af om en given kombination af binomialkoefficienter svarer til en stor eller en lille sandsynlighed.
|
|
- Tobias Brøgger
- 6 år siden
- Visninger:
Transkript
1 Kapitel 22 Svag konvergens I første halvdel af 1700-tallet var stort set al sandsynlighedsregning af kombinatorisk natur. Hovedværker fra perioden er Abraham de Moivres The octrine of Chances; or, a Method for Calculating the Probabilities of Events in Play (første udgave 1718, adskillige senere kraftigt udvidede versioner), der løser et hav af problemer om hvor ofte forskellige situationer opstår i konkrete spil. Et typisk eksempel på de problemer de Moivre arbejdede med, er at finde sandsynligheden for at få mindst to seksere i løbet af otte kast med en terning. I den type problemer involverer svarene uvægerligt binomialkoefficienter. et volder ingen vanskeligheder at få mening i formlerne, så længe problemerne er små. Men binomialkoefficienter vokser ekstremt hurtigt med problemstørrelsen, og de tilgængelige tabeller slipper snart op. et kan være umådeligt vanskeligt at få en fornemmelse af om en given kombination af binomialkoefficienter svarer til en stor eller en lille sandsynlighed. I øvrigt fører regningerne også til hvad vi i dag ville kalde numeriske problemer: det typiske problem har en løsning, der er en sum, hvor hvert led er et produkt af en kæmpestor faktor (typisk en binomialkoefficient) og en lillebitte faktor (nogle sandsynligheder ophøjet til store potenser). Sådanne summer er vanskelige at finde, fordi man ikke kan give køb på nøjagtigheden nogen steder i udregningerne: det er ikke til at vide, hvor de vigtige bidrag kommer fra. e Moivre satte sig (i samarbejde og konkurrence med Stirling) for at finde approksimative udtryk for de sandsynlighedsudtryk, der skulle summeres. Målet var selvføl- 474
2 475 gelig at disse approksimationer skulle kunne udregnes umiddelbart, uden at involvere binomialkoefficienter. Resultatet er den såkaldte Stirlings formel. Vi tænker normalt på denne formel som en asymptotisk udvikling af fakultetsfunktionen (eller mere generelt af Γ-funktionen), men den primære ide bag formlen er at styre binomialsandsynligheder. e Moivre viste at hvis X 1, X 2,... er uafhængige stokastiske variable med P(X i = 1) = 1 2, P(X i = 0) = 1 2, og hvis vi sætter så vil k n (x) = [ n/2 + x n/4 ] n 2 P X i = k n (x) /2 n π e x2. i=1 enne påstand (eller i hvert fald en der er meget tæt beslægtet) er medtaget i udgaven af The octrine of Chances, lige som tilsvarende formler for asymmetriske binomialsandsynligheder. Efter lidt armbevægelser fører de til den første version af hvad der siden er blevet kendt som den centrale grænseværdisætning, P ( a ni=1 X i n/2 n/4 ) b 1 b e x2 /2 dx. (22.1) 2π Når vi taler om den centrale grænseværdisætning, er det næsten klart at vi opfatter det som en dyb, metafysisk påstand. Navnet bliver ganske vist ofte overfortolket: valget af ordet central skyldes ikke så meget vigtigheden af resultatet, men det forhold, at det er et udsagn om midten af fordelingen fremfor om halerne. Men overfortolkningen er alligevel ikke helt ved siden af - resultatet er af fundamental betydning. e Moivre så næppe noget metafysisk i den formel, han havde udledt. For ham var det bare en approksimation som så mange andre. Han var formentlig det første menneske i historien, der så på integralet på højre side af (22.1), og han forbandt intet med det. Ordet normalfordeling er en langt senere opfindelse, og de Moivre indså end ikke at der er en sandsynlighedsfordeling involveret - Laplace viste 50 år senere at normeringen er rigtig. For at forstå de Moivres vanskeligheder, skal man måske være opmærksom på et symbolerne e og π ikke var i brug på hans tid, han måtte repræsentere disse størrelser på mere tilfældige måder. Ganske mange mennesker arbejdede videre på de Moivres ideer, men succesen var i lang tid begrænset: essentielt kunne man ikke få approksimationsargumenterne til at virke for andet end binomialfordelinger. en første der for alvor fik hul på bylden var a
3 476 Kapitel 22. Svag konvergens Laplace, som i 1782 kunne gennemføre tilsvarende approksimationer for summer af variable, der antog tre værdier! et gjorde han ved hjælp af nogle umådeligt trickede substitutionsargumenter, hvor han oversatte alt til integraler involverende komplekse eksponentialfunktioner. Hans ideer svarer ganske nøje til hvad vi i dag kalder karakteristiske funktioner. et overraskende var at han fik samme type approksimerende integraler som i binomialtilfældet. Og her begynder det metafysiske princip at tage form: fordelingen af en sum af stokastiske variable afhænger stort set ikke af fordelingen af de enkelte variable! et lykkedes Laplace at give ganske generelle beviser for den centrale grænseværdisætning, hvor de indgående variable er uafhængige og identisk fordelte, alt sammen ved hjælp af karakteristiske funktioner. Gauss tog få år senere udgangspunkt i normalfordelingen i sin teori for målefejl, og siden har normalfordelingen været hjørnestenen i al statistik. I slutningen af 1800-tallet begyndte Chebyshev og hans elever (især Markov og Lyapounov) at spekulere over hvad det egentlig er der foregår i den centrale grænseværdisætning. et viser sig at der er nogle subtile forskelle mellem konvergens af fordelingsfunktioner (der essentielt er indholdet af de Moivres sætning) og konvergens af karakteristiske funktioner (hvilket siden Laplaces tid var nøglen i alle beviser). e udviklede en egentlig teori for konvergens af sandsynlighedsmål. enne teori har indbyggede vanskeligheder, fordi de intuitive begreber viser sig mindre smidige at arbejde med end nogle mere tekniske varianter Konvergens af mål efinition 22.1 En følge af sandsynlighedsmål ν 1, ν 2,... på (R k, B k ) konvergerer svagt mod et grænsesandsynlighedsmål ν, hvis f (x) dν n (x) = f (x) dν(x) for alle f C b (R k ). (22.2) lim n en kortfattede formelmæssige notation er ν n wk ν for n. enne definition af svag konvergens glimrer næppe ved sin intuitive klarhed. Men for ethvert fast θ R k ser vi at x cos(θ T x) og x sin(θ T x)
4 22.1. Konvergens af mål 477 er C b (R k )-funktioner. Hvis vi lader φ 1, φ 2,... og φ være de tilhørende karakteristiske funktioner, vil (22.2) derfor medføre at φ n (θ) = cos(θ T x) dν n (x) + i sin(θ T x) dν n (x) cos(θ T x) dν(x) + i sin(θ T x) dν(x) = φ(θ) for ethvert fast θ R k. Svag konvergens medfører altså punktvis konvergens af de karakteristiske funktioner. et er ikke indlysende, men den modsatte implikation gælder også: punktvis konvergens af karakteristiske funktioner medfører svag konvergens. et vil blive vist efter alle kunstens regler i afsnit et er konvergens af karakteristiske funktioner, der har vores hovedinteresse. Alligevel er der tradition for at bruge definition 22.1, der altså kun indirekte repræsenterer det vi ønsker. et skyldes formentlig at man på den måde hurtigere kan give eksempler, der demonstrerer rækkevidden af begrebet, end man kan hvis man tager direkte fat i konvergens af karakteristiske funktioner. Eksempel 22.2 Lad x 1, x 2,... og x være punkter i R k, og betragt de tilhørende etpunktsmål, ɛ x1, ɛ xn... og ɛ x. Hvis x n x for n, så vil ɛ xn ɛ x. For hvis f er wk en kontinuert begrænset funktion, har vi at f dɛ xn = f (x n ) f (x) = f dɛ x for n. Man kan uden stort besvær vise den modsatte implikation: hvis etpunktsmålene konvergerer svagt, så må punktfølgen konvergere i klassisk geometrisk forstand. Man kan f.eks. lade K være en lille kompakt kasse, indeholdende x, og lade V være en lidt større åben kasse. Hvis f er en bumpfunktion, der opfylder at K f V, så vil f dɛ xn f dɛ x = 1 for n, og da f dɛ xn 1 V (x n ) kan vi slutte at x n V fra et vist trin. Eksempel 22.3 På det målbare rum (R, B) lader vi ν n være det empiriske mål i punkterne 0, 1 n, 2 n,..., n 1 n. Hvis f er en begrænset kontinuert funktion, ser vi at f dν n = 1 n ( ) i 1 f. n n i=1
5 478 Kapitel 22. Svag konvergens Hvis vi sætter ser vi at f (0) f ( ) 1 n f (x) =. f ( ) n 1 n f dν n = 1 0 for x [ ) 0, 1 n for x [ 1 n, ) 2 n. for x [ n 1 n, 1) f n (x) dm(x). Kontinuiteten af f sikrer at f n (x) f (x) for alle x [0, 1), og denne konvergens er majoriseret af f. Majorantsætningen fortæller os derfor at f dν n 1 0 f (x) dm(x) for n. Så vi konstaterer at ν n konvergerer svagt mod ligefordelingen på enhedsintervallet. Bemærk at alle målene ν n i eksempel 22.3 er rent diskrete, mens grænsemålet er rent kontinuert. Omvendt skal vi senere se at man sagtens kan få en følge af kontinuerte mål til at konvergere svagt mod et diskret grænsemål, f.eks. mod et etpunktsmål. Så inden for rammerne af svag konvergens er den sædvanlige sondring mellem kontinuerte og diskrete sandsynlighedsmål er ikke så naturlig som den plejer at være. Men der er selvfølgelig stadig et vist samspil mellem begreberne: Lemma 22.4 (Scheffé) Lad ν 1, ν 2,... og ν være sandsynlighedsmål på (R k, B k ). Antag at ν n = f n µ for alle n og at ν = f µ for et passende grundmål µ. Hvis så vil ν n wk ν. lim f n(x) = f (x) for µ-næsten alle x, n BEVIS: Her er tale om et regulært trick. Vi viser at den punktvise konvergens af tæthederne medfører at tæthederne konvergerer i L 1 -forstand, altså at f n f dµ 0 for n.
6 22.1. Konvergens af mål 479 a g C b (R k ) er begrænset af g ser vi nemlig heraf at g dν n g dν = g f n g f dµ g f n f dµ 0, og den ønskede svage konvergens følger. et er ikke i almindelighed rigtigt at punktvis konvergens medfører konvergens i L 1 -forstand - der er behov for en majorisering af en art. Men lige præcis for sandsynlighedstætheder kan man snyde sig uden om dette behov. Man gør følgende snedige observation: for alle x gælder at ( f n f ) (x) = max { ( f n (x) f (x) ), 0 } = max{ f (x) f n (x), 0} f (x) a x max{ x, 0} er en kontinuert funktion, ser vi at ( f n f ) konvergerer punktvist næsten sikkert mod nul. Vi har lige konstateret at denne konvergens foregår majoriseret af den integrable funktion f, så majorantsætningen lader os slutte at ( f n f ) dµ 0 for n. Næste snedige observation er at eftersom ν n og ν begge har total masse 1, må 0 = f n dµ f dµ = f n f dµ = ( f n f ) + dµ ( f n f ) dµ. erfor har vi at f n f dµ = ( f n f ) + dµ + ( f n f ) dµ = 2 ( f n f ) dµ 0, præcis som ønsket. Eksempel 22.5 Lad ν n = N(ξ n, σ n 2 ) være en følge af reelle normalfordelinger. Hvis ξ n 0, σ n 2 1 for n, så vil ν n -målene konvergere svagt mod N(0, 1) ifølge Scheffés lemma. Konvergens af parametrene vil jo medføre at tæthederne konvergerer punktvist. et er ikke vigtigt for ræsonnementet at det lige præcis er standard normalfordelingen, der optræder som grænse. Hvis ξ n ξ, σ n 2 σ 2 for n,
7 480 Kapitel 22. Svag konvergens for et ξ R og et σ 2 > 0, så vil ν n -målene konvergere svagt mod N(ξ, σ 2 ). Vi skal senere se at konklusionen enddog kan opretholdes hvis σ 2 n 0, hvis man ved normalfordelingen med varians 0 forstår etpunktsmålet i middelværdien. Svag konvergens er et begreb, der giver mening for følger af sandsynlighedsmål. Men i anvendelserne er det som regel mere naturligt at formulere sig ved hjælp af stokastiske variable, og det giver anledning til en lidt anden sprogbrug. efinition 22.6 En følge af stokastiske variable X 1, X 2,..., defineret på et fælles baggrundsrum (Ω, F, P) og med værdier i R k, konvergerer i fordeling mod en grænsevariabel X, symbolsk skrevet X n X, hvis de tilhørende billedemål X 1 (P), X 2 (P),... konvergerer svagt mod billedemålet X(P). Ved at bruge integraltransformationssætningen kan vi få en mere direkte måde at formulere konvergens i fordeling på. er gælder at X n X hvis lim n f (X n ) dp = f (X) dp for alle f C b (R k ). Et eventuelt grænsesandsynlighedsmål for svag konvergens er entydigt bestemt - hvis vi et øjeblik forestiller os to grænsemål, kan vi jo se at de må have samme karakteristiske funktion, og dermed være ens. Men forholdene er lidt mere indviklede for konvergens i fordeling. Grænsen er i virkeligheden et sandsynlighedsmål ν på R k, og alle stokastiske variable med dette sandsynlighedsmål som fordeling kan bruges som grænsevariabel. En formulering af de Moivre-Laplaces sætning (22.1) kunne lyde at hvis S n for hvert n er binomialfordelt med længde n og successandsynlighed 1/2, så vil S n n/2 n/4 X hvor X er en N(0, 1)-fordelt variabel. Men grænsevariablen X kan uden videre erstattes af X, eller af en hvilken som helst anden variabel, der blot er standard normalfordelt.
8 22.2. Karakteristiske funktioner og svag konvergens 481 Sætning 22.7 Lad X 1, X 2,... og X være stokastiske variable med værdier i R k, og lad h : R k R m være en kontinuert afbildning. Hvis X n X, så vil h(xn ) h(x). BEVIS: Hvis g : R m R er en kontinuert, begrænset funktion, så vil g h være en kontinuert, begrænset funktion defineret på R k. erfor vil g ( h(x n ) ) dp = g h(x n ) dp g h(x) dp = g ( h(x) ) dp, præcis som ønsket Korollar 22.8 Lad X 1, X 2,... og X være stokastiske variable med værdier i R k, og lad Y 1, Y 2,... og Y være stokastiske variable med værdier i R m. Hvis ( Xn Y n ) ( X Y ) så vil X n X og Yn Y. BEVIS: Anvend sætning 22.7 på de naturlige projektioner R k+m R k og R k+m R m Karakteristiske funktioner og svag konvergens efinition 22.9 En familie (ν i ) i I af sandsynlighedsmål på (R k, B k ) er uniformt tight, hvis der for hvert ɛ > 0 findes en kompakt mængde K så ν i (K) > 1 ɛ for alle i I.
9 482 Kapitel 22. Svag konvergens En familie bestående af et enkelt sandsynlighedsmål ν er automatisk uniformt tight. er gælder jo at [ m, m] k = R k, m=1 så sandsynlighedsmålets kontinuitetsegenskaber sikrer at ν ( [ m, m] k) 1 for m, og disse kasser er naturligvis allesammen kompakte. Et andet trivielt resultat er at hvis vi har to familier, der begge er uniformt tighte, så er foreningen af de to familier også uniformt tight - hvis man til et givet ɛ har en kompakt mængde K 1 til den ene familie og en kompakt mængde K 2 til den anden, så kan man bruge K 1 K 2 til dem begge. Kombineres disse observationer ser vi at enhver endelig familie af sandsynlighedsmål er uniformt tight. e ikke-trivielle forhold opstår i forbindelse med uendelige samlinger af sandsynlighedsmål. Lemma Lad ν 1, ν 2,... og ν være sandsynlighedsmål på (R k, B k ). Hvis ν n wk ν, så er familien ν 1, ν 2,... uniformt tight. BEVIS: Lad ɛ > 0 være givet, og find en kompakt mængde K så µ(k) > 1 ɛ. Vi kan uden indskrænkning antage at K er en kasse af formen [ m, m] k. Lad f være en bumpfunktion, der opfylder at [ m, m] k f ( m 1, m + 1) k. a har vi at f dν n f dν for n, og da f dν ν ( [ m, m] k) > 1 ɛ, ser vi at der findes et N så ( ν ) n [ m 1, m + 1] k f dν n > 1 ɛ for n N. (22.3) Familien ν 1,..., ν N 1 er uniformt tight, så ved om nødvendigt at vælge et større m kan vi sikre at (22.3) også er opfyldt for små n-værdier.
10 22.2. Karakteristiske funktioner og svag konvergens 483 Uniform tightness er altså en nødvendig betingelse for svag konvergens. Når man skal vise svag konvergens gør man det ofte i to trin: først viser man uniform tightness, og dernæst samler man de løse ender og binder en sløjfe. e store udfordringer ligger som regel i det første trin af dette program. Lemma Lad (ν i ) i I være en familie af sandsynlighedsmål på (R k+m, B k+m ). Lad π 1 : R k+m R k og π 2 : R k+m R m være de naturlige projektioner. Hvis de to familier af sandsynlighedsmål ( π1 (ν i ) ) ( i I og π2 (ν i ) ) i I begge er uniformt tighte, så er den oprindelige familien (ν i ) i I uniformt tight. BEVIS: Lad ɛ > 0 være givet. Når ( π 1 (ν i ) ) i I mængde K 1 R k, så er uniformt tight, findes en kompakt ν i (K 1 R m ) = π 1 (ν i )(K 1 ) > 1 ɛ/2 for alle i I. Tilsvarende, når ( π 2 (ν i ) ) i I er uniformt tight, findes en kompakt mængde K 2 R m, så ν i (R k K 2 ) = π 2 (ν i )(K 2 ) > 1 ɛ/2 for alle i I. Eftersom ( K1 K 2 ) c ( K 1 R m)c ( R k K 2 ) c følger det at ν i (( K1 K 2 ) c ) νi (( K1 R m) c ) + ν i (( R k K 2 ) c ) < ɛ for alle i I. a K 1 K 2 er en kompakt delmængde af R k+m følger det ønskede. ette resultat viser problemerne med uniform tightness essentielt er etdimensionale. Man kan se på de marginale fordelinger koordinat for koordinat, og er de alle uniformt tighte, så er den oprindelige familie af sandsynlighedsmål også uniformt tight. Lemma Lad ν 1, ν 2,... og ν være sandsynlighedsmål på den reelle akse (R, B), med karakteristiske funktioner φ 1, φ 2,... og φ. Hvis så er familien ν 1, ν 2,... uniformt tight. lim φ n(θ) = φ(θ) for alle θ R, n
11 484 Kapitel 22. Svag konvergens BEVIS: Grænsefunktionen φ er kontinuert og opfylder at φ(0) = 1. Specielt kan vi for givet ɛ finde et u > 0 så ermed er 1 u u u Majorantsætningen fortæller at 1 u u 1 φ(θ) < ɛ for θ < u (1 φ(θ)) dθ 1 u u(1 φ n (θ)) dθ 1 u u u u u 1 φ(θ) dθ < ɛ. (1 φ(θ)) dθ for n, og da integralerne på grund af den konjugerede symmetri er reelle, ser vi at der findes et N så 1 u (1 φ n (θ)) < ɛ for n N. u u et følger nu af sætning at ([ ν n 2 u, 2 ] c ) < ɛ for n N. u Ved eventuelt at gøre u mindre, kan vi sikre at betingelsen også er opfyldt for de første endeligt mange ν n er. Sætning Lad ν 1, ν 2,... og ν være sandsynlighedsmål på (R k, B k ), med karakteristiske funktioner φ 1, φ 2,... og φ. Hvis så er familien ν 1, ν 2,... uniformt tight. lim φ n(θ) = φ(θ) for alle θ R k,, n BEVIS: Hvis h : R k R m er den lineære afbildning h(x) = Bx for x R k, for en passende m k matrix B, så følger det af sætning at de karakteristiske funktioner ψ n for billedmålene h(ν n ) har formen ψ n (θ) = φ n (B T θ) for θ R m.
12 22.2. Karakteristiske funktioner og svag konvergens 485 Tilsvarende har billedmålet h(ν) karakteristisk funktion ψ(θ) = φ(b T θ) for θ R m. Heraf følger det at ψ n (θ) ψ(θ) for alle θ - vi ser at konvergens af karakteristiske funktioner bliver bevaret når målene udsættes for en lineær transformation. Bruges denne observation på koordinatprojektionerne ˆX 1,..., ˆX k : R k R, givet ved ˆX i x 1. x k = x i for i = 1,..., k, ser vi at de karakteristiske funktioner for de etdimensionale marginale fordelinger ˆX i (ν n ) konvergerer. Ifølge lemma betyder det at familierne ˆX i (ν n ) for hvert fastholdt i udgør en uniformt tight følge af sandsynlighedsmål på den reelle akse. Og kombineres det med lemma 22.11, ser vi at den oprindelige familie ν 1, ν 2,... på R k er uniformt tight. Sætning (Kontinuitetssætningen) Lad ν 1, ν 2,... og ν være sandsynlighedsmål på (R k B k ), med karakteristiske funktioner φ 1, φ 2,... og φ. Hvis lim φ n(θ) = φ(θ) for alle θ R k, n wk så vil ν k ν for n. BEVIS: Vi betragter f C b (R k ). Lad ɛ > 0 være givet. Ifølge sætning er ν 1, ν 2,... uniformt tight, så der findes en passende stor terning [ m, m] k så ( ν ) n [ m, m] k ɛ > 1 for alle n. 2 f + 1 Ved eventuelt at gøre m endnu større, kan vi sikre os at der også gælder at ν ( [ m, m] k) > 1 ɛ 2 f + 1. Korollar lader os finde et generaliseret trigonometrisk polynomium p, så p f + 1 og så sup θ [ m,m] k f (θ) p(θ) ɛ.
13 486 Kapitel 22. Svag konvergens For hvert af de involverede sandsynlighedsmål er f dν n p dν n f p dν n + f p dν n [ m,m] k ([ m,m] k (( c ɛ + (2, f + 1)ν n [ m, m] k ) c ) 2ɛ. En tilsvarende ulighed gælder naturligvis for grænsemålet ν. ermed er f dν n f dν f p dν n + p dν n p dν + f p dν 4ɛ + p dν n p dν en punktvise konvergens af de karakteristiske funktioner medfører at p dν n p dν for n, og derfor ser vi at vi kan vælge N så stor at f dν n f dν 6ɛ for n N. Og det viser den ønskede svage konvergens. er findes en udvidelse af kontinuitetssætningen, der fortæller at blot de karakteristiske funktioner φ n konvergerer punktvist mod en eller anden funktion φ, og hvis denne grænsefunktion er kontinuert i 0, så er φ nødvendigvis den karakteristiske funktion for et sandsynlighedsmål ν - og følgelig må vi have svag konvergens af de bagvedliggende sandsynlighedsmål mod ν. er er mange interessante korollarer af kontinuitetssætningen. Nogle af dem har at gøre med hvor mange funktioner man egentlig behøver at checke betingelse (22.2) efter på for at etablere svag konvergens. A priori skal vi have fat i alle de kontinuerte, begrænsede funktioner, men kontinuitetssætningen tillader en drastisk reduktion - det er nok at checke betingelsen efter for de elementære trigonometriske funktioner. I mange tilfælde er det mest praktisk med en mellemvariant, hvor man checker (22.2) efter for en klasse af funktioner, der indeholder alle de simple trigonometriske funktioner, men som ikke tilnærmelsesvis er hele C b (R k ). et kan være fordi det argument man anvender, ikke har noget særligt at gøre med trigonometriske funktioner,
14 22.2. Karakteristiske funktioner og svag konvergens 487 og at fokusering på sinus og cosinus forplumrer billedet med for mange partikulære detaljer. Ofte brugte klasser af funktioner er de begrænsede, uniformt kontinuerte funktioner og de begrænsede, uendeligt ofte differentiable funktioner. En korollar i en anden retning tillader os at undersøge svag konvergens af en følge af sandsynlighedsmål på R k, ved at undersøge svag konvergens i en række etdimensionale situationer: Sætning (Cramér-Wolds device) Lad X 1, X 2,... og X være stokastiske variable med værdier i R k. Hvis v T X n v T X for alle v R k, så vil X n X. BEVIS: Lad φ 1, φ 2,... og φ være de karakteristiske funktioner for X 1, X 2,... og X. Hvis vi regner den karakteristiske funktion for v T X ud i argumentet 1, fås φ v (1) = e i vt X = φ(v), og tilsvarende for de andre variable. erfor ser vi at φ n (v) = φ n v (1) φ v (1) = φ(v) for n for hvert v R k. Så antagelsen sikrer at de karakteristiske funktioner for X 1, X 2,... konvergerer punktvist mod den karakteristiske funktion for X. Altså vil X n konvergere mod X i fordeling. Et device er et hjælpemiddel (eller i denne sammenhæng nærmest et trick). Og Cramér-Wolds device er vitterligt et hjælpemiddel, der næsten trivialiserer arbejdet med flerdimensional svag konvergens: kan man vise en sætning i en dimension, er det næsten altid trivielt at udvide den til en flerdimensional ramme.
15 488 Kapitel 22. Svag konvergens 22.3 Fordelingsfunktioner og svag konvergens Som vi har været inde på nogle gange, er et konvergensbegreb for sandsynlighedsmål, baseret på konvergens af karakteristiske funktioner, måske ikke det mest oplagte sted at tage fat. Specielt ikke i lyset af at de Moivre-Laplaces sætning, der ligger under hele diskussionen, taler om konvergens af fordelingsfunktioner. Men begreberne er selvfølgelig til en vis grad beslægtede: Lemma Lad ν 1, ν 2,... og ν være sandsynlighedsmål på den reelle akse (R, B), wk med tilhørende fordelingsfunktioner F 1, F 2,... og F. Hvis ν n ν og hvis x 0 er et kontinuitetspunkt for F, så vil F n (x 0 ) F(x 0 ) for n. BEVIS: For fast ɛ vælger vi kontinuerte begrænsede funktioner f og g, der opfylder at 1 (,x0 ɛ] f 1 (,x0 ] og 1 (,x0 ] g 1 (,x0 +ɛ]. Man kan f.eks. vælge f og g stykkevist affine, analogt med bumpfunktionerne i figur Vi ser at F(x 0 ɛ) f dν = lim f dν n lim inf F n (x 0 ). n Tilsvarende er F(x 0 + ɛ) g dν = lim n Vi kan samle disse uligheder og opnå at g dν n lim sup F n (x 0 ). F(x 0 ɛ) lim inf F n (x 0 ) lim sup F n (x 0 ) F(x 0 + ɛ). Lader vi ɛ 0 kan vi udnytte at x 0 er et kontinuitetspunkt for F. et følger at F(x 0 ɛ) F(x 0 ) og at F(x 0 + ɛ) F(x 0 ). erfor opnår vi ulighederne F(x 0 ) lim inf F n (x 0 ) lim sup F n (x 0 ) F(x 0 ), og de viser det ønskede.
16 22.3. Fordelingsfunktioner og svag konvergens 489 Umiddelbart virker det sikkert overraskende at lemma kun udtaler sig om opførslen af fordelingsfunktionerne i kontinuitetspunkterne for grænsesandsynlighedsmålet. er er trods alt højst tælleligt mange diskontinuitetspunkter, og man kunne godt forvente at resultatet kunne udstrækkes til disse punkter også ved en eller anden form for approksimation med kontinuitetspunkter. Men det kan man faktisk ikke - svag konvergens tillader os ikke at sige noget om hvad der sker med fordelingsfunktionerne i diskontinuitetspunkter for grænsemålet! Eksempel På den reelle akse (B, B) betragter vi etpunktsmålet ν n i punktet 1 n, wk og etpunktsmålet ν i punktet 0. Ifølge eksempel 22.2 vil ν n ν. Men hvis vi ser på fordelingsfunktionernes værdi i 0, så er F n (0) = 0 for alle n, F(0) = 1. Så der er ingen chance for at fordelingsfunktionerne F n skulle konvergere punktvist mod grænsefordelingsfunktionen F i alle punkter. Som et kuriosum kan man prøve at gentage øvelsen med etpunktsmålene i punkterne 1, 1 2, 1 3,.... isse mål konvergerer svagt mod etpunktsmålet i 0 som før. Situationen ligner til forveksling den vi lige har diskuteret. Men denne gang har vi faktisk punktvis konvergens af fordelingsfunktionerne i alle punkter! Så problemet med manglende konvergens af fordelingsfunktioner i visse punkter opstår ikke blot fordi der er en diskontinuitet i grænsefordelingen. et er et udtryk for nogle ganske subtile fænomener, der vedrører hvordan målene undervejs opfører sig i forhold til grænsemålets diskontinuitet. Eksempel viser at punktvist konvergens af fordelingsfunktioner og punktvis konvergens af karakteristiske funktioner simpelthen ikke er det samme begreb. Men hvis vi slækker kravet om punktvis konvergens af fordelingsfunktioner fra at det skal gælde i alle punkter til at det skal gælde i mange punkter, så kan man faktisk formulere svag konvergens på denne måde: Sætning Lad ν 1, ν 2,... og ν være sandsynlighedsmål på den reelle akse wk (R, B), med tilhørende fordelingsfunktioner F 1, F 2,... og F. er gælder at ν n ν hvis og kun hvis der findes en tæt delmængde A R sådan at lim F n(x) F(x) for alle x A. (22.4) n
17 490 Kapitel 22. Svag konvergens BEVIS: Hvis vi har at ν n wk ν, så følger det af lemma at (22.4) holder for alle x R \ (ν), hvor (ν) er springpunkterne for ν. Ifølge lemma 14.8 kan der højst være tælleligt mange springpunkter, så R \ (ν) er den tæt delmængde af den reelle akse. Så lad os omvendt antage at der findes en tæt delmængde A R hvorpå (22.4) holder. Lad f være en C b (R)-funktion, og lad ɛ > 0 være givet. a F(x) konvergerer mod henholdsvis 0 og 1 for x ±, kan vi finde a og b så F(a) < ɛ f, F(b) > 1 ɛ f. er gælder trivielt at f f (x) f for alle x, og dermed er specielt f ν ( (, a] ) f dν f ν ( (, a] ). (,a] En tilsvarende vurdering gælder naturligvis for integralet over den anden hale. Valget af a og b sikrer derfor at ɛ f dν ɛ, ɛ f dν ɛ. (,a] Ved eventuelt at gøre a lidt mindre og b lidt større, kan vi antage at de begge ligger i mængden A, og (22.4) sikrer derfor at vi kan finde et N så F n (a) < ɛ f, F n(b) > 1 ɛ f (b, ) for n N. (22.5) Gentages argumenterne ovenfor ser vi at ɛ f dν n ɛ, ɛ (,a] (b, ) f dν n ɛ for alle n N. Hvis vi samler oplysningerne kan vi konkludere at f dν n f dν (,a] (,a] 2ɛ, (b, ) f dν n (b, ) f dν 2ɛ, for alle n N. Vi viser nu at vi - ved eventuelt at gøre N større - har at f dν n f dν 3ɛ for n N. (22.6) (a,b] (a,b]
18 22.3. Fordelingsfunktioner og svag konvergens 491 I så fald vil f dν n f dν (,a] + f dν n (b, ) 2ɛ + 3ɛ + 2ɛ, (,a] f dν n (b, ) f dν + f dν (a,b] f dν n (a,b] f dν for n N, hvilket naturligvis medfører den ønskede svage konvergens. For at vise (22.6) bemærker vi at den kontinuerte funktion f må være uniformt kontinuert på det kompakte interval [a, b]. Vi kan derfor finde et δ > 0, så x, y [a, b], x y < δ f (x) f (y) < ɛ. Vi kan vælge en inddeling af intervallet [a, b], a = y 0 < y 1 <... < y M 1 < y M = b, sådan at y n y n 1 < δ for alle n, og så alle y erne ligger i A. Man kan f.eks. starte med at finde et ækvidistant gitter mellem a og b med naboafstand ρ < δ/2, og derefter vælge et A-punkt inden for afstand ρ/2 af hvert af de primære gitterpunkter. e modificerede gitterpunkter ligger i samme rækkefølge som de primære gitterpunkter, og de har en naboafstand på højst 2ρ < δ. Ud fra dette gitter konstruerer vi funktionen g som hvor g = M m i 1 (yi 1,y i ], i=1 m i = min { f (y) y [y i 1, y i ]} for i = 1,..., M. Pointen med denne definition er at de involverede minima tages over så små intervaller at vi er sikre på at g(x) f (x) g(x) + ɛ for alle x (a, b]. Vi bemærker endvidere at M ( g dν n = m i Fn (y i ) F n (y i 1 ) ) i=1 M ( m i F(yi ) F(y i 1 ) ) = i=1 g dν
19 492 Kapitel 22. Svag konvergens for n. ermed er (a,b] f dν n (a,b] f dν f dν n g dν n + (a,b] (a,b] + g dν f dν (a,b] (a,b] ɛ + g dν n g dν + ɛ (a,b] (a,b] (a,b] g dν n (a,b] g dν hvilket er mindre end 3ɛ når n er stor nok. Vi interesserer os mest for svag konvergens i situationer hvor grænsemålet er en normalfordeling. I det tilfælde forsvinder sondringen mellem konvergens af fordelingsfunktioner og konvergens af karakteristiske funktioner, for grænsemålet har ingen diskontinuitetspunkter. et er ganske vanskeligt at komme med en umiddelbart overbevisende pædagogisk forklaring på, hvorfor man vælger at formulere den centrale grænseværdisætning i termer af konvergens af karakteristiske funktioner mod den karakteristiske funktion for en normalfordeling, fremfor i termer af konvergens af fordelingsfunktioner - når de to ting nu siger det samme, skulle man tro at man valgte den mest intuitive variant. Men fordelingsfunktioner er essentielt et etdimensionalt begreb - det er svært at arbejde med punktvis konvergens af flerdimensionale fordelingsfunktioner, og specielt er der problemer med at få en variant af Cramér-Wolds device til at gælde. Når man arbejder med svag konvergens vil man opdage at det er essentielt at man kan passere smertefrit frem og tilbage mellem én og flere dimensioner, også selv om ens primære interesse er rettet mod etdimensionale resultater. Så forklaringen på valget af konvergensbegreb er en kombination af, at beviset for den centrale grænseværdisætning under alle omstændigheder passerer via karakteristiske funktioner, og at karakteristiske funktioner tillader den smidigste passage frem og tilbage mellem dimensionerne. Når man har vænnet sig til at arbejde med disse ting, kommer konvergens af karakteristiske funktioner uvægerligt til at fremstå som det egentlige, mens konvergens af fordelingsfunktioner bliver en slags biting.
20 22.4. Svag konvergens og konvergens i sandsynlighed Svag konvergens og konvergens i sandsynlighed Vi erindre at en følge af stokastiske variable X 1, X 2,... med værdier i R k konvergerer i sandsynlighed mod et punkt x R k P, skrevet X n x, hvis P( X n x > ɛ) 0 for n. for alle ɛ > 0. Konvergens i sandsynlighed mod et punkt kan formuleres i termer af konvergens i fordeling - eller svag konvergens, om man vil: Lemma Lad X 1, X 2,... og X være stokastiske variable med værdier i R k, og antag at P(X = x) = 1. a gælder at X n P x Xn X. BEVIS: Antag at X n X. Tag et ɛ > 0, og find to små kasser så x k i=1 [a i, b i ] k i=1 (c i, d i ) B(x, ɛ). Vælg en bumpfunktion f så k i=1 [a i, b i ] f k i=1 (c i, d i ). a ser vi at 1 B(x,ɛ) c 1 f. a 1 f er en C b -funktion, får vi derfor at (1 P( X n x > ɛ) = 1 B(x,ɛ) c(x n ) dp f (Xn ) ) (1 ) dp f (X) dp = 0. Og vi kan konkludere at X n P x. P Antag omvendt at X n x. Lad f være en Cb (R k )-funktion, og lad ɛ > 0 være givet. a f er kontinuert i x, findes et δ > 0 så y x < δ f (y) f (x) < ɛ.
21 494 Kapitel 22. Svag konvergens ermed er f (X n ) dp f (X) dp = f (X n ) f (x) dp f (X n ) f (x) dp + ( X n x <δ) ɛ + 2 f P ( X n x δ ). ( X n x δ) f (X n ) f (x) dp Vi ser at hvis N vælges stor nok, vil f (X n ) dp f (X) dp 2ɛ for n N. a f og ɛ var vilkårlige, følger det nu at X n X. Hvis vi har to følger af stokastiske variable, der begge konvergerer i fordeling, X n X, Yn Y, så gælder der i almindelighed ikke at sammenbundtningen (X n, Y n ) konvergerer i fordeling, hverken mod (X.Y) eller mod noget som helst andet. En eventuel konvergens af (X n, Y n ) har at gøre med følgen af simultane fordelinger, og der ligger simpelthen ikke nogen information om disse simultane fordelinger i en oplysning om at der er marginal konvergens i fordeling. Som et ekstremt eksempel kan man se på den situation hvor alle X n erne har samme fordeling, og hvor alle Y n erne har samme fordeling. et følger ikke heraf at de simultane fordelinger opfører sig pænt på nogen måde. Men i visse situation kan man fastholde konvergens i fordeling, også af de sammenbundtede variable. En ofte opstående situation hvor man har tilstrækkelig kontrol over tingene, er den hvor en af følgerne konvergerer i sandsynlighed: Lemma Lad X 1, X 2,... og X være stokastiske variable med værdier i R k, lad Y 1, Y 2,... være stokastiske variable med værdier i R m, og lad y være en vektor i R m. Hvis X n X, Yn P y så vil sammenbundtningen (X n, Y n ) konvergere i fordeling mod grænsevariablen (X, y).
22 22.4. Svag konvergens og konvergens i sandsynlighed 495 BEVIS: Lad f C b (R k+m ), og antag at f er uniformt kontinuert. For et givet ɛ findes et δ, så (x, z) x(x, z ) < δ f (x, z) f (x, z ) < ɛ. Vi skal kun bruge det på to punkter, der har samme 1. koordinat, så den formel vi i virkeligheden udnytter er z z < δ f (x, z) f (x, z ) < ɛ. Vi skal vurdere på f (X n, Y n ) dp f (X, y) dp. (22.7) enne forskel kan naturligt vurderes op ved f (X n, Y n ) f (X n, y) dp + f (X n, y) f (X, y) dp et første integral kan vurderes yderligere op ved at udnytte den uniforme kontinuitet af f, f (X n, Y n ) f (X n, y) dp ɛp( Y n y < δ ) + 2 f P ( Y n y δ ) hvilket er mindre end 2ɛ når n er stor nok. Sætning 22.7 brugt på indlejringsafbildningen x (x, y), giver at (X n, y) (X, y). (22.8) erfor vil f (X n, y) f (X, y) dp < ɛ, når n er stor nok. Og som konsekvens er (22.7) mindre end 3ɛ når n er stor nok. et følger af bemærkningen p. 487 at det er nok at checke (22.2) efter for uniformt kontinuerte, begrænsede funktioner for at påvise svag konvergens. Så vi har nu vist at (X n, Y n ) konvergerer mod (X, y) i fordeling. Når dette lemma kombineres med sætning 22.7, har det et væld af konsekvenser, der smidiggør arbejdet med svag konvergens. For eksempel følgende trivialitet:
23 496 Kapitel 22. Svag konvergens Korollar (Slutsky) Lad X 1, X 2,..., Y 1, Y 2,... og X være stokastiske variable med værdier i R k. Hvis X n X, Yn P 0 så vil X n + Y n X. BEVIS: et følger af lemma at (X n, Y n ) konvergerer i fordeling mod (X, 0). Kombineres det med sætning 22.7, brugt på den kontinuerte afbildning (x, y) x + y, følger resultatet. Korollar Lad X 1, X 2,... og X være stokastiske variable med værdier i R k og lad Y 1, Y 2,... være reelle stokastiske variable. Hvis X n X, Yn P 1 så vil Y n X n X. BEVIS: et følger af lemma at (X n, Y n ) konvergerer i fordeling mod (X, 1). Kombineres det med sætning 22.7, brugt på den kontinuerte afbildning (x, y) y x, følger resultatet Store tals lov en klassiske store tals lov (se afsnit 17.3) siger at hvis X 1, X 2,... er uafhængige og idenstisk fordelte variable med 2. moment, så vil 1 n n P X i EX1. i=1 I denne formel optræder 2. momentet ikke, men variansen optræder i beviset som en størrelse der tvinger halerne for gennemsnittene ind mod EX 1.
24 22.5. Store tals lov 497 Ved hjælp af den udviklede teori for svag konvergens er vi nu i stand til at give et bevis for store tals lov, der ikke kræver at de indgående variable har 2. moment - det viser sig at eksistensen af middelværdien tilstrækkelig. Lemma Lad z og w være to komplekse tal. Hvis z 1 og w 1, vil z n w n n z w. BEVIS: Vi ser at z n w n z n z n 1 w + z n 1 w w n = z n 1 z w + w z n 1 w n 1 z w + z n 1 w n 1. Ved induktiv brug giver denne vurdering det ønskede. Lemma Lad z være et komplekst tal. Hvis z 1 er er e z (1 + z) z 2. BEVIS: Størrelsen 1 + z er de to første led i potensrækkefremstillingen af den komplekse eksponentialfunktion. erfor har vi at e z (1 + z) z = n n! z n 2 z 2 z 2 1 n! n!. n=2 For at få styr på summen af de reciprokke fakulteter, kan man f.eks. udnytte at N n=2 1 N n! 1 N n(n 1) = n=2 n=2 n=2 ( 1 n 1 1 n n=2 ) = 1 1 N for alle N, og den uendelige sum bliver derfor højst 1.
25 498 Kapitel 22. Svag konvergens Sætning (Store tals lov, udvidet version) Lad X 1,..., X n være uafhængige, identisk fordelte reelle stokastiske variable med middelværdi ξ. er gælder at 1 n n P X i ξ. (22.9) i=1 BEVIS: Lad X 1 have karakteristisk funktion φ. Foldningsformlen for karakteristiske funktioner fortæller at 1 n ni=1 X i har karakteristisk funktion ( θ ) n ψ n (θ) = φ for θ R. n Konvergens i sandsynlighed er det samme som konvergens i fordeling mod et etpunktsmål, og etpunktsmålet i ξ har karakteristisk funktion ψ(θ) = e i ξ θ for θ R. Udfordringen er således at vise at ψ n (θ) ψ(θ) for n for hvert fast θ. Ved først at bruge lemma og dernæst lemma ser vi at ( ψ n (θ) ψ(θ) = θ ) n φ ( ) e i ξ θ n ( n n θ ) n φ e i ξ θ n n ( n θ ) ( φ 1 + i ξ θ ( + n n n) 1 + i ξ θ ) e i ξ n θ n ( n θ ) ( φ 1 + i ξ θ + n n n) i ξ θ 2 n Sidste led går tydeligvis mod nul, så problemet er at styre første led. Men sætning fortæller at φ er differentiabel i 0 med differentialkvotient i ξ. Hvis θ n er en reel talfølge, der konvergerer mod nul, så vil Eller anderledes formuleret: φ (θ n ) 1 θ n i ξ for n. 1 θ n φ(θn ) 1 i ξ θ n 0 for n. Bruges det på talfølgen θ/n fås netop at første led i ovenstående vurdering går mod nul.
26 22.6. Asymptotisk normalitet 499 e fleste af de stokastiske variable man støder på i statistik og i andre anvendelser af sandsynlighedsregning har momenter af enhver orden, så udvidelsen er ikke til den store nytte i praksis. Men ud fra et filosofisk synspunkt er den uhyre tilfredsstillende: store tals lov er på mange måder rygraden i den frekventistiske opfattelse af sandsynlighedsregning, og de svækkede betingelser viser hvor lidt der skal til før de asymptotiske stabiliseringer finder sted Asymptotisk normalitet En speciel form for svag konvergens mod en normalfordeling optræder så ofte at den har fået sin egen betegnelse: efinition Lad X 1, X 2,... være stokastiske variable på (Ω, F, P) med værdier i (R k, B k ), lad ξ R k være en vektor og lad Σ være en positivt semidefinit k k matrix. a er X n asymptotisk normalfordelt med parametre ( ξ, 1 n Σ), skrevet as X n N (ξ, 1n ) Σ, hvis n (Xn ξ) N (0, Σ) for n. Med denne definition kan vi formulere de Moivre-Laplaces sætning (22.1) som 1 n S n N ( ) 1 2, 1 4 n for n. Mange varianter af den centrale grænseværdisætning formuleres netop i termer af asymptotisk normalitet. Lemma Lad X 1, X 2,... og X være stokastiske variable med værdier i R k, og antag at n X n X. a vil Xn P 0.
27 500 Kapitel 22. Svag konvergens BEVIS: a n X n konvergerer i fordeling, udgør de tilhørende fordelinger en uniformt tight familie af sandsynlighedsmål på R k. For givet δ > 0 findes derfor en konstant C så P ( n Xn > C ) < δ for alle n N. For givet ɛ > 0 kan vi vælge N så stort at C/ N < ɛ. Og dermed er P ( X n > ɛ) P ( X n > C/ n ) < δ for n N. Heraf følger det at X n P 0 som ønsket. Som en oplagt anvendelse af dette lemma har vi at ( as X n N ξ, 1 ) n Σ P X n ξ. (22.10) Men udsagnet om asymptotisk normalitet er meget stærkere end som så, for det fortæller ganske præcist hvordan fordelingen af X n koncentrerer sig om ξ for store n. en fundamentale kilde til resultater om asymptotisk normalitet er de forskellige varianter af den centrale grænseværdisætning, som vi skal se i kapitel 23. Men i anvendelserne har man ofte brug for at vide at andre typer processer er asymptotisk normalfordelte. et er derfor heldigt at asymptotisk normalitet bevares under en række operationer, man naturligt vil udsætte stokastiske variable for, ikke mindst transformation med differentiable funktioner: Sætning Lad X 1, X 2,... og X være stokastiske variable med værdier i R k, og antag at n X n X. Hvis f : R k R m er en målelig afbildning, der opfylder at f (0) = 0, og der er differentiabel i 0 med afledet f (0) = A, så vil n f (Xn ) A X. BEVIS: Lad os definere en funktion ɛ : R k \ {0} R k, givet ved at f (x) = Ax + x ɛ(x) for alle x 0,
28 22.6. Asymptotisk normalitet 501 ifferentiabilitetsantagelsen sikrer at ɛ(x) 0 for x 0. Vi har at n f (Xn ) = n ( A X n + X n ɛ(x n ) ) = A n X n + n Xn ɛ(xn ) et er klart at A n X n AX, så resultatet følger af Sluskys lemma hvis a ɛ(x) 0 for x 0 findes der for givet δ > 0 et ρ så n X n ɛ(xn ) P 0. (22.11) x < ρ ɛ(x) δ. ermed er P ( ɛ(x n ) > δ ) P ( X n ρ ) 0 for n, så ɛ(x n ) P 0. Eftersom n Xn X følger det af lemma at ( n Xn, ɛ(xn ) ) ( X, 0). Sammensættes nu med den sædvanlige kontinuerte multiplikationsafbildning fås at n X n ɛ(xn ) 0. Og vi konkluderer derfor at (22.11) er opfyldt. Sætning (eltametoden) Lad X 1, X 2,... og X være stokastiske variable med værdier i R k, og lad f : R k R m være målelig. Hvis as X n N (ξ, 1n ) Σ. og hvis f er differentiabel i ξ, så vil ( f (X n ) as N f (ξ), 1 ) n f (ξ) Σ f (ξ)t.
29 502 Kapitel 22. Svag konvergens BEVIS: er er essentielt tale om en oversættelse af sætning Vi har at n (X n ξ) konvergerer i fordeling mod en stokastisk variabel X, der er N(0, Σ)-fordelt. Afbildningen g(x) = f (x + ξ) f (ξ) er differentiabel i 0 med g(0) = f (ξ), og derfor vil n ( f (Xn ) f (ξ) ) = n g(x n ξ) f (ξ) X. Fordelingen af grænsevariablen følger af sætning Når man refererer til sætning under navnet deltametoden er det en sprogbrug, der er lånt fra fysikken. Man skal tænke på X n som middelværdien ξ plus et lillebitte stokastisk størrelse δ n. Ja, δ n er så lille at den rent ud sagt er infinitesimalt, og derfor kan man for alle praktiske forhold lade som om f er affin. et er typisk fysikjargon at formulere sig i termer af sådanne infinitesimale δ er. I praktiske anvendelser af deltametoden tager man det ikke så nøje om funktionen f er defineret på hele R k - det plejer at være nok at den er defineret i en åben omegn af ξ. Formelt kan man i så fald slet ikke tale om f (X n ), for denne stokastiske variabel er kun partielt defineret. Men man kan jo vælge en arbitrær udvidelse af f til en globalt defineret afbildning. Blot udvidelsen er målelig vil resultatet i sætning holde. Og grænsefordelingen afhænger ikke af hvordan udvidelsen ser ud.
Svag konvergens. Kapitel Historisk indledning
Kapitel 4 Svag konvergens 4.1 Historisk indledning I første halvdel af 1700-tallet var stort set al sandsynlighedsregning af kombinatorisk natur. Hovedværker fra perioden er Abraham de Moivres The Doctrine
Læs mere5.3 Konvergens i sandsynlighed Konvergens i sandsynlighed 55. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås
5.3. Konvergens i sandsynlighed 55 BEVIS: Lad φ 1, φ 2,... og φ være de karakteristiske funktioner for X 1, X 2,... og X. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås φ X,v
Læs mereTaylors formel. Kapitel Klassiske sætninger i en dimension
Kapitel 3 Taylors formel 3.1 Klassiske sætninger i en dimension Sætning 3.1 (Rolles sætning) Lad f : [a, b] R være kontinuert, og antag at f er differentiabel i det åbne interval (a, b). Hvis f (a) = f
Læs mereEn martingalversion af CLT
Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske
Læs merestandard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
Læs mereEn martingalversion af CLT
Kapitel 9 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske variable,
Læs mereEksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Læs mereDeskriptiv teori i flere dimensioner
Kapitel 17 Deskriptiv teori i flere dimensioner I kapitel 13 og 14 udviklede vi en række deskriptive værktøjer til at beskrive sandsynlighedsmål på (R, B). Vi vil i dette kapitel forsøge at udvikle varianter
Læs mereReeksamen 2014/2015 Mål- og integralteori
Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.
Læs mereKarakteristiske funktioner og Den Centrale Grænseværdisætning
E6 efterår 1999 Notat 10 Jørgen Larsen 20. oktober 1999 Karakteristiske funktioner og Den Centrale Grænseværdisætning Karakteristiske funktioner som er nære slægtninge til Fourier-transformationen) er
Læs mereSandsynlighedsregning 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 mereElementær 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 mereMatematisk modellering og numeriske metoder. Lektion 8
Matematisk modellering og numeriske metoder Lektion 8 Morten Grud Rasmussen 18. oktober 216 1 Fourierrækker 1.1 Periodiske funktioner Definition 1.1 (Periodiske funktioner). En periodisk funktion f er
Læs mereTrykfejlsliste - alle fejl Asymptotisk teori
9. januar 2005 Stat 2A / EH Trykfejlsliste - alle fejl Asymptotisk teori Denne liste indeholder alle de regulære fejl, slåfejl og stavefejl der er fundet i 2A-noterne indtil nu. 9 1 Forkert: x C x ro alle
Læs mereKlassisk Taylors formel
p. 1/17 Klassisk Taylors formel Sætning Lad f : (a, b) R være n gange differentiabel. For x 0, x (a, b) findes et ξ mellem x 0 og x der opfylder at f(x) = f(x 0 )+ f (x 0 ) 1! (x x 0 )+...+ f(n 1) (x 0
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
Læs mereProgram. 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 mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
Læs mereEn differentiabel funktion hvis afledte ikke er kontinuert Søren Knudby
24 En differentiabel funktion hvis afledte ikke er kontinuert Søren Knudby Det er velkendt for de fleste, at differentiabilitet af en reel funktion f medfører kontinuitet af f, mens det modsatte ikke gælder
Læs mereDeskriptiv teori: den karakteristiske funktion
Kapitel 15 Deskriptiv teori: den karakteristiske funktion Når man forsøger at karakterisere et sandsynlighedsmål ν på R ved hjælp af dets momenter, fortæller man essentielt hvordan man skal integrere polynomier
Læs mereElementær 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 mereKvantitative 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 mereGult Foredrag Om Net
Gult Foredrag Om Net University of Aarhus Århus 8 th March, 2010 Introduktion I: Fra Metriske til Topologiske Rum Et metrisk rum er en mængde udstyret med en afstandsfunktion. Afstandsfunktionen bruges
Læs mereProdukt 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 mereKalkulus 2 - Grænseovergange, Kontinuitet og Følger
Kalkulus - Grænseovergange, Kontinuitet og Følger Mads Friis 8. januar 05 Indhold Grundlæggende uligheder Grænseovergange 3 3 Kontinuitet 9 4 Følger 0 5 Perspektivering 4 Grundlæggende uligheder Sætning
Læs mereLineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable
E6 efterår 999 Notat 8 Jørgen Larsen 22. november 999 Lineære normale modeller ) udkast Ved hjælp af lineær algebra kan man formulere og analysere de såkaldte lineære normale modeller meget overskueligt
Læs mereDeskriptiv teori i flere dimensioner
Kapitel 17 Deskriptiv teori i flere dimensioner I kapitel 13 og 14 udviklede vi en række deskriptive værktøjer til at beskrive sandsynlighedsmål på (R, B) Vi vil i dette kapitel forsøge at udvikle varianter
Læs mereKursusindhold: 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 mereStatistik 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 mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereKursusindhold: 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 mereStatistik 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 mereINSTITUT 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 mereπ er irrationel Frank Nasser 10. december 2011
π er irrationel Frank Nasser 10. december 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold 1 Introduktion
Læs mereProgram. 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 mereAgenda 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 mereGEOMETRI-TØ, UGE 6. . x 1 x 1. = x 1 x 2. x 2. k f
GEOMETRI-TØ, UGE 6 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imfaudk Opvarmningsopgave 1 Lad f : R 2 R være tre gange kontinuert differentierbar
Læs mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
Læs mereVinkelrette linjer. Frank Villa. 4. november 2014
Vinkelrette linjer Frank Villa 4. november 2014 Dette dokument er en del af MatBog.dk 2008-2012. IT Teaching Tools. ISBN-13: 978-87-92775-00-9. Se yderligere betingelser for brug her. Indhold 1 Introduktion
Læs mereRepetition. 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 mereHøjde af kvinder 2 / 18
Hvorfor er normalfordelingen så normal? og er den nu også det? Søren Højsgaard (updated: 2019-03-17) 1 / 18 Højde af kvinder 2 / 18 Inddeler man i mindre grupper kan man forestille sig at histogrammet
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Læs mereKomplekse tal og algebraens fundamentalsætning.
Komplekse tal og algebraens fundamentalsætning. Michael Knudsen 10. oktober 2005 1 Ligningsløsning Lad N = {0,1,2,...} betegne mængden af de naturlige tal og betragt ligningen ax + b = 0, a,b N,a 0. Findes
Læs mereOverheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.
Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.
Læs mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereSupplement til kapitel 7: Approksimationen til normalfordelingen, s. 136
Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 36 Det er besværligt at regne med binomialfordelingen, og man vælger derfor ofte at bruge en approksimation med normalfordeling. Man
Læs mereMM501 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 mereStatistik 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 mereAnalyse 2. Bevis af Fatous lemma (Theorem 9.11) Supplerende opgave 1. Øvelser
Analyse 2 Øvelser Rasmus Sylvester Bryder 24. og 27. september 203 Bevis af Fatous lemma (Theorem 9.) Hvis (u j ) j er en følge af positive, målelige, numeriske funktioner (dvs. med værdier i [, ]) over
Læs mereHvorfor er normalfordelingen så normal?
Hvorfor er normalfordelingen så normal? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 24, 2018 normalfordelingen så normal? October 24, 2018 1 / 13 Højde af kvinder Histogram
Læs mereIntroduktion til differentialregning 1. Jens Siegstad og Annegrethe Bak
Introduktion til differentialregning 1 Jens Siegstad og Annegrete Bak 16. juli 2008 1 Indledning I denne note vil vi kort introduktion til differentilregning, idet vi skal bruge teorien i et emne, Matematisk
Læs mereSupplerende opgaver. S1.3.1 Lad A, B og C være delmængder af X. Vis at
Supplerende opgaver Analyse Jørgen Vesterstrøm Forår 2004 S.3. Lad A, B og C være delmængder af X. Vis at (A B C) (A B C) (A B) C og find en nødvendig og tilstrækkelig betingelse for at der gælder lighedstegn
Læs mere8 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 mereWigner s semi-cirkel lov
Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse
Læs mereLandmålingens 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 mereBilledbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)
; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
Læs mereNoter til Perspektiver i Matematikken
Noter til Perspektiver i Matematikken Henrik Stetkær 25. august 2003 1 Indledning I dette kursus (Perspektiver i Matematikken) skal vi studere de hele tal og deres egenskaber. Vi lader Z betegne mængden
Læs mereDefinition. 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 mereKvantitative 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 mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
Læs mere2. Fourierrækker i en variabel
.1. Fourierrækker i en variabel I Kapitel II 7 blev der indført, dels funktionsrummene L p (X, µ) (mere udførligt skrevet L p (X, E, µ)), dels rummene L p (X, µ), der fås af L p (X, µ) ved at funktioner
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4 Sættet består af 3 opgaver med ialt 15 delopgaver. Besvarelsen vil blive forkastet, medmindre der er gjort et
Læs mere13 Markovprocesser med transitionssemigruppe
13 Markovprocesser med transitionssemigruppe I nærværende kapitel vil vi antage at tilstandsrummet er polsk, hvilket sikrer, at der findes regulære betingede fordelinger. Vi skal se på eksistensen af Markovprocesser.
Læs mereLandmålingens 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 mere1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable
Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R Helle Sørensen Uge 6, mandag SaSt2 (Uge 6, mandag) Tætheder og kont. fordelinger 1 / 19 Program Velkommen I dag:
Læs mereMM501/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 mereFortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Læs mere1 Beviser for fornyelsessætningen
Hvordan beviser man fornyelsessætningen? 1 1 Beviser for fornyelsessætningen I dette notat skal vi diskutere, hvorman man kan bevise fornyelsessætningen. Vi vil starte med at se på tilfældet, hvor ventetidsfordelingen
Læs mereTeoretisk 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 mereMat H /05 Note 2 10/11-04 Gerd Grubb
Mat H 1 2004/05 Note 2 10/11-04 Gerd Grubb Nødvendige og tilstrækkelige betingelser for ekstremum, konkave og konvekse funktioner. Fremstillingen i Kapitel 13.1 2 af Sydsæters bog [MA1] suppleres her med
Læs merePunktmængdetopologi. Mikkel Stouby Petersen. 1. marts 2013
Punktmængdetopologi Mikkel Stouby Petersen 1. marts 2013 I kurset Matematisk Analyse 1 er et metrisk rum et af de mest grundlæggende begreber. Et metrisk rum (X, d) er en mængde X sammen med en metrik
Læs mereStatistik 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 mereSandsynlighedsteori. Sandsynlighedsteori. Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et. Et Bayesiansk argument
Sandsynlighedsteori Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål, (, E, ν). Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål,
Læs mereBesvarelse, Eksamen Analyse 1, 2013
Københavns Universitet Prøve ved Det naturvidenskabelige Fakultet juni 23 Besvarelse, Eksamen Analyse, 23 Opgave Lad, for n N, funktionen f n : [, ) R være givet ved NB. Trykfejl. Burde være x. f n (x)
Læs mereNanostatistik: Stokastisk variabel
Nanostatistik: Stokastisk variabel JLJ Nanostatistik: Stokastisk variabel p. 1/29 Repetition Ω: udfaldsrummet: alle de mulige udfald af et experiment P(A): ss for hændelsen A = frekvens i uafhængige gentagelser
Læs mereFor nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.
1 Uge 11 Teoretisk Statistik 8. marts 2004 Kapitel 3: Fordeling af en stokastisk variabel, X Kapitel 4: Fordeling af flere stokastiske variable, X 1,,X m (på en gang). NB: X 1,,X m kan være gentagne observationer
Læs mereSandsynlighedsregning 5. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 5. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 3.5 og 4.1 Poissonfordelingen
Læs mereSandsynlighedsregning Stokastisk variabel
Sandsynlighedsregning Stokastisk variabel I eksperimenter knyttes ofte en talværdi til hvert udfald. S s X(s) R Definition: En stokastisk variabel X er en funktion defineret på S, der antager værdier på
Læs mereDifferentialregning i R k
Differentialregning i R k Lad U R k være åben, og lad h : U R m være differentiabel. Den afledte i et punkt x U er Dh(x) = h 1 (x) x 1 h 2 (x) x 1. h m (x) x 1 h 1 (x) x 2... h 2 (x) x 2.... h m (x) x
Læs mereEt eksperiment beskrives af et udfaldsrum udstyret med et. alle mulige resultater af eksperimentet
Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål, (X, E, ν). Udfaldsrummet X indeholder alle mulige resultater af eksperimentet men ofte også yderligere elementer
Læs mereLidt 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 mereBorel-σ-algebraen. Definition (EH 1.23)
Borel-σ-algebraen Definition (EH 1.23) Borel-σ-algebraen B k på R k er σ-algebraen frembragt af de åbne mængder O k. Andre frembringersystemer for B k : De afsluttede mængder. De åbne kasser I k (k = 1,
Læs mereAntag at. 1) f : R k R m er differentiabel i x, 2) g : R m R p er differentiabel i y = f(x), . p.1/18
Differentialregning i R k Kæderegel Lad U R k være åben, og lad h : U R m være differentiabel Antag at Den afledte i et punkt x U er Dh(x) = 1) f : R k R m er differentiabel i x, 2) g : R m R p er differentiabel
Læs mereRegneregler 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 mereKvantitative 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 mereTue Tjur: Hvad er tilfældighed?
Tue Tjur: Hvad er tilfældighed? 16. 19. september 1999 afholdtes i netværkets regi en konference på RUC om sandsynlighedsregningens filosofi og historie. Som ikke specielt historisk interesseret, men nok
Læs mereKvantitative 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 mereFlerdimensionale transformationer
Kapitel 18 Flerdimensionale transformationer Når man i praksis skal opstille en sandsynlighedsmodel for et eksperiment, vil man altid tage udgangspunkt i uafhængighed. Ofte kan man tænke på det udførte
Læs mereGrafmanipulation. Frank Nasser. 14. april 2011
Grafmanipulation Frank Nasser 14. april 2011 c 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Bemærk: Dette er
Læs mereMere om differentiabilitet
Mere om differentiabilitet En uddybning af side 57 i Spor - Komplekse tal Kompleks funktionsteori er et af de vigtigste emner i matematikken og samtidig et af de smukkeste I bogen har vi primært beskæftiget
Læs mereKapitel 4 Sandsynlighed og statistiske modeller
Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 22 Generalisering fra stikprøve til population Idé: Opstil en model for populationen
Læs mereANALYSE 1, 2014, Uge 5
ANALYSE, 204, Uge 5 Afleveringsfrist for Prøve 2 er Tirsdag den 20/5 kl 0:5. Forelæsninger Tirsdag Vi går videre med Afsnit 4 om uniform konvergens af Fourierrækker, hvor hovedsætningen er Sætning 4.3.
Læs merePointen med Differentiation
Pointen med Differentiation Frank Nasser 20. april 2011 c 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Bemærk:
Læs mereLandmålingens 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 mereAffine 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 mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mere