende har vi da også: 7. f(u(x 1,x 2 )) >f(u(y 1,y 2 )) (x 1,x 2 ) Â (y 1,y 2 ). 8. OMVENDT: Hvis u og v begge repræsenterer º så findes der en strengt voksende funktion f så u(x 1,x 2 )=f(v(x 1,x 2 )) for all (x 1,x 2 ). 9. POINTE: Hvis u repræsenterer º da er u entydigt bestemt op til en vilkårlig strengt voksende transformation.

7 1.

8 Konstruktion af nyttefunktion 1. Fra indifferenskurver: Se figur! 2. Eller direkte ud fra fortolkning af præferencer: (a) Perfekte substitutter 1:1. Det eneste der betyder noget er det samlede antal goder. Så u(x 1,x 1 )=x 1 + x 2 er en nyttefunktion. (b) Perfekte substitutter generelt. u(x 1,x 1 )= ax 1 + bx 2. (c) Perfekte komplementer 1:1. Det eneste der betyder noget er minimum af de to goder. u(x 1,x 1 )=min{x 1,x 2 }. (d) Perfekte komplementer generelt. u(x 1,x 1 )= min{ax 1,bx 2 }.

9 2.

10 3. Konstruktion af indifferenskurver fra nyttefunktion 1. Eksempel: u(x 1,x 2 )=x 1 x x 1 x 2 = k x 2 = k x Plot kurve for k =1, 2, 3,...etc.

11 To vigtige eksempler på nyttefunktioner 1. Kvasi-lineær nytte: u(x 1,x 2 )=v(x 1 )+x 2. (a) Nytte lineær i x 2. v(x 1 ) kan være x 1, log(x 1 ),... (b) Indifferenskurver vertikalt parallelle. 2. Cobb-Douglas nytte: u(x 1,x 2 )=x c 1x d 2. (a) Kan normalisere koefficienter til at summe til 1: (b) (u(x 1,x 2 )) 1 c+d =(x c 1 x d 2) 1 c c+d = x c+d c+d 1 x d 2 = bu(x 1,x 2 ). (c) a c c+d. bu(x 1,x 2 )=x a 1x 1 a 2. (d) Kan gøres additiv ved en logaritmisk tranformation : (e) log u(x 1,x 2 )=logx a 1x 1 a 2 = a log x 1 +(1 a)logx 2.

12 4. 5.

13 Marginalnytte 1. Hvis u(x 1 ) er funktion af én variabel, da er marginalnytte u(x 1 ) x 1 = u 0 (x 1 ) = lim x1 0 u(x 1 + x 1 ) u(x 1 ) x Hvis u(x 1,x 2 ) er funktion af to variable, da kan vi også udregne marginalnytte af x 1 for fastholdt x 2 - den partielle afledede. 3. Definition: x 1 = u 0 x 1 (x 1,x 2 ). = lim x1 0 u(x 1 + x 1,x 2 ) u(x 1,x 2 ) x 1 4. Eksempel 1: u(x 1,x 2 )=ax 1 + bx 2. x 1 = a. 5. Eksempel 2: u(x 1,x 2 )=x a 1x 1 a 2. x 1 = ax a 1 1 x 1 a 2.

14 Sammenhæng mellem MRS og partielle afledede 1. Husk: MRS i et punkt er hælding på indifferenskurve. 2. I punktet (x 1,x 2 ) lad (dx 1,dx 2 ) være ændring i x 1 hhv x 2 så u(x 1,x 2 )=u(x + dx 1,x 2 + dx 2 ). Altså: 3. du = u(x 1,x 2 ) dx 1 + u(x 1,x 2 ) dx 2 =0. x 1 x 2 Hvilket giver: 4. dx 2 dx 1 = x 1. x 2

15 Transformationer, partielle afledede, MRS. 1. Hvis u transformeres, da transformeres partiel afledet også! 2. Men MRS ændres ikke: x 3. u(x 1,x 2 ).MRS= 1. x 2 4. v(x 1,x 2 )=f(u(x 1,x 2 )). 5. MRS = v x 1 v x 2 = f u u x 1 f u u x 2 = u x 1 u x 2.

16 Eksempel: Cobb-Douglas 1. u(x 1,x 2 )=x c 1x d 2 x 2. MRS = 1 x 2 = cxc 1 1 x d 2 x c 1 dxd 1 2 = c d x c 1 1 x d 2 x c 1 xd 1 2 = c x 2 d x v(x 1,x 2 )=log(u(x 1,x 2 )) = c log x 1 + d log x 2 x 4. MRS = 1 x 1 d 1 x 2 x 2 = c 1 = c x 2 d x 1.

17 Anvendelse: bil eller bus til arbejde? 1. Tage bus og bil til arbejde? 2. Lad x 1 være rejsetid i bil, y 1 rejsetid i bus. 3. Lad x 2 være omkostning ved at køre bil, y 2 være omkostning ved at køre bus Antag lineær nytte: u(x 1,..., x n )=β 1 x β n x n. 6. Estimér β i ere ud fra observerede valg. 7. Domenich-McFadden (1975): Nyttefunktion gav korrekt forudsigelse af valg i 93% af tilfælde. 8. Med estimeret nyttefunktion kan vi: (a) Udregne MRS mellem to attributter. F.eks.: Hvad er værdi målt i $ for kortere rejsetid? (b) Lave forudsigelser. F.eks. hvor mange skifter til bus hvis rejsetiden forkortes? (c) Udregne velfærdsgevinster: Hvad er værdien (målt i $) for en rejsetidsforkortelse for dem der allerede allerede tager bussen?

Kapitel 4: Nyttefunktioner. Hvad er nytte? - det gamle syn:

Kapitel 4: Nyttefunktioner. Hvad er nytte? - det gamle syn: Kapitel 4: Nyttefunktioner Hvad er nytte? - det gamle syn: 1. Nytte er en indikator for et individs overordnede velfærd. 2. Nytten måles for eksempel på en skala fra 0 til 100. 3. Skalaen er kardinal:

Læs mere

1 Kapitel 5: Forbrugervalg

1 Kapitel 5: Forbrugervalg 1 Kapitel 5: Forbrugervalg Vi har set på: 1. Budgetbegrænsninger. 2. Præferencer og nyttefunktioner. Nu stykker vi det hele sammen og studerer forbrugerens valg. 1 2 Optimalt forbrug - gra sk fremstilling

Læs mere

Kapitel 3: Præferencer. Hvordan skal vi modellere præferencer?

Kapitel 3: Præferencer. Hvordan skal vi modellere præferencer? Kapitel 3: Præferencer Hvordan skal vi modellere præferencer? 1. Paradigme (husk fra forrige kapitel): Forbrugeren vælger det bedste varebundt som han/hun har råd til. 2. Vi har set på hvordan man kan

Læs mere

Kapitel 3: Præferencer. Hvordan skal vi modellere

Kapitel 3: Præferencer. Hvordan skal vi modellere Kapitel 3: Præferencer Hvordan skal vi modellere præferencer? 1. Paradigme (husk fra forrige kapitel): Forbrugeren vælger det bedste varebundt som han/hun har råd til. 2. Vi har set på hvordan man kan

Læs mere

1 Kapitel 5: Forbrugervalg

1 Kapitel 5: Forbrugervalg 1 Kapitel 5: Forbrugervalg Vi har set på: 1. budgetbegrænsninger 2. præferencer og nyttefunktioner. Nu stykker vi det hele sammen og studerer forbrugerens optimale valg. 2 Optimalt forbrug - grafisk fremstilling

Læs mere

Kapitel 3 Forbrugeradfærd

Kapitel 3 Forbrugeradfærd Emner Kapitel 3 orbrugeradfærd Præferencer udgetbegrænsning orbrugsvalg hapter 3: onsumer ehavior Slide Introduktion Virksomheder har brug for at kende forbrugeradfærd, når de prisfastsætter et produkt.

Læs mere

Kapitel 18: Virksomheders teknologi

Kapitel 18: Virksomheders teknologi December 9, 2008 Vi ønsker at beskrive de teknologiske begrænsninger som en virksomhed har. Vi har set på forbrugerteorien: Valg Præferencer/Nyttefunktioner: Valgkriterium Budgetmængden: Valgmuligheder

Læs mere

Forbrugerteori: Optimale valg og efterspørgsel

Forbrugerteori: Optimale valg og efterspørgsel Forbrugerteori: Optimale valg og efterspørgsel Jesper Breinbjerg Department of Business and Economics University of Southern Denmark Akademiet for Talentfulde Unge, 20. marts 2014 Jesper Breinbjerg Optimale

Læs mere

1 Virksomheders teknologi (kapitel 18)

1 Virksomheders teknologi (kapitel 18) 1 Virksomheders teknologi (kapitel 18) 1. "Produktionsteori" har til formål at beskrive de teknologiske begrænsninger en virksomhed er underlagt. 2. Dette gøres ved "produktionsfunktioner". 3. Visse ligheder

Læs mere

1 Virksomheders teknologi (kapitel 18)

1 Virksomheders teknologi (kapitel 18) 1 Virksomheders teknologi (kapitel 18) 1. Vi ønsker at beskrive de teknologiske begrænsninger som en virksomhed har. 2. Vi har set på nyttefunktioner indenfor forbrugerteorien. 3. Nu ser vi på "produktionsfunktioner".

Læs mere

1 Bytteøkonomier (kapitel 30)

1 Bytteøkonomier (kapitel 30) 1 Bytteøkonomier (kapitel 30) 1. Setup: Vi har en række forbrugere med hver deres initialbeholdning af en række goder. (a) Ren bytteøkonomi - ingen virksomheder - ingen produktion! 2. Typiske spørgsmål:

Læs mere

1 Bytteøkonomier (kapitel 31)

1 Bytteøkonomier (kapitel 31) 1 Bytteøkonomier (kapitel 31) 1. Setup: Vi har en række forbrugere med hver deres initialbeholdning af en række goder. (a) Ren bytteøkonomi - ingen virksomheder - ingen produktion! (b) Vi har en "generel

Læs mere

1 Virksomheders teknologi (kapitel 18)

1 Virksomheders teknologi (kapitel 18) 1 Virksomheders teknologi (kapitel 18) 1. Vi ønsker at beskrive de teknologiske begrænsninger som en virksomhed har. 2. Vi har set på nyttefunktioner indenfor forbrugerteorien. 3. Nu ser vi på "produktionsfunktioner".

Læs mere

Mikroøkonomi Projektopgave: Valg Under Usikkerhed

Mikroøkonomi Projektopgave: Valg Under Usikkerhed Mikroøkonomi Projektopgave: Valg Under Usikkerhed Peter Norman Sørensen, Økonomisk Institut Forår 2003 1. Formalia [10 minutter] Denne obligatoriske projektopgave er en guide til selvstudium af kapitel

Læs mere

Differentiation af sammensatte funktioner

Differentiation af sammensatte funktioner 1/7 Differentiation af sammensatte funktioner - Fra www.borgeleo.dk En sammensat funktion af den variable x er en funktion, vor x først indsættes i den såkaldte indre funktion. Resultatet fra den indre

Læs mere

Anvendt Lineær Algebra

Anvendt Lineær Algebra Anvendt Lineær Algebra Kursusgang 3 Anita Abildgaard Sillasen Institut for Matematiske Fag AAS (I17) Anvendt Lineær Algebra 1 / 38 Vi betragter et lineært ligningssystem (af m ligninger med n ubekendte)

Læs mere

Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål

Program. 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 mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume

Læs mere

Mere om differentiabilitet

Mere om differentiabilitet Mere om differentiabilitet En uddybning af side 57 i Spor - Komplekse tal Kompleks funktionsteori er et af de vigtigste emner i matematikken og samtidig et af de smukkeste I bogen har vi primært beskæftiget

Læs mere

Planen idag. Fin1 (mandag 16/2 2009) 1

Planen idag. Fin1 (mandag 16/2 2009) 1 Planen idag Porteføljeteori; kapitel 9 Noterne Moralen: Diversificer! Algebra: Portefølje- og lineær. Nogenlunde konsistens med forventet nyttemaksimering Middelværdi/varians-analyse Fin1 (mandag 16/2

Læs mere

Vejledende opgavebesvarelse Økonomisk kandidateksamen 2005I 1. årsprøve, Mikroøkonomi

Vejledende opgavebesvarelse Økonomisk kandidateksamen 2005I 1. årsprøve, Mikroøkonomi Vejledende opgavebesvarelse Økonomisk kandidateksamen 2005I 1. årsprøve, Mikroøkonomi Claus Thustrup Kreiner OPGAVE 1 1.1 Forkert. En isokvant angiver de kombinationer af inputs, som resulterer i en given

Læs mere

Økonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006

Økonometri 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 mere

Kvantitative metoder 2

Kvantitative metoder 2 Kvalitative egenskaber og dummyvariabler Kvantitative metoder 2 Dummyvariabler 28. marts 2007 Vi har (hovedsagligt) set på kvantitative variabler (løn, priser, forbrug, indkomst, )... Men hvad med kvalitative

Læs mere

Introduktion til Laplace transformen (Noter skrevet af Nikolaj Hess-Nielsen sidst revideret marts 2013)

Introduktion til Laplace transformen (Noter skrevet af Nikolaj Hess-Nielsen sidst revideret marts 2013) Introduktion til Laplace transformen (oter skrevet af ikolaj Hess-ielsen sidst revideret marts 23) Integration handler ikke kun om arealer. Tværtimod er integration basis for mange af de vigtigste værktøjer

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte

Læs mere

Program. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål

Program. 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 mere

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Landmålingens 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 mere

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

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 mere

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

1/41. 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 mere

1 Markedsefterspørgsel (kapitel 15)

1 Markedsefterspørgsel (kapitel 15) 1 Markedsefterspørgsel (kapitel 15) 1. Markedsefterspørgselskurven: Viser sammenhængen mellem markedspris og samlet efterspørgsel på et marked. 1 2 Fra forbrugerefterspørgsel til markedsefterspørgsel 1.

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik 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 mere

Opgave 1: Mikro (20 point)

Opgave 1: Mikro (20 point) Københavns Universitet Det Naturvidenskablige Fakultet Økonomi 1, Matematik-Økonomi Studiet 4 timers prøve med hjælpemidler, 29. januar 2003. Alle opgaver skal besvares. Ved bedømmelsen vægtes alle spørgsmål

Læs mere

Bedste rette linje ved mindste kvadraters metode

Bedste rette linje ved mindste kvadraters metode 1/9 Bedste rette linje ved mindste kvadraters metode - fra www.borgeleo.dk Figur 1: Tre datapunkter og den bedste rette linje bestemt af A, B og C Målepunkter og bedste rette linje I ovenstående koordinatsystem

Læs mere

Oversigt [S] 2.7, 2.9, 11.4

Oversigt [S] 2.7, 2.9, 11.4 Oversigt [S] 2.7, 2.9, 11.4 Nøgleord og begreber Tangentlinje for graf Tangentplan for graf Test tangentplan Lineær approximation i en og flere variable Test approximation Differentiabilitet i flere variable

Læs mere

MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen

MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen MASO Uge 7 Differentiable funktioner Jesper Michael Møller Department of Mathematics University of Copenhagen Uge 7 Formålet med MASO Oversigt Differentiable funktioner R n R m Differentiable funktioner

Læs mere

MM502+4 forelæsningsslides. uge 6, 2009

MM502+4 forelæsningsslides. uge 6, 2009 MM502+4 forelæsningsslides uge 6, 2009 1 Definition partielle afledede: De (første) partielle afledede af en funktion f(x, y) af to variable er f(x + h, y) f(x, y) f 1 (x, y) := lim h 0 h f(x, y + k) f(x,

Læs mere

Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2

Økonometri 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 mere

Test grafisk afledede Højere partielle afledede Differentiationsordenen er ligegyldig Partielle differentialligninger Test Laplaces ligning

Test grafisk afledede Højere partielle afledede Differentiationsordenen er ligegyldig Partielle differentialligninger Test Laplaces ligning Oversigt [S] 2.7, 3.1, 3.4, 11.3 Nøgleord og begreber Differentiabel funktion i en variabel Partielle afledede i flere variable Notation og regneregler for partielle afledede Test partielle afledede Grafisk

Læs mere

Mat H /05 Note 2 10/11-04 Gerd Grubb

Mat H /05 Note 2 10/11-04 Gerd Grubb Mat H 1 2004/05 Note 2 10/11-04 Gerd Grubb Nødvendige og tilstrækkelige betingelser for ekstremum, konkave og konvekse funktioner. Fremstillingen i Kapitel 13.1 2 af Sydsæters bog [MA1] suppleres her med

Læs mere

Differentiabilitet. f(h) = f(x 0 +h) f(x 0 ). y = f(x) f(h) df(h) Figur 1: Tangent, tilvækst og differential. lim. df(h) = f (x 0 )h.

Differentiabilitet. f(h) = f(x 0 +h) f(x 0 ). y = f(x) f(h) df(h) Figur 1: Tangent, tilvækst og differential. lim. df(h) = f (x 0 )h. Differentiabilitet 1 Funktioner af én reel variabel Tilvækstfunktionen f med udgangspunkt i x 0 er en reel funktion af tilvæksten : f() = f(x 0 +) f(x 0 ). y = f(x) Tangent (x 0,f(x 0 )) df() f() x 0 x

Læs mere

Mich Tvede 29. januar 2003. Økonomisk Institut Københavns Universitet

Mich Tvede 29. januar 2003. Økonomisk Institut Københavns Universitet Mich Tvede 29. januar 2003. Økonomisk Institut Københavns Universitet Lars Peter Østerdal 2. November 2004. 1 Forbrugere Opgave 1.1 1. Illustrer følgende budgetrestriktioner grafisk: a) p 1 =1,p 2 =1ogm

Læs mere

Forbrugeroverskud, ækvivalerende og kompenserende variationer

Forbrugeroverskud, ækvivalerende og kompenserende variationer Forbrugeroverskud, ækvivalerende og kompenserende variationer Introduktion Undervisningsnote til Mikro A, af Ole Kveiborg og Michael Teit Nielsen Vi har kigget en hel del på, hvordan forbrugeren reagerer

Læs mere

Oversigt [S] 2.7, 2.9, 11.4

Oversigt [S] 2.7, 2.9, 11.4 Oversigt [S] 2.7, 2.9, 11.4 Nøgleord og begreber Tangentlinje for graf Tangentplan for graf Test tangentplan Lineær approximation i en og flere variable Test approximation Differentiabilitet i flere variable

Læs mere

Matematisk modellering og numeriske metoder

Matematisk modellering og numeriske metoder Matematisk modellering og numeriske metoder Morten Grud Rasmussen 5. september 2016 1 Ordinære differentialligninger ODE er 1.1 ODE er helt grundlæggende Definition 1.1 (Ordinære differentialligninger).

Læs mere

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Landmålingens 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 mere

Partielle afledede og retningsafledede

Partielle afledede og retningsafledede Partielle afledede og retningsafledede 1 Partielle afledede, definitioner og notationer Bertragt en funktion af to reelle variable f : D R, hvor D R 2 er et åbent område Med benyttelse af tilvækstfunktionen

Læs mere

Gradienter og tangentplaner

Gradienter og tangentplaner enote 16 1 enote 16 Gradienter og tangentplaner I denne enote vil vi fokusere lidt nærmere på den geometriske analyse og inspektion af funktioner af to variable. Vi vil især studere sammenhængen mellem

Læs mere

Sætning (Kædereglen) For f(u), u = g(x) differentiable er den sammensatte funktion F = f g differentiabel med

Sætning (Kædereglen) For f(u), u = g(x) differentiable er den sammensatte funktion F = f g differentiabel med Oversigt [S] 3.5, 11.5 Nøgleord og begreber Kædereglen i en variabel Kædereglen to variable Test kædereglen Kædereglen i tre eller flere variable Jacobimatricen Kædereglen på matrixform Test matrixform

Læs mere

Nøgleord og begreber Analysens hovedsætning Stamfunktioner Itereret integral Test itereret integral Fubinis sætning Test Fubini Eksempler Test produkt

Nøgleord og begreber Analysens hovedsætning Stamfunktioner Itereret integral Test itereret integral Fubinis sætning Test Fubini Eksempler Test produkt Oversigt [S] 5., 5.3, 5.4,.,. Nøgleord og begreber Analysens hovedsætning Stamfunktioner Itereret integral Test itereret integral Fubinis sætning Test Fubini Eksempler Test produkt Calculus - 6 Uge 39.

Læs mere

1 Markedsefterspørgsel (kapitel 15) 1. Markedseftersspørgselskurven: Sammenhængen mellem markedspris og samlet efterspørgsel på et marked.

1 Markedsefterspørgsel (kapitel 15) 1. Markedseftersspørgselskurven: Sammenhængen mellem markedspris og samlet efterspørgsel på et marked. 1 Markedsefterspørgsel (kapitel 15) 1. Markedseftersspørgselskurven: Sammenhængen mellem markedspris og samlet efterspørgsel på et marked. 2 Fra forbrugerefterspørgsel til markedsefterspørgsel 1. For enhver

Læs mere

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel Juni 2000 MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel Opgave 1. (a) Find den fuldstændige løsning til differentialligningen y 8y + 16y = 0. (b) Find den fuldstændige løsning til differentialligningen

Læs mere

= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).

= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y). Analyse 2 Øvelser Rasmus Sylvester Bryder 17. og 20. september 2013 Supplerende opgave 1 Lad λ være Lebesgue-målet på R og lad A B(R). Definér en funktion f : [0, ) R ved f(x) = λ(a [ x, x]). Vis, at f(x)

Læs mere

Matematik B-niveau 31. maj 2016 Delprøve 1

Matematik B-niveau 31. maj 2016 Delprøve 1 Matematik B-niveau 31. maj 2016 Delprøve 1 Opgave 1 - Ligninger og reduktion (a + b) (a b) + b (a + b) = a 2 ab + ab b 2 + ab + b 2 = a 2 + ab Opgave 2 - Eksponentiel funktion 23 + 2x = 15 2x 2 = 8 x =

Læs mere

MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen

MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen MASO Uge 7 Differentiable funktioner Jesper Michael Møller Department of Mathematics University of Copenhagen Uge 7 Formålet med MASO Oversigt Differentiable funktioner f : R R En funktion f : R R er differentiabel

Læs mere

Kapitel 15: Markedsefterspørgsel

Kapitel 15: Markedsefterspørgsel November 29, 2008 Indledning individuel efterspørgsel: maximering af nytte under budgetbegrænsning Ligevægt: udbud er lig efterspørgsel afgørende: den samlede efterspørgsel Centralt: hvordan afhænger efterspørgslen

Læs mere

For nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.

For 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

Økonometri: Lektion 2 Multipel Lineær Regression 1/27

Økonometri: 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 mere

Substitutions- og indkomsteffekt ved prisændringer

Substitutions- og indkomsteffekt ved prisændringer Substitutions- og indkomsteffekt ved prisændringer Erik Bennike 14. november 2009 Denne note giver en beskrivelse af de relevante begreber omkring substitutions- og indkomsteffekter i mikroøkonomi. 1 Introduktion

Læs mere

UGESEDDEL 9 LØSNINGER. Sydsæter Theorem 1. Sætning om implicitte funktioner for ligningen f(x, y) = 0.

UGESEDDEL 9 LØSNINGER. Sydsæter Theorem 1. Sætning om implicitte funktioner for ligningen f(x, y) = 0. UGESEDDEL 9 LØSNINGER Sydsæter 531 Theorem 1 Sætning om implicitte funktioner for ligningen f(x, y) = 0 Lad f(x, y) være C 1 i mængden A R n og lad (x 0, y 0 ) være et indre punkt i A hvor f(x 0, y 0 )

Læs mere

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.

Teoretisk 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 mere

Det teknisk-naturvidenskabelige basisår Matematik 1A, Efterår 2005, Hold 3 Prøveopgave C

Det teknisk-naturvidenskabelige basisår Matematik 1A, Efterår 2005, Hold 3 Prøveopgave C Det teknisk-naturvidenskabelige basisår Matematik 1A, Efterår 2005, Hold 3 Prøveopgave C Opgaven består af tre dele, hver med en række spørgsmål, efterfulgt af en liste af teorispørgsmål. I alle opgavespørgsmålene

Læs mere

Lineær algebra 4. kursusgang

Lineær algebra 4. kursusgang Lineær algebra 4. kursusgang Vi betragter et lineært ligningssystem (af m ligninger med n ubekendte) Ax = b. Ligningssystemet antages at være inkonsistent (ingen løsninger) fordi tallene er fremkommet

Læs mere

Mich Tvede 29. december 2007 Økonomisk Institut Københavns Universitet. En virksomhed har følgende produktionsmulighedsområde:

Mich Tvede 29. december 2007 Økonomisk Institut Københavns Universitet. En virksomhed har følgende produktionsmulighedsområde: Mich Tvede 29. december 2007 Økonomisk Institut Københavns Universitet 1 Produktion Opgave 1.1 En virksomhed har følgende produktionsmulighedsområde: Y = {(x, y) x, y 0ogy ax}, hvor x er input/produktionsfaktoren,

Læs mere

Logistisk Regression - fortsat

Logistisk Regression - fortsat Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative

Læs mere

Vektorfunktioner. (Parameterkurver) x-klasserne Gammel Hellerup Gymnasium

Vektorfunktioner. (Parameterkurver) x-klasserne Gammel Hellerup Gymnasium Vektorfunktioner (Parameterkurver) x-klasserne Gammel Hellerup Gymnasium Indholdsfortegnelse VEKTORFUNKTIONER... Centrale begreber... Cirkler... 5 Epicykler... 7 Snurretoppen... 9 Ellipser... 1 Parabler...

Læs mere

Matematisk modellering og numeriske metoder. Lektion 8

Matematisk modellering og numeriske metoder. Lektion 8 Matematisk modellering og numeriske metoder Lektion 8 Morten Grud Rasmussen 18. oktober 216 1 Fourierrækker 1.1 Periodiske funktioner Definition 1.1 (Periodiske funktioner). En periodisk funktion f er

Læs mere

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Definition: 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 mere

Kvantitative metoder 2

Kvantitative metoder 2 Kvantitative metoder 2 Specifikation og dataproblemer 30. april 2007 KM2: F21 1 Program for de to næste forelæsninger Emnet er specifikation og dataproblemer (Wooldridge kap. 9) Fejlleddet kan være korreleret

Læs mere

Vektorfelter langs kurver

Vektorfelter langs kurver enote 25 1 enote 25 Vektorfelter langs kurver I enote 24 dyrkes de indledende overvejelser om vektorfelter. I denne enote vil vi se på vektorfelternes værdier langs kurver og benytte metoder fra enote

Læs mere

Teoretisk Statistik, 16. februar Generel teori,repetition

Teoretisk Statistik, 16. februar Generel teori,repetition 1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske

Læs mere

matx.dk Enkle modeller

matx.dk Enkle modeller matx.dk Enkle modeller Dennis Pipenbring 28. juni 2011 Indhold 1 Indledning 4 2 Funktionsbegrebet 4 3 Lineære funktioner 8 3.1 Bestemmelse af funktionsværdien................. 9 3.2 Grafen for en lineær

Læs mere

Statistik II 1. Lektion. Analyse af kontingenstabeller

Statistik II 1. Lektion. Analyse af kontingenstabeller Statistik II 1. Lektion Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller Logistisk regression

Læs mere

Kapitel 12: Valg under usikkerhed

Kapitel 12: Valg under usikkerhed 1 November 25, 2008 2 Usikkerhed Usikre faktorer: Fremtidige priser Fremtidig (real)indkomst Vejret Andre agenters handlinger (strategisk interaktion).... Håndtering af usikkerhed: Forsikring (sundhed,

Læs mere

matx.dk Differentialregning Dennis Pipenbring

matx.dk Differentialregning Dennis Pipenbring mat.dk Differentialregning Dennis Pipenbring 0. december 00 Indold Differentialregning 3. Grænseværdi............................. 3. Kontinuitet.............................. 8 Differentialkvotienten

Læs mere

Anvendt Statistik Lektion 8. Multipel Lineær Regression

Anvendt 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 mere

Analyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).

Analyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X). Analyse 2 Øvelser Rasmus Sylvester Bryder 3. og 6. september 2013 Gennemgå bevis for Sætning 2.10 Sætning 1. For alle mængder X gælder #X < #P(X). Bevis. Der findes en injektion X P(X), fx givet ved x

Læs mere

π er irrationel Frank Nasser 10. december 2011

π er irrationel Frank Nasser 10. december 2011 π er irrationel Frank Nasser 10. december 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold 1 Introduktion

Læs mere

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Repetition. 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 mere

GEOMETRI-TØ, UGE 6. . x 1 x 1. = x 1 x 2. x 2. k f

GEOMETRI-TØ, UGE 6. . x 1 x 1. = x 1 x 2. x 2. k f GEOMETRI-TØ, UGE 6 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imfaudk Opvarmningsopgave 1 Lad f : R 2 R være tre gange kontinuert differentierbar

Læs mere

Anvendt Statistik Lektion 7. Simpel Lineær Regression

Anvendt 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 mere

Funktion af flere variable

Funktion af flere variable Funktion af flere variable Preben Alsolm 24. april 2008 1 Funktion af flere variable 1.1 Differentiabilitet for funktion af én variabel Differentiabilitet for funktion af én variabel f kaldes differentiabel

Læs mere

Uge 43 I Teoretisk Statistik, 21. oktober Forudsigelser

Uge 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 mere

Konstruktion af Splines

Konstruktion af Splines Konstruktion af Splines Svend Daugaard Pedersen 29 maj 2011 Indhold 1 Hvad er en spline? 1 2 Matematisk behandling af en spline 1 3 Den naturlige spline 2 4 Andre splines 4 5 Tilpasset spline 4 6 Afslutning

Læs mere

Besvarelse, Eksamen Analyse 1, 2013

Besvarelse, Eksamen Analyse 1, 2013 Københavns Universitet Prøve ved Det naturvidenskabelige Fakultet juni 23 Besvarelse, Eksamen Analyse, 23 Opgave Lad, for n N, funktionen f n : [, ) R være givet ved NB. Trykfejl. Burde være x. f n (x)

Læs mere

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

Landmålingens 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 mere

(Prøve)Eksamen i Calculus

(Prøve)Eksamen i Calculus (Prøve)Eksamen i Calculus Sæt 1, april 2011 Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet og Det Sundhedsvidenskabelige Fakultet Nærværende (prøve)eksamenssæt består af 7 nummererede sider

Læs mere

Vægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen

Vægte 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 mere

Matematisk modellering og numeriske metoder. Lektion 11

Matematisk modellering og numeriske metoder. Lektion 11 Matematisk modellering og numeriske metoder Lektion 11 Morten Grud Rasmussen 5. november 2016 1 Partielle differentialligninger 1.1 Udledning af varmeligningen Vi vil nu på samme måde som med bølgeligningen

Læs mere

10. Differentialregning

10. Differentialregning 10. Differentialregning Hayati Balo,AAMS Følgende fremstilling er baseret på 1. Nils Victor-Jensen, Matematik for adgangskursus, B-niveau 2, 2. udg. 10.1 Grænseværdibegrebet I afsnit 7. Funktioner på side

Læs mere

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Landmålingens 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 mere

Økonometri: Lektion 2 Multipel Lineær Regression 1/33

Økonometri: 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 mere

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager

Læs mere

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

Landmålingens 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 mere

OR stiger eksponentielt med forskellen i BMI. kompliceret model svær at forstå og analysere

OR stiger eksponentielt med forskellen i BMI. kompliceret model svær at forstå og analysere Epidemiologi og biostatistik. Uge 5, torsdag 5. september 003 Morten Frydenberg, Institut for Biostatistik. 1 Analyse af overlevelsesdata (ventetidsdata) Censurering (højre + andet) Kaplan-Meyer kurver

Læs mere

Simpel Lineær Regression: Model

Simpel 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 mere

Kvantitative Metoder 1 - Efterår 2006. Dagens program

Kvantitative Metoder 1 - Efterår 2006. Dagens program Dagens program Afsnit 2.4-2.5 Bayes sætning Uafhængige stokastiske variable - Simultane fordelinger - Marginale fordelinger - Betingede fordelinger Uafhængige hændelser - Indikatorvariable Afledte stokastiske

Læs mere

Matematisk modellering og numeriske metoder. Lektion 10

Matematisk modellering og numeriske metoder. Lektion 10 Matematisk modellering og numeriske metoder Lektion 10 Morten Grud Rasmussen 2. november 2016 1 Partielle differentialligninger 1.1 Det grundlæggende om PDE er Definition 1.1 Partielle differentialligninger

Læs mere

matx.dk Mikroøkonomi

matx.dk Mikroøkonomi matx.dk Mikroøkonomi Dennis Pipenbring 31. august 2011 Indold 1 Udbuds- og efterspørgselskurver 3 1.1 Lineær.............................. 4 1.2 Eksponentiel........................... 5 1.3 Potens..............................

Læs mere

Rettevejledning til 1. obligatoriske opgave Beslutninger og strategi

Rettevejledning til 1. obligatoriske opgave Beslutninger og strategi Rettevejledning til. obligatoriske opgave Beslutninger og strategi Christian S. Liebing og Tobias N. Thygesen Forår 00. version. Opgave Betragter en agent med vnm-præferencer. Vi får oplyst, at agenten

Læs mere

Estimation og konfidensintervaller

Estimation og konfidensintervaller Statistik og Sandsynlighedsregning STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Estimation og konfidensintervaller Antag X Bin(n,

Læs mere