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

Størrelse: px
Starte visningen fra side:

Download "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"

Transkript

1 Repetition: Varians af linear kombination Landmålingens fejlteori Lektion 5 Fejlforplantning - Antag X 1, X,..., X n er uafhængige stokastiske variable, og Y er en linearkombination af X 1, X,..., X n : Da er variansen for Y givet ved Y = a + a 1 X 1 + a X + + a n X n Var(Y ) = a 1Var(X 1 ) + a Var(X ) + + a nvar(x n ). Institut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a VarX 1/ / Eksempel: Vinkelberegning R i Slutfejl af vinkelmålinger i trekant β V ij α γ Vinkler bestemmes som differensen mellem to retningsbestemmelser. Fx. er V ij = R j R i hvor både R j og R i er uafhængige stokastiske variable. Vi antager retningerne er målt med samme nøjagtighed, dvs Var(R j ) = Var(R i ) = σ R. Variansen på V ij er givet ved σ V = Var(V ij ) = Var(R j R i ) = Var(R j ) + ( 1) Var(R i ) = σ R. R j 1 Betragt trekanten med sande vinkler α, β og γ. Dvs α + β + γ = gon. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med E(X α ) = α E(X β ) = β E(X γ ) = γ og Var(X α ) =.3 Var(X β ) =.1 Var(X γ ) =.3 3/ /

2 Antag vi har målt x α = 61 x β = 7 x γ = 65. Da er slutfejlen Estimation af α: r = = Sæt Y α = X β X γ. Da har Y middelværdi α og varians =.. Vægtet gennemsnit (vægte henholdsvis 3 for X α og Y α ): x = 3 + x α y α = 3 + x α (r + x α) = x α r = NB: her fordeles slutfejlen ikke ligeligt! Varians af vægtet gennemsnit (idet vinkelmålingerne antages uafhængige): ( ) ( ) Var X 3 = VarX α + VarY α = Alternativ beregning σ =.3 = 3. = 1. Var X = σ p 1 + p = 1. 7 =.171 5/ 6/ Fejlforplantning Landmåling involverer ofte bestemmelse af størrelser som ikke kan måles direkte, men kan beregnes ud fra andre målinger: Vinkler - vha differenser af retningsmålinger. Arealer - vha vinkler og længder. Længder - vha trigonometriske relationer.... I resten af kurset gennemgår vi hvorledes fejlene på de målbare størrelser forplanter sig til fejlen på den interessante ikke-målbare størrelse. Eksempelvis kan arealet, T, af en trekant bestemmes ved T = 1 ab sin C, hvor længdemålingerne a og b samt vinklen C måles med usikkerhed. Mere teknisk: Vi vil finde tilnærmede udtryk for (teoretiske) middelværdi og varians for de ikke-målbare størrelser på baggrund af middelværdi og varians for de målbare størrelser. 7/ Repetition: Linearisering Vi har tidligere set, hvordan vi finder tilnærmede udtryk for middelværdi og varians for Y, når Y ikke er en lineær funktion af én stokastisk variabel: Lineær approximation af g omkring µ: Y = g(x) g(µ) + g (µ)(x µ) = g (µ)x g (µ)µ + g(µ) = ax + b, hvor a = g (µ) og b = g (µ)µ + g(µ). g(µ) µ ax + b g(x) 8/

3 Linearisering: Flere variable Linearisering: Flere variable Antag X 1, X,..., X n er n uafhængige stokastiske variable. Middelværdi og varians for X i er hhv. µ i og σ i. Antag Y er en funktion af X 1, X,..., X n : hvor g er differentiabel. Y = g(x 1, X,..., X n ), Vi ønsker at finde (tilnærmede) udtryk for middelværdi og varians for Y. Hvis g ikke er lineær i X 1,..., X n kan vi ikke anvende de sædvanlige udtryk. Løsningen er at linearisere g omkring punktet (µ 1, µ,..., µ n ): Y g(µ 1, µ,..., µ n ) + (X 1 µ 1 ) + + (X n µ n ), hvor vi anvender notationen (x 1, x,..., x n ) x i x1=µ 1,x =µ,...,x n=µ n, dvs. betegner den i te partielle afledede evalueret i punktet (µ 1, µ,..., µ n ). I praksis kender vi typisk ikke µ 1,..., µ n. I stedet anvender vi estimater, fx. gennemsnit af en eller flere målinger af µ i. 9/ 1/ Eksempel Fejlforplantningsloven For n = svarer den lineære approksimation til at tilnærme en funktion med et tangent-plan. g(x, y) = 3 y + 1 y3 1 3 y x Tilnærm med tangent-plan i punktet (,): g(, ) = 8/3 (, ) = x g(x, y) 8/3 (x ) (, ) = y 3 Vi kan approximere variansen på Y ( Var(Y ) Var g(µ 1, µ,..., µ n ) + (X 1 µ 1 ) + + ( = Var g(µ 1, µ,..., µ n ) µ 1 µ n + X }{{ n } konstant ( = Var ( = X X ) X n ) ( ) Var(X 1 ) + + Var(X n ) ) (X n µ n ) ) X n 11/ 1/

4 Den simple fejlforplantningslov Antag X 1, X,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ1,..., Var(X n )=σn. Lad Y = g(x 1, X,..., X n ), hvor g er en differentiabel funktion. Et tilnærmet udtryk for variansen for Var(Y )=σy er ( ) ( ) σy σ1 + + σn Bemærk: X i s bidrag til den samlede varians (for Y ) afhænger af 1. Variansen σ i for X i.. Hvor sensitiv Y er overfor ændringer i X i - målt ved X i Bemærk: For en lineær transformation Y = a + a 1 X 1 + a X a n X n gælder = a 1,..., = a n. I dette tilfælder giver ovenstående resultatet det samme som den sædvanlige variansregel for en linearkombination af stokastiske variabel. 13/ 1/ Fejlforplantning ved arealbestemmelse Fejlforplantning anvendt på (1) Vi analyserer arealudtrykket (1): T = 1 ab sin C. Jf. fejlforplantningsloven gælder der, A b c C a B Arealet T kan bestemmes på flere måder: T = 1 ab sin C (1) T = 1 ac sin B () T = 1 bc sin A (3) σ T ( T a ) σ a + De partielt afledte er: ( T b ) σ b + T a = 1 1 b sin C = ab sin C = T a a T b = 1 1 a sin C = ab sin C = T b b T C = 1 ab cos C 1 ω = 1 cos C ab sin C sin C Sidste omskrivning gælder idet tan x = sin x cos x ( T C ) σ C 1 ω = T cos C 1 sin C ω = 1 tan x = cos x sin x. T tan C 1, [ω = ω π ] 15/ 16/

5 Estimat af T Variansen σ T I et eksempel fra noterne er følgende oplysninger givet: a = m, b = 15.17m σ a = σ b = 1cm. C = gon Dvs. vi kan regne estimatet for T som σ C =.gon. T = 1 ab sin C = m 15.17m sin = 871.7m Variansen σt på estimatet T er fra forrige slide påvirket af σ a, σ b og σ C på følgende måde, ( ) T ( ) T ( ) T σt σa + σb a b + 1 σc tan C ω ( 871m ) 871m = (.1m) +( ) 871m (.1m) ) 1 +( (.gon) m 15.17m tan ω =.57m +.33m +.8m =.933m. Standard-afvigelsen er: σ T = σt =.95m. 17/ 18/ Eksempel - Extended edition Estimater af arealet T Antag nu at målene i trekanten er målt således: a b c A B C x Var( X) σ a 8 σ b 3 σ c 5 σ A σ B σ C 3 5 Fra tidligere kan arealet T beregnes på mindst tre måder (1)-(3). Hvis vi anvender gennemsnitsmålingerne fra forrige slide har vi: (1) T 1 = 1 ab sin C = sin = m () T = 1 ac sin B = sin = m (3) T 3 = 1 bc sin A = sin = m 19/ /

6 Vægte til estimat af T vha x Tidligere så vi hvordan σt blev bestemt for (1) med data fra noternes eksempel. Nedenfor bestemmes σt 1, σt og σt 3 : σ T 1 σ T σ T 3 ( ) ( ) ( tan 93.9 =.18185m. ( ) ( ) ( tan 6.95 =.16968m. ( ) ( ) ( tan 3.75 =.16m. ) 1. ω 3 ) 1. ω ) 1. ω Vægte til estimat af T vha x Vægtene i det vægtede gennemsnit x skal opfylde vægtrelationen, p 1 σ T 1 = p σ T = p 3 σ T 3. Fx. kan vi vælge p 1 = 1, hvilket medfører at p = σ T 1 σ T = = og p 3 = σ T 1 σ T 3 = =.8553 Således er p + = = 3.95 og estimatet af T, x = p 1 p + T 1 + p p + T + p 3 p + T 3 = = m 1/ / Konfidensinterval for T Varians af afhængige variable For at udregne konfidensinterval for T har vi brug for at kende variansen af X. Det er nemt hvis T 1, T og T 3 kan betragtes som realisationer af uafhængige stokastiske variable - men dette er ikke tilfældet! (hvorfor?) Vender tilbage til udregning af variansen i lektion 6. 6 Betragt X 1 og X som ikke antages at være uafhængige. Dette betyder at Var(X 1 + X ) bliver mere kompliceret. Lad E(X 1 ) = µ 1 og E(X ) = µ : Var(X 1 + X ) = E [[(X 1 + X ) (µ 1 + µ )] ] = E [[(X 1 µ 1 ) + (X µ )] ] = E [ (X 1 µ 1 ) + (X µ ) + (X 1 µ 1 )(X µ ) ] Middelværdien = E[(X 1 µ 1 ) ] + E[(X µ ) ] + E[(X 1 µ 1 )(X µ )] = Var(X 1 ) + Var(X ) + E[(X 1 µ 1 )(X µ )] E[(X 1 µ 1 )(X µ )] kaldes kovariansen mellem X 1 og X. 3/ /

7 Kovarians Hvis X 1 og X er uafhængige gælder E[(X 1 µ 1 )(X µ )] = E[X 1 µ 1 ]E[X µ ] = hvorved Var(X 1 + X ) = Var(X 1 ) + Var(X ) Definition: Kovarians Antag X 1 og X er to stokastiske variable med middelværdier hhv. µ 1 og µ. Kovariansen mellem X 1 og X er da defineret som Cov(X 1, X ) = E[(X 1 µ 1 )(X µ )]. Notation: Kovariansen mellem to stokastiske variable X 1 og X betegnes ofte σ 1. Egenskab: Kovarians og uafhængighed Hvis X 1 og X er uafhængige, så er Cov(X 1, X ) =. 5/ 6/ Fortolkning af kovarians Kovarians: Regneregler Kovariansen mellem a 1 X 1 og a X er Cov(a 1 X 1, a X ) = a 1 a Cov(X 1, X ). Kovarians > : (X 1 µ 1 ) og (X µ ) har overvejende samme fortegn. Kovarians < : (X 1 µ 1 ) og (X µ ) har overvejende modsat fortegn. Dvs. kovarians er et mål for om X 1 og X er positivt eller negativt associerede. 7 Det medfører at variansen for a 1 X 1 + a X er Var(a 1 X 1 + a X ) = Var(a 1 X 1 ) + Var(a X ) + Cov(a 1 X 1, a X ) = a 1Var(X 1 ) + a Var(X ) + a 1 a Cov(X 1, X ). Specialtilfælde: Var(aX) = Cov(aX, ax) = a a Cov(X, X) = a VarX Kovarians for summer: Cov(X, Y + Z) = Cov(X, Y ) + Cov(X, Z) 7/ 8/

8 Korrelation Antag Cov(X 1, X ) =. Så er kovarians mellem 3X 1 og X 1 gange så stor. Kovarians afhænger af skalering og er derfor ikke et velegnet mål for graden af afhængighed mellem to stokastiske variable - vi kan få vilkårlig stor kovarians ved blot at gange de stokastiske variable med store konstanter. Kovarians afhænger også af enheder. Kan virke underligt at måle afhængighed i f.eks. gon. Definition: Korrelation Antag X 1 og X er to stokastiske variable med varianser σ 1 and σ. Korrelation Corr(X 1, X ) mellem de stokastiske variable X 1 og X er defineret som Corr(X 1, X ) = Cov(X 1, X ) Var[X1 ]Var[X ]. Ofte skrives korrelation som ρ = Corr(X 1, X ). Med notationen Var[X i ] = σ i og Cov(X 1, X ) = σ 1 er korrelationen mellem X 1 og X ρ = σ 1 σ 1 σ. Hvis vi kender korrelation og varianserne har vi kovariansen som: σ 1 = σ 1 σ ρ. 9/ 3/ Korrelation: Egenskaber og Eksempler korrelation måler kovarians i forhold til varianser korrelation uafhængig af enheder 1 ρ 1 Mål for graden af lineær sammenhæng. ρ = 1 og ρ = 1 perfekt lineær sammenhæng. Uafhængighed ρ =. 8 Eksempler: ρ er korrelationen i populationen og r er den estimerede korrelation for de viste stikprøver ρ = 1 r = ρ =. r = ρ =.9 r = ρ = r = ρ = r = ρ = r = NB: de sidste (lidt patologiske) eksempler viser, at Cov(X 1, X ) = eller Corr(X 1, X ) = ikke medfører uafhængighed / 3/

9 Fejlforplantning: Afhængige målinger Eksempel: VarX 1 =, VarX = 3 ρ =.5 Var(X 1 + X ) = = 7.5 Dvs. positiv korrelation øger varians af sum. Med ρ =.5 fås Var(X 1 + X ) = =.55 Dvs. negativ korrelation mindsker varians af sum. Tidligere har vi set Y =g(x 1,X ) hvor g er en transformation af X 1 og X. En lineær approximation af Y omkring punktet (µ 1, µ ) er givet ved: Y = g(x 1, X ) g(µ 1, µ ) + (X 1 µ 1 ) + X (X µ ) Hvis X 1 og X er uafhængige har vi set, at ( ) ( ) Var(Y ) Var(X 1 ) + Var(X ) X Hvordan ser det ud, hvis X 1 og X er afhængige, dvs. når Cov(X 1, X )? 33/ 3/ Fejlforplantning - fortsat Variansen af afhængige variable Hvis Cov(X 1, X ) = σ 1 bliver variansen af Y : ( Var(Y ) Var g(µ 1, µ ) + (X 1 µ 1 ) + ) (X µ ) X = Var g(µ 1, µ ) µ 1 µ + X 1 + X X }{{ X } 1 X ( = Var = = ( konstant X 1 + ) X X ( ) ( σ1 + ) σ 1 + X ( X ) σ + ) σ + X Cov(X 1, X ) X σ 1 9 Varians for linearkombination af afhængige SV Antag X 1, X,..., X n er stokastiske variable, med varianser σ 1, σ,..., σ n. Antag desuden, at kovariansen mellem X i og X j er Cov(X i, X j ) = σ ij. Variansen for linearkombinationen er Var(a + a 1 X a n X n ) = a 1σ a nσ n + i j = n i=1 a i σ i + i<j a i a j σ ij a i a j σ ij Bemærk, at summen i<j = n 1 n i=1 j=i+1 betyder at vi lader i gennemløbe alle index 1,..., n og j skal hver gang være strengt større end i. 35/ 36/

10 i<j Variansen er altså Var(a + a 1 X a n X n ) = a 1σ a nσ n + i<j a i a j σ ij. Summen i<j svarer til de mørke celler nedenfor. Bemærk: σ ij = σ ji. i 1 3. n n 1 n j n n 1 n Vilkårlig transformation Er transformationen af Y = g(x 1,..., X n ) en vilkårlig differentiabel funktion laver vi som tidligere en lineær approximation af g omkring middelværdierne af X i erne (µ 1,..., µ n ), g(x 1,..., X n ) g(µ 1,..., µ n ) + (X 1 µ 1 ) + + (X n µ n ) Dette svarer til at hvor g(x 1,..., X n ) a + a 1 X a n X n, a = g(µ 1,..., µ n ) µ 1... µ n a i = i = 1,..., n X i 37/ 38/ Vi har altså hvor g(x 1,..., X n ) a + a 1 X a n X n, a = g(µ 1,..., µ n ) µ 1... µ n a i = i = 1,..., n X i Dvs. et tilnærmet udtryk for variansen, σy, af Y er n σy a i σi + a i a j σ ij i=1 i<j ( ) ( ) = σ1 + + σn + i<j X i X j σ ij 1 Eksempel: X a og X b betegner målinger af sidelængderne a og b (kateterne) i en retvinklet trekant. Et estimat for hypotenusen c er da x a + x b Antag X a og X b har samme spredning.5 og korrelation ρ =.. Med c = a + b fås c a = a a + b c b = b a + b Dermed fås en tilnærmet spredning på estimatet af c som ( ) ( ) x a.5 x + b x a x b x a + x b x a + x b x a + x b x a + x b Med x a = 3.1 og x b =.5 er estimatet for c 5.6 og variansen for estimatet af c bliver / Hvis ρ = bliver variansen kun.5. /

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 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

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

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

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 - 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

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

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

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

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

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

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

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

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

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

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

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

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

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

Noter i fejlteori. Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen. Version 1.2 Noter i fejlteori Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen Version 1.2 April 2014 2 Indhold 1 Motivation 3 2 Det matematiske fundament 5 2.1 Lidt sandsynlighedsregning......................

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

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

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

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

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

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

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

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

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

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

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

Sætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n

Sætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi

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

Vektorer og lineær regression. Peter Harremoës Niels Brock

Vektorer og lineær regression. Peter Harremoës Niels Brock Vektorer og lineær regression Peter Harremoës Niels Brock April 2013 1 Planproduktet Vi har set, at man kan gange en vektor med et tal. Et oplagt spørgsmål er, om man også kan gange to vektorer med hinanden.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Tema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.

Tema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller

Læs mere

Normalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ

Normalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet

Læs 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

Kapitel 12 Variansanalyse

Kapitel 12 Variansanalyse Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan

Læs 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

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

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

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

Lidt om fordelinger, afledt af normalfordelingen

Lidt om fordelinger, afledt af normalfordelingen IMM, 2002-10-10 Poul Thyregod Lidt om fordelinger, afledt af normalfordelingen 1 Introduktion I forbindelse med inferens i normalfordelinger optræder forskellige fordelinger, der er afledt af normalfordelingen,

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

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

Kapitel 12 Variansanalyse

Kapitel 12 Variansanalyse Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 Indledning 2 Ensidet variansanalyse 3 Blokforsøg 4 Vekselvirkning 1 Indledning 2 Ensidet

Læs 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

2 Opgave i hierarkiske normalfordelingsmodeller

2 Opgave i hierarkiske normalfordelingsmodeller IMM, 2005-04-04 Poul Thyregod Flere rotter Datasættet Metal indeholder resultaterne fra en forsøgsserie, der havde til formål at bestemme toxiteten af et metalsalt (Nikkel). Ved forsøget benyttede man

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

Kursusgang 3 Matrixalgebra Repetition

Kursusgang 3 Matrixalgebra Repetition Kursusgang 3 Repetition - froberg@mathaaudk http://peoplemathaaudk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12 september 2008 1/12 Lineære ligningssystemer Et lineært ligningssystem

Læs mere

Logistisk Regression. Repetition Fortolkning af odds Test i logistisk regression

Logistisk Regression. Repetition Fortolkning af odds Test i logistisk regression Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π

Læs 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

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

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA) Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:

Læs mere

Modul 6: Regression og kalibrering

Modul 6: Regression og kalibrering Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 6: Regression og kalibrering 6.1 Årsag og virkning................................... 1 6.2 Kovarians og korrelation...............................

Læs mere

Oversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode

Oversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse

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

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

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA)

Anvendt Statistik Lektion 9. Variansanalyse (ANOVA) Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:

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

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

Ganganalyse. Modellering og estimation. Klaus Kähler Holst. 5. Januar 2006

Ganganalyse. Modellering og estimation. Klaus Kähler Holst. 5. Januar 2006 Ganganalyse Modellering og estimation Klaus Kähler Holst 5. Januar 2006 Oversigt 1 Introduktion 2 Model for ledvinkelsrotation 3 PCA 4 Perspektivering Ganganalyse er studiet af hvordan et menneske bevæger

Læs mere

Nanostatistik: Opgaver

Nanostatistik: Opgaver Nanostatistik: Opgaver Jens Ledet Jensen, 19/01/05 Opgaver 1 Opgaver fra Indblik i Statistik 5 Eksamensopgaver fra tidligere år 11 i ii NANOSTATISTIK: OPGAVER Opgaver Opgave 1 God opgaveskik: Når I regner

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

Vi sætter. (Signal støj- forhold) Poul Thyregod, 25. april Specialkursus vid.stat. foraar Lad Y i angiver observationer fra i te udtagne balle.

Vi sætter. (Signal støj- forhold) Poul Thyregod, 25. april Specialkursus vid.stat. foraar Lad Y i angiver observationer fra i te udtagne balle. Modellens parametre Mandag den 25 april Hierarkiske normalfordelingsmodeller Dagens program: Resume af ensidet variansanalysemodel med tilfældig effekt estimation af tilfældige effekter, fortolkning som

Læs 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

Landmålingens fejlteori - Sandsynlighedsregning - Lektion 1

Landmålingens fejlteori - Sandsynlighedsregning - Lektion 1 Landmålingens fejlteori Sandsynlighedsregning Lektion 1 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 23. april 2009 1/28 Landmålingens

Læs mere

Ikke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test

Ikke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test Ikkeparametriske metoder Repetition Wilcoxon SignedRank Test KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,

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

Statistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge

Statistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge Statistik og Sandsynlighedsregning 2 Repetition og eksamen Overheads til forelæsninger, mandag 7. uge 1 Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange

Læs mere

Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser

Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser Uge 36 Velkommen tilbage Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl. -2 i Kirkesalen, Studiestræde 38 Øvelser Hold -4 og 6: mandag og onsdag kl. 8-; start 3. september Hold 5: tirsdag

Læs mere

Nanostatistik: Opgavebesvarelser

Nanostatistik: Opgavebesvarelser Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,

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

Løsningsforslag MatB Juni 2013

Løsningsforslag MatB Juni 2013 Løsningsforslag MatB Juni 2013 Opgave 1 (5 %) Et andengradspolynomium er givet ved: f (x) = x 2 4x + 3 a) Bestem koordinatsættet til toppunktet for parablen givet ved grafen for f Løsning: a) f (x) = x

Læs mere

Module 4: Ensidig variansanalyse

Module 4: Ensidig variansanalyse Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2

Læs mere

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1

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

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

Opgave 1 - Eksponentiel funktion/procent og renter

Opgave 1 - Eksponentiel funktion/procent og renter Alle beregninger er, hvis ikke andet angivet, udført med WordMat. Opgave 1 - Eksponentiel funktion/procent og renter Jeg vil nu finde ud af hvor stort et beløb der står på kontoen efter 1 år med en starts

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

Løsning til eksamen d.27 Maj 2010

Løsning til eksamen d.27 Maj 2010 DTU informatic 02402 Introduktion til Statistik Løsning til eksamen d.27 Maj 2010 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th edition]. Opgave I.1

Læs mere

Anvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele

Anvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning

Læs mere