Eksempel 10.1 En autoregressiv proces af orden 1 (ofte blot kaldet en AR(1)- proces) pårhar et opdateringsskema (10.1) med funktionen. for y R.
|
|
- Philippa Bech
- 7 år siden
- Visninger:
Transkript
1 Kapitel 0 Markovkæder Vi vil i det følgede studere processer Y 0, Y, Y 2,... med værdier irgivet på forme Y = f (Y +ǫ for =, 2,... (0. Her erǫ,ǫ 2,... e følge af iid støjvariable med middelværdi 0, alle uafhægige af Y 0, og f :R R er e kedt målelig fuktio. Vi omtaler (0. som et opdaterigsskema med additiv støj, og bemærker at de resulterede Y-proces bliver e homoge Markovkæde på R. Eksempel 0. E autoregressiv proces af orde (ofte blot kaldet e AR(- proces pårhar et opdaterigsskema (0. med fuktioe f (y=β y for y R. Kostate β kaldes processes multiplikator. AR(-processer har meget forskellig opførsel alt efter om β < (det statioære tilfælde, om β = (radom walk tilfældet eller om β > (det eksplosive tilfælde. Fordelige af Y-processe i (0. er bestemt af overgagsstrukture, det vil sige f og fordelige af fejlvariableeǫ i og af begydelsesfordelig, det vil sige fordelige af Y 0. Det ka hæde at der til overgagsstrukture hører et sadsylighedsmål π, der er ivariat uder (0.. Hvis Y 0 har fordeligπ, så vil også Y (og Y 2 og så videre 77
2 78 Kapitel 0. Markovkæder have margial fordelig π. Et sådat π kaldes e statioær begydelsesfordelig. Det viser sig som regel at hvis der eksisterer e statioær begydelsesfordelig, så vil Y-processe i (0. i det lage løb opføre sig som om Y 0 har dee fordelig, uaset hvad Y 0 s faktiske fordelig er. Derfor dukker de statioære begydelsesfordelig uvægerligt op i aalyse. E målelig fuktio V :R [0, der opfylder at V(x for x kaldes e driftfuktio for Y-processe (eller mere præcist: for overgagsstrukture hvis der fides kostater c (0, og c 2 > 0 såda at E V ( f (x+ǫ c V(x+c 2 for alle x R. (0.2 E driftfuktio bruges til at styre de overordede opførsel af processe. Eksempel 0.2 Lad Y 0, Y,... være e autoregressiv proces multiplikator β (,. Hvis fejlvariableeǫ i har k te momet, så opfylder processe kriteriet (0.2 med driftfuktioe V(x= x k. Hvis vi vælger c ( β k, ser vi emlig at lim sup x E V( f (x+ǫ x k lim sup x k j=0 ( k j β j x j k E ǫ k j = β k < c Der fides derfor e kostat R>0 såda at E V( f (x+ǫ c x k for x >R. Hvis vi sætter ser vi let at c 2 = k j=0 ( k j β j R j E ǫ k j E V( f (x+ǫ c 2 for x R, og derfor er (0.2 opfyldt.
3 79 Sætig 0.3 (Ergodesætige for Markovkæder Lad Y 0, Y,... være givet ved opdaterigsskemaet (0.. Atag at støjvariableeǫ i har e tæthed med hesy til Lebesguemålet m, der er kotiuert og overalt positiv. Atag edvidere at der fides e fuktio V, der opfylder driftkriteriet (0.2. Processe har e statioær begydelsesfordeligπ. 2 Der gælder at V erπ-itegrabel, og at g(y i for alle fuktioer g M(R der opfylder at g V. i=0 g(y dπ(y.s. (0.3 Vi udvider u problemstillige ved at forestille os at opdaterigsfuktioe f afhæger af e parameterβ R. På baggrud af observatio af Y 0, Y,...,Y øsker vi at drage iferes om β. Det typiske eksempel er studiet af AR(-processer med ukedt multiplikator β (,. Vi skriver opdaterigsskemaet som Y = f (Y,β+ǫ for =, 2,... og vi atager at f opfører sig passede pæt med hesy tilβ. Vi vil bruge kokordaskombiate h (X,β= ( Yi f (Y i,β 2. (0.4 2 Hvis støjvariablee er N(0, -fordelte er (0.4 idetisk med de betigede loglikelihoodfuktio givet Y 0, se eksempel.7. Hvis støjvariablee er ormalfordelte med ukedt varias, så er kombiate e mooto trasformatio af de betigede profilloglikelihoodfuktio forβ. Bemærk at ige egeskaber ved fejlfordelige idgår i kombiate. Det giver samme type problemer som i de ikke-lieære regressiosmodeller, hvor græsefordelige af M-estimatore potetielt vil ivolvere ukedte størrelser, og hvor der er betydelig risiko for et brud på regularitetsbetigelse D. Det ka ma forholde sig til at ved at udvide iteresseparametere, me vi skal se at ma ogle gage - f.eks. for AR(-processer - ikke ødvedigvis behøver at gøre de slags krumsprig. Vi ser at h (X,β= ( Yi f (Y i,β β (Y i,β, (0.5
4 80 Kapitel 0. Markovkæder og at h (X,β= ( 2 β (Y i,β ( Yi f (Y i,β 2 f β 2 (Y i,β. (0.6 Lad os udersøge om regularitetsbetigelse A ka opfyldes med e simpel - reskalerig. Første led i (0.6 er de kumulerede sum af e vis fuktio reget ud lags Markovkæde, og ka hådteres ved hjælp af et store tals lov argumet som i (0.3. Det adet led kræver lidt mere arbejde. Ma ka ofte få det til at gå mod ul ved at bruge martigalmetoder. Nogle gage ka ma geeralisere det bevis for store tals lov, der baserer sig på baglæs martigaler. Me i fredsommelige situatioer ka simple mometvurderiger være tilstrækkelige. I det følgede arbejder vi med filtrerige (F N givet ved Bemærk atǫ + er uafhægig aff. F =F(Y 0,ǫ,...,ǫ for =, 2,... Lemma 0.4 Lad Z, Z 2,... være e følge af stokastiske variable med 2. momet. Atag at Z erf -målelig for hvert. Hvis så vil Bevis: Vi ser at 2 E Z 2 i 0 for, (0.7 P ǫ i Z i 0. Eǫ i Z i = E E(ǫ i Z i F i =E (Z i E(ǫ i F i =E (Z i E(ǫ i =0. Tilsvarede ræsoemeter viser at Vi har derfor at E ǫ i Z i = Eǫ 2 i Z 2 i = Eǫ 2 E Z2 i, Cov(ǫ i Z i,ǫ j Z j =0 for i j. Eǫ i Z i = 0, V ǫ i Z i = 2 Eǫ 2 E Z2 i. Variase går mod ul ifølge (0.7, så de øskede koverges følger af Chebyshevs ulighed.
5 8 Lemma 0.5 Lad Y 0, Y,... være givet ved opdaterigsskemaet (0.. Atag at støjvariableeǫ i har 2. momet og at de har e tæthed med hesy til Lebesguemålet m, der er kotiuert og overalt positiv. Atag at der fides e fuktio V, der opfylder driftkriteriet (0.2, og så og atag at der fides e kostat K så ( 2 β (y,β V(y for alle y R, (0.8 2 f β 2 (y,β K for alle y R. (0.9 Så gælder der at ( 2 h (X,β P β (y,β dπ(y. Bevis: Ud over at påkalde os ergodesætige for Markovkæder skal vi blot idse at ( Yi f (Y i,β 2 f β 2 (Y i,β= ǫ i 2 f β 2 (Y i,β P 0, me det følger af lemma 0.4 fordi (0.9 til overmål sikrer at de relevate versio af (0.7 er opfyldt. Koklusioe i lemma 0.5 er aturligvis at regularitetsbetigelse A er opfyldt med -reskalerig. For et AR(-skema ses (0.8 at være opfyldt årǫ ere har 2. momet, mes (0.9 er trivielt opfyldt. For at vise regularitetsbetigelse B skal ma i almidelighed i gag med uiforme variater af store tals lov for Markovkæder. Det er ikke emt stof, og vi vil ikke tage fat på det her. Me vi ka bemærke at betigelse B kollapser for et autoregressivt skema: hvis f (y=β y, så er h (X,β= Y 2 i for alleβ. Vi har tidligere (typisk i forbidelse med ekspoetielle familier stået i de situatio at betigelse B var relativt simpel, fordi h viste sig at være determiistisk. Her står vi i de modsatte situatio, hvor h er ret stokastisk, og slet ikke varierer med parametere. Supremet i betigelse B bliver taget over e masse størrelser, der alle er ul.
6 82 Kapitel 0. Markovkæder Lad os edelig se på regularitetsbetigelse C. Vi har at Vi ser let at variablee h (X,β = X i = ǫ i β (Y i,β ǫ i β (Y i,β =, 2,...,,...,, udgør et martigale differece array med hesy til filtrerige (F. De rækkevise kompesatorer er E ( X i 2 F i = ( 2 β (Y i,β Eǫi 2 2 Eǫ ( 2 β (y,β dπ(y uder betigelse (0.8. Tilsvarede ka vi rege på de betigede Lyapouov betigelse: E ( X i 3 F m = 3/2 β (Y i,β 3 E ǫ i 3 Hvis vi styrker (0.8 til ( 3 β (y,β V(y for alle y R, (0.0 ser vi at og derfor vil ( 3 ( 3 β (Y i,β β (y,β dπ(y E ( X i 3 F i 0 Fra de cetrale græseværdisætig for martigale differece arrays ka vi derfor kokludere at ( 2 h (X,β N D 0, Eǫ 2 β (y,β dπ(y. Det vil sige at regularitetsbetigelse C er opfyldt. Som vetet må vi til gegæld skyde e hvid pid efter regularitetsbetigelse D, medmidre støjvariablee har varias. Vi opsummerer ved at sætte id i sætig 5.7:.s.
7 83 Sætig 0.6 Lad Y 0, Y,... være givet ved opdaterigsskemaet (0.. Atag at støjvariableeǫ i har 3. momet og at de har e tæthed med hesy til Lebesguemålet m, der er kotiuert og overalt positiv. Atag at der fides e fuktio V, der opfylder driftkriteriet (0.2, og så ( 3 β (y,β V(y for alle y R, (0. og atag at der fides e kostat K så 2 f β K for alle y R. (0.2 Hvis regularitetsbetigelse B også er opfyldt, så vil M-estimatore ˆβ være kosistet og opfylde at (ˆβ β D N 0, Eǫ 2 ( β (y,β (0.3 2 dπ(y Ma ka idvede at græsevariase i 0.3 ser lidt ubehagelig ud. Hvis resultatet skal kue bruges til oget, for eksempel til Wald test, så skal ma kue rege græsevariase ud for hver potetielβ -værdi. Me græsevariase ivolverer dels støjvariase Eǫ 2 og - edu værre - etπ-itegral. De ivariate fordelig afhæger afβ, skøt det ikke afspejles i otatioe, og vi har slet ikke oge eksplicit repræsetatio afπ. Me i visse lykkelige tilfælde ka ma faktisk rege græsevariase ud alligevel, ved at støtte sig til geerel Markovkædeteori. Lad os fokusere på AR(-tilfældet, hvor β (y,β=y. Bemærk at græsevariase ikke afhæger af Y 0 s fordelig. Hvis det hjælper os, ka vi lade som om Y 0 har e bestemt fordelig mes vi forsøger at rege os frem til græsevariase. Hvis vi kommer frem til et svar, så vil det også gælde for de rigtige Y-proces. Lad os derfor atage at Y 0 har de statioære begydelsesfordeligπ. Da har også Y fordeligπ, og daπhar 2. momet er E Y 2 = E (β Y 0 +ǫ 2 =β 2 E Y β E(Y 0 ǫ +Eǫ 2 =β 2 E Y Eǫ 2 Da Y 0 og Y har samme margiale fordelig, og dermed samme 2. momet, kokluderer vi at ( β 2 E Y 0 2 = Eǫ 2.
8 84 Kapitel 0. Markovkæder I AR(-tilfældet gælder der altså at Sætter vi dette udtryk id i (0.3 får vi ( 2 β (y,β dπ(y= Eǫ 2 β 2. (ˆβ β D N ( 0, β 2 (0.4 Vi ser at græsevariase i virkelighede ikke afhæger af adet ed det sade β! Det betyder at vi smertefrit ka kostruere kofidesområder for β, og teste e hypotese om atβhar e på forhåd givet værdiβ 0. Vi er stadig ikke i stad til at lave test baseret på deviacestørrelse, for regularitetsbetigelse D er ikke opfyldt. Me Wald test er tilgægelige. Ma ka hævde at det er overdrevet besværligt at geemføre aalyse af AR(- processer ved hjælp af de geerelle teori. Vi ser at h (X,β= (Y i βy i 2 = 2 2 Y 2 i 2β Y i Y i +β 2 Yi 2 der let ka miimeres eksplicit, emlig ved ˆβ = Y i Y i Yi 2. (0.5 Det er ikke vaskeligt at udlede (0.4 af dee eksplicitte formel ved hjælp af store tals lov for Markovkæder og de cetrale græseværdisætig for martigale differece arrays. Så i et vist omfag har vi gjort livet vaskeligt for os selv ved partout at ville hevise til regularitetsbetigelsere. Me miraklet, der leder fra (0.3 til (0.4 idtræffer faktisk også i adre situatioer, hvor ma ikke er så priviligeret at have e eksplicit formel for ˆβ. Ma ka f.eks. se at støjvariase altid vil forkorte ud i græsevariase, fordi e skalaparameter på støje bliver oversat til e skalaparameter forπ. Vi kue have geemført mage af oveståede regiger for opdaterigsskemaer af forme (0. pår k fremfor pår, og der er heller ikke oget i veje for at have flerdimesioale β er. Det svulmer op otatiosmæssigt, me essetielt har vi redskabere til at hådtere disse vaskeligheder. Autoregressive skemaer af højere orde, f.eks. Y =β Y +β 2 Y 2 +ǫ for =2, 3,...
9 85 ka stables som i ( Y Y = ( β β 2 0 ( Y Y 2 ( ǫ + 0 så ka de aalyseres som AR(-skemaer i rum af højere dimesio med degeererede fejlfordeliger. Vi ka således udvikle e asymptotisk iferesteori for ret geerelle autoregressive processer. Hvad vi til gegæld ikke rigtig ka, er at udvide parametermægde i de simple AR(-proces fraβ (, til oget større. Hvis de sadeβ-værdi ligger ude for dette iterval, så vil driftkriteriet ikke være opfyldt, og vi har ige store tals lov til rådighed. Det viser sig da også at de eksplicitte estimator (0.5 opfører sig helt aderledes i disse tilfælde. Hvis β = ka ma faktisk få e svag koverges frem, me det vil ikke være mod e ormalfordelig - græsefordelige kaldes e Dicky-Fuller fordelig, og udledes emmest i e ramme af stokastiske itegraler. Hvis β > er der derimod igetig at gøre.
Asymptotisk optimalitet af MLE
Kapitel 4 Asymptotisk optimalitet af MLE Lad Y 1, Y 2,... være uafhægige, idetisk fordelte variable med værdier i et rum (Y,K). Vi har givet e model (ν θ ) θ Θ for fordelige af Y 1 (og dermed også for
Læs mereantal gange krone sker i første n kast = n
1 Uge 15 Teoretisk Statistik, 5. april 004 1. Store tals lov Eksempel: møtkast Koverges i sadsylighed Tchebychevs ulighed Sætig: Store tals lov. De cetrale græseværdisætig 3. Approksimatio af sadsyligheder
Læs mereAnalyse 1, Prøve maj 2009
Aalyse, Prøve 5. maj 009 Alle hevisiger til TL er hevisiger til Kalkulus (006, Tom Lidstrøm). Direkte opgavehevisiger til Kalkulus er agivet med TLO, ellers er alle hevisiger til steder i de overordede
Læs merehvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i
Normalfordeliger For at e stokastisk variabel X ka være ormalfordelt, skal X agive værdie af e eller ade målig, f.eks. tid, lægde, vægt, beløb osv. Notatioe er: Xi ~ N( μ, σ hvor i er observatiosummeret,
Læs mereRegularitetsbetingelserne i simple modeller
Kapitel 7 Regularitetsbetigelsere i simple modeller I dette kapitel vil vi udersøge forskellige modeller med uafhægige, idetisk fordelte variable, rækkede fra det trivielle til det gaske geerelle. Målet
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Repetitio: Normalfordelige Ladmåliges fejlteori Lektio Trasformatio af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/udervisig/lf13 Istitut for Matematiske Fag Aalborg Uiversitet
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab
Statistik ved Bachelor-uddaelse i folkesudhedsvideskab Græseværdisætiger Det hadler om geemsit Statistikere elsker geemsit Det er oplagt e god ide at tage geemsit. Hvis jeg f.eks skal gætte på vægte af
Læs mereMotivation. En tegning
Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1
Økoometri 1 Iferes i de lieære regressiosmodel 9. september 006 Økoometri 1: F7 1 Dages program Opsamlig af hemmeopgave om Mote Carlo eksperimeter Mere om hypotesetest: Ekelt lieær restriktio på koefficieter
Læs mereAsymptotisk estimationsteori
Kapitel 5 Asymptotisk estimatiosteori De fleste eksperimeter har e idbygget størrelse, som regel kaldet eller N. Dette repræseterer typisk atallet af foretage måliger, atallet af udersøgte idivider, atallet
Læs merePraktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.
Praktisk ifo Liste med rettelser og meigsforstyrrede trykfejl i DS på Absalo. Statistisk aalyse af e ekelt stikprøve: kedt eller ukedt varias Sadsylighedsregig og Statistik (SaSt) Helle Sørese Projekt
Læs mereVelkommen. Program. Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R. Praktiske ting og sager
Program Statistik og Sadsylighedsregig 2 Sadsylighedstætheder og kotiuerte fordeliger på R Helle Sørese Uge 6, madag Velkomme I dag: Praktiske bemærkiger Hvad skal vi lave på SaSt2? Sadsylighedstætheder
Læs mereDagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)
Dages program Estimatio: Kapitel 9.4-9.7 Eksempler på middelrette og/eller kosistete estimator (de sidste fra sidste forelæsig) Ko desiterval for store datasæt kap. 9.4 Ko desiterval for små datasæt kap.
Læs merecos(t), v(t) = , w(t) = e t, z(t) = e t.
Aalyse Øvelser Rasmus Sylvester Bryder. og. oktober 3 Bevis for Cotiuity lemma Theorem. Geemgås af Michael Staal-Olse. Bevis for Lemma.8 Dee har vi faktisk allerede vist; se Opgave 9.5 fra Uge. Det er
Læs mereGenerelle lineære modeller
Geerelle lieære modeller Regressiosmodeller med é uafhægig itervalskala variabel: Y e eller flere uafhægige variable: X,..,X k De betigede fordelig af Y givet X,..,X k atages at være ormal med e middelværdi,
Læs mereNogle Asymptotiske Resultater. Jens Ledet Jensen Matematisk Institut, Aarhus Universitet. 1 Indledning 1
Nogle Asymptotiske Resultater Jes Ledet Jese Matematisk Istitut, Aarhus Uiversitet Idhold Idhold i Idledig 2 Resultater i et geerelt set-up 7 2. Eksistes af et kosistet estimat............... 7 2.2 Asymptotisk
Læs mereKvantitative metoder 2
Dages program Kvatitative metoder De multiple regressiosmodel 6. februar 007 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.- 3.+appedix E.) Defiitio og motivatio Fortolkig af
Læs mereØkonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006
Dages program Økoometri De multiple regressiosmodel 5. februar 006 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.-3.3+appedix E.-E.) Defiitio og motivatio Fortolkig af parametree
Læs merevejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.
enote 5 enote 5 Determiater I dee enote ser vi på kvadratiske matricer. Deres type er altså for 2, se enote 4. Det er e fordel, me ikke absolut ødvedigt, at kede determiatbegrebet for (2 2)-matricer på
Læs mereLøsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Løsigsforslag til skriftlig eksame i Kombiatorik, sadsylighed og radomiserede algoritmer (DM58) Istitut for Matematik & Datalogi Syddask Uiversitet Madag de 3 Jauar 011, kl. 9 13 Alle sædvalige hjælpemidler
Læs mereLøsninger til kapitel 7
Løsiger til kapitel 7 Opgave 7.1 a) HpoStat giver resultatet: Pop. varias er ukedt, me 30, så Normalf. bruges approksimativt = 54,400 s 1.069,90 = 00,000 0,95 49,868 58,93 Dette betder, at med 95% sikkerhed
Læs mere9. Binomialfordelingen
9. Biomialfordelige 9.. Gekedelse Hvert forsøg ka ku resultere i to mulige udfald; succes og fiasko. I modsætig til poissofordelige er atallet af forsøg edeligt. 9.. Model X : Stokastisk variabel, der
Læs mereSandsynlighedsteori 1.2 og 2 Uge 5.
Istitut for Matematiske Fag Aarhus Uiversitet De 27. jauar 25. Sadsylighedsteori.2 og 2 Uge 5. Forelæsiger: Geemgage af emere karakteristiske fuktioer og Mometproblemet afsluttes, og vi starter på afsittet
Læs mereMikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007
Mikroøkoomi, matematik og statistik Eksameshjemmeopgave 14. 20. december 2007 Helle Buzel, Tom Egsted og Michael H.J. Stæhr 14. december 2007 R E T N I N G S L I N I E R F O R E K S A M E N S H J E M M
Læs mereSætning: 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 mere1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2
Idhold 1 Pukt- og itervalestimatio 2 1.1 Puktestimatorer: Cetralitet(bias) og efficies.................... 2 2 Kofidesiterval 3 2.1 Kofidesiterval for adel................................ 4 2.2 Kofidesiterval
Læs mereStatistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!
Statistik Lektio 8 Parrede test Test for forskel i adele Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og kviders
Læs mereMeningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017
Meigsmåliger KLADDE Thomas Heide-Jørgese, Rosborg Gymasium & HF, 2017 Idhold 1 Meigsmåliger 2 1.1 Idledig................................. 2 1.2 Hvorda skal usikkerhede forstås?................... 3 1.3
Læs mereTest i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!
Test i to populatioer Hypotesetest for parrede observatioer Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og
Læs mere24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.
Epidemiologi og biostatistik. Forelæsig Uge, tirsdag. Niels Trolle Aderse, Afdelige for Biostatistik. Geerelt om kurset: - Formål - Forelæsiger - Øvelser - Forelæsigsoter - Bøger - EpiBasic: http://www.biostat.au.dk/teachig/software
Læs mereStatistiske test. Efteråret 2010 Jens Friis, AAU. Hjemmeside :
Statistiske test Efteråret 00 Jes Friis, AAU Hjemmeside : http://akaaudk/jfj Kotiuerte fordeliger Defiitio: Tæthedsfuktio E sadsylighedstæthedsfuktio på R er e itegrabel fuktio f : R [0; [ hvor f d = Defiitio:
Læs mereStatistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer
Statistik Lektio 7 Hpotesetest og kritiske værdier Tpe I og Tpe II fejl Strke af e test Sammeligig af to populatioer 1 Tri I e Hpotesetest E hpotesetest består af 5 elemeter: I. Atagelser Primært hvilke
Læs mereHovedpointer fra SaSt
Hovedpoiter fra SaSt Marti Nørgaard Peterse 13. februar 2018 Følgede geemgår udvalgte begreber fra E Itroduktio til Sadsylighedsregig af M. Sørese (9. udgave), Itroductio to Likelihood-based Estimatio
Læs mereElementær Matematik. Polynomier
Elemetær Matematik Polyomier Ole Witt-Hase 2008 Køge Gymasium Idhold 1. Geerelle polyomier...1 2. Divisio med hele tal....1 3. Polyomiers divisio...2 4. Polyomiers rødder....4 5. Bestemmelse af røddere
Læs mereDen flerdimensionale normalfordeling
De flerdimesioale ormalfordelig Stokastiske vektorer Ved e stokastisk vektor skal vi forstå e vektor, hvor de ekelte kompoeter er sædvalige stokastiske variable. For de stokastiske vektor Y = Y,..., Y
Læs mereDeskriptiv teori: momenter
Kapitel 13 Deskriptiv teori: mometer Vi vil i dette og det følgede kapitel idføre e række begreber der bruges til at beskrive sadsylighedsmål på (R, B). Samtlige begreber udspriger i e eller ade forstad
Læs mereSammenligning af to grupper
Sammeligig af to gruer Reetitio, heruder om kritiske værdier Sammeligig af to gruer Sammeligig af to middelværdier Sammeligig af to adele Sammeligig af to variaser yoteser og hyotesetest. E hyotese er
Læs mereProjekt 4.8 De reelle tal og 1. hovedsætning om kontinuerte funktioner
Projekter: Kapitel 4 Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Kotiuitet og kotiuerte fuktioer Ord som kotiuert og kotiuerlig
Læs mereTankegangskompetence. Kapitel 9 Algebraiske strukturer i skolen 353
Takegagskompetece Hesigte med de følgede afsit er først og fremmest at skabe klarhed over de mere avacerede regeregler i skole og give resultatet i de almee form, der er karakteristisk for algebra. Vi
Læs mereProjekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning
Hvad er matematik? Projekter: Kaitel 9 Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Sætig : Regeregler
Læs mereSupplerende noter II til MM04
Supplerede oter II til MM4 N.J. Nielse 1 Uiform koverges af følger af fuktioer Vi starter med følgede defiitio: Defiitio 1.1 Lad S være e vilkårlig mægde og (X, d et metrisk rum. E følge (f af fuktioer
Læs mereEstimation ved momentmetoden. Estimation af middelværdiparameter
Statistik og Sadsylighedsregig 1 STAT kapitel 4.2 4.3 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae Estimatio ved mometmetode Idimellem ka det være svært (eller
Læs mereProgram. Middelværdi af Y = t(x ) Transformationssætningen
Program Statistik og Sadsylighedsregig 2 Trasformatio af kotiuerte fordeliger på R, flerdimesioale kotiuerte fordeliger, mere om ormalfordelige Helle Sørese Uge 7, osdag I formiddag: Opfølgig på trasformatiossætige
Læs mereProjekt 9.10 St. Petersborg paradokset
Hvad er matematik? ISBN 978877066879 Projekt 9.0 St. Petersborg paradokset. De store tals lov & viderchacer I grudboges kapitel 9 omtales de store tals lov, som ka formuleres således: Hvis e spiller i
Læs mereSandsynlighedsfordelinger for kontinuerte data på interval/ratioskala
Statistik for biologer 005-6, modul 5: Sadsylighedsfordeliger for kotiuerte data på iterval/ratioskala M6, slide Gægse matematiske sadsylighedsfordeliger: Diskrete data: De positive biomialfordelig Poisso-fordelige
Læs mere13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )
3. februar 003 Epidemiologi og biostatistik. Uge, torag d. 3. februar 003 Morte Frydeberg, Istitut for Biostatistik. Type og type fejl Nogle specielle metoder: Test i RxC tabeller Test i x tabeller Fishers
Læs mereSandsynlighedsteori 1.2
Forelæsigsoter til Sadsylighedsteori.2 Sved Erik Graverse Jauar 2006 Istitut for Matematiske Fag Det Naturvideskabelige Fakultet Aarhus Uiversitet. Mometproblemet. I dette afsit beteger X e stokastisk
Læs mereRESEARCH PAPER. Nr. 2, En model for lagerstørrelsen som determinant for købs- og brugsadfærden for et kortvarigt forbrugsgode.
RESEARCH PAPER Nr., 005 E model for lagerstørrelse som determiat for købs- og brugsadfærde for et kortvarigt forbrugsgode af Jørge Kai Olse INSTITUT FOR AFSÆTNINGSØKONOMI COPENHAGEN BUSINESS SCHOOL SOLBJERG
Læs mereog Fermats lille sætning
Projekter: Kaitel 0. Projekt 0. Modulo-regig, restklassegruer og Fermats lille sætig Projekt 0. Modulo-regig, restklassegruere ( { 0 }, ) og Fermats lille sætig Vi aveder moduloregig og restklasser mage
Læs mereForelæsningsnoter til Stokastiske Processer E05. Svend-Erik Graversen Revideret af Jan Pedersen Kapitel 12 og Appendix B og G af Jan Pedersen
Forelæsigsoter til Stokastiske Processer E5 Sved-Erik Graverse Revideret af Ja Pederse Kapitel 12 og Appedix B og G af Ja Pederse 16. august 25 Forord Nærværede otesæt skal bruges i forbidelse med kurset
Læs mereUndersøgelse af numeriske modeller
Udersøgelse af umeriske modeller Formål E del af målsætige med dette delprojekt er at give kedskab til de begræsiger, fejl og usikkerheder, som optræder ved modellerig. I de forbidelse er følgede udersøgelse
Læs mereSTATISTIKNOTER Simple normalfordelingsmodeller
STATISTIKNOTER Simple ormalfordeligsmodeller Jørge Larse IMFUFA Roskilde Uiversitetsceter Februar 1999 IMFUFA, Roskilde Uiversitetsceter, Postboks 260, DK-4000 Roskilde. Jørge Larse: STATISTIKNOTER: Simple
Læs mereModul 14: Goodness-of-fit test og krydstabelanalyse
Forskigsehede for Statistik ST01: Elemetær Statistik Bet Jørgese Modul 14: Goodess-of-fit test og krydstabelaalyse 14.1 Idledig....................................... 1 14.2 χ 2 -test i e r c krydstabel.............................
Læs mereMatematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet.
Matematik A Studetereksame Forsøg med digitale eksamesopgaver med adgag til iterettet Forberedelsesmateriale Vejledede opgave Forår 0 til stx-a-net MATEMATIK Der skal afsættes 6 timer af holdets sædvalige
Læs mereStikprøvefordelinger og konfidensintervaller
Stikprøvefordeliger og kofidesitervaller Stikprøvefordelige for middelværdi De Cetrale Græseværdi Sætig Egeskaber Ved Estimatore Kofidesitervaller t-fordelige Estimator og estimat E stikprøve statistik
Læs mereSpørgsmål 3 (5 %) Bestem sandsynligheden for at et tilfældigt valgt vindue har en fejl ved listerne, når man ved at der er fejl i glasset.
STATISTIK Skriftlig evaluerig, 3. semester, madag de 30. auar 006 kl. 9.00-3.00. Alle hælpemidler er tilladt. Opgaveløsige forsyes med av og CPR-r. OPGAVE Ved e produktio af viduer er der mulighed for,
Læs mereEstimation og test i normalfordelingen
af Birger Stjerholm Made Samfudlitteratur 07 Etimatio og tet i ormalfordelige Dee tekt ideholder et overblik over ogle grudlæggede pricipper for etimatio og tet i ormalfordelige i hyppigt forekommede ituatioer:
Læs mereBranchevejledning. ulykker indenfor. godschauffør. området. Branchearbejdsmiljørådet for transport og engros
Brachevejledig ulykker idefor godschauffør området Brachearbejdsmiljørådet for trasport og egros Baggrud Udersøgelser på lager- og trasportområdet har vist, at beskrivelse af hædelsesforløbet ved udfyldelse
Læs mereGeorg Mohr Konkurrencen Noter om uligheder. Søren Galatius Smith
Georg Mohr Kokurrece Noter om uligheder Søre Galatius Smith. juli 2000 Resumé Kapitel geemgår visse metoder fra gymasiepesum, som ka bruges til at løse ulighedsopgaver, og ideholder ikke egetligt yt stof.
Læs mereBranchevejledning. ulykker indenfor. lager. området. Branchearbejdsmiljørådet for transport og engros
Brachevejledig ulykker idefor lager området Brachearbejdsmiljørådet for trasport og egros Baggrud Udersøgelser på lager- og trasportområdet har vist, at beskrivelse af hædelsesforløbet ved udfyldelse
Læs mereProgram. Ensidet variansanalyse Normalfordelingen. Antibiotika og nedbrydning af organisk materiale. Tegninger
Faculty of Life Scieces Program Esidet variasaalyse Normalfordelige Claus Ekstrøm E-mail: ekstrom@life.ku.dk Esidet variasaalyse (oe-way ANOVA) Hvilke type data? Hvad er problemstillige? Variatio mellem
Læs mereBjørn Grøn. Analysens grundlag
Bjør Grø Aalyses grudlag Aalyses grudlag Side af 4 Idholdsfortegelse Kotiuerte og differetiable fuktioer 3 Differetial- og itegralregiges udviklig 5 3 Hovedsætiger om differetiable fuktioer 8 Opgaver til
Læs mereStatistiske Modeller 1: Notat 1
Statistiske Modeller : Notat Jes Ledet Jese 9. august 005 Idhold Kast med k-sidet terig Betigig i multiomialfordelig 3 3 Fordelig af X + X - frembrigede fuktio 4 4 Maksimerig af log-likelihood 5 5 Afledede
Læs mereOm Følger og Rækker. Nyttige Grænseværdier. Nyttige Rækker. Carsten Lunde Petersen. lim. lim = 0. lim (1 + x n n )n = e x. n n n.
IMFUFA Carste Lude Peterse Om Følger og Ræer Nyttige Græseværdier lim = 1 lim! = x = 0! lim lim (1 + x ) = e x! lim = e 1 Nyttige Ræer 1 p < p > 1 1 log p ( + 1) < p > 1 x = = x 1 x for x < 1 og Z, diverget
Læs mere29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.
Epidemiologi og biostatistik Forelæsig Uge 1, torsdag. februar 006 ichael Væth, Afdelig for Biostatistik. Sammeligig af to middelværdier sikkerhedsitervaller statistisk test Sammeligig af to proportioer
Læs mereMaja Tarp AARHUS UNIVERSITET
AARHUS UNIVERSITET Maja Tarp AARHUS UNIVERSITET HVEM ER JEG? Maja Tarp, 4 år Folkeskole i Ulsted i Nordjyllad Studet år 005 fra Droiglud Gymasium Efter gymasiet: Militæret Australie Startede på matematik
Læs mereGENEREL INTRODUKTION.
Study Guide til Matematik C. OVERSIGT. Dee study guide ideholder følgede afsit - Geerel itroduktio. - Emeliste. - Eksame. - Bilag. Udervisigsmiisteriets bekedtgørelse for matematik C. GENEREL INTRODUKTION.
Læs mereKvantemekanik 4 Side 1 af 11 Energi og tid. Hamiltonoperatoren
Kvateekaik 4 Side 1 af 11 ergi og tid Hailtooperatore Af KM3 fregik det, at ehver observabel er repræseteret ved e operator, f.eks. jf. udtryk (3.1) og (3.). Ispireret af det klassiske udtryk for kietisk
Læs mereIntroduktion til Statistik
Itroduktio til Statistik 4. udgave Susae Ditlevse og Helle Sørese Susae Ditlevse, susae@math.ku.dk Helle Sørese, helle@math.ku.dk Istitut for Matematiske Fag Købehavs Uiversitet Uiversitetsparke 5 2100
Læs mereDiskrete og kontinuerte stokastiske variable
Diskrete og kotiuerte stokastiske variable Beroulli Biomial fordelig Negativ biomial fordelig Hypergeometrisk fordelig Poisso fordelig Kotiuerte stokastiske variable Uiform fordelig Ekspoetial fordelig
Læs mere30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.
30. august 005 Epidemiologi og biostatistik. Forelæsig 3 Uge, torag d. 8. september 005 Michael Væth, Afdelig for Biostatistik. Mere om kategoriske data Test for uafhægighed I RxC tabeller Test for uafhægighed
Læs mereTalfølger og -rækker
Da Beltoft og Klaus Thomse Aarhus Uiversitet 2009 Talfølger og -rækker Itroduktio til Matematisk Aalyse Zeos paradoks om Achilleus og skildpadde Achilleus løber om kap med e skildpadde. Achilleus løber
Læs mere(VIDENSKABSTEORI) STATISTIK (EKSPERIMENTELT ARBEJDE)
(VIDENSKABSTEORI) STATISTIK (EKSPERIMENTELT ARBEJDE) x-klassere Gammel Hellerup Gymasium Idholdsfortegelse INDLEDNING... 3 DESKRIPTIV STATISTIK... 3 Eksempler ide for deskriptiv statistik... 12 Normalfordeligskurver...
Læs mereSimpel Lineær Regression. Opsplitning af variationen Determinations koefficient Variansanalyse F-test Model-kontrol
Simpel Lieær Regressio Opsplitig af variatioe Determiatios koefficiet Variasaalse F-test Model-kotrol Opbgig af statistisk model Specificer model Ligiger og atagelser Estimer parametre Modelkotrol Er modelle
Læs mereog Fermats lille Projekt 0.4 Modulo-regning, restklassegrupperne sætning ..., 44, 20,4,28,52,... Hvad er matematik? 3 ISBN
Projekt 0.4 Modulo-regig, restklassegruppere sætig ( p 0, ) og Fermats lille Vi aveder moduloregig og restklasser mage gage om dage, emlig år vi taler om tid, om hvad klokke er, om hvor lag tid der er
Læs mereAnalyse 1, Prøve maj Lemma 2. Enhver konstant funktion f : R R, hvor f(x) = a, a R, er kontinuert.
Alyse, Prøve. mj 9 Alle hevisiger til TL er hevisiger til Klkulus 6, Tom Lidstrøm. Direkte opgvehevisiger til Klkulus er givet med TLO, ellers er lle hevisiger til steder i de overordede fsit. Hevises
Læs mereOpsamling. Lidt om det hele..!
Opsamlig Lidt om det hele..! Kursus oversigt Hvad har vi været igeem: Deskriptiv statistik Sadsyligheder Stokastiske variable diskrete og kotiuerte Fordeliger Estimatio Test Iferes Sammeligig af middelværdier
Læs merer n E[ X n ]/n! for alle r > 0 ifølge monoton konvergens, giver potensrækketeori, at ( ) er ækvivalent med, at ρ n E[ X n ]/n!
Mometproblemet. Lad i dette afsit X betege e stokastisk variabel med mometer af ehver orde. Mometfølge (E[X ]) er derfor e vel defieret reel talfølge bestemt ved fordelige, og spørgsmålet om, de omvedt
Læs mereFormelskrivning i Word 2. Sådan kommer du i gang 4. Eksempel med skrivning af brøker 5. Brøker skrevet med småt 6. Hævet og sænket skrift 6
Dee udgave er til geemkig på ettet. Boge ka købes for kr. 5 hos EH-Mat. E y og udvidet udgave med title»symbol- og formelskrivig«er udkommet september 00. Se mere om de her. Idholdsfortegelse Formelskrivig
Læs mereMatematikkens mysterier - på et obligatorisk niveau. 7. Ligninger, polynomier og asymptoter
Matematikkes mysterier - på et obligatorisk iveau af Keeth Hase 7. Ligiger, polyomier og asymptoter Hvad er e asymotote? Og hvorda fides de? 7. Ligiger, polyomier og asymptoter Idhold 7.0 Idledig 7.1 Udsag
Læs mereProjekt 1.3 Brydningsloven
Projekt 1.3 Brydigslove Når e bølge, fx e lysbølge, rammer e græseflade mellem to stoffer, vil bølge ormalt blive spaltet i to: Noget af bølge kastes tilbage (spejlig), hvor udfaldsvikle u er de samme
Læs mereIndholdsfortegnelse Generelt Diskrete stokastiske variable: Kontinuerte stokastiske variable: Regneregler for stokastiske variable
Idholdsfortegelse Geerelt:...3 Stokastisk variabel:...3 Tæthedsfuktio/sadsylighedsfuktio for stokastisk variabel:...3 Fordeligsfuktio/sumfuktio for stokastisk variabel:...3 Middelværdi:...4 Geemsit:...4
Læs mereVejledende besvarelser til opgaver i kapitel 15
Vejledede besvarelser til opgaver i apitel 5 Opgave a) De teststatistier, ma aveder til at teste om to middelværdier er es, består af et estimat på forselle mellem middelværdiere,, divideret med et udtry
Læs mereRenteformlen. Erik Vestergaard
Reteformle Erik Vestergaard 2 Erik Vestergaard www.matematikfysik.dk Erik Vestergaard, 2010. Billeder: Forside: istock.com/ilbusca Side 4: istock.com/adresrimagig Desude ege illustratioer. Erik Vestergaard
Læs mereTeoretisk Statistik, 9. februar Beskrivende statistik
Uge 7 I Teoretisk Statistik, 9 februar 004 Beskrivede statistik Kategoriserede variable 3 Kvatitative variable 4 Fraktiler for ugrupperede observatioer 5 Fraktiler for grupperede observatioer 6 Beliggeheds-
Læs mereIMFUFA TEKST NR TEKSTER fra ROSKILDE UNIVERSITETSCENTER. Jørgen Larsen
TEKST NR 435 2004 Basisstatistik 2. udgave Jørge Larse August 2006 TEKSTER fra IMFUFA INSTITUT ROSKILDE UNIVERSITETSCENTER FOR STUDIET AF MATEMATIK OG FYSIK SAMT DERES FUNKTIONER I UNDERVISNING, FORSKNING
Læs mereUdtrykkelige mængder og Cantorrækker
Udtrykkelige mægder og Catorrækker Expressible sets ad Cator series Matematisk speciale Simo Bruo Aderse 20303870 Vejleder: Simo Kristese Istitut for Matematik Aarhus Uiversitet 208 Abstract This thesis
Læs mereAnvendt Statistik Lektion 3. Punkt- og intervalestimater Konfidensintervaller Valg af stikprøvestørrelse
Avedt Statistik Lektio 3 Pukt- og itervalestimater Kofidesitervaller Valg af stikprøvestørrelse Pukt- og itervalestimater: Motivatio Motiverede eksempel: I e udersøgelse er adele af rygere 0.27. Det aslås
Læs merePrisfastsættelse af digitale goder - Microsoft
Iteretøkoomi: risfastsættelse af digitale goder Afleveret d. 9 maj 003 Af Julie ech og Malee Aja org risfastsættelse af digitale goder - Microsoft Af Julie ech og Malee Aja org.0.0 DIGITALE GODER....0.0
Læs mereMorten Frydenberg version dato:
Morte Frdeberg versio dato: 4--4 Itroduktio til kurset Statistik Forelæsig Morte Frdeberg, Sektio for Biostatistik af Biostatistik dele af. semester kurset. Statistiske modeller Biomialfordelige Normalfordelige
Læs mereSTATISTISKE GRUNDBEGREBER
MOGENS ODDERSHEDE LARSEN STATISTISKE GRUNDBEGREBER 18 15 1 9 6 3 0 Histogram for ph 6,9 7,1 7,3 7,5 7,7 7,9 ph 13 udgave 013 FORORD Der er i dee bog søgt at give letlæst og askuelig fremstillig af de statistiske
Læs mere6 Populære fordelinger
6 Populære fordeliger I apitel 4 itroducerede vi stoastise variabler so e åde at repræsetere udfald af et esperiet på. De stoastise variabler ue være både disrete (fx terigslag) og otiuerte (fx vareægder).
Læs mereMatematisk Modellering 1 Hjælpeark
Matematisk Modellerig Hjælpeark Kaare B. Mikkelse 2005090 3. september 2007 Idhold Formler 2 2 Aalyse af k ormalfordelte prøver 2 2. Modelcheck............................................ 2 2.2 Test af
Læs mereSTATISTIK x-klasserne Gammel Hellerup Gymnasium
STATISTIK x-klassere Gammel Hellerup Gymasium Jui 209 ; Michael Szymaski ; mz@ghg.dk Idholdsfortegelse INDLEDNING...3 DESKRIPTIV STATISTIK...4 Skemaer...5 Diagrammer...8 Statistiske deskriptorer... 0 Typetal
Læs mereDATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Bi Packig Problemet David Pisiger, Projektopgave 2 Dette er de ade obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig og operatiosaalyse.
Læs mereSkitse til notat om hvor de forskellige sandsynlighedsfordelinger kan tænkes at komme fra
E6 efterår 1999 Notat 8 Jørge Larse 12. oktober 1999 Skitse til otat om hvor de forskellige sadsylighedsfordeliger ka tækes at komme fra I statistik opererer ma i vid udstrækig med et lille atal»stadardfordeliger«.
Læs mereUge 37 opgaver. Opgave 1. Svar : Starter med at definere sup (M) og inf (M) :
Uge 37 opgaver Opgave Svar : a) Starter med at defiere sup (M) og if (M) : Kigge u på side 3 i kompedie og aveder aksiom (.3) Kotiuitetsaksiomet A = x i x 2 < 2 Note til mig selv : Har søgt på ordet (iequalities)
Læs mereSTATISTISKE GRUNDBEGREBER
MOGENS ODDERSHEDE LARSEN STATISTISKE GRUNDBEGREBER med avedelse af TI 89 og Excel 8 5 9 6 3 0 Histogram for ph 6,9 7, 7,3 7,5 7,7 7,9 ph. udgave 0 FORORD Der er i dee bog søgt at give letlæst og askuelig
Læs mereNoter om kombinatorik, Kirsten Rosenkilde, februar 2008 1. Kombinatorik
Noter om ombiatori, Kirste Roseilde, februar 008 Kombiatori Disse oter er e itrodutio til ombiatori og starter helt fra bude, så e del af det idledede er siert edt for dig allerede, me der ommer også hurtigt
Læs mereA14 4 Optiske egenskaber
A4 4 Optiske egeskaber Brydigsideks Når lys træffer e græseflade mellem to materialer, kastes oget af lyset tilbage (refleksio), mes oget går igeem græseflade med foradret retig (brydig eller refraktio).
Læs mere