Noter i fejlteori. Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen. Version 1.2

Save this PDF as:
 WORD  PNG  TXT  JPG

Størrelse: px
Starte visningen fra side:

Download "Noter i fejlteori. Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen. Version 1.2"

Transkript

1 Noter i fejlteori Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen Version 1.2 April 2014

2 2

3 Indhold 1 Motivation 3 2 Det matematiske fundament Lidt sandsynlighedsregning Stokastiske variable Middelværdi og varians Normalfordelingen Tilfældig fejl Linearisering Kovarians Korrelation Matrix formulering Estimation Estimation af middelværdi og varians Estimation af kovarians og korrelation Konfidensinterval Fejlforplantning ved geometrisk nivellement Geometisk nivellement Vægte Det vægtede gennemsnit Fordeling af slutfejl Dobbeltmålinger Fejlforplantning Uafhængige stokastiske variable Linearisering Den generelle fejlforplantningslov Matrix formulering Tabeller 71 3

4 4 INDHOLD

5 Forord Denne note er en omarbejdning og udvidelse af en mere end 20 år gammel note Noter i fejlteori af Poul Winding og Jens Møller Pedersen. En særlig tak skal gå til folk der hjulet med tilblivelsen af denne note. Daniel Philip Holt for at have assisteret med konverteringen af den orginale note fra fotokopi til L A TEX. Malene Ravn for at have nærlæst version 1.1 af noten og påpeget fejl og mulige forbedringer. Bemærk at alle trigonometriske funktioner er evalueret på vinkler målt i gon. Beviser afsluttes med en firkant. Definitioner afsluttes med en trekant. Eksempler afsluttes med en rombe. Kasper K. Berthelsen Aalborg,

6 2 INDHOLD

7 Kapitel 1 Motivation Antag, at vi er interesserede i arealet af trekanten i figur 1.1. Hvis vi kender vinklen α og længderne s b og s c, kan vi bestemme arealet, A, af trekanten vha. arealformlen A = 1 2 s bs c sin(α). (1.1) γ s b s a α s c β Figur 1.1: En trekant. For at gøre situationen lidt simplere, antager vi, at vi kender længderne s b og s c. Det eneste, vi skal måle, er således vinklen α. Antag, at vi har følgende 25 målinger af α: , , , , , , , , , , , , , , , , , , , , , , , , Målingerne er også illustreret i histogrammet i figur 1.2. Gennemsnittet af de 25 målinger er Bemærk, hvordan målingerne er koncentreret omkring gennemsnittet. På baggrund af målingerne hvad er da et godt bud på den sande vinkel? Det viser sig, at gennemsnittet af målingerne er et godt bud. Som det tydeliget fremgår, så er målingen af α forbundet med en vis usikkerhed. Hvordan 3

8 4 KAPITEL 1. MOTIVATION Figur 1.2: Histogram for de 25 målinger af α. skal vi opgøre denne usikkerhed? Kan vi sige noget om, hvor tæt gennemsnittet er på den sande vinkel? Da bestemmelsen af α på baggrund af målinger er forbundet med en vis usikkerhed, vil areal af trekanten også være forbundet med en vis usikkerhed. Spørgmålet er hvordan usikkerheden for α påvirker usikkerheden af arealet?

9 Kapitel 2 Det matematiske fundament 2.1 Lidt sandsynlighedsregning Når man foretager en måling af fx. en længde er det forbundet med en vis usikkerhed. Et naturligt spørgsmål er, hvor stor sandsynligheden er for at målingen ligger indenfor en vis fejlmargin fra den sande længde. For at kunne svare på dette må vi starte med at præcisere, hvad vi mener med sandsynlighed. Desuden skal det formuleres præcist, på hvilken måde målingerne er usikre. Betragt et eksperiment, der kan ende i et eller flere udfald. Eksperimentet kunne være at måle en given længe, hvorved udfaldet er den faktisk målte længde. Et andet eksperiment kunne være at kaste en mønt, hvor de mulige udfald er plat og krone. Vi starter med det simple tilfælde, hvor eksperimentet har to udfald, som vi betegner som succes og fiasko. Eksperimentet kunne være at kaste med en mønt, hvor krone svarer til succes og plat svarer til fiasko. Antag, at vi gentager nøjagtigt det samme eksperiment igen og igen, og hvert eksperiment udføres uafhængigt af tidligere eksperimenter. Sandsynligheden for succes er da andelen af succeser i det lange løb. Sandsynligheden for succes betegnes P(succes). Det ses umiddelbart, at 0 P(succes) 1. Figur 2.1 viser to eksempler på, hvordan andelen af krone løbende udvikler sig efterhånden som den fair mønt kastes flere og flere gange. Da mønten er fair, er andelen af krone i det lange løb 0,5, dvs. P(krone) = 0,5. Af figuren ses det, at den observerede andel i begge tilfælde nærmer sig 0,5. Da hvert eksperiment enten er en succes eller en fiasko, følger det, at sandsynligheden for fiasko er P(fiasko) = 1 P(succes). Mere generelt kan vi antage, at et eksperiment kan resultere i en lang række udfald. Som nævnt kunne eksperimentet være at måle en længde. De mulige udfald er da alle positive reelle tal. En hændelse er en mængde af udfald. Fx. kunne en hændelse være, at den målte længde er mellem 4,71 og 4,73 meter. Sandsynligheden for denne hændelse betegnes P(måling ligger mellem 4,71 og 4,73 meter). Sandsynligheden betegner andelen af målinger, der ligger mellem 4,71 og 4,73, hvis vi bliver ved med at måle 5

10 6 KAPITEL 2. DET MATEMATISKE FUNDAMENT tisk abel Andel krone Antal kast Figur 2.1: Løbende andel af krone i to følger af uafhængige kast med en fair mønt. længden igen og igen. Hver måling skal være foretaget under nøjagtig samme betingelser og upåvirket af tidligere målinger. Sætning 1 (Egenskaber for sandsynligheder) Lad H være en vilkårlig hændelse, da gælder der følgende regler 1. 0 P(H) 1 2. P(ej H) = 1 P(H). Hændelse ej H betegnes den komplimentære hændelsen til H, da hændelse ej H indtræffer, hvis H ikke indtræffer. 2.2 Stokastiske variable I det følgende er udgangspunktet, at vi udfører et eksperiment, hvor udfaldet af eksperimentet kan konverteres til et reelt tal X. Som eksempel kunne eksperimentet være at måle vinklen α og lade X betegne målingen. Som indikeret af målingerne i Kapitel 1 er X tilfældig. Vi betegner derfor X en stokastisk variabel stokastisk variabel. Vi vil betragte en stokastisk variabel som en matematisk model for en måling der er behæftet med en (tilfældig) fejl. I denne note vil vi kun betragte stokastiske variable, der kan tage alle værdier i et interval på den reelle akse. Fx. hvis X svarer til måling af en længde, da er X [0, ). Hvis X er en vinkel målt i gon, da er X [0,400). For at beskrive, på hvilken måde målingen X er tilfældig, har vi brug for at definere en såkaldt tæthedsfunktion. Definition 1 (Tæthedsfunktion) En tæthedsfunktion f(x) er en reel funktion, der opfylder

11 2.2. STOKASTISKE VARIABLE 7 1. f(x) 0 for alle x R. 2. f(x)dx = 1. En tæthedsfunktion er altså en ikke-negativ funktion, hvor det totale areal under funktionen er 1. Figur 2.2 viser et eksempel på en tæthedsfunktion f(x) x Figur 2.2: Eksempel på tæthedsfunktion. Tæthedsfunktioner bruges til at beskrive fordelingen af en stokastisk variabel: Definition 2 (Tæthedsfunktion og stokastisk variabel) En stokastisk variabel X har tæthedsfunktion f, hvis det for alle par af reelle konstanter a og b, hvor a b, gælder, at sandsynligheden for, at X ligger i intervallet fra a til b er givet ved P(a X b) = b a f(x)dx. (2.1) Da f(x) er ikke-negativ er sandsynligheden for, at X ligger mellem a og b givet ved arealet under grafen f(x) (og over første-aksen). Arealet af det skraverede områder til venstre i figur 2.2 svarer til sandsynligheden for, at X ligger i intervallet mellem 1 og 2. Ligeledes svarer det skraverede område til højre i figur 2.2 til sandsynligheden for, at X ligger i intervallet mellem 4 og 5. Med udgangspunkt i figur 2.2 er det klart, at P(1 X 2) er større end P(4 X 5), dvs. der er større sandsynlighed for, at X ligger mellem 1 og 2 end at X ligger mellem 4 og 5. Typisk er det vanskeligt at udregne integraler som i (2.1). I stedet benytter man fordelingsfunktionen. Definition 3 (Fordelingsfunktionen) Hvis X er en stokastisk variabel med tæthedsfunktion f, så er den tilsvarende fordelingsfunktion givet ved F(x) = P(X x) = x f(t)dt.

12 8 KAPITEL 2. DET MATEMATISKE FUNDAMENT Figur 2.3 viser et eksempel på en tæthedsfunktion og den tilsvarende fordelingsfunktion. Fordelingsfunktionen F(x) svarer til det grå område i det venstre plot i figur 2.3. Da fordelingsfunktionen er et integral af en ikke-negativ funktion, følger det, at fordelingfunktionen F(x) er en ikke-aftagende funktion. Desuden gælder der at lim x F(x) = 1 og lim x = 0. f(x) F(x) 1 F(x) x x Figur 2.3: Til venstre: eksempel på tæthedsfunktion f(x). Til højre: tilsvarende fordelingsfunktion F(x). Sandsynligheden (2.1) kan nu skrives som P(a X b) = F(b) F(a). (2.2) Fordelen ved denne formel fremfor (2.1) er at F(x) ofte er tilgængelig enten i tabelform eller vha. software. At (2.2) er korrekt ses af følgende udregning P(a X b) = = b a b f(x)dx a f(x)dx f(x)dx = F(b) F(a). I de fleste praktiske problemstillinger består en måleopgave i mere end en måling. Vi vil i det efterfølgende ofte antage, at den tilfældige fejl i en måling ingen indflydelse har på den tilfældige fejl i en anden måling. Mere præcist antager vi at to målinger er uafhængige: Definition 4 (Uafhængighed) To stokastiske variable X og Y kaldes uafhængige, hvis og kun hvis P(X a,y b) = P(X a)p(y b) for alle reelle konstanter a og b. Øvelse 1 Betragte følgende funktion x når 0 x 1 f(x) = 2 x når 1 < x 2 0 ellers.

13 2.3. MIDDELVÆRDI OG VARIANS 9 1. Skitser funktionen f(x). 2. Opfylder f(x) kravene til en tæthedsfunktion? 2.3 Middelværdi og varians To vigtige karakteristika for alle stokastiske variabel er deres middelværdi og varians. Hvis man tænker på den stokastiske variabel X som en model for en måling, er middelværdien for den stokastisk variabel X gennemsnittet af målingerne i det lang løb. Variansen er et udtryk for, hvor meget den stokastiske variabel varierer omkring middelværdien. Hvis X repræsenterer en måling, kan variansen ses som et mål for kvaliteten af målingen. Jo mindre varians jo mindre variation fra måling til måling, hvilket kan tages som et udtryk for en højere kvalitet af målingen. Definition 5 (Middelværdi) Middelværdien for en stokastiske variabel X betegnes E[X] og er givet ved E[X] = xf(x)dx. (2.3) Nogle gange omtales middelværdien for en stokastisk variabel også forventningen eller den forventede værdi. På engelsk bliver det til expectation, hvilket er forklaringen på, at bogstavet E benyttes til at betegne middelværdi for en stokastisk variabel. I mange tilfælde er vi ikke interesseret i middelværdien for X, men derimod for middelværdien af en anden størrelse, som er en funktion af X: Definition 6 Hvis h(x) er en reel funktion, er middelværdien af h(x) givet ved E[h(X)] = h(x)f(x)dx. (2.4) Bemærk, at integralerne i (2.3) og (2.4) typisk ikke kan udregnes. I denne note vil vi aldrig få brug for at udregne (2.3). Derimod vil vi ofte have brug for at udregne E[h(X)], hvilket generelt er problematisk på nær i de tilfælde, hvor h(x) er en lineær funktion Sætning 2 (Middelværdien for en lineær transformation) Antag, at X er en stokastisk variabel med middelværdi E[X] = µ. Da er middelværdien for transformationen a + bx givet ved E[aX +b] = ae[x]+b = aµ+b.

14 10 KAPITEL 2. DET MATEMATISKE FUNDAMENT Bevis Antag at X er en stokastisk variabel med tæthedsfunktion f og h(x) = ax+b. Da følger E[aX +b] af (2.4): E[aX +b] = = a = aµ+b, (ax+b)f(x)dx xf(x)dx+b f(x)dx hvor vi har benyttet definition 6 og egenskab 2 i definition 1. Hvis vi kender E[X], er det med andre ord en simpel opgave at finde E[a+bX]. Formelt set er det ikke helt korrekt, at betegne h(x) = ax + b som en lineær funktion på nær når b = 0. Den korrekte term er en affin funktion. Det er nemt at udvide sætning 2 til middelværdien for en linearkombination af flere stokastiske variable: Sætning 3 Lad X 1,X 2,...,X n være n stokastiske variable med middelværdierne µ 1,...,µ n, dvs. E[X i ] = µ i. For alle reelle tal a 0,a 1,a 2,...,a n gælder at middelværdien af linearkombinationen a 0 +a 1 X 1 +a 2 X 2 + +a n X n er givet ved E[a 0 +a 1 X 1 +a 2 X 2 + +a n X n ] = a 0 +a 1 µ 1 +a 2 µ 2 + +a n µ n. Bemærk at der ikke er nogen antagelser om at X 1,...,X n er indbyrdes uafhængige stokastiske variable. Variansen for en stokastisk variable X er et udtryk for hvor meget en stokastisk variabel varierer omkring middelværdien. Mere præcist definerer vi variasen som: Definition 7 (Variansen) Variansen for en stokastisk variabel X med middelværdi µ er defineret som Var[X] = E[(X µ) 2 ], (2.5) dvs. middelværdien af den kvadrede afstand mellem X og middelværdien µ. Bemærk, at definition af varians svarer til (2.4), hvor h(x) = (x µ) 2. Hvis X har tæthedsfunktion f(x), kan variansen for X udregnes vha. Var[X] = (x µ) 2 f(x)dx. I forbindelse med praktiske udregninger af variansen er det ofte bekvemt at benytte følgende omskrivning af (2.5): Var[X] = E[X 2 ] µ 2. (2.6)

15 2.3. MIDDELVÆRDI OG VARIANS 11 Denne sammenhæng kan nemt udledes: Var[X] = E[(X µ) 2 ] = E[X 2 +µ 2 2µX] = E[X 2 ]+µ 2 2µE[X] = E[X 2 ] µ 2. Definition 8 (Standardafvigelsen) Standardafvigelsen σ er kvadratroden af variansen. Dvs. hvis den stokastiske variabel X har varians σ 2, er standardafvigelsen for X givet ved σ = σ 2. Det er generelt svært at finde variansen for h(x) på nær, når h(x) = ax+b: Sætning 4 Antag, at X er en stokastisk variabel med middelværdi E[X] = µ og varians Var[X] = σ 2. Da er variansen af transformationen ax +b givet ved Var[aX +b] = a 2 V[X]. (2.7) Bevis Husk at Var[h(X)] = E[(h(X) E[h(X)]) 2 ]. Hvis vi antager, at h(x) = ax +b og bemærk, at E[aX +b] = aµ+b så har vi Var[aX +b] = E[(aX +b E[aX +b]) 2 ] = E[(aX +b (aµ+b)) 2 ] = E[(aX aµ) 2 ] = E[a 2 (X µ) 2 ] = a 2 E[(X µ) 2 ] = a 2 Var[X]. Bemærk at konstanten b ikke optræder i resultatet (2.7). Intuitionen er, at b blot bidrager med en forskydning af X og dermed ikke påvirker variationen. Sætning 4 kan udvides til at gælde en generel linearkombination af flere stokastiske variable: Sætning 5 Lad X 1,X 2,...,X n være n uafhængige stokastiske variable med varianser σ 2 1,...,σ2 n, dvs. Var[X i ] = σ 2 i. For alle reelle tal a 0,a 2,...,a n gælder, at variansen af linearkombinationen a 0 +a 1 X 1 +a 2 X 2 + +a n X n er givet ved Var[a 0 +a 1 X 1 +a 2 X 2 + +a k X k ] = a 2 1σ 2 1 +a 2 2σ a 2 k σ2 k. (2.8) Bemærk: en forudsætning for sætning 5 er at de n stokastiske variable er indbyrdes uafhængige. Denne begrænsning vil vi rode bod på senere.

16 12 KAPITEL 2. DET MATEMATISKE FUNDAMENT Eksempel 1 ard normalfordelin- Fridjof er verdens kedeligste frugthandler! Han sælger kun æbler og pærer fra Standard alfordelingen sin lille bod på torvet. For hvert æble tjener han 1,27 kr og for hver pære tjener han 0,87. Desuden koster det ham 119 kr. om dagen i faste udgifter at drive boden på torvet. Vi ved desuden, at det forventede antal solgte æbler og pærer er hhv. 97,3 og 63,4. Hvad er det forventede daglige overskud for Fridjof? Løsning: Lad X og Y være stokastiske variable, der svarer til det solgte antal hhv. æbler og pærer. Dvs. E[X] = 97,3 og E[Y] = 63,4. Det dagelige overskud betegner vi S = 1,27X+0,87Y 119. Det forventede overskud er derfor E[S], som vi udregner: E[S] = E[1,27X +0,87Y 119] = 1,27E[X]+0,87E[Y] 119 = 1,27 97,3+0,87 63,4 119 = 59,729. Dvs. det forventede daglige overskud er knap 60kr. 2.4 Normalfordelingen Den måske vigtigste fordeling af alle fordelinger er normalfordelingen. Definition 9 (Normalfordelingen) En stokastisk variabel med tæthedsfunktion f(x) = ( ) 1 exp (x µ)2 2πσ 2 2σ 2 kaldes normalfordelt med middelværdi µ og varians σ 2. Som bekvem notation benyttes X N(µ,σ 2 ), der skal læses som den stokastiske variabel X følger en normalfordeling med middelværdi µ og varians σ 2. Normalfordelingen er en god (tilnærmet) beskrivelse af mange naturligt, tilfældige fænomener. Figur 2.4 viser tre eksempler på normalfordelinger. Bemærk, at tæthedsfunktionen er symmetrisk omkring middelværdien µ. Normalfordelingen med middelværdi 0 og varians 1 betegnes en standard normalfordelingen. I denne note vil vi typisk betegne en stokastisk variabel, der følger en standard normalfordeling ved Z, dvs. Z N(0;1). Desuden betegnes fordelingsfunktionen for standard normalfordelingen i denne note ved Φ(z). Hvis Z N(µ;σ 2 ), har vi derfor P(Z z) = Φ(x). Tæthedsfunktionen for standard normalfordelingen og dens fordelingsfunktionen Φ er illustreret på figur 2.6. Fordelingsfunktionen Φ er tabellagt i tabel 6.1 på side 72. Desuden har de fleste typer software, der kan benyttes til statistik, funktioner indbygget, der kan udregne Φ(x), fx. Matlab.

17 2.4. NORMALFORDELINGEN 13 µ = 5 σ = 2 µ = 0 σ = 1 µ = 3 σ = Figur 2.4: Tre eksempler på normalfordelinger. 95% 80% µ 1,96σ µ µ+1,96σ µ 1,28σ µ µ+1,28σ Figur 2.5: Venstre plot: Tæthedsfunktion for normalfordelt stokastisk variabel med forventning µ og varians σ 2. Den normalfordelte stokastiske variabel ligger med 95% sandsynlighed i intervallet µ±1,96σ svarende til arealet af det grå område i figuren. Højre plot: Som venstre plot, men her illustrerer det grå område, at der er 80% sandsynlighed for, at den normalfordelte stokastiske variabel ligger i intervallet µ±1,28σ. f(z) Φ(z) 1.00 Φ(z) z Figur 2.6: Venstre plot: Tæthedsfunktionen for en standard normalfordelt stokastisk variabel. Det grå område illustrerer fordelingenfunktionen Φ(z) = P(Z z). Højre plot: Fordelingsfunktionen for en standard normalfordelt stokastisk variabel. z

18 14 KAPITEL 2. DET MATEMATISKE FUNDAMENT ardisering Eksempel 2 Antag, at Z er standard normalfordelt, dvs. Z N(0,1). Vi ønsker nu at finde følgende sandsynligheder P(Z 1,17) og P(Z 1,82). Løsning: Den første sandsynlighed,p(z 1, 17), findes umiddelbart vha. normalfordelingstabellen: P(Z 1,17) = Φ(1,17) = 0,8790. Den næste sandsynlighed, P(Z 1,82), kan ikke umiddelbart slås op, da Φ(z) kun er tabellagt for positive værdier af z. Da standard normalfordelingen er symmetrisk omkring nul, gælder P(Z 1, 82) = P(Z 1, 82). Ifølge egenskab 2 ved sandsynligheder har vi P(Z 1,82) = 1 P(Z 1,82) = 1 Φ(1,82) = 1 0,9656 = 0,0344. Dvs. P(Z 1,82) = 0,0344. I eksempel 2 benytter vi sammenhængen Φ( 1, 82) = 1 Φ(1, 82). Denne sammenhæng gælder helt generelt: Sætning 6 Antag, at Z N(0,1), dvs. Z er standard normalfordelt. Da gælder, at Φ(Z z) = 1 P(Z z), hvilket kan skrives som Φ( z) = 1 Φ(z). Bevis Da standard normalfordelingen er symmetrisk omkring nul, gælder der P(Z z) = P(Z z). P(Z z) = 1 P(Z z) = 1 P(Z z) Den sidste ligning kan også skrives som Φ( z) = 1 Φ(z). Ud over at være en god beskrivelse af mange virkelige problemstillinger, så har normalfordelingen mange nyttige egenskaber. Én egenskab er, at en lineær transformation af en normalfordelt stokastisk variabel også er normalfordelt: Sætning 7 Antag, at a og b er reelle konstanter, X N(µ,σ 2 ) og Y = ax + b. Da gælder Y N(aµ+b,a 2 σ 2 ). At Y har middelværdi aµ + b og varians a 2 σ 2 er ikke overraskende, da det følger af sætningerne 2 og 4. Det interessante er, at en lineær transformation af X også er normalfordelt. Eksempel 3 (Standardisering) Antag, at X N(µ;σ 2 ) og definer Z = X µ. (2.9) σ Hvilken fordeling følger Z? Løsning: Bemærk at Z kan skrives som Z = 1 σ X µ σ. Sætter vi a = 1 σ og b = µ σ følger det af sætning 7, at Z er normalfordelt med middelværdi 0 og varians 1, dvs. Z følger en standard normalfordeling. Vi siger, at vi har standardiseret den oprindelige stokastiske variabel X.

19 2.4. NORMALFORDELINGEN 15 Eksempel 2 omhandlede sandsynligheder for en standard normalfordelt stokastisk variabel. Alle udregninger involverede tabelopslag af Φ(z). Hvis en stokastisk variabel X er normalfordelt, men ikke standard normalfordelt, kan vi ikke direkte finde sandsynligheder vha. Φ(z) men vha. en standardisering er det muligt. Hvis X er normalfordelt med middelværdi µ og varians σ 2, gælder der, at ( X µ P(X x) = P x µ ) σ σ ( = P Z x µ ) σ ( ) x µ = Φ, (2.10) σ hvor Z N(0,1) og den første lighed følger af sædvanlige regneregler for uligheder idet σ > 0. En anden konsekvens af (2.10) er, at hvis X N(µ,σ 2 ), så er Xs fordelingsfunktion ( ) x µ F(x) = Φ. (2.11) σ Eksempel 4 Antag X N(3, 16), dvs. X er en normalfordelt stokastisk variabel med middelværdi 3 og varians 16. Find følgende sandsynligheder P(X 4,6), P(X 2,2) og P(X 2,8). Løsning: Det følger af standardiseringen (2.9) i eksempel 3, at Z = (X 3)/ 16 N(0,1). ( X 3 P(X 4,6) = P 4,6 3 ) 4 4 = P(Z 0,4) = Φ(0,4) = 0,6554. Dvs. sandsynlighedern for at X er højst 4,6 er omtrent 65,5%. ( X 3 P(X 2,2) = P 2,2 3 ) = P(Z 0,2) 4 4 = Φ( 0,2) = 1 Φ(0,2) = 1 0,5793 = 0,4207. Dvs. sandsynlighedern for at X er højst 2,2 er omtrent 42%. ( X 3 P(X 2,8) = P 2,8 3 ) = P(Z 0,05) = 1 P(Z 0,05) 4 4 = 1 Φ( 0,05) = 1 (1 Φ(0,05)) = 0,5199. Dvs. sandsynlighedern for at X er mindst 2,8 er omtrent 52%. I eksemplerne ovenfor udregner vi sandsynligheden for, at en normalfordelt stokastisk variabel ligger over (eller under) en bestemt værdi. I nogle tilfælde kan

20 16 KAPITEL 2. DET MATEMATISKE FUNDAMENT e elingsfunktion vi være interesseret i at finde en værdi som den normalfordelte stokastiske variable overstiger med en given sandsynlighed. Til dette formål har vi brug for den inverse fordelingsfunktion forenstandardnormalfordeling,betegnetφ 1.AtΦ 1 erinvers til Φ betyder at Φ 1 (Φ(z)) = z og Φ(Φ 1 (p)) = p. Vi kan finde værdier af Φ 1 (p) vha. tabel 6.1 ved først at finde den sandsynlighed der er nærmest p og derefter vælge den tilhørende z værdi. Eksempel 5 Antag, at Z er standard normalfordelt, dvs. Z N(0,1). Vi ønsker nu at finde et tal z, så sandynligheden for at Z er mindre end eller lig dette tal er 72%, dvs. vi ønsker at finde z, så P(Z z) = 0,72. Løsning: Vi benytter regnereglen Φ 1 (Φ(z)) = z: P(Z z) = 0,72 Φ(z) = 0,72 z = Φ 1 (0,72) Vi mangler kun at bestemme Φ(0,72). Ifølge tabel 6.1 har vi Φ(0,58) = 0,7190 og Φ(0,59) = 0,7224. Dvs. Φ 1 (0,72) er et sted mellem 0,58 og 0,59. Da 0,7190 er nærmere 0,72 end 0,7224 vælger vi 0,58. Med andre ord z = Φ 1 (0,72) 0, 58. Ved hjælp af tabel 6.1 er det ikke umiddelbart muligt at bestemme Φ 1 (p) når p er mindre end 0,5. Fra sætning 6 har vi Φ(z) = 1 Φ( z). Benytter vi denne regneregel, har vi følgende omskrivning: Φ(z) = p 1 Φ( z) = p Φ( z) = 1 p z = Φ 1 (1 p) Hvis p er mindre ned 0,5, så er 1 p større end 0,5 og vi kan dermed bruge tabel 6.1 igen. Eksempel 6 Antag, at Z er standard normalfordelt, dvs. Z N(0,1). Vi ønsker nu at finde et tal z, så sandynligheden for at Z er mindre end eller lig dette tal er 17%, dvs. vi ønsker at finde z, så P(Z z) = 0,17. Løsning: Vi benytter regnereglen Φ 1 (Φ(z)) = z: P(Z z) = 0,17 Φ(z) = 0,17 z = Φ 1 (0,17)

21 2.4. NORMALFORDELINGEN 17 Vi kan ikke umiddelbart tilnærme Φ 1 (0,17) vha. tabel 6.1. I stedet bemærker vi, at Φ(z) = 1 Φ( z). Omskrivningen biver nu P(Z z) = 0,17 Φ(z) = 0,17 1 Φ( z) = 0,17 z = Φ 1 (1 0,17) = Φ 1 (0,83) Vi mangler kun at bestemme Φ 1 (0,83). Ifølge tabel 6.1 har vi Φ(0,95) = 0,8289 og Φ(0,96) = 0,8315. Dvs. Φ 1 (0,83) er et sted mellem 0,95 og 0,96. Da 0,8389 er nærmest 0,73 vælger vi 0,95. Dermed opnår vi z = Φ 1 (0,83) 0,95. Der er altså omtrent 17% sandsynlighed for at z er højst -0,95. Vha. standardisering kan den inverse fordelingsfunktion også benyttes for andet end standard normalfordelte stokastiske variable: Eksempel 7 Antag X N(3,16), dvs. X er en normalfordelt stokastisk variabel med middelværdi 3 og varians 16. Find x så P(X x) = 0,87. Løsning: Det følger af standardiseringen (2.9) i eksempel 3, at Z = (X 3)/ 16 N(0,1). P(X x) = 0,87 ( X 3 P x 3 ) = 0, Φ( x 3 ) = 0,87 4 x 3 = Φ 1 (0,87) 4 x = 3+4Φ 1 (0,87). (2.12) Vi mangler kun at finde Φ 1 (0,87). Ifølge tabel 6.1 gælder der, at Φ(1,12) = 0,8686 og Φ(1,13) = 0,8708, dvs. Φ 1 (0,87) er et sted mellem 1,12 og 1,13. Vi vælger 1,13 da 0,8708 ligger nærmest 0,87. Indsættes 1,13 i (2.12) fås x = 3+4 1,13 = 7,52. Dvs. der er (omtrent) 87% sandsynlighed for at X er højst 7,52. For en generel stokastisk variabel X med fordelingsfunktion F giver formel (2.2) at P(a X b) = F(b) F(a) for a b. På tilsvarende vis kan fordelingsfunktionen Φ anvendes til at betsemme sandsynligheden for at en standard normalfordelt stokastisk variabel ligger i et givet interval.

22 18 KAPITEL 2. DET MATEMATISKE FUNDAMENT Eksempel 8 Antag, at Z er standard normalfordelt, dvs. Z N(0,1). Bestem sandsynligehden for at Z falder i intervallet fra -1 til 2, dvs. vi ønsker at bestemme P( 1 Z 2). Løsning: Da Φ er fordelingsfunktionen for Z følger det af (2.2): P(1 Z 2) = Φ(2) Φ( 1) = Φ(2) (1 Φ(1)) = 0, ,8413 = 0,8185. Dvs. sandsynligheden for at en standard normalfordelt stokastisk variabel ligger i intervallet fra -1 til 2 er omtrent 81,9%. Hvis X er normalfordelt, men ikke standard normalfordelt gælder formel (2.2) selvfølgelig stadig. Vha. en standardisering er det muligt at bruge Φ: Eksempel 9 Antag X N(3,16), dvs. X er en normalfordelt stokastisk variabel med middelværdi 3 og varians 16. Find følgende sandsynligheden for at X ligger i intervallet fra 2,2 til 4,2, dev. sandsynligehden P(2,2 X 4,2). Løsning: Det følger af standardiseringen (2.9) i eksempel 3, at Z = (X 3)/ 16 N(0,1). P(2,2 X 4,2) = P(X 4,2) P(X 2,2) ( X 3 = P 4,2 3 ) ( X 3 P = P(Z 0,3) P(Z 0,2) 2,2 3 ) 4 = Φ(0,3) Φ( 0,2) = Φ(0,3) (1 Φ(0,2)) = 0, ,5793 = 0,1972 Dvs. sandsynligheden for at X ligger i intervallet fra 2,2 til 4,2 er omtrent 19,7%. Sandsynligheden for at en normal fordelt stokastisk variabel ligger i et interval der er symmetrisk omkring middelværdi har sælig interesse. Længden af sådan et interval måles i standardafvigelser. Sætning 8 Antag, at X N(µ,σ 2 ). Da gælder der P(µ zσ X µ+zσ) = 2Φ(z) 1. Dvs. sandsynligheden for at X ligger højst z standardafvigelser fra middelværdien µ er givet ved 2Φ(z) 1.

23 2.4. NORMALFORDELINGEN 19 Bevis Resultatet følger af følgende omskrivninger, hvor vi benytter standardisering og fordelingsfunktionen for en standard normalfordelt stokastisk variabel: P(µ zσ X µ+zσ) = P( z X µ z) σ = P( z Z z) = P(Z z) P(Z z) = Φ(z) Φ( z) = Φ(z) (1 Φ(z)) = 2Φ(z) 1 Hermed er resultatet vist. Bemærk, at sandsynligheden for at en normalfordelt stokasitsk variabel ligger højst z standardafvigelser fra middelværdien ikke afhænger af hverken middelværdien µ eller variansen σ 2. Eksempel 10 Hvis X N(µ,σ 2 ), gælder der, at P(µ 1,96σ X µ+1,96σ) = 0,95. Dvs. med 95% sandsynlighed ligger X i intervallet µ±1,96σ. Eller med andre ord: X ligger med 95% sandsynlighed højst 1, 96 standardafvigelser fra middelværdien. Dette gælder for alle valg af standardafvigelse (helt præcist skal der gælde 0 < σ < ). Hvorfor? Vi starter med at omskrive sandsynligheden: ( P (µ 1,96σ X µ+1,96σ) = P 1,96 X µ ) 1,96. (2.13) σ følger en standard normalfordeling. Sandsynlig- Jf. eksempel 3 gælder at X µ σ heden kan derfor skrives som P(µ 1,96σ X µ+1,96σ) = P( 1,96 Z 1,96) = 0,95, hvor den sidste lighed følger af egenskaben for en standard normalfordelt stokastisk variabel. I eksempel (10) ovebnfor fandt vi sandsynligheden for, at en normalfordelt stokastisk variabel lå højst et givet antal standardafvigelser fra middelværdien. Næste eksempel omhandler den modsatte situation. Antag at sandsynligheden for at ligge i intervallet er givet. Hvor mange standardafvigelser svarer det så til? Eksempel 11 Antag X N(µ,σ 2 ), dvs. X er normalfordelt med middelværdi µ og varians σ 2. Find et z, så sandsynligheden for at X afviger højst z standardafvigelser fra middelværdien er 95%?

24 20 KAPITEL 2. DET MATEMATISKE FUNDAMENT Løsning: Fra sætning 8 har vi, at sandsynligheden for at normalfordelt stokastisk variabel afvige med højst z standardafvigelser fra middelværdien er 2Φ(z) 1. Spørgsmålet kan derfor formuleres som: find et tal z, så 2Φ(z) 1 = 0,95. Da Φ 1 (Φ(z)) = z har vi 2Φ(z) 1 = 0,95 Φ(z) = 0, z = Φ 1 (0,975) I tabel 6.1 ses, at Φ(1,96) = 0,9750, så løsningen er z = 1,96. Fremgangsmåden i eksempel 11 kan generaliseres. Traditionelt angives sandsynligheden for at lande i det symmetriske interval som (1 α)100%. Antag derfor, at vi søger et z, så sandsynligheden for at X afviger højst z standardafvigelser fra middelværdien er (1 α). Løsningen er z = Φ 1 (1 α/2). Eksempel 12 (Matlab) Hvis X er normalfordelt med middelværdi mu og standardafvigelse sigma, kan man finde P(X x) i Matlab vha. kommandoen normcdf(x,mu,sigma). Antag, at X følger en standard normalfordeling, dvs. X N(0,1). Bestem følgende sandsynlighed P(X 1, 4). Løsning: Ifølge tabel 6.1 er P(X 1,4) = 0,9192. I Matlab får vi (ikke overraskende) det samme svar: >> normcdf(1.4,0,1) ans = Den inverse fordelingsfunktion er implementeret i Matlab som norminv. Find x så P(X x) = 0,7. Løsning: Ifølge tabel 6.1 har vi P(X 0,52) = 0,6985 og P(X 0,53) = 0,7019, dvs. x ligger et sted mellem 0,52 og 0,53. Vha. Matlab finder vi, at svaret er x = 0,5244: >> norminv(0.7,0,1) ans = Sætningen 7 siger, at en lineær transformation af en normalfordelt stokastisk variabel er normal fordelt. Generelt er en linearkombination af flere normalfordelte stokastiske variable normalfordelt:

25 2.5. TILFÆLDIG FEJL 21 Sætning 9 Antag, at X 1,X 2,...,X n er normalfordelte stokastiske variable og a 0,a 1,a 2,...,a n er reelle konstanter, da er linearkombinationen a 0 + a 1 X 1 + a 2 X a n X n også normalfordelt. Øvelse 2 Antag at X er standard normalfordelt, dvs. X N(0,1). Bestem følgende sandsynligheder 1. P(X 0,6) 2. P(X 1,5) 3. P( 1 X 2) Øvelse 3 Antag at højeden blandt værnepligtige mænd kan betragtes som værende normalfordelt med middelværdi 173,3 cm og varians 6,4 2 cm 2. Antag vi har en stikprøve på 1000 værnepligtige mænd. Af disse 1000, hvor mange vil vi (ca.) forvente er over 170cm højde? 2....over 180cm højde? 3....over 190cm højde? 4....over 200cm højde? Øvelse 4 Antag, at X N(µ,σ 2 ). Bestem følgende sandsynligheder 1. P(µ σ X µ+σ) 2. P(2µ σ X µ+2σ) 3. P(3µ σ X µ+3σ) Øvelse 5 Antag, at vægten, en kylling øges med over en uge, er normalfordelt med middelværdi 350g og varians 30 g Hvad er sandsynligheden for en tilvækst på mere end 300g? Antag, at vi har målt vægtforøgelsen på to kyllinger. Antag desuden, at vægtforøgelsen på de to kyllinger er uafhængig af hinanden. 2. Hvad er sandsynligheden for, at begge kyllinger har en vægtforøgelse mindre end 300g? 3. Hvad er sandsynligheden for, at mindst en af de to kyllinger har en vægtforøgelse på mere end 300g? 2.5 Tilfældig fejl Som nævnt i indledningen til dette kapitel er formålet med dette kapitel at formulere en matematisk model for måling af fx. vinkler. Lad µ betegne en sand vinkel

26 22 KAPITEL 2. DET MATEMATISKE FUNDAMENT i trekanten i figur 1.1, og lad X være en måling af denne vinkel. I almindelighed vil målingen X afvige fra µ. Vi betegner fejlen ǫ, dvs. X = µ+ǫ. Vi vil betragte ǫ som en tilfældig fejl, vi vil derfor tænke på ǫ som en stokastisk variabel. Specifikt vil vi antage, at ǫ N(0,σ 2 ), dvs. fejlen ǫ er normalfordelt med middelværdi nul og varians σ 2. Jf. sætning 2 og 4, har vi E[X] = E[µ+ǫ] = E[µ]+E[ǫ] = µ+0. og Var[X] = Var[µ+ǫ] = Var[ǫ] = σ 2. Dvs. at i middel er vores måling X lig den sande vinkel µ. Af sætning 7 følger det, at målingen X desuden er normalfordelt: X N(µ,σ 2 ). Fra teorien om normalfordelingen har vi, at 95% af målingerne vil ligge i intervallet µ±1,96σ. I udgangspunktet kender vi ikke σ Linearisering Vi har i det forrige afsnit set på, hvordan man finder middelværdi og varians for en lineær transformation af en stokastisk variabel. Antag, at vi for trekanten i figur 1.1 har målt vinklen α og sidelængderne S b og S c. Man kan da udregne arealet vha. A = 1 2 sin(α)s bs c. I praksis har vi en ide om, hvor usikre vores målinger af vinkeler og afstande er, men hvordan påvirker det usikkerheden på arealet A? Vi starter med et lidt simplere eksempel. Antag, at X N(µ,σ 2 ), dvs. X er normalfordelt stokastisk variabel med middelværdi µ og varians σ 2. Definer en ny stokastiske Y = h(x), hvor h er en differentiabel funktion. Med mindre h(x) er en lineær, funktion kan vi ikke umiddelbart sige, hvilken fordeling Y følger eller bare, hvilken middelværdi og varians Y har. Løsningen er at approksimere h(x) med en lineær funktion. Denne fremgangmåde kaldes, at man lineariserer h(x). I det følgende betegner h (x) den afledte af h(x) mht. x, dvs. h (x) = dh(x)/dx. Lineariseringen består i at approksimere h(x) med en funktion, der svarer til tangentlinjen til funktionen h(x) i punktet (µ,h(µ)). Linjen har hældning h (µ) = dh(x)/dx x=µ og går igennem punktet (µ,h(µ)). Det er let at vise, at h(x) = h(µ)+(x µ)h (µ) = h(µ) µh (µ)+xh (µ).

27 2.6. LINEARISERING 23 h(x) h(x) h(µ) µ x Figur 2.7: Et eksempel på linearisering, hvor h(x) = ln(x) og µ = 2. Eksempel 13 Figur 2.7 viser et eksempel på linearisering, hvor h(x) = ln(x) og µ = 2. I dette tilfælde er h (x) = 1/x, og h (µ) = 1/2. Lineariseringen af h(x) er derfor h(x) = ln(2) x1 2 = ln(2) x. I dette eksempel er det lidt problematisk at antage, at X er normalfordelt, hvorfor? Middelværdien og variansen for Y = h(x) kan nu approksimeres ved E[Y] h(µ) og Var[Y] (h (µ)) 2 σ 2. Approksimationen af middelværdien E[Y] følger af: E[Y] = E[h(X)] E[h(µ) µh (µ)+xh (µ)] = h(µ) µh (µ)+µh (µ) = h(µ) og approksimationen for variansen Var[Y] kan udledes vha. Var[Y] = Var[h(X)] Var[h(µ) µh (µ)+xh (µ)] = (h (µ)) 2 σ 2. Lineariseringen h(x) er en god approksimation af h(x) så længe, at x er tæt på µ. Derfor er approksimationerne af E[Y] og Var[Y] også kun gode, hvis X med stor sandsynlighed er tæt på µ. Dette er tilfældet, hvis X s varians ikke er for stor. Det illustreres i næste eksempel.

28 24 KAPITEL 2. DET MATEMATISKE FUNDAMENT ians Tæthedsfunktion for h(x) og ilde h(x) Tæthedsfunktion for h(x) og ilde h(x) Tæthedsfunktion for X Tæthedsfunktion for X Figur 2.8: Linearisering af log-normalfordelte stokastiske variable. Eksempel 14 Antag, at X N(µ,σ 2 ), og h(x) = exp(x). I dette tilfælde er h (x) = exp(x) og lineariseringenaf h(x) er h(x) = exp(µ) µexp(µ)+xexp(µ). E[Y] exp(µ) og Var[Y] exp(µ) 2 σ 2 = exp(2µ)σ 2. Figur 2.8 viser situationen for to forskellige valg af standardafvigelse σ. I det venstre plot i figur 2.8 er σ 2 = 0.5. I det højre plot er σ = 0,1. I begge tilfælde er µ = 4. I det venstre plot er der en tydelig forskel mellem sande tæthedsfunktion (tynd linje) og tæthedsfunktionen, der er et resultat af lineariseringen (tyk linje). Man kan vise, at den sande middelværdi og varians er E[Y] = exp(µ+σ 2 /2) og Var[Y] = (exp(σ 2 ) 1)exp(2µ+σ 2 ). Hvis variansen σ 2 er lille i forhold til middelværdien µ, er de tilnærmede udtryk ovenfor tæt på de sande værdier. 2.7 Kovarians Indtil nu har vi beskæftiget os med uafhængige stokastiske variable. Fra sætning 3 ved vi, at udregning af middelværdien for en linearkobinationer af stokastiske variable ikke forudsætter uafhængighed mellem de enkelte stokastiske variable. I sætning 5 er det derimod en forudsætning, at de stokastiske variable er indbyrdes uafhængige. I dette afsnit vil vi indføre begrebet kovarians for at kunne håndtere variansen af en linearkombination af indbyrdes afhængige stokastiske variable. Definition 10 (Kovarians) Antag, at X og Y er to stokastiske variabel med middelværdier µ X og µ Y.

29 2.7. KOVARIANS 25 Kovariansen mellem de stokastiske variable X og Y er da defineret som Cov(X,Y) = E[(X µ X )(Y µ Y )]. Kovariansen kan tage både negative og positive værdier. Kovariansen er positiv hvis store værdier af X generelt følges med store værdier af Y. Ligedes er kovariansen negativ, hvis store værdier af X generelt følges med små værdier af Y. Her skal stor værdi af X forstås som en værdi større end µ X. Tilsvarende er en lille værdi af X en værdi mindre end µ X. Bemærk, at Cov(X,X) = Var[X] idet Cov(X,X) = E[(X µ X )(X µ X )] = E[(X µ X ) 2 ] = Var[X], hvor det sidste lighedstegn følger af definitionen på varians. Eksempel 15 Fridjof oplyser, at kovariansen mellem antal solgte æbler og pærer er 139,5. Det tyder på, at antallet af solgte æbler og pærer følges ad. Hvor stærk denne sammenhæng er, er svært at sige, men det vender vi tilbage til. Sætning 10 (Kovarians og uafhængighed) Hvis X og Y er uafhængige stokastiske variable, er Cov(X,Y) = 0. Det modsatte gælder generelt ikke. Dvs. hvis Cov(X,Y) = 0 kan vi ikke konkluderer at X og Y er uafhængige. Vha. kovarianser er det muligt at udregne variansen af linearkombinationer af stokastiske variable uden at antage uafhængighed. Vi starter med variansen for summen af to stokastiske variable: Sætning 11 Summen af to stokastiske variable X og Y har variansen Bevis: Var[X +Y] = Var[X]+Var[Y]+2Cov(X,Y). Var[X +Y] = E[(X +Y E[X +Y]) 2 ] = E[(X +Y (µ X +µ Y )) 2 ] = E[((X µ X )+(Y µ Y )) 2 ] = E[(X µ X ) 2 +(Y µ Y ) 2 +2(X µ X )(Y µ Y )] = E[(X µ X ) 2 ]+E[(Y µ Y ) 2 ]+2E[(X µ X )(Y µ Y )] = Var[X]+Var[Y]+2Cov(X,Y). Eksempel 16 Fridjof fra før oplyser, at variansen for antal solgte æbler og pærer er hhv. 121,4 og 327,2. Hvad er variansen af det samlede antal solgte stykker frugt? Løsning: Vi definerer X og Y som i det første eksempel og lader M betegne

30 26 KAPITEL 2. DET MATEMATISKE FUNDAMENT det samlede antal solgte stykker frugt, dvs. M = X+Y. Variansen for M finder vi ved: Var[M] = Var[X +Y] = Var[X]+Var[Y]+2Cov(X,Y) = 121,4+327, ,5 = 727,6. Bemærk, at variansen af summen (727,6) er meget større end summen af de to varianser (121, ,2 = 448,6). Regneregel for variansen af summen af to stokastiske variable kan udvides til en generel linearkombination af to stokastiske variable: Sætning 12 Variansen af linearkombinationen ax +by +c af de stokastiske variable X og Y er givet ved Var[aX +by +c] = a 2 Var[X]+b 2 Var[Y]+2abCov(X,Y). Bevis Beviset tager udgangspunkt i definitionen 7 for varians: Var[aX +by +c] = E[(aX +by +c E[aX +by c]) 2 ] = E[(aX +by +c (aµ X +bµ Y c)) 2 ] = E[(a(X µ X )+b(y µ Y )) 2 ] = E[a 2 (X µ X ) 2 +b 2 (Y µ Y ) 2 +2ab(X µ X )(Y µ Y )] = a 2 E[(X µ X ) 2 ]+b 2 E[(Y µ Y ) 2 ]+2abE[(X µ X )(Y µ Y )] = a 2 Var[X]+b 2 Var[Y]+2abCov(X,Y), hvor sidste ligehed følger af definitionen 7 for varians og definition 10 for kovarians. Eksempel 17 Hvad er variansen af Fridjof daglige overskud? Løsning: Husk, at overskudet er givet ved S = 1,27X +0,87Y 119. Vi kan nu finde variansen for S: Var[S] = Var[1,27X +0,87Y 119] = 1,27 2 V[X]+0,87 2 V[Y]+2 1,27 0,87Cov(X,Y) = 1, ,4+0, ,2+2 1,27 0,87 139,5 = 751,73. Fortolkning: Hvis vi antager, at overskudet er normalfordelt, så vil 95% af alle dage generere et overskud i intervallet E[S] ± 1,96 Var[S] = 59,729 ± 1,96 751,73 59,729 ± 53,74 [5,88;113,47]. Dvs. de fleste dage ligger Fridjofs overskud mellem ca. 6kr og 113 kr. Hvor urimelig er normalfordelingsantagelsen?

31 2.8. KORRELATION 27 Bemærk at variansen for differencen X Y er givet ved Var[X Y] = Var[X]+( 1) 2 Var[Y]+1 ( 1)2Cov(X,Y) = Var[X]+Var[Y] 2Cov(X,Y). Sætning 12 kan udviddes til et udtryk for variansen af en linearkombination af et vilkårligt antal stokastiske variable: Sætning 13 (Varians for linearkombinationer) Antag X 1,...,X n er n stokastiske variablen og a 0,a 1,...,a n er reelle konstanter. Da er variansen af linearkombinationen a 0 +a 1 X a n X n givet ved Var[a 0 +a 1 X 1 +a 2 X 2 + +a n X n ] = n n 1 a 2 ivar[x i ]+2 n j=i+1 a i a j Cov(X i,x j ). (2.14) Det er ofte bekvemt at benytte følgende notation for varians og kovarians: Var[X i ] = σ 2 i og Cov(X i,x j ) = σ ij. Bemærk, at Cov(X i,x j ) = Cov(X j,x i ), dvs. σ ij = σ ji. Med denne notation kan (2.14) omskrives til [ n ] Var a i X i = n a 2 iσ 2 i +2 i<j a i a j σ ij, (2.15) hvor i<j betegner en sum over alle kombinationer af i og j, hvor i er (skarpt) mindre end j. 2.8 Korrelation Kovariansen kan være svær at fortolke, da den afhænger af den enhed X og Y er målt i. Hvis X og Y er fortjenesten på hhv. æbler og pærer, så vil størrelsen af Cov(X,Y) afhænge af hvilken valuta de to fortjenester opgøres i. For at afhjælpe dette problem indfører vi korrelationen. Definition 11 (Korrelation) Korrelationen mellem to stokastiske variable X og Y betegnes Corr(X, Y), og er defineret som Cov(X,Y) Corr(X,Y) =. Var[X]Var[Y] Korrelationen er et tal mellem -1 og 1 og kan ses som et udtryk for graden af lineær sammenhæng. Hvis Corr(X,Y) = 1 er der perfekt positiv lineær sammenhæng. Det betyder at X og Y følges mekanisk ad. Hvis X og Y er uafhængige er Corr(X,Y) = 0. Husk, at Corr(X,Y) = 0 ikke er ensbetydende med uafhængighed.

32 28 KAPITEL 2. DET MATEMATISKE FUNDAMENT Eksempel 18 Antag vi har to stokastiske variable X og Y og to reelle konstanter a og b. Hvad er da korrelationen mellem ax og by? Løsning: Vi starter med at bemærke, at Var[aX] =a 2 Var[X] Var[bY] =b 2 Var[Y]. Eksempel 19 Antag, at X er en stokastisk variabel og Y = ax + b, a 0. Hvad er da korrelationen mellem X og Y? For at finde korrelationen skal vi først finde variansen for Y samt kovariansen mellem X og Y. Det følger af sætning 4, at Kovariansen mellem X og Y er Var[Y] = a 2 Var[X]. Cov(X,Y) = Cov(X,aX +b) Korrelationen er da givet ved = E[(X E[X])(aX +b ae[x] b)] = E[a(X E[X])(X E[X])] = avar[x]. Corr(X,Y) = Cov(X,Y)/ Var[X]Var[Y] = avar[x]/ Var[X]a 2 Var[X] = a/ a 2. Hvis a > 0, får vi Corr(X,Y) = 1, og hvis a < 0, får vi Corr(X,Y) = 1. Dvs. der er en perfekt lineær sammenhæng mellem X og Y. Korrelationen mellem to stokastiske variable betegnes ofte ved det græske bogstav ρ [rho]. Dvs. ρ = Corr(X,Y). Bemærk, at Corr(aX,bY) = Corr(X,Y). Dvs. en skallering af X og Y ikke påvirker korrelationen. Hvis vi tænker på a og b som konverteringsfaktorer når vi skifter valuta, understreger denne regneregel, at valg af valuta er irrelevant, når vi udregner korrelationen mellem fortjenesten på æbler og pærer. Eksempel 20 Find korrelationen mellem antallet af solgte æbler og pærer. Løsning:Korrelationenerρ = Cov(X,Y)/ Var[X]Var[Y] = 139,5/ 121,4 327,2 0,70. Med en korrelation på 0,7 er der en tydelig sammenhæng mellem salget af æbler og pærer.

33 2.9. MATRIX FORMULERING ρ = 1 r = ρ = 0.9 r = ρ = 0 r = ρ = 0.4 r = ρ = 0 r = ρ = 0 r = Figur 2.9: Seks plots af stikprøver fra populationer, hvor korrelationen er ρ som angivet over hvert plot. Over hvert plot er desuden angivet stikprøvekorrelationen r, der er et estimat af ρ, se afsnit 3.2. Øvelse 6 Lad X være en kontinuert stokastisk variabel, der angiver målingen af en længde, og antag X N(10,0.04). Bestem a således, at P(10 a < X < 10+a) = 0.95 Antag Y har samme fordeling som X, samt at X og Y er uafhængige. Bestem b således, at P(10 b < X +Y < 10+b) = Fortolk resultaterne. 2.9 Matrix formulering Når der er mange stokastiske variable i sving samtidigt kan det hjælpe at reformulere problemet i termer af vektorer og matricer. Hvis X 1,...,X n er stokastiske variable, da er X 1 X 2 X =. X n en (n dimensional) stokastisk vektor. Antag, at X i har middelværdi E[X i ] = µ i og

34 30 KAPITEL 2. DET MATEMATISKE FUNDAMENT varians Var[X i ] = σi 2. Da er middelværdien for den stokastiske vektor X givet ved X 1 X 2 E[X] = E. = X n µ 1 µ 2. µ n = µ. Definition 12 (Kovariansmatrix) Variansen for X er en n n matrix, der betegnes kovariansmatricen og er givet som Var[X] = E [ (X µ) T (X µ) ] σ 2 1 σ 12 σ 1n σ 21 σ2 2 σ 2n =..... σ n1 σ n2 σn 2 = K X, hvor vi, som i sætning 13, har, at σ 2 i = Var[X i] og σ ij = Cov(X i,x j ), i j. Bemærk, at kovariansmatricen K X er symmetrisk da σ ij = σ ji og K X har varianserne på diagonalen. Eksempel 21 AntagX 1 ogx 2 ertostokastiskevariable,hvormiddelværdierneerhhv.e[x 1 ] = 1.7 og E[X 2 ] = 2.3, varianserne er Var[X 1 ] = 7.2 og Var[X 2 ] = 6.4, og sluttelig er kovariansen mellem de to stokastiske variable Cov(X 1,X 2 ) = 5.2. I dette tilfælde er middelværdivektoren og kovariansmatricen givet ved µ = [ ] [ ] og K X = Sætningerne 2 og 4 angiver regneregler for middelværdi og varians for en lineær transformation ax + b af én stokastisk variabel X. Følgende sætning opsummerer tilsvarende regneregler for en stokastisk vektor. Sætning 14 Antag, at X er en n dimensional stokastisk (søjle)vektor med middelværdi µ og kovariansmatrix K X. Lad A være en vilkårlig m n matrix og b en vilkårlig m dimensional søjlevektor. Middelværdien af den linære transformation AX + b er E[AX+b] = AE[X]+b = Aµ+b. På tilsvarende vis er kovariansen for den linære transformation AX + b givet ved Var[AX+b] = AVar[X]A T = AK X A T.

35 2.9. MATRIX FORMULERING 31 Eksempel 22 Antag, at X 1 og X 2 er givet som i eksempel 21. Antag desuden, at Da er E[X] og Var[X] givet ved A = og b = E[AX+b] = Aµ+b [ ] = = Var[AX+b] = AK X A T [ ][ ] = = (2.16) Definer en stokastisk vektor Y 1 Y = Y 2, Y 3 som er givet ved Y = AX+b, hvor A, X og b er som givet ovenfor. Varianser og kovarianser for Y 1, Y 2 og Y 3 kan nu aflæses i kovariansmatricen (2.16). Fx. er variansen Var[Y 1 ] = 86,160 og kovariansen mellem Y 2 og Y 3 er Cov(Y 2,Y 3 ) = Korrelationen mellem Y 2 og Y 3 er Cov(Y 2,Y 3 ) Var[Y2 ]Var[Y 3 ] = = , dvs. Y 2 og Y 3 er næsten perfekt korrelerede.

36 32 KAPITEL 2. DET MATEMATISKE FUNDAMENT

37 Kapitel 3 Estimation Ved hjælp af en teodolit måles en bestemt vinkel n gange. Vinklens sande værdi er µ gon. Vinkelmålingerne foregår uafhængigt af hinanden og under samme omstændigheder. Det antages videre, at de tilfældige målefejl, der begås, følger en normalfordeling. Målingerne resulterer i et datamateriale: x 1,...,x n. Eksempel 23 En vinklen er målt med 10 satser. Følgende værdier er observeret: x 1 = 164,508 gon x 2 =,509 x 3 =,511 x 4 =,507 x 5 =,510 x 6 =,511 x 7 =,517 x 8 =,510 x 9 =,514 x 10 =,513 Spørgsålet er nu, hvad er vores bedste bud på den sande vinkel, og hvilken usikkerhed er der forbundet med dette bud. Med henblik på at gennemføre en detaljeret analyse af det foreliggende datamateriale formuleres en statistisk model for, hvordan vi mener, data er fremkommet. Det antages således, at der i n forsøg(de n vinkelmålinger) observeres n stokastiske variable X 1,...,X n, der er uafhængige og normalfordelte N(µ,σ 2 ). Det antages således, at de n vinkelmålinger er n værdier antaget af n stokastiske variable X 1,...,X n, der er uafhængige og normalfordelte. 33

38 34 KAPITEL 3. ESTIMATION Dvs. X 1,...,X n (3.1) x 1,...,x n uafhængige og N(µ,σ 2 ). Bemærk,at(X 1,...,X n )betegnerenstikprøvepånormalfordelingenn(µ,σ 2 ), og (x 1,...,x n ) betegner en observeret stikprøve på normalfordelingen N(µ,σ 2 ). De ovenfor betragtede målinger af vinklen µ resulterer altså i en observeret stikprøve på normalfordelingen N(µ,σ 2 ). Som mål for målingernes nøjagtighed anvendes variansen σ 2. Den observerede stikprøve er altså (x 1,...,x n ) = ( , ,..., ) Det er nu opgaven ved hjælp af den observerede stikprøve (x 1,...,x n ) at skønne - estimere - den givne normalfordelings middelværdi µ (dvs. den sande vinkel) og samme fordelings varians σ 2 (dvs. målet for målenøjagtigheden). 3.1 Estimation af middelværdi og varians Til at estimere µ benyttes almindeligvis stikprøvegennemsnittet: x = 1 n (x x n ) = 1 n n x i. (3.2) Til at estimere σ 2 anvendes normalt stikprøvevariansen: s 2 = 1 n 1 På baggrund af vores stikprøve får vi: n (x i x) 2. (3.3) x = 164,511 gon og s 2 = (0,003) 2 Med hensyn til s 2 viser et tilsvarende argument, at for n stor er s 2 = σ 2. Det forekommer umiddelbart mærkeligt, at man ved definitionen af s 2 anvender faktoren 1 n 1 og ikke 1 n. En forklaring herpå gives nedenfor. Vi skal herefter ved hjælp af den formulerede statistiske model indse, at estimaterne x og s 2 er gode estimater for hhv. µ og σ 2. Vi vil desuden angive en metode til at afgøre, hvor nøjagtige estimaterne x og s 2 er.

39 3.1. ESTIMATION AF MIDDELVÆRDI OG VARIANS 35 Model: X 1,...,X n X = 1 n n X i S 2 = 1 n 1 n (X i X) 2 x 1,...,x n x = 1 n x i s 2 = 1 n (x i x) 2 (3.4) n n 1 Sætning 15 Antag (X 1,...,X n ) er en stikprøve fra en fordeling, der har middelværdi µ og varians σ 2. Da gælder og E[ X] = µ (3.5) Var[ X] = σ2 n. (3.6) Hvis X 1,...,X n desuden er normalfordelte N(µ,σ 2 ), da er X normalfordelt N(µ, σ2 n ). Bevis Vi starter med at bemærke, at gennemsnittet kan skrives som X = 1 n X 1+ 1 n X n X n. Gennemsnittet er således en linearkombination af stokastiske variable. Det følger derfor af sætning 3 og sætning 5, at [ ] E[ X] 1 n = E X i = 1 n E[X i ] = 1 n n n nµ = µ og Var[ X] = Var [ 1 n ] n X i = 1 n n 2 Var[X i ] = 1 n 2nσ2 = σ2 n. Her har vi desuden brugt, at X 1,...,X n har samme middelværdi og varians, og at X 1,...,X n er uafhængige. At stikprøvegennemsnittet er normalfordelt, når stikprøven er fra en normalfordeling er en konsekvens af sætning 9. Hvis vores stikprøve er fra en normalfordeling, så har vi X N(µ,σ 2 ). Fra afsnittet om normalfordelingen ved vi at X med 95% sandsynlighed vil ligge i intervallet µ±1.96σ/ n. Jo større stikprøve (dvs. jo større n) jo oftere vil x ligge tæt på n. Et tilsvarende resultat for fordelingen af X gælder, selvom X 1,...,X n ikke er normalfordelt, når blot n er tilstrækkelig stor:

40 36 KAPITEL 3. ESTIMATION Sætning 16 (Central grænseværdisætning) Antag X 1,...,X n er uafhængige og identisk fordelte stokastiske variable med middelværdi µ og varians σ 2. Da følger X µ σ/ n approksimativt en normalfordeling med middelværdi 0 og varians 1. Jo større stikprøvestørrelse n, jo bedre er approksimationen. Mere præcist, antag Z N(0, 1) da gælder, at ( ) X µ lim P n σ/ n x = P(Z x) for alle x R. Dvs. fordelingsfunktionen for en standard normalfordeling. X µ σ/ n ligner mere og mere fordelingsfunktionen for Af den centrale grænseværdisætning fås, at hvis X 1,...,X n er uafhængige og ensfordelte, og n er tilstrækkelig stor, så er gennemsnittet approksimativt normalfordelt X N(µ, σ2 n ). Vi vender nu tilbage til det oprindelige eksempel vedrørende vinkelmåling. Da vi har antaget, at fejlene er normalfordelte, har vi, at X er normalfordelt N(µ, σ2 n ). Det betyder, at X er en stokastisk variabel, der har µ centralt placeret i sin sandsynlighedsfordeling, idet E[ X] = µ. Desuden er X s sandsynlighedmasse samlet omkring µ, idet Var[ X] = σ2 n er lille. Vi kan altså forvente, at en observeret værdi af X ligger tæt på µ. Bemærk: Estimatoren X kaldes en central estimator for µ, fordi E[ X] = µ. Tilsvarende kaldes x et centralt estimat for µ. Analogt til sætning 15 kan vi vise, at S 2 er en central estimator for σ 2 : Sætning 17 Lad (X 1,...,X n ) være en stikprøve af en stokastisk variabel med middelværdi µ og varians σ 2. Da gælder, at E[S 2 ] = σ 2 (3.7) dvs. S 2 er en central estimator for σ 2, og s 2 er et centralt estimat for σ 2. Desuden gælder der (i de tilfælde vi betragter), at Var[s 2 ] 0 for n.

Noter i fejlteori. Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen. Diverse opdateringer ved Rasmus Waagepetersen. Version 1.

Noter i fejlteori. Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen. Diverse opdateringer ved Rasmus Waagepetersen. Version 1. Noter i fejlteori Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen Diverse opdateringer ved Rasmus Waagepetersen. Version 1.3 April 2016 2 Indhold 1 Motivation 3 2 Det matematiske fundament

Læs mere

Noter i fejlteori. Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen. Version 1.1

Noter i fejlteori. Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen. Version 1.1 Noter i fejlteori Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen Version 1.1 April 2013 2 Indhold 1 Motivation 3 2 Det matematiske fundament 5 2.1 Lidt sandsynlighedsregning......................

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

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

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

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

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

Fejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning

Fejlforplantning. 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 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

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

Landmålingens fejlteori - Lektion 5 - Fejlforplantning

Landmålingens 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 mere

Landmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering

Landmålingens 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 mere

Note om Monte Carlo metoden

Note 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 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

Produkt og marked - matematiske og statistiske metoder

Produkt 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 mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: 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 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

Elementær sandsynlighedsregning

Elementær 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 mere

Elementær sandsynlighedsregning

Elementær 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 mere

hvor a og b er konstanter. Ved middelværdidannelse fås videre

hvor 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 mere

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:

Læs mere

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:

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

Definition. Definitioner

Definition. 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 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 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Institut for Matematiske Fag Aalborg Universitet 1/1 Vægtet

Læs mere

Sandsynlighedsregning Oversigt over begreber og fordelinger

Sandsynlighedsregning Oversigt over begreber og fordelinger Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative 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 mere

Et eksempel på en todimensional normalfordeling Anders Milhøj September 2006

Et 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 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

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

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Afsnit 6.1. Ligefordelinger, fra sidst Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler

Læs mere

Repetition Stokastisk variabel

Repetition Stokastisk variabel Repetition Stokastisk variabel Diskret stokastisk variabel Udfaldsrum endelige eller tællelige mange antal elementer Sandsynlighedsfunktion f(x) er ofte tabellagt Udregning af sandsynligheder P( a < X

Læs mere

Normalfordelingen og Stikprøvefordelinger

Normalfordelingen og Stikprøvefordelinger Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte

Læs mere

Uge 10 Teoretisk Statistik 1. marts 2004

Uge 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 mere

Agenda 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 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 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

Binomial 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/

Binomial 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 mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative 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 mere

Statistiske modeller

Statistiske modeller Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder

Læs mere

enote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions

enote 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 mere

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Repetition Lov om total sandsynlighed Bayes sætning P( B A) = P(A) = P(AI B) + P(AI P( A B) P( B) P( A B) P( B) +

Læs mere

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x) Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen

Læs mere

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk

Læs mere

Supplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable

Supplement 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 mere

3 Stokastiske variable 3.1 Diskrete variable

3 Stokastiske variable 3.1 Diskrete variable 3 Stokastiske variable 3.1 Diskrete variable Punktsandsnligheden benævnes P(x) = P(X = x). {x, P(x)} er en sandsnlighedsfordeling for den stokastiske variabel, X, hvis 1) P(x) $ 0 for alle værdier af x.

Læs mere

3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.

3.600 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 mere

INSTITUT FOR MATEMATISKE FAG c

INSTITUT FOR MATEMATISKE FAG c INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske

Læs mere

Statistik. Hjemmeside: kkb. Statistik - lektion 1 p.1/22

Statistik. Hjemmeside:  kkb. Statistik - lektion 1 p.1/22 Statistik Kursets omfang: 2 ECTS Inklusiv mini-projekt! Bog: Complete Business Statistics, AD Aczel & J. Sounderpandian Software: SPSS eller Excel?? Forelæser: Kasper K. Berthelsen E-mail: kkb@math.aau.dk

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik 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 mere

MM501 forelæsningsslides

MM501 forelæsningsslides MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler

Læs mere

Tema. Dagens tema: Indfør centrale statistiske begreber.

Tema. 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 mere

Betingede sandsynligheder Aase D. Madsen

Betingede 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 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

MLR 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 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 mere

Den todimensionale normalfordeling

Den 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 mere

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse

Læs mere

Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen

Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen Statistik Lektion etinget sandsynlighed ayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV inomialfordelingen Repetition Udfaldsrum S Hændelse S Simpel hændelse O i 1, 3 4,

Læs mere

StatDataN: Middelværdi og varians

StatDataN: Middelværdi og varians StatDataN: Middelværdi og varians JLJ StatDataN: Middelværdi og varians p. 1/33 Repetition Stokastisk variabel: funktion fra udfaldsrum over i de hele tal eller over i de reelle tal Ex: Ω = alle egetræer,

Læs mere

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse

Læs mere

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Kursus 02402 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800

Læs mere

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske

Læs mere

Økonometri Lektion 1 Simpel Lineær Regression 1/31

Økonometri 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 mere

MM501/MM503 forelæsningsslides

MM501/MM503 forelæsningsslides MM501/MM503 forelæsningsslides uge 50, 2009 Produceret af Hans J. Munkholm 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen dx Eksempler = et udtryk, der indeholder

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

University of Copenhagen. Notat om statistisk inferens Larsen, Martin Vinæs. Publication date: Document Version Peer-review version

University of Copenhagen. Notat om statistisk inferens Larsen, Martin Vinæs. Publication date: Document Version Peer-review version university of copenhagen University of Copenhagen Notat om statistisk inferens Larsen, Martin Vinæs Publication date: 2014 Document Version Peer-review version Citation for published version (APA): Larsen,

Læs mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 11, 2016 1/22 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 Vejledende løsning 5.46 P (0.010 < error < 0.015) = (0.015 0.010)/0.050 = 0.1 > punif(0.015,-0.025,0.025)-punif(0.01,-0.025,0.025) [1] 0.1

Læs mere

Naturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1

Naturvidenskabelig 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 mere

Kapitel 4 Sandsynlighed og statistiske modeller

Kapitel 4 Sandsynlighed og statistiske modeller Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 Indledning 2 Sandsynlighed i binomialfordelingen 3 Normalfordelingen 4 Modelkontrol

Læs mere

Løsning eksamen d. 15. december 2008

Løsning eksamen d. 15. december 2008 Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th

Læs mere

Løsning til eksaminen d. 14. december 2009

Løsning til eksaminen d. 14. december 2009 DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,

Læs mere

Kapitel 4 Sandsynlighed og statistiske modeller

Kapitel 4 Sandsynlighed og statistiske modeller Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 22 Generalisering fra stikprøve til population Idé: Opstil en model for populationen

Læs mere

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ. Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.

Læs mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Kursus 242 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 35/324 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail:

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

Konfidensintervaller og Hypotesetest

Konfidensintervaller og Hypotesetest Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: 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 February 9, 2015 Sandsynlighedsregning og lagerstyring Normalfordelingen

Læs mere

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Statistisk Model Indhold Binomialfordeling Sandsynlighedsfunktion Middelværdi og spredning 1 Aalen: Innføring i statistik med medisinske eksempler

Læs mere

Analysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17

Analysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17 nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variable Loven om den itererede middelværdi Eksempler 1 Beskrivelse af

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

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

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variabler Loven om den itererede middelværdi Eksempler 1 Beskrivelse

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Afsnit 3.3-3.5 Varians Eksempel: Forventet nytte Kovarians og korrelation Middelværdi og varians af summer af stokastiske variabler Eksempel: Porteføljevalg 1 Beskrivelse af fordelinger

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Kontinuerte fordelinger Ventetider i en Poissonproces Beskrivelse af kontinuerte fordelinger: - Median og kvartiler - Middelværdi - Varians Simultane fordelinger 1 Ventetider i en Poissonproces

Læs mere

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19

Program: 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 mere

men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller

men 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 mere

Tænk 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.

Tænk 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 mere

Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen

Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:

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

Simpel Lineær Regression

Simpel 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 mere

Sandsynlighedsregning

Sandsynlighedsregning Mogens Bladt www2.imm.dtu.dk/courses/02405 21. September, 2007 Lidt om binomialkoefficienter n størrelsen af en mængde/population. Vi ønsker at udtage en sub population af størrelse r. To sub populationer

Læs mere

CIVILINGENIØREKSAMEN Side?? af?? sider. Skriftlig prøve, den: 16. december 2004 Kursus nr : (navn) (underskrift) (bord nr)

CIVILINGENIØREKSAMEN Side?? af?? sider. Skriftlig prøve, den: 16. december 2004 Kursus nr : (navn) (underskrift) (bord nr) CIVILINGENIØREKSAMEN Side?? af?? sider Skriftlig prøve, den: 6. december 2004 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)

Læs mere

Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@imm.dtu.dk Dagens nye emner afsnit 6.3 (og 6.4 Betingede

Læs mere

Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved

Opgave 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 mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Estimation: Kapitel 9.1-9.3 Estimation Estimationsfejlen Bias Eksempler Bestemmelse af stikprøvens størrelse Konsistens De nitioner påkonsistens Eksempler på konsistente og middelrette estimatorer

Læs mere

Et firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen

Et firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen STATISTIK Skriftlig evaluering, 3. semester, mandag den 6. januar 004 kl. 9.00-13.00. Alle hjælpemidler er tilladt. Opgaveløsningen forsynes med navn og CPR-nr. OPGAVE 1 Et firma tuner biler. Antallet

Læs mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable

Oversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800

Læs mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Rune Haubo B Christensen (based on slides by Per Bruun Brockhoff) DTU Compute, Statistik og Dataanalyse Bygning

Læs mere