Module 1: Lineære modeller og lineær algebra

Størrelse: px
Starte visningen fra side:

Download "Module 1: Lineære modeller og lineær algebra"

Transkript

1 Module : Lineære modeller og lineær algebra. Lineære normale modeller og lineær algebra Lineær algebra Vektorer i R n Regneregler for vektorrum Lineære afbildninger Lineær uafhængighed og baser Lineære underrum Det kanoniske indre produkt

2 .2.7 Gram-Schmidt s ortogonaliseringsmetode Projektion på L Direkte sum Ortogonalt komplement Matrixform for projektionen Den flerdimensionale normalfordeling Lineære normale modeller og lineær algebra Tæt sammenhæng mellem statistisk analyse af normalfordelingen og lineær algebra i det Euklidiske rum R n : lineære normale modeller svarer til linære underrum af R n. 2

3 Model : Simpel lineær regression gennem origo Y,...,Y n uafhængige, hvor Model : Y i N ( βx i,σ 2), i =,...,n. (F.eks. Y i en bils forbrug af brændstof efter x i kørte kilometer. Parameteren β svarer til bilens benzinøkonomi i liter/kilometer.) Middelværdien af vektoren Y = (Y,...,Y n ) T er en n-dimensionel vektor i R n : EY µ = EY = EY 2.. EY n 3

4 Men ifølge Model, er EY = EY EY 2. EY n = β x x 2. x n = βx, hvor x= (x,...,x n ) T er en kendt vektor. Dvs, µ ligger i det en-dimensionelle lineære underrum af R n, der er udspændt af vektoren x: µ L = span (x) = {µ Rn : µ = βx, β R}. Uendeligt mange linier i L (en for hver værdi af β). 4

5 Vælg β, så βx tættest på observerede data y = (y,...,y n ) T : projektionen af y på L. (Det er netop ˆβ, least squares estimatet for β. Vises senere.) Model 2: Simpel lineær regression Y,...,Y n uafhængige, hvor Model 2: Y i N ( α + βx i, σ 2), i =,...,n. (F.eks. Y i det atmosfæriske tryk ved højde x i kilometer over havoverfladen. Parameteren α svarer til trykket ved havoverfladen, og β svarer til forskellen i atmosfærisk tryk, når højden over havoverfladen øges med en kilometer.) 5

6 Ifølge Model 2, er middelværdien af vektoren Y = (Y,...,Y n ) T : EY x µ = EY = EY 2. = α. + β x 2. = α + βx, EY n x n hvor = (,...,) T, og x= (x,...,x n ) T er kendte vektorer. Dvs, vektoren af middelværdier µ ligger i det to-dimensionelle lineære underrum af R n, der er udspændt af vektorerne og x: µ L 2 = span (,x) = {µ Rn : µ = α + βx, α, β R}. Som før: uendeligt mange linier i L 2. 6

7 Vælg α og β, så α+βx tættest på observerede data y = (y,...,y n ) T : projektionen af y på L 2. (Det er netop ˆα og ˆβ, least squares estimater for α og β. Vises senere.).2 Lineær algebra Opfriske resultater fra lineær algebra, som skal bruges i kurset. (Fra Blæsild Appendix A3 og Leon (998).) 7

8 .2. Vektorer i R n Der benyttes søjlevektorer: x x =. og y = x n y. y n Basale operationer på vektorer: Sum: x + y = x + y. x n + y n Produkt med α R: αx = αx. αx n 8

9 Nulvektoren: =..2.2 Regneregler for vektorrum x + y = y + x α(βx) = (αβ)x x + (y + z) = (x + y) + z x+= x x = ( )x x + ( x) = x = x 9

10 α(x + y) = αx + αy (α + β)x = αx + βx.2.3 Lineære afbildninger En funktion f : R n R n kaldes lineær,hvis f(αx + βy) = αf(x) + βf(y) x,y R n, α, β R. Funktionen f svarer til en n n matrix A n f(x) = Ax = a ij x j j= n i= Eksempel:

11 Lad x= (x, x 2, x 3 ) T f (x) = 4x 2 x 3 x + 3x 2 x 3 x 3 = x. Matricen A er invertibel hvis og kun hvis det(a), og så y = Ax x = A y. Den inverse til f er så f (y) = A y. Eksempel: Lad y = (y, y 2,y 3 ) T

12 f (y) = y = -3/4 -/4 /4 -/4 - y = ( 3y + 4y 2 y 3 ) /4 (y y 3 ) /4 y Lineær uafhængighed og baser Vektorerne x,...,x k er lineært uafhængige hvis β x + + β k x k = β = = β k = Ellers er x,...,x k er lineært afhængige. En basis for R n består af n lineært uafhængige vektorer i R n. Den 2

13 kanoniske basis for R n består af e,...,e n, hvor. e j = plads j, forj =,...,n.. Vektoren x = (x,...,x n ) kan skrives som en linearkombination af e j -erne, på entydig måde: x = n x j e j. j= 3

14 Lad X være en n n matrice. Den jte søjle er givet ved x j x j = Xe j =.. x nj Antag n n matricen X er invertibel med søjler x,...,x n, så er x,...,x n en basis for R n. Et vilkårligt punkt µ i R n kan opskrives i basen udspændt af søjlerne i X ved n µ = Xβ = β j x j, hvor j= β = x µ er koordinaterne til µ i basen. Specielt er β j µs j-te koordinat i basen. 4

15 Eksempel: Lad µ = og X = så er µs koordinater i basen udspændt af søjlerne i X givet ved β = β -3/4 -/4 β 2 = /4 -/4 2 4 = 3. β så µ = 3x + x 2 + 2x 3.,.2.5 Lineære underrum Definition L R n kaldes et lineært underrum, hvis L 5

16 x,y L αx + βy L α, β R Span af vektorerne X,...,X k er givet ved L = span {X,...,X k } = {β X + + β k X k : β,...,β k R}. Bemærk: L er et lineært underrum med dim L k. Hvis dim L = k, dvs. x,...,x k er lineært uafhængige, så er x,...,x k en basis for L. (Husk at dim {} = og dimr n = n.) Sætning: Der findes altid en basis, x,...,x n, for R n, så L = span {x,...,x k }. 6

17 Bevis: Vælg x,...,x k som basis for L, og suppler den op til en basis for R n..2.6 Det kanoniske indre produkt Det kanonisk indre produkt mellem to vektorer: x T y = x y = n x i y i i= opfylder: x T y = y T x (αx + βy) T z = αx T z + βy T z x T x og x T x = x = (positiv definit egenskaben.) 7

18 Den kanoniske norm: x = x T x = x x2 n x,y kaldes ortogonale, hvis x T y = En basis x,...,x k for L, kaldes ortogonal, hvis x T i x j =, i j En ortogonal basis kaldes ortonormal, hvis yderligere x i =, i. Bemærk: Den kanoniske basis for R n er ortonormal mht. det kanonisk indre produkt. Sætning (Pythagoras): x T y = x + y 2 = x 2 + y 2. 8

19 .2.7 Gram-Schmidt s ortogonaliseringsmetode Lad x,...,x k være en basis for L. En ortogonal basis e,...,e k for L kan findes:. e = x 2. For i = 2,...,k : e i = x i i j= x T i e j e j 2e j. Bemærk: For hvert skridt i algoritmen gælder span{e,...,e i } = span{x,...,x i }. Antag x,...,x n er en basis for R n, valgt så x,...,x k er en basis for L. Så er e,...,e n en ortogonal basis for R n og e,...,e k er en ortogonal basis for L. 9

20 Metoden kan også bruges hvis x,...,x k ikke er en basis, hvis summen i 2. modificeres til at undlade led hvor e i =. De resterende e j -er udgør da en ortogonal basis. Eksempel: Søjlerne x =,x 2 = og x 3 = 3, 2

21 udspænder et lineært underrum af R 4. De kan ortogonaliseres som følger: e =, e 2 = 3 3 = e 3 = = -/3 5/3. 2

22 .2.8 Projektion på L Lad e,...,e k være en ortogonal basis for L. Projektionen på L, p L : R n L er: k x T e i p L (x) = e i 2e i. Fra Pythagoras fås i= Egenskaber: p L (x) 2 = k i= (x T e i ) 2 e i 2, for x Rn.. x p L (x) 2 x y 2, y L 2. (x p L (x)) T z =, z L 3. p L (x) = x, hvis x L 22

23 Bevis: (bemærk rækkefølgen) 2. Da z span{e,...,e k } er det nok at tage z = e j, så (x p L (x)) T e j =. Fra 2. og Pythagoras fås: 3. Lad y = x i. ( ) T x xt e e 2e xt e k e k 2e k e j = x T e j x T e j e T j e j e j 2 = x y 2 = x p L (x) + p L (x) y 2 = x p L (x) 2 + p L (x) y 2 x p L (x) 2 23

24 Bemærk: Fra beviset for. med y =, følger den nyttige formel: x p L (x) 2 = x 2 p L (x) Direkte sum Lad L,M være underrum af R n. Summen af L og M: L + M = {x + y : x L,y M} L og M (indbyrdes) ortogonale (skrives L M) hvis: x T y = x L,y M Antag L og M ortogonale. Summen af L og M kaldes en direkte (ortogonal) sum og skrives L M ( L direkte sum M ). Der gælder: dim(l M) = diml + dimm 24

25 Bemærk: En vektor x L M kan skrives på entydig måde som x = y + z, hvor y L,z M. Lad L,...,L k være ortogonale underrum af R n. Den ortogonale sum er: L = L L k hvis L i L j i,j. Der gælder:. dim L = dim L + + dim L k 2. p L (x) = p L (x) + + p Lk (x) 3. p L (x) 2 = p L (x) p Lk (x) 2 Bemærk: En vektor y L kan skrives på entydig m åde som y = y + + y k, hvor y i L i, for i =,...,k. 25

26 Bevis for 2.: Vælg en ortonormal basis e,...,e l, hvor l = dim L + +dim L k, så e,...,e diml udspænder L, e diml +,...,e dim L2 udspænder L 2, osv. Så er l p L (x) = (x T e i )e i, og p Lj (x) = i= diml j+ i=diml j + (x T e i )e i..2. Ortogonalt komplement Definition 2 Det ortogonale komplement til L defineres ved L = { x R n : x T y =, y L } 26

27 For L M defineres det ortogonale komplement til L inden for M ved M L = M L = { x M : x T y =, y L } kaldes direkte differens. Bemærk: L = R n L, så R n kan opsplittes som: R n = L L = L (R n L). Lad L 2 L være underrum. L kan skrives som L = L 2 (L L 2 ). Der gælder (Bevis: Opgave 2.2.): dim(l L 2 ) = dim(l ) dim(l 2 ) 27

28 p L L 2 (x) = p L (x) p L2 (x) p L (x) p L2 (x) 2 = p L (x) 2 p L2 (x) 2 p L2 (p L (x)) = p L2 (x). Bemærk: L har dimension dim ( L ) = n k. Projektionen på L er den entydinge lineære afbildning, så p L (x) = x for alle x L p L (x) = for alle x L 28

29 .2. Matrixform for projektionen Lad L være udspændt af søjlerne i X n k = [x,...,x k ]. Antag at X har fuld rang. For givet y R, lad p L (y) = X β vektor i L. k. Så er y Xβ ortogonal på enhver Specielt gælder: x j (y Xβ) = j. Stables disse k ligninger, fås X (y Xβ) = 29

30 eller X y }{{} k = X}{{ X} β. k k k Da X har fuld rang er X X invertibel, så løsningen ˆβ er Dermed er så projektionsmatricen for L er Bemærk: ˆβ = (X X) X y p L (y) = X ˆβ = X(X X) X y, H = X(X X) X. Matricen H er symmetrisk, dvs. H = H, og idempotent, dvs. HH = H (vises let). 3

31 Matricen I H er projektionsmatricen for L, da p L (y) = y p L (y) = Iy Hy = (I H)y. Matricen I H er symmetrisk og idempotent: (I H) = I H og (I H) 2 = I H..2.2 Den flerdimensionale normalfordeling Antag at ε er en stokastisk vektor med komponenter ε,...,ε n som er uafhængige N(, ). For k < n, lad Y = µ + A ε, k k k nn 3

32 så siges Y at være multivariat normalfordelt N k (µ,σ), hvor µ = EY Σ = Cov(Y)=AA Bemærk: VarY i = Σ ii. Hvis A (og dermed Σ) har fuld rang, siges Y at være regulær. Ellers siges Y at være singulær. Bemærk: Kovariansmatricen Σ er ikke-negativ definit. Dvs: x Σx, x Hvis Σ har fuld rang, så er Σ positiv definit. Dvs, x Σx = hvis og kun hvis x =. 32

33 Transformation: Lad Z = B Y + c r k r = Bµ + c + BAε, så er Z N r (Bµ + c,bσb ). 33

Lineær Algebra eksamen, noter

Lineær Algebra eksamen, noter Lineær Algebra eksamen, noter Stig Døssing, 20094584 June 6, 2011 1 Emne 1: Løsninger og least squares - Løsning, ligningssystem RREF (ERO) løsninger Bevis at RREF matrix findes Løsninger til system (0,

Læs mere

Oversigt [LA] 11, 12, 13

Oversigt [LA] 11, 12, 13 Oversigt [LA] 11, 12, 13 Nøgleord og begreber Ortogonalt komplement Tømrerprincippet Ortogonal projektion Projektion på 1 vektor Projektion på basis Kortest afstand August 2002, opgave 6 Tømrermester Januar

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

Module 9: Residualanalyse

Module 9: Residualanalyse Mathematical Statistics ST6: Linear Models Bent Jørgensen og Pia Larsen Module 9: Residualanalyse 9 Rå residualer 92 Standardiserede residualer 3 93 Ensidig variansanalyse 4 94 Studentiserede residualer

Læs mere

Nøgleord og begreber Ortogonalt komplement Tømrerprincippet. [LA] 13 Ortogonal projektion

Nøgleord og begreber Ortogonalt komplement Tømrerprincippet. [LA] 13 Ortogonal projektion Oversigt [LA] 11, 12, 13 Nøgleord og begreber Ortogonalt komplement Tømrerprincippet Ortogonal projektion Projektion på 1 vektor Projektion på basis Kortest afstand August 2002, opgave 6 Tømrermester Januar

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

Skriftlig eksamen Vejledende besvarelse MATEMATIK B (MM02)

Skriftlig eksamen Vejledende besvarelse MATEMATIK B (MM02) SYDDANSK UNIVERSITET ODENSE UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Vejledende besvarelse MATEMATIK B (MM2) Fredag d. 2. januar 22 kl. 9. 3. 4 timer med alle sædvanlige skriftlige

Læs mere

Noter til Lineær Algebra

Noter til Lineær Algebra Noter til Lineær Algebra Eksamensnoter til LinAlg Martin Sparre, www.logx.dk, August 2007, Version π8 9450. INDHOLD 2 Indhold 0. Om disse noter.......................... 3 Abstrakte vektorrum 4. Definition

Læs mere

Poul Thyregod, introslide.tex Specialkursus vid.stat. foraar Lad θ = θ(β) R k for β B R m med m k

Poul Thyregod, introslide.tex Specialkursus vid.stat. foraar Lad θ = θ(β) R k for β B R m med m k Dagens program: Likelihoodfunktion, begreber : Mandag den 4. februar Den generelle lineære model score-funktion: første afledede af log-likelihood har middelværdien nul observeret information: anden afledede

Læs mere

Tidligere Eksamensopgaver MM505 Lineær Algebra

Tidligere Eksamensopgaver MM505 Lineær Algebra Institut for Matematik og Datalogi Syddansk Universitet Tidligere Eksamensopgaver MM55 Lineær Algebra Indhold Typisk forside.................. 2 Juni 27.................... 3 Oktober 27..................

Læs mere

Lineær algebra 1. kursusgang

Lineær algebra 1. kursusgang Lineær algebra 1. kursusgang Eksempel, anvendelse To kendte punkter A og B på en linie, to ukendte punkter x 1 og x 2. A x 1 x 2 B Observationer af afstande: fra A til x 1 : b 1 fra x 1 til x 2 : b 2 fra

Læs mere

Lineær Algebra, TØ, hold MA3

Lineær Algebra, TØ, hold MA3 Lineær Algebra, TØ, hold MA3 Lad mig allerførst (igen) bemærke at et vi siger: En matrix, matricen, matricer, matricerne. Og i sammensætninger: matrix- fx matrixmultiplikation. Injektivitet og surjektivitet

Læs mere

Definition 13.1 For en delmængde af vektorer X R n er det ortogonale komplement. v 2

Definition 13.1 For en delmængde af vektorer X R n er det ortogonale komplement. v 2 Oersigt [LA],, Komplement Nøgleord og begreber Ortogonalt komplement Tømrerprincippet Ortogonal projektion Projektion på ektor Projektion på basis Kortest afstand August 00, opgae 6 Tømrermester Januar

Læs mere

Løsninger til udvalgte Eksamensopgaver i Lineær Algebra Juni 2000 og Juni 2001.

Løsninger til udvalgte Eksamensopgaver i Lineær Algebra Juni 2000 og Juni 2001. Løsninger til udvalgte Eksamensopgaver i Lineær Algebra Juni og Juni. Preben Alsholm 9. november 9 Juni Opgave 3 f : P (R) R 3 er givet ved f (P (x)) P () a + P () b, hvor a (,, ) og b (, 3, ). Vi viser,

Læs mere

DesignMat Uge 1 Gensyn med forårets stof

DesignMat Uge 1 Gensyn med forårets stof DesignMat Uge 1 Gensyn med forårets stof Preben Alsholm Efterår 2010 1 Hovedpunkter fra forårets pensum 11 Taylorpolynomium Taylorpolynomium Det n te Taylorpolynomium for f med udviklingspunkt x 0 : P

Læs mere

Lineær Algebra F08, MØ

Lineær Algebra F08, MØ Lineær Algebra F08, MØ Vejledende besvarelser af udvalgte opgaver fra Ugeseddel 3 og 4 Ansvarsfraskrivelse: Den følgende vejledning er kun vejledende. Opgaverne kommer i vilkårlig rækkefølge. Visse steder

Læs mere

Besvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 2016

Besvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 2016 Besvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 206 Mikkel Findinge http://findinge.com/ Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan.

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

LinAlg 2013 Q3. Tobias Brixen Mark Gottenborg Peder Detlefsen Troels Thorsen Mads Buch 2013

LinAlg 2013 Q3. Tobias Brixen Mark Gottenborg Peder Detlefsen Troels Thorsen Mads Buch 2013 LinAlg 2013 Q3 Tobias Brixen Mark Gottenborg Peder Detlefsen Troels Thorsen Mads Buch 2013 1 Lineær algebra Dispositioner - Dispo 0 2013 Contents 1 Løsninger, og MKL, af lineære ligningssystemer 3 2 Vektorrum

Læs mere

Lineær Algebra, kursusgang

Lineær Algebra, kursusgang Lineær Algebra, 2014 12. kursusgang Lisbeth Fajstrup Institut for Matematiske Fag Aalborg Universitet LinAlg November 2014 Om miniprojekt 2 Kirchoffs love. Opstil lineære ligningssystemer og løs dem. 0-1-matricer.

Læs mere

DesignMat. Preben Alsholm. September Egenværdier og Egenvektorer. Preben Alsholm. Egenværdier og Egenvektorer

DesignMat. Preben Alsholm. September Egenværdier og Egenvektorer. Preben Alsholm. Egenværdier og Egenvektorer DesignMat September 2008 fortsat Eksempel : et Eksempel 4 () af I II uden I Lad V være et vektorrum over L (enten R eller C). fortsat Eksempel : et Eksempel 4 () af I II uden I Lad V være et vektorrum

Læs mere

Matrix Algebra med Excel Forelæsningsnoter til FR86. Jesper Lund mail@jesperlund.com http://www.jesperlund.com

Matrix Algebra med Excel Forelæsningsnoter til FR86. Jesper Lund mail@jesperlund.com http://www.jesperlund.com Matrix Algebra med Excel Forelæsningsnoter til FR86 Jesper Lund mail@jesperlund.com http://www.jesperlund.com 28. august 2002 1 Indledning Matrix algebra er et uundværligt redskab til økonometri, herunder

Læs mere

6.1 Reelle Indre Produkter

6.1 Reelle Indre Produkter SEKTION 6.1 REELLE INDRE PRODUKTER 6.1 Reelle Indre Produkter Definition 6.1.1 Et indre produkt på et reelt vektorrum V er en funktion, : V V R således at, for alle x, y V, I x, x 0 med lighed x = 0, II

Læs mere

Lineær Algebra - Beviser

Lineær Algebra - Beviser Lineær Algebra - Beviser Mads Friis 8 oktober 213 1 Lineære afbildninger Jeg vil i denne note forsøge at give et indblik i, hvor kraftfuldt et værktøj matrix-algebra kan være i analyse af lineære funktioner

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

Hilbert rum. Chapter 3. 3.1 Indre produkt rum

Hilbert rum. Chapter 3. 3.1 Indre produkt rum Chapter 3 Hilbert rum 3.1 Indre produkt rum I det følgende skal vi gøre brug af komplekse såvel som reelle vektorrum. Idet L betegner enten R eller C minder vi om, at et vektorrum over L er en mængde E

Læs mere

Eksamen i Lineær Algebra

Eksamen i Lineær Algebra Eksamen i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet & Det Sundhedsvidenskabelige Fakultet Tirsdag den 8 januar, Kl 9- Nærværende eksamenssæt består af 8 nummererede sider

Læs mere

Sylvesters kriterium. Nej, ikke mit kriterium. Sætning 9. Rasmus Sylvester Bryder

Sylvesters kriterium. Nej, ikke mit kriterium. Sætning 9. Rasmus Sylvester Bryder Sætning 9 Sylvesters kriterium Nej, ikke mit kriterium Rasmus Sylvester Bryder Inspireret af en statistikers manglende råd om hvornår en kvadratisk matrix er positivt definit uden at skulle ud i at bestemme

Læs mere

Eksamen i Lineær Algebra

Eksamen i Lineær Algebra Eksamen i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet & Det Sundhedsvidenskabelige Fakultet Onsdag den. januar,. Kl. 9-3. Nærværende eksamenssæt består af 8 nummererede

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

Affine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2

Affine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2 Affine rum I denne note behandles kun rum over R. Alt kan imidlertid gennemføres på samme måde over C eller ethvert andet legeme. Et underrum U R n er karakteriseret ved at det er en delmængde som er lukket

Læs mere

Definition. og lœngden, normen. og afstanden mellem vektorer a og b. Der gælder

Definition. og lœngden, normen. og afstanden mellem vektorer a og b. Der gælder Oversigt [LA] 11, 1, 13 Prikprodukt Nøgleord og begreber Ortogonalitet Ortogonalt komplement Tømrerprincippet Ortogonal projektion Pythagoras formel Kortest afstand August 00, opgave 6 Cauchy-Schwarz ulighed

Læs mere

Oversigt [LA] 1, 2, 3, [S] 9.1-3

Oversigt [LA] 1, 2, 3, [S] 9.1-3 Oversigt [LA] 1, 2, 3, [S] 9.1-3 Nøgleord og begreber Koordinatvektorer, talpar, taltripler og n-tupler Linearkombination Underrum og Span Test linearkombination Lineær uafhængighed Standard vektorer Basis

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

(Prøve)eksamen i Lineær Algebra

(Prøve)eksamen i Lineær Algebra (Prøve)eksamen i Lineær Algebra Maj 016 Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet & Det Sundhedsvidenskabelige Fakultet Nærværende eksamenssæt består af 10 nummererede sider med ialt

Læs mere

3.1 Baser og dimension

3.1 Baser og dimension SEKTION 3 BASER OG DIMENSION 3 Baser og dimension Definition 3 Lad V være et F-vektorrum Hvis V = {0}, så har V dimension 0 2 Hvis V har en basis bestående af n vektorer, så har V dimension n 3 Hvis V

Læs mere

Figur. To ligninger i to ubekendte. Definition Ved m lineære ligninger med n ubekendte forstås. Definition 6.4 Givet ligningssystemet

Figur. To ligninger i to ubekendte. Definition Ved m lineære ligninger med n ubekendte forstås. Definition 6.4 Givet ligningssystemet Oversigt [LA] 6, 7, 8 Nøgleord og begreber Lineære ligningssystemer smængdens struktur Test løsningsmængde Rækkereduktion Reduceret matrix Test ligningssystem Rækkeoperationsmatricer Rangformlen Enten-eller

Læs mere

Oversigt [LA] 11, 12, 13

Oversigt [LA] 11, 12, 13 Oversigt [LA] 11, 12, 13 Nøgleord og begreber Ortogonalitet Ortogonalt komplement Tømrerprincippet Ortogonal projektion Pythagoras formel Kortest afstand August 2002, opgave 6 Cauchy-Schwarz ulighed Calculus

Læs mere

Lineær algebra: Spænd. Lineær (u)afhængighed

Lineær algebra: Spænd. Lineær (u)afhængighed Lineær algebra: Spænd. Lineær (u)afhængighed Institut for Matematiske Fag Aalborg Universitet 2011 Linearkombinationer. Spænd Definition Givet et antal vektorer a 1,..., a p R n. En vektor v = c 1 a 1

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

Modulpakke 3: Lineære Ligningssystemer

Modulpakke 3: Lineære Ligningssystemer Chapter 4 Modulpakke 3: Lineære Ligningssystemer 4. Homogene systemer I teknikken møder man meget ofte modeller der leder til systemer af koblede differentialligninger. Et eksempel på et sådant system

Læs mere

MM502+4 forelæsningsslides

MM502+4 forelæsningsslides MM502+4 forelæsningsslides uge 7, 2009 Produceret af Hans J Munkholm, delvis på baggrund af lignende materiale udarbejdet af Mikael Rørdam 1 Definition kritisk punkt: funktion f(x, y) er et kritisk punkt

Læs mere

Oversigt [LA] 6, 7, 8

Oversigt [LA] 6, 7, 8 Oversigt [LA] 6, 7, 8 Nøgleord og begreber Lineære ligningssystemer Løsningsmængdens struktur Test løsningsmængde Rækkereduktion Reduceret matrix Test ligningssystem Rækkeoperationsmatricer Rangformlen

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

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

z 1 = z 1z 1z 1 z 1 2 = z z2z 1 z 2 2

z 1 = z 1z 1z 1 z 1 2 = z z2z 1 z 2 2 M å l e p u n k t R i e m a n n s k G e o m e t r i E 8 J a ko b L i n d b l a d B l a ava n d 2 5 3 6 7 5 27 oktober 28 I n s t i t u t fo r M at e m at i s k e Fag A a r h u s U n i v e r s i t e t indledning

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

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

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

Chapter 3. Modulpakke 3: Egenværdier. 3.1 Indledning

Chapter 3. Modulpakke 3: Egenværdier. 3.1 Indledning Chapter 3 Modulpakke 3: Egenværdier 3.1 Indledning En vektor v har som bekendt både størrelse og retning. Hvis man ganger vektoren fra højre på en kvadratisk matrix A bliver resultatet en ny vektor. Hvis

Læs mere

Matematik og Form: Matrixmultiplikation. Regulære og singu

Matematik og Form: Matrixmultiplikation. Regulære og singu Matematik og Form: Matrixmultiplikation. Regulære og singulære matricer Institut for Matematiske Fag Aalborg Universitet 2012 Matrixmultiplikation Definition Definition A = [a ij ], B = [b ij ]: AB = C

Læs mere

Økonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006

Økonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006 Dagens program Økonometri Den multiple regressionsmodel 8. september 006 Opsamling af statistiske resultater om den simple lineære regressionsmodel (W kap..5). Den multiple lineære regressionsmodel (W

Læs mere

Oversigt [LA] 1, 2, 3, [S] 9.1-3

Oversigt [LA] 1, 2, 3, [S] 9.1-3 Oversigt [LA] 1, 2, 3, [S] 9.1-3 Nøgleord og begreber Talpar, taltripler og n-tupler Linearkombination og span Test linearkombination Hvad er en matrix Matrix multiplikation Test matrix multiplikation

Læs mere

DesignMat Uge 2. Preben Alsholm. Efterår Lineære afbildninger. Preben Alsholm. Lineære afbildninger. Eksempel 2 på lineær.

DesignMat Uge 2. Preben Alsholm. Efterår Lineære afbildninger. Preben Alsholm. Lineære afbildninger. Eksempel 2 på lineær. er DesignMat Uge 2 er er lineær lineær lineær lineære er I smatrix lineære er II smatrix I smatrix II Efterår 2010 Lad V og W være vektorrum over samme skalarlegeme L (altså enten R eller C for begge).

Læs mere

Matematik for økonomer 3. semester

Matematik for økonomer 3. semester Matematik for økonomer 3. semester cand.oecon. studiet, 3. semester Planchesæt 2 - Forelæsning 3 Esben Høg Aalborg Universitet 10. september 2009 Institut for Matematiske Fag Aalborg Universitet Esben

Læs mere

Matricer og lineære ligningssystemer

Matricer og lineære ligningssystemer Matricer og lineære ligningssystemer Grete Ridder Ebbesen Virum Gymnasium Indhold 1 Matricer 11 Grundlæggende begreber 1 Regning med matricer 3 13 Kvadratiske matricer og determinant 9 14 Invers matrix

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

1 Vektorrum. MATEMATIK 3 LINEÆR ALGEBRA 6. oktober 2016 Miniprojekt: Lineær algebra på polynomier

1 Vektorrum. MATEMATIK 3 LINEÆR ALGEBRA 6. oktober 2016 Miniprojekt: Lineær algebra på polynomier MATEMATIK 3 LINEÆR ALGEBRA 6. oktober 2016 Miniprojekt: Lineær algebra på polynomier Grupperne forventes at regne en mængde af opgaver, som tilsammen dækker 100 point. De små opgaver giver hver 5 point,

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

Kursusgang 3 Matrixalgebra Repetition

Kursusgang 3 Matrixalgebra Repetition Kursusgang 3 Repetition - froberg@math.aau.dk http://people.math.aau.dk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 16. september 2008 1/19 Betingelser for nonsingularitet af en Matrix

Læs mere

Egenværdier og egenvektorer

Egenværdier og egenvektorer enote 9 enote 9 Egenværdier og egenvektorer Denne note indfører begreberne egenværdier og egenvektorer for lineære afbildninger i vilkårlige generelle vektorrum og går derefter i dybden med egenværdier

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

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

Oversigt [LA] 3, 4, 5

Oversigt [LA] 3, 4, 5 Oversigt [LA] 3, 4, 5 Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse matricer Test invers

Læs mere

Eksamen i Lineær Algebra

Eksamen i Lineær Algebra To find the English version of the exam, please read from the other end Eksamen i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet & Det Sundhedsvidenskabelige Fakultet Fredag

Læs mere

Vektorrum. enote Generalisering af begrebet vektor

Vektorrum. enote Generalisering af begrebet vektor enote 7 1 enote 7 Vektorrum I denne enote opstilles en generel teori for mængder, for hvilke der er defineret addition og multiplikation med skalar, og som opfylder de samme regneregler som geometriske

Læs mere

Ølopgaver i lineær algebra

Ølopgaver i lineær algebra Ølopgaver i lineær algebra 30. maj, 2010 En stor del af de fænomener, vi observerer, er af lineær natur. De naturlige matematiske objekter i beskrivelsen heraf bliver vektorrum rum hvor man kan lægge elementer

Læs mere

Del II. Den lineære normale model

Del II. Den lineære normale model Del II Den lineære normale model 301 302 Kapitel 9 Normalfordelinger på vektorrum Vi vil i dette kapitel give en fremstilling af teorien for normalfordelinger (også kaldet Gaussiske fordelinger) på endeligdimensionale

Læs mere

4.1 Lineære Transformationer

4.1 Lineære Transformationer SEKTION 41 LINEÆRE TRANSFORMATIONER 41 Lineære Transformationer Definition 411 ([L], s 175) Lad V, W være F-vektorrum En lineær transformation L : V W er en afbildning, som respekterer lineær struktur,

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

Teoretiske Øvelsesopgaver:

Teoretiske Øvelsesopgaver: Teoretiske Øvelsesopgaver: TØ-Opgave 1 Subtraktion division i legemer: Er subtraktion division med elementer 0 i legemer veldefinerede, eller kan et element b have mere end ét modsat element -b eller mere

Læs mere

Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix.

Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix. Oversigt [LA] 3, 4, 5 Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse matricer Test invers

Læs mere

Nøgleord og begreber. Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix.

Nøgleord og begreber. Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix. Oversigt [LA] 3, 4, 5 Matrix multiplikation Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse

Læs mere

Mat10 eksamensspørgsmål

Mat10 eksamensspørgsmål Mat10 eksamensspørgsmål Martin Geisler 9. januar 2002 Resumé Dette dokument er en gennemgang af de eksamensspørgsmål der blev stillet til den mundtlige eksamen i Mat10, januar 2002

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

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

DesignMat Uge 11 Lineære afbildninger

DesignMat Uge 11 Lineære afbildninger DesignMat Uge Lineære afbildninger Preben Alsholm Forår 008 Lineære afbildninger. Definition Definition Lad V og W være vektorrum over samme skalarlegeme L (altså enten R eller C for begge). Afbildningen

Læs mere

Lineær algebra: Matrixmultiplikation. Regulære og singulære

Lineær algebra: Matrixmultiplikation. Regulære og singulære Lineær algebra: Matrixmultiplikation. Regulære og singulære matricer Institut for Matematiske Fag Aalborg Universitet 2011 Matrixmultiplikation Definition Definition A = [a ij ], B = [b ij ]: AB = C =

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

Forslag til hjemmeopgaver, som forbereder arbejdet med de nye emner den pågældende kursusgang, men primært er baseret på gymnasiepensum:

Forslag til hjemmeopgaver, som forbereder arbejdet med de nye emner den pågældende kursusgang, men primært er baseret på gymnasiepensum: Forslag til hjemmeopgaver, som forbereder arbejdet med de ne emner den pågældende kursusgang, men primært er baseret på gmnasiepensum: Ordinær kursusgang : Introduktion til vektorer og matricer. Regning

Læs mere

Module 3: Statistiske modeller

Module 3: Statistiske modeller Department of Statistics ST502: Statistisk modellering Pia Veldt Larsen Module 3: Statistiske modeller 31 ANOVA 1 32 Variabelselektion 4 321 Multipel determinationskoefficient 5 322 Variabelselektion med

Læs mere

Lineær Algebra Dispositioner

Lineær Algebra Dispositioner Lineær Algebra Dispositioner Michael Lind Mortensen, 20071202, DAT4 12. august 2008 Indhold 1 Løsning og mindste kvadraters løsninger af lineære ligningssystemer 4 1.1 Disposition............................

Læs mere

Om første og anden fundamentalform

Om første og anden fundamentalform Geometri, foråret 2005 Jørgen Larsen 9. marts 2005 Om første og anden fundamentalform 1 Tangentrummet; første fundamentalform Vi betragter en flade S parametriseret med σ. Lad P = σu 0, v 0 være et punkt

Læs mere

Lineære Afbildninger. enote 8. 8.1 Om afbildninger

Lineære Afbildninger. enote 8. 8.1 Om afbildninger enote 8 enote 8 Lineære Afbildninger Denne enote undersøger afbildninger mellem vektorrum af en bestemt type, nemlig lineære afbildninger Det vises, at kernen og billedrummet for lineære afbildninger er

Læs mere

9.1 Egenværdier og egenvektorer

9.1 Egenværdier og egenvektorer SEKTION 9.1 EGENVÆRDIER OG EGENVEKTORER 9.1 Egenværdier og egenvektorer Definition 9.1.1 1. Lad V være et F-vektorrum; og lad T : V V være en lineær transformation. λ F er en egenværdi for T, hvis der

Læs mere

Kvadratiske matricer. enote Kvadratiske matricer

Kvadratiske matricer. enote Kvadratiske matricer enote enote Kvadratiske matricer I denne enote undersøges grundlæggende egenskaber ved mængden af kvadratiske matricer herunder indførelse af en invers matrix for visse kvadratiske matricer. Det forudsættes,

Læs mere

Uge 11 Lille Dag. Opgaver til OPGAVER 1. Det ortogonale komplement

Uge 11 Lille Dag. Opgaver til OPGAVER 1. Det ortogonale komplement OPGAVER 1 Opgaver til Uge 11 Lille Dag Opgave 1 Det ortogonale komplement a) I R 2 er der givet vektoren (3, 7). Angiv en basis for det ortogonale komplement. b) Find i R 3 en basis for det ortogonale

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

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

x 2 + y 2 dx dy. f(x, y) = ln(x 2 + y 2 ) + 2 1) Angiv en ligning for tangentplanen til fladen z = f(x, y) i punktet

x 2 + y 2 dx dy. f(x, y) = ln(x 2 + y 2 ) + 2 1) Angiv en ligning for tangentplanen til fladen z = f(x, y) i punktet Eksamensopgaver fra Matematik Alfa 1 Naturvidenskabelig Kandidateksamen August 1999. Matematik Alfa 1 Opgave 1. Udregn integralet 1 1 y 2 (Vink: skift til polære koordinater.) Opgave 2. Betragt funktionen

Læs mere

Prøveeksamen A i Lineær Algebra

Prøveeksamen A i Lineær Algebra Prøveeksamen A i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet og Det Sundhedsvidenskabelige Fakultet Der må gøres brug af bøger, noter mv Der må ikke benyttes lommeregner,

Læs mere

Vejledende besvarelse på august 2009-sættet 2. december 2009

Vejledende besvarelse på august 2009-sættet 2. december 2009 Vejledende besvarelse på august 29-sættet 2. december 29 Det følgende er en vejledende besvarelse på eksamenssættet i kurset Calculus, som det så ud i august 29. Den tjener primært til illustration af,

Læs mere

8 Regulære flader i R 3

8 Regulære flader i R 3 8 Regulære flader i R 3 Vi skal betragte særligt pæne delmængder S R 3 kaldet flader. I det følgende opfattes S som et topologisk rum i sportopologien, se Definition 5.9. En åben omegn U af p S er således

Læs mere

Lineær regression: lidt mere tekniske betragtninger om R 2 og et godt alternativ

Lineær regression: lidt mere tekniske betragtninger om R 2 og et godt alternativ Lineær regression: lidt mere tekniske betragtninger om R 2 og et godt alternativ Per Bruun Brockhoff, DTU Compute, Claus Thorn Ekstrøm, KU Biostatistik, Ernst Hansen, KU Matematik January 17, 2017 Abstract

Læs mere

2010 Matematik 2A hold 4 : Prøveeksamen juni 2010

2010 Matematik 2A hold 4 : Prøveeksamen juni 2010 1 of 7 31-05-2010 13:18 2010 Matematik 2A hold 4 : Prøveeksamen juni 2010 Welcome Jens Mohr Mortensen [ My Profile ] View Details View Grade Help Quit & Save Feedback: Details Report [PRINT] 2010 Matematik

Læs mere

Ekstremum for funktion af flere variable

Ekstremum for funktion af flere variable Ekstremum for funktion af flere variable Preben Alsholm 28. april 2008 1 Ekstremum for funktion af flere variable 1.1 Hessematricen I Hessematricen I Et stationært punkt for en funktion af flere variable

Læs mere

Middelværdi og varians. Kovarians. korrelation = 0.02 korrelation = 0.7 korrelation = 1.0

Middelværdi og varians. Kovarians. korrelation = 0.02 korrelation = 0.7 korrelation = 1.0 Middelværdi og varians Middelværdien af en diskret skalarfunktion f(x), for x = 0, N er: µ = N f(x) N x=0 For vektorfuktioner er middelværdivektoren tilsvarende: µ = N f(x) N x=0 Middelværdien er en af

Læs mere

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

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

Nanostatistik: Lineær regression

Nanostatistik: Lineær regression Nanostatistik: Lineær regression JLJ Nanostatistik: Lineær regression p. 1/41 Sammenhænge Funktionssammenhæng: y er en funktion af x. Ex: Hvis jeg kender afstanden mellem to galakser så kender jeg også

Læs mere