Lokal estimationsteori
|
|
- Benjamin Frandsen
- 6 år siden
- Visninger:
Transkript
1 Kapitel 5 Lokal estimationsteori 5.1 Konsistens Vores første delmål er at sikre at regularitetsbetingelserne medfører at den reskalerede konkordanskombinant med meget stor sandsynlighed har en positivt definit andenafledede overalt i en på forhånd fastlagt omegn af nul. Desværre løber vi øjeblikkeligt ind i målelighedsproblemer, hvis vi ikke er meget omhyggelige. Vi ville for det første gerne sige at ( D 2 h n (X n,ξ)>0 ) F, (5.1) for alle n, alleθ og alle c>0, og dernæst at ( P θ D 2 h n (X n,ξ)>0 ) 1 for n. (5.2) Den første påstand er for så vidt korrekt: med tilstrækkeligt meget arbejde kan man overbevise sig selv om at ( D 2 h n (X n,ξ)>0 ) = (D 2 h n (X n,ξ) 1m ) I, (5.3) m=1ξ Q k : ξ <c ved at trække på C 2 -antagelsen om h n. Men der optræder en række tilsvarende store mængder i det følgende, og de er ikke nødvendigvis målelige alle sammen. Derfor 89
2 90 Kapitel 5. Lokal estimationsteori bliver vores strategi at vi formulerer os om hændelser der er lidt mindre end hvad vores egentlige interesse tilsiger, men som vi til gengæld uden problemer kan se er målelige. Hvis vi kan vise at disse mindre hændelser også er store, så vil det lade os drage de ønskede konklusioner Sætning 5.1 Antag at modellen og reskaleringsskemaet opfylder Regularitetsbetingelse A og B. For alleθ, alle c>0 og alle n kan vi finde en hændelse D n F så ( D n D 2 h n (X n,ξ)>0 ), (5.4) og sådan at disse hændelser opfylder at P θ (D n ) 1 for n. Bevis: Lad F være grænsebilinearformen for D 2 h n (X n, 0) fra Regularitetsbetingelse A. Da F er positivt definit kan vi ifølge lemma 3.24 finde etǫ> 0 så G F <ǫ G>0, (5.5) for alle symmetriske bilinearformer G. Betragt de to følger af hændelser A n = ( ) D 2 h n (X n, 0) F < ǫ 2 B n = ( sup D 2 h n (X n,ξ) D 2 h ) n (X n, 0) < ǫ 2 Fra Regularitetsbetingelse A, henholdsvis B, følger det at P θ (A n ) 1, P θ (B n ) 1 for n. Sæt D n = A n B n. Det er klart at sandsynligheden for D n konvergerer mod 1, så det interessante er at redegøre for at D n opfylder (5.4). Men hvis hændelsen D n er indtrådt, ser vi for et vilkårligtξ B(0, c) at D 2 h n (X n,ξ) F D 2 h n (X n,ξ) D 2 h n (X n, 0) + D 2 h n (X n, 0) F <ǫ. Dermed vil D 2 h n (X,ξ)>0 ifølge (5.5), præcis som ønsket.
3 5.1. Konsistens 91 Næste punkt på dagsordenen er at gøre rede for at h n (X n,ξ) med stor sandsynlighed har et stationært punkt i B(0, c). Kombineret med den positivt definitte andenafledede vil det ifølge sætning 3.23 sikre at der findes et entydigt bestemt minimum for h n (X n,ξ) i B(0, c). Vi løber ind i samme type målelighedsproblem som i sætning 5.1, fordi ( h n (X n,ξ)=0 for mindst étξ med ξ <c ) = ( h n (X n,ξ)=0 ) er en overtællelig foreningsmængde af målelige mængder. I princippet kunne vi godt omskrive det til en kompliceret tællelig forening, men vi vælger igen at løse problemet ved at fokusere på lidt mindre hændelser. Men der opstår et nyt problem, der har at gøre med at h n (X n, 0) i grænsen skal opfattes som en ikke-degenereret stokastisk variabel, nærmere end som en konstant. Der er en vis sandsynlighed får at man får ekstreme værdier af denne stokastiske variabel, og hvis det sker, så er det urimeligt at forestille sig at et eventuelt nulpunkt for h n (X n,ξ) skulle ligge lige i nærheden af 0 - man skal formentlig ganske langt væk fra 0 for at få fat på dette stationære punkt. Omvendt betyder det at hvis man fokuserer på en fast omegn af 0, så er der en vis sandsynlighed for at det stationære punkt smutter ud af omegnen. Denne sandsynlighed vil naturligvis være mindre, jo større omegn man fokuserer på. Pointen er blot at vi skal være forberedt på at det bliver nødvendigt at skrue på c, hvis vi vil have stor sandsynlighed for at der optræder et stationært punkt i B(0, c). Sætning 5.2 Antag at modellen og reskaleringsskemaet opfylder Regularitetsbetingelse A, B og C. For alleθ og alleǫ > 0 kan vi finde et c>0, et n 0 N og en hændelse E n Fså ( E n h n (X n,ξ)=0 ) for n n 0, (5.6) og sådan at disse hændelser opfylder at P θ (E n )>1 ǫ for n n 0. Bemærk: Man kan formulere n 0 ud af problemstillingen, ved at lade konklusionen være at lim inf n P θ (E n)>1 ǫ. Men man må stadig leve med sætningens lidt besynderlige rækkefølge af kvantorer: Først lægger vi os fast påǫ, og på den baggrund vælger vi c tilpas stor. Når c er valgt, lader vi n gå mod uendelig.
4 92 Kapitel 5. Lokal estimationsteori Bevis: Regularitetsbetingelse C sikrer at vi kan finde et K > 0 så stort at hændelserne C n = ( h n (X n, 0) K ) opfylder at P θ (C n )>1 ǫ 2 for alle n=1, 2,... Lad F være grænsebilinearformen for D 2 h n (X n, 0) fra Regularitetsbetingelse A. Da F er positivt definit kan vi ifølge argumentationen i lemma 3.24 finde etδ>0 og et η>0 så G F <δ G(ξ,ξ) η ξ 2 for alleξ. (5.7) for alle symmetriske bilinearformer G. Vælg nu c > 2K/η. Svarende til dette c kan vi argumentere som i sætning 5.1 og indføre A n = ( ) D 2 h n (X n, 0) F < δ 2 B n = ( sup D 2 h n (X n,ξ) D 2 h n (X n, 0) < δ 2). Det er målelige hændelser med sandsynlighed, der konvergerer mod 1, så vi kan finde et n 0 N så P θ (A n B n )>1 ǫ/2 for alle n n 0. På A n B n vil D 2 h n (X n,ξ ) opfylde betingelsen i (5.7) for ethvertξ med ξ <c. Lad os vise at E n = A n B n C n opfylder der ønskede. Det er klart at denne mængde har det ønskede sandsynlighedsindhold i grænsen hvor n, så vi skal blot vise at (5.6) er opfyldt. For et givet X n vilξ h n (X n,ξ) antage et minimum på den begrænsede, afsluttede kugle B(0, c). Dette minimum kan a priori blive antaget på randen af kuglen, eller det kan blive antaget i et indre punkt af kuglen. Hvis det antages i et indre punkt, så må det nødvendigvis være i et stationært punkt. Så lad os udelukke at minimet bliver antaget på randen. For ethvertξmed ξ =c har vi ifølge sætning 3.20 at der findes etξ (stokastisk, fordi det afhænger af X n ) med ξ <c så h n (X n,ξ)= h n (X n, 0)+ h n (X n, 0),ξ D2 h n ( Xn,ξ ) (ξ,ξ) h n (X n, 0) Kc+ η 2 c2 > h n (X n, 0) hvor vi har brugt Cauchy-Schwarz ulighed til at vurdere førsteordensleddet. Der er altså ingen punkter på randen af kuglen der kan slå h n (X n, 0). Der er sikkkert steder
5 5.1. Konsistens 93 i det indre af kuglen hvor funktionsværdien er lavere end den er i 0 - vi hævder på ingen måde at minimum antages i kuglens centrum. Vi siger blot at minimum hen over kuglen umuligt kan antages på randen. Lad os indføre mængden af lokale minima for den observerede konkordansfunktion, LM n (x)={ψ Ψ ψ er et lokalt minimum for h n (x, )}. Denne mængde kan være tom for visse x-værdier - den kan også have ekstremt mange elementer. Principielt kan man endda forestille sig at LM n (x) har mange elementer, men at h n (x,ψ) ikke antager noget globalt minimum. Lemma 5.3 Antag at modellen og reskaleringsskemaet opfylder Regularitetsbetingelse A, B og C. For alleθ og alleǫ > 0 kan vi finde et n 0 N og en hændelse F n F så F n ( LM n (X n ) ), (5.8) og sådan at disse hændelser opfylder at P θ (F n )>1 ǫ for n n 0. Bevis: Givetǫ kan vi i henhold til sætning 5.2 finde et c>0, et n 1 og en følge af hændelser E n med den egenskab at ( E n h n (X n,ξ)= 0 ), og sådan at disse hændelser opfylder at P θ (E n )>1 ǫ 2 for n n 1. Svarende til det fundne c kan vi ifølge sætning 5.1 finde et n 2 og en følge af hændelser D n så ( D n D 2 h n (X n,ξ)>0 ), og sådan at disse hændelser opfylder at P θ (D n )>1 ǫ 2 for n n 2.
6 94 Kapitel 5. Lokal estimationsteori Hvis D n E n er indtrådt, vil h n (X n,ξ) have et entydigt bestemt ægte minimum i B(0, c). I særdeleshed vil funktionen have mindst ét lokalt minimum. Det er klart at hvis h n (x, ) har et lokalt minimum iξ, så har den uskalerede kombinant h n (x, ) et lokalt minimum iψ + A n 1 ξ. Vi kan altså konkludere at hvis D n E n er indtrådt, så vil LM n (X n ) { ψ Ψ A n (ψ ψ ) <c }. (5.9) Des mere har vi at LM n (X n ). Hvis vi lader F n = D n E n og n 0 = max{n 1, n 2 } har vi derfor etableret det ønskede. Vi kan nu definere forskellige lokale M-estimatorer, svarende til forskellige opfattelser af hvad det betyder at være lokal. To indlysende muligheder er ˆψ n = arg min ψ LMn (X n ) A n(ψ ψ ), og ˇψ n = arg min ψ LMn (X n ) ψ ψ. Her betyder arg min det ψ i den foreskrevne mængde, der minimerer det efterfølgende udtryk. Hvis mængden er tom, eller hvis der af andre grunde ikke er et entydigt bestemt ψ der minimerer udtrykket, så vil vi underforstå at arg min giver et ubestemt resultat. Så formelt er vi nødt til at supplere ovenstående definitioner med regler for hvad vi vil gøre i undtagelsessituationerne. Om et øjeblik viser vi at regularitetsbetingelserne sikrer at ˆψ n - og under rimelige omstændigheder også ˇψ n - er veldefineret med en sandsynlighed, der går mod 1. Så vi har ikke brug for at gøre det store ud af disse undtagelsestilfælde. Men skønt definitionen i det store og hele giver mening, så sikrer den desværre ikke at de resulterende estimatorer er målelige. Med tilstrækkelig meget ond vilje kan man faktisk konstruere modeller hvor de lokale M-estimatorer bliver ikke-målelige, og selv om problemet næppe forekommer i praksis, så er man alligevel nødt til at foretage et antal besværgelser, der kan mane truslen bort. Vi vil simpelthen antage at modellerne opfylder at enhver lokal M-estimator er målelig. Det skal bemærkes at den moderne måde at forholde sig til dette målelighedsproblem, såvel som til dem vi er stødt på tidligere, er at opgive kravet om målelighed. Det kræver at man udvikler en teori for svag konvergens for ikke-målelige stokastiske variable. Et udsagn som (5.2) kan gives mening i denne ramme hvis sandsynligheden af mængden ikke forstås som målet, men som det ydre mål. Man kan formulere både
7 5.1. Konsistens 95 konsistens og asymptotisk normalitet ved hjælp af ydre mål. Og det er i denne ramme man får de pæneste resultater om M-estimatorer. Men ligefrem nemt at arbejde med bliver det ikke... Sætning 5.4 Antag at modellen og reskaleringsskemaet opfylder Regularitetsbetingelse A, B og C. For alleθ vil den lokale M-estimator ˆψ n være veldefineret med sandsynlighed gående mod 1, og den vil være konsistent. Det vil sige: for alleǫ> 0 vil der gælde at P θ ( ˆψ n ψ >ǫ) 0 for n. Bevis: De nødvendige regninger er i det store og hele gennemført i beviset for lemma 5.3. Der fandt vi for givetδ>0 et c>0 og en følge af hændelser F n sådan at P θ (F n )>1 δ fra et vist trin, og sådan at h n (X n,ξ) havde et entydigt minimum i B(0, c) hvis F n var indtrådt. At sige at h n (X n,ξ) har et entydigt minimum i B(0, c) er det samme som at sige at h n (X n,ψ) har et entydigt minimum i{ψ A n (ψ ψ ) <c}. Når denne situation indtræder, er ˆψ n således veldefineret. Vælg n 0 så stor at A n 1 <ǫ/c for n n 0. Vi har at ˆψ n ψ = A n 1 A n ( ˆψ n ψ ) A n 1 A n ( ˆψ n ψ ). Så når n n 0 er den eneste måde hvorpå ˆψ n kan ligge længere endǫ fraψ, at hændelsen F n ikke er indtrådt. Eftersom vi per definition har at ˇψ n ψ ˆψ n ψ, kan vi konstatere at ˇψ n også er en konsistent estimator hvis den er veldefineret. Og det vil den naturligvis som regel være - det eneste problem skulle være at den eventuelt kan være flertydig. Det kan vi udelukke for de fleste modeller. Sætning 5.5 Antag at modellen og reskaleringsskemaet opfylder Regularitetsbetingelse A, B og C, og at reskaleringsskemaet har begrænset distortion. For alleθ vil der gælde at P θ ( ˆψ n = ˇψ n ) 1 for n.
8 96 Kapitel 5. Lokal estimationsteori Bevis: Antag at A n A n 1 L for alle n. For fast c>0 gælder der at {ψ A n (ψ ψ ) <c} {ψ ψ ψ < A n 1 c} {ψ A n (ψ ψ ) <L c}. (5.10) Ladǫ> 0 være givet. Vi ønsker at finde et n 0 N så P θ ( ˆψ n = ˇψ n )>1 ǫ for n n 0. Ifølge sætning 8.2 kan vi finde c>0, et n 1 N og en sekvens af hændelser E n F sådan at P θ (E n )>1 ǫ for n n 1, 2 og så vi kan være sikre på at h n (X n,ξ) har et nulpunkt i B(0, c). Ifølge sætning 8.1 kan vi finde et n 2 N og en sekvens af hændelser D n F sådan at P θ (D n )>1 ǫ 2 for n n 2, og så vi kan være sikre på at D 2 h n (X n,ξ) er positivt definit i hvert punkt af B(0, L c). Bemærk at vi har ændret radius af kuglen i den nye betingelse. Betingelserne er skruet sådan sammen at hvis hændelsen D n E n er indtrådt, så har h n (X n,ξ) præcis ét stationært punkt i B(0, L c), og dette stationære punkt må faktisk befinde sig i den mindre kugle B(0, c). Oversat til de uskalerede koordinater: hvis D n E n er indtrådt, så ved vi at h n (X n,ψ) har præcis ét stationært punkt i ellipsen { ψ An (ψ ψ ) <L c } og at dette stationære punkt faktisk må befinde sig i den mindre ellipse { ψ An (ψ ψ ) <c } Dette stationære punkt er ˆψ n. Siden ˆψ n befinder sig i den lille ellipse, så sikrer den første inklusion i (5.10) at ˆψ n ψ < A n 1 c. Og da ˇψ n er det stationære punkt, der ligger tættest påψ, må også ˇψ n ψ < A n 1 c.
9 5.2. Asymptotisk fordeling 97 Den anden inklusion i (5.10) sikrer derfor at A n ( ˇψ n ψ ) <L c, det vil sige at ˇψ ligger i den store ellipse. Men den store ellipse indeholder kun ét stationært punkt, og det er ˆψ n. Vi kan derfor konkludere at hvis D n E n er indtrådt, så er ˇψ n = ˆψ n. Og eftersom D n E n indtræder med sandsynlighed mindst 1 ǫ når n max{n 1, n 2 }, så har vi faktisk vist det ønskede. I praksis kan man naturligvis hverken finde ˆψ n eller ˇψ n, for begge dele kræver at man kender den sande værdiψ for at kunne vurdere hvilket stationært punkt der ligger nærmest. Men ofte kan man bruge Hájeks trick: start med en ad-hoc estimatorψ n, f.eks. en momentestimator, og brug ˆψ n = arg min ψ LMn (X n ) ψ ψ. Det er typisk dette trick der bliver brugt i computerprogrammer: man har en form for kvalificeret bud på en startværdi, og denne startværdi modificeres af et antal Newton- Raphson trin (eller noget lignende) indtil man opnår et lokalt minimum for konkordanskombinanten. I mange modeller kan man vise at hvisψ n er konsistent (og det er vitterligt ikke noget særlig svært krav at opfylde) så vil ˆψ n = ˆψ n med sandsynlighed gående mod 1. Men bemærk: det er ingen steder i diskussionen dukket op at det skulle være en god ide at lede efter det globale minimum for konkordanskombinanten. Hvis man vil komme med udsagn i den retning, skal man benytte helt andre metoder end at Taylorudvikle et blow-up omkring den sande værdi, for denne type argument er af natur lokal. 5.2 Asymptotisk fordeling Før vi kan formulere det asymptotiske fordelingsresultat, skal vi have os filtret ud af nogle komplikationer, vi har skabt for os selv ved vores abstrakte forhold til differentialregning. Hvis man formulerede sig lidt mere elementært, ville man sige at
10 98 Kapitel 5. Lokal estimationsteori grænsebilinearformen F er en matrix. Og i så fald kunne man uden problemer invertere F. Vi må i stedet sige at der findes en lineær afbildning Q :R d R d der repræsenterer F, i den forstand at F(ξ 1,ξ 2 )= ξ 1, Qξ 2, hvor, er det sædvanlige indre produkt. At det er muligt, følger af parringen mellem Lin(R d,r) ogr d fra afsnit 2.2.2, på samme måde som vi konstruerede adjungerede afbildninger i afsnit Hvis Qξ= 0 må F(ξ,ξ)=0, og da F er positivt definit, medfører det atξ=0. Heraf følger det at Q er invertibel. Bemærk iøvrigt at da F er symmetrisk, så må Q være selvadjungeret. Lemma 5.6 Antag at modellen og reskaleringsskemaet opfylder Regularitetsbetingelse A, B og C. For alleθ vil der gælde at A n ( ˆψ n ψ )+ Q 1 h n (X n, 0) P 0 for n, under P θ. Bevis: Ladǫ> 0 ogδ>0 være givet. Vi ønsker at finde et n 0 N så ( P θ An ( ˆψ n ψ )+ Q 1 h n (X n, 0) <ǫ ) 1 δ for n n 0. Ifølge sætning 8.2 kan vi finde c>0, et n 1 N og en sekvens af hændelser E n F sådan at P θ (E n )>1 δ for n n 1, 2 og så vi kan være sikre på at h n (X n,ξ) har et nulpunkt i B(0, c) når E n er indtrådt. Ved at kombinere regularitetsbetingelse A og B kan vi finde et n 2 N og en sekvens af hændelser D n F sådan at P θ (D n )>1 δ 2 for n n 2, og så vi kan være sikre på at sup D 2 h n (X n,ξ) F < ǫ c Q 1 (5.11) når D n er indtrådt.
11 5.2. Asymptotisk fordeling 99 Ved om nødvendigt at erstatte konstanten på højre side at (5.11) med en mindre, kan vi også antage at D 2 h n (X n,ξ)>0 for alleξ B(0, c). Hvis D n E n er indtrådt, kan vi således se at ˆξ n er veldefineret og ligger i B(0, c). For hvertξgiver middelværdisætningen med udviklingspunkt ˆξ n i så fald at h n (X n, 0),ξ = h n (X n, ˆξ n ),ξ + D h n (X n,η) (0 ˆξ n ),ξ = 0 D 2 h n (X n,η) (ˆξ n,ξ) for et passende mellempunktη indeholdt i B(0, c). Her har vi brugt sætning 5.17 til at forbinde den førsteafledede af h n med den andenafledede af h n. Vi ser derfor at Q ˆξ n + h n (X n, 0),ξ = F(ˆξ n,ξ)+ h n (X n, 0),ξ = F(ˆξ n,ξ) D 2 h n (X n,η) (ˆξ n,ξ) sup D 2 h n (X n,ξ) F ˆξ n ξ ǫ < c Q 1 c ξ. Ved at tage supremum overξ med ξ =1 får vi derfor at Q ˆξ n + h n (X n, 0) ǫ < Q 1. Det følger at ˆξ n + Q 1 h n (X n, 0) = Q 1 Q ˆξ n + Q 1 h n (X n, 0) Q 1 Q ˆξ n + h n (X n, 0) <ǫ når D n E n er indtrådt. Idet ˆξ n = A n ( ˆψ n ψ ) og idet D n E n indtræffer med en sandsynlighed på mindst 1 δ når n max{n 1, n 2 }, følger det ønskede. Sætning 5.7 Antag at modellen og reskaleringsskemaet opfylder Regularitetsbetingelse A, B og C. For alleθ vil der gælde at under P θ. A n ( ˆψ n ψ ) D Q 1 Z for n, (5.12)
12 100 Kapitel 5. Lokal estimationsteori Bevis: Når vi dynger Regularitetsbetingelse C oven i de øvrige, så bliver dette meget vigtige asymptotiske fordelingsresultat en triviel konsekvens af lemma 5.6, kombineret med Slutskys lemma. Bemærk at Regularitetsbetingelse C og D siger at Z N(0, Q), hvis vi tillader os at opfatte Q som en matrix. I så fald er konklusionen fra sætning 5.7 at A n ( ˆψ n ψ ) D N ( 0, Q 1) for n. (5.13) Det må man opfatte som en fornuftig generalisering af den klassiske folkelige visdom om at den asymptotiske varians af maksimaliseringsestimatoren er den inverse Fisherinformation. Bemærk iøvrigt hvordan sætning 5.5 uden videre tillader os at overføre det asymptotiske fordelingsresultat til den euklidiske lokale M-estimator ˇψ n hvis reskaleringsskemaet har begrænset distortion.
Klassisk 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 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 mereRegularitetsbetingelserne
Kapitel 4 Regularitetsbetingelserne Vi vender nu tilbage til det asymptotiske scenarie fra kapitel 1. Vi har stokastiske variable X n med værdier i (X n,e n ) - oftest er X n en sammenbundtning af flere
Læs mereAsymptotisk testteori
Kapitel 8 Asymptotisk testteori Vi vil nu beskæftige os med den asymptotiske teori for estimation under pæne hypoteser og for test af disse hypoteser. Vi skal især undersøge det forhold at hvis den fulde
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 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 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 mereOmrådeestimator. X x. P θ. ν θ. Θ C(x) En områdeestimator er en afbildning C : X P(Θ). . p.1/30
Områdeestimator X (Ω, F) (X, E) x 01 01 P θ ν θ θ Θ 0000 1111 000000 111111 0000 1111 0000 1111 C(x) En områdeestimator er en afbildning C : X P(Θ).. p.1/30 Konfidensområde En områdestimator C : X P(Θ)
Læs mereFunktionsterminologi
Funktionsterminologi Frank Nasser 12. 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
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 mereFunktionsterminologi
Funktionsterminologi Frank Villa 17. januar 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 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 mereEstimation. Lad (ν θ ) θ Θ være en statistisk model på (X, E). En estimator af θ er en afbildning t : X Θ. En konkret værdi t(x) kaldes et estimat.
Estimation Lad (ν θ ) θ Θ være en statistisk model på (X, E). En estimator af θ er en afbildning t : X Θ. En konkret værdi t(x) kaldes et estimat. En estimator er en gætteregel.. p.1/22 Estimation X acements
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 mereAnalyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).
Analyse 2 Øvelser Rasmus Sylvester Bryder 3. og 6. september 2013 Gennemgå bevis for Sætning 2.10 Sætning 1. For alle mængder X gælder #X < #P(X). Bevis. Der findes en injektion X P(X), fx givet ved x
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 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 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 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 mereProjekt 1.4 De reelle tal og 2. hovedsætning om kontinuitet
Projekt 1.4 De reelle tal og 2. hovedsætning om kontinuitet Mens den 1. hovedsætning om kontinuerte funktioner kom forholdsvis smertefrit ud af intervalrusebetragtninger, så er 2. hovedsætning betydeligt
Læs mereDe rigtige reelle tal
De rigtige reelle tal Frank Villa 17. januar 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 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 mereDen lineære normale model
Den lineære normale model Ingredienser: V : N-dimensionalt vektorrum. X : Ω V : stokastisk variabel. L : ægte underrum af V, dimension k., : fundamentalt indre produkt på V. Vi laver en hel familie af
Læs mereLad os som eksempel se på samtidigt kast med en terning og en mønt:
SANDSYNLIGHEDSREGNING Stokastisk eksperiment Et stokastisk eksperiment er et eksperiment, hvor vi fornuftigvis ikke på forhånd kan have en formodning om resultatet af eksperimentet Til gengæld kan vi prøve
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 mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
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 mereANALYSE 1. Uge 7, 4. juni juni, 2007
ANALYSE 1 Uge 7, 4. juni - 10. juni, 2007 Forelæsninger Mandag 4. juni Formålet med denne dags forelæsninger er at etablere en overgang til emnet metriske rum, hvis hovedformål er at udvide begreber som
Læs mereExponentielle familer, ark 2
1 Exponentielle familer, ark 2 Eksponentielle familier OPGAVE 21 Beksriv den eksponentielle familie på (R, B) givet ved følgende data: V er R med det sædvanlige indre produkt, den kanoniske stikprøvefunktion
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Estimation: Kapitel 9.7-9.10 Estimationsmetoder kap 9.10 Momentestimation Maximum likelihood estimation Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1
Læs mereLokalt ekstremum DiploMat 01905
Lokalt ekstremum DiploMat 0905 Preben Alsholm Institut for Matematik, DTU 6. oktober 00 De nition Et stationært punkt for en funktion af ere variable f vil i disse noter blive kaldt et egentligt saddelpunkt,
Læs mereNogle grundlæggende begreber
BE2-kursus 2010 Jørgen Larsen 5. februar 2010 Nogle grundlæggende begreber Lidt simpel mængdelære Mængder består af elementer; mængden bestående af ingen elementer er, den tomme mængde. At x er element
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2005 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs mereAsymptoter. for standardforsøgene i matematik i gymnasiet. 2003 Karsten Juul
Asymptoter for standardforsøgene i matematik i gymnasiet 2003 Karsten Juul Indledning om lodrette asymptoter Lad f være funktionen bestemt ved =, 2. 2 Vi udregner funktionsværdierne i nogle -værdier der
Læs mereEndeligdimensionale vektorrum
Endeligdimensionale vektorrum I det følgende betegner X, Y og Z endeligdimensionale vektorrum Gerne udstyret med en norm, evt et indre produkt Eksempel: En skævt beliggende plan i rummet, X = {v R 3 v,
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 mereaf koblede differentialligninger (se Apostol Bind II, s 229ff) 3. En n te ordens differentialligning
EKSISTENS- OG ENTYDIGHEDSSÆTNINGEN Vi vil nu bevise eksistens- og entydighedssætningen for ordinære differentialligninger. For overskuelighedens skyld vil vi indskrænke os til at undersøge een 1. ordens
Læs mereDifferentiation af Trigonometriske Funktioner
Differentiation af Trigonometriske Funktioner Frank Villa 15. oktober 01 Dette dokument er en del af MatBog.dk 008-01. IT Teaching Tools. ISBN-13: 978-87-9775-00-9. Se yderligere betingelser for brug her.
Læs mereTaylor s approksimationsformler for funktioner af én variabel
enote 4 1 enote 4 Taylor s approksimationsformler for funktioner af én variabel I enote 19 og enote 21 er det vist hvordan funktioner af én og to variable kan approksimeres med førstegradspolynomier i
Læs mereFunktionalligninger. Anders Schack-Nielsen. 25. februar 2007
Funktionalligninger Anders Schack-Nielsen 5. februar 007 Disse noter er en introduktion til funktionalligninger. En funktionalligning er en ligning (eller et ligningssystem) hvor den ubekendte er en funktion.
Læs merePotensrækker. Morten Grud Rasmussen 1 10. november 2015. Definition 1 (Potensrække). En potensrække er en uendelig række på formen
Potensrækker Morten Grud Rasmussen 1 10 november 2015 Definition og konvergens af potensrækker Definition 1 Potensrække) En potensrække er en uendelig række på formen a n pz aq n, 1) hvor afsnittene er
Læs mereCenter for Statistik. Multipel regression med laggede responser som forklarende variable
Center for Statistik Handelshøjskolen i København MPAS Tue Tjur November 2006 Multipel regression med laggede responser som forklarende variable Ved en tidsrække forstås i almindelighed et datasæt, der
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 mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2002 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
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 mere{ } { } {( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )}
Stokastisk eksperiment Et stokastisk eksperiment er et eksperiment, hvor vi fornuftigvis ikke på forhånd kan have en formodning om resultatet af eksperimentet. Til gengæld kan vi prøve at sige noget om,
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 mereANALYSE 1, 2014, Uge 6
ANALYSE 1, 2014, Uge 6 Forelæsninger Tirsdag Topologiske begreber i generelle metriske rum, dvs. begreber som åbne og afsluttede delmængder og rand af en mængde. For talrummene R k er disse begreber indført
Læs mere[FUNKTIONER] Hvornår kan vi kalde en sammenhæng en funktion, og hvilke egenskaber har disse i givet fald. Vers. 2.0
MaB Sct. Knud Gymnasium, Henrik S. Hansen % [FUNKTIONER] Hvornår kan vi kalde en sammenhæng en funktion, og hvilke egenskaber har disse i givet fald. Vers..0 Indhold Funktioner... Entydighed... Injektiv...
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Estimation: Kapitel 9.1-9.3 Estimation Estimationsfejlen Bias Eksempler Bestemmelse af stikprøvens størrelse Konsistens De nitioner påkonsistens Eksempler på konsistente og middelrette estimatorer
Læs mereDet asymptotiske scenarie
Kapitel 5 Det asymptotiske scenarie Den simpleste asymptotiske situation opstår hvis man har uafhængige, identisk fordelte variable Y 1,..., Y n med værdier i et målbart rum (Y, K). Man forestiller sig
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Hypoteser: kap: 10.1-10.2 Eksempler på Maximum likelihood analyser kap 9.10 Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1 Estimationsmetoder Kvantitative
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 mereStørste- og mindsteværdi Uge 11
Uge 11 : Definitioner Efterår 2009 : Definitioner Lad A R n og f : A R en reel funktion af n. : Definitioner : Definitioner Lad A R n og f : A R en reel funktion af n. Punktet a = (a 1, a 2,..., a n )
Læs mereBanach-Tarski Paradokset
32 Artikeltype Banach-Tarski Paradokset Uden appelsiner Andreas Hallbäck Langt de fleste af os har nok hørt om Banach og Tarskis såkaldte paradoks fra 1924. Vi har hørt diverse poppede formuleringer af
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 mereGruppeteori. Michael Knudsen. 8. marts For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel.
Gruppeteori Michael Knudsen 8. marts 2005 1 Motivation For at motivere indførelsen af gruppebegrebet begynder vi med et eksempel. Eksempel 1.1. Lad Z betegne mængden af de hele tal, Z = {..., 2, 1, 0,
Læs mereKombinant. En kombinant er en afbildning. hvor (Y, K) er endnu et målbart rum. Typisk taler vi om reelle kombinanter, hvor Y = R.
Kombinant Lad (ν θ ) θ Θ være en statistisk model på (X, E). En kombinant er en afbildning hvor (Y, K) er endnu et målbart rum. R : X Θ Y Typisk taler vi om reelle kombinanter, hvor Y = R. Som regel forsøger
Læs mereSpor Matematiske eksperimenter. Komplekse tal af Michael Agermose Jensen og Uwe Timm.
Homografier Möbius transformationer Følgende tema, handler om homografier, inspireret af professor Børge Jessens noter, udgivet på Københavns Universitet 965-66. Noterne er herefter blevet bearbejdet og
Læs mere83 - Karakterisation af intervaller
83 - Karakterisation af intervaller I denne opgave skal du bevise, at hvis A er en delmængde af R med følgende egenskab: x, y, z R : x, y A og x < z < y z A (1) så er A enten et interval eller en mængde
Læs mereTaylor s approksimationsformler for funktioner af én variabel
enote 17 1 enote 17 Taylor s approksimationsformler for funktioner af én variabel I enote 14 og enote 16 er det vist hvordan funktioner af én og to variable kan approksimeres med førstegradspolynomier
Læs mereKapitel 7 Matematiske vækstmodeller
Matematiske vækstmodeller I matematik undersøger man ofte variables afhængighed af hinanden. Her ser man, at samme type af sammenhænge tit forekommer inden for en lang række forskellige områder. I kapitel
Læs mereKonvergens i L 1 -forstand. Definition af L 1 -seminorm. Topologi i pseudometrisk rum. Seminorm til norm
Definition af L 1 -seminorm Konvergens i L 1 -forstand Lad (X, E, µ) være et målrum. Husk at L(µ) er et reelt vektorrum. Vi definerer f 1 = f dµ for f L Definition En følge af funktioner f 1, f 2, L siges
Læs mereGEOMETRI-TØ, UGE 8. X = U xi = {x i } = {x 1,..., x n }, U α, U α = α. (X \ U α )
GEOMETRI-TØ, UGE 8 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imf.au.dk. Opvarmningsopgave 1. Lad X være en mængde og T familien af alle delmængder
Læs mereElementær Matematik. Mængder og udsagn
Elementær Matematik Mængder og udsagn Ole Witt-Hansen 2011 Indhold 1. Mængder...1 1.1 Intervaller...4 2. Matematisk Logik. Udsagnslogik...5 3. Åbne udsagn...9 Mængder og Udsagn 1 1. Mængder En mængde er
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 mereSelvreference i begrænsningsresultaterne
Selvreference i begrænsningsresultaterne Thomas Bolander, IMM, DTU. tb@imm.dtu.dk To pointer: (1) Der skal kun meget lidt udover selvreference til for at få de klassiske logiske begrænsningsresultater.
Læs meret a l e n t c a m p d k Talteori Anne Ryelund Anders Friis 16. juli 2014 Slide 1/36
Slide 1/36 sfaktorisering Indhold 1 2 sfaktorisering 3 4 5 Slide 2/36 sfaktorisering Indhold 1 2 sfaktorisering 3 4 5 Slide 3/36 1) Hvad er Taleteori? sfaktorisering Slide 4/36 sfaktorisering 1) Hvad er
Læs mereOm første og anden fundamentalform
Geometri, foråret 2005 Jørgen Larsen 9. marts 2005 Om første og anden fundamentalform 1 Tangentrummet; første fundamentalform Vi betragter en flade S parametriseret med σ. Lad P = σu 0, v 0 være et punkt
Læs mereLineære differentialligningers karakter og lineære 1. ordens differentialligninger
enote 11 1 enote 11 Lineære differentialligningers karakter og lineære 1. ordens differentialligninger I denne note introduceres lineære differentialligninger, som er en speciel (og bekvem) form for differentialligninger.
Læs mereImplikationer og Negationer
Implikationer og Negationer Frank Villa 5. april 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 mereMatrx-vektor produkt Mikkel H. Brynildsen Lineær Algebra
Matrx-vektor produkt [ ] 1 2 3 1 0 2 1 10 4 Rotationsmatrix Sæt A θ = [ ] cosθ sinθ sinθ cosθ At gange vektor v R 2 med A θ svarer til at rotere vektor v med vinkelen θ til vektor w: [ ][ ] [ ] [ ] cosθ
Læs mereMASO Uge 5. Topologi i euklidiske rum. Jesper Michael Møller. Uge 5. Formålet med MASO. Department of Mathematics University of Copenhagen
MASO Uge 5 Topologi i euklidiske rum Jesper Michael Møller Department of Mathematics University of Copenhagen Uge 5 Formålet med MASO Oversigt Åbne og afsluttede mængder Det indre, det ydre, afslutningen,
Læs mereMASO Uge 5. Topologi i euklidiske rum. Jesper Michael Møller. Uge 5. Formålet med MASO. Department of Mathematics University of Copenhagen
MASO Uge 5 Topologi i euklidiske rum Jesper Michael Møller Department of Mathematics University of Copenhagen Uge 5 Formålet med MASO Oversigt Åbne og afsluttede mængder Det indre, det ydre, afslutningen,
Læs mere= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).
Analyse 2 Øvelser Rasmus Sylvester Bryder 17. og 20. september 2013 Supplerende opgave 1 Lad λ være Lebesgue-målet på R og lad A B(R). Definér en funktion f : [0, ) R ved f(x) = λ(a [ x, x]). Vis, at f(x)
Læs merez + w z + w z w = z 2 w z w = z w z 2 = z z = a 2 + b 2 z w
Komplekse tal Hvis z = a + ib og w = c + id gælder z + w = (a + c) + i(b + d) z w = (a c) + i(b d) z w = (ac bd) + i(ad bc) z w = a+ib c+id = ac+bd + i bc ad, w 0 c +d c +d z a b = i a +b a +b Konjugation
Læs mereMatematik YY Foråret Kapitel 1. Grupper og restklasseringe.
Matematik YY Foråret 2004 Elementær talteori Søren Jøndrup og Jørn Olsson Kapitel 1. Grupper og restklasseringe. Vi vil i første omgang betragte forskellige typer ligninger og søge efter heltalsløsninger
Læs mereGrænseværdier og Kontinuitet
Grænseværdier og Kontinuitet Frank Villa 11. august 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold
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 mereIdenne note giver vi et eksempel på, hvorledes det er vigtigt at holde sig
Analyse : Eulers formel Sebastian rsted 9. maj 015 Idenne note giver vi et eksempel på, hvorledes det er vigtigt at holde sig for øje, hvor de matematiske resultater kommer fra, og hvad de baseres på;
Læs mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs merePolynomier. Indhold. Georg Mohr-Konkurrencen. 1 Polynomier 2. 2 Polynomiumsdivision 4. 3 Algebraens fundamentalsætning og rødder 6
Indhold 1 Polynomier 2 Polynomier 2 Polynomiumsdivision 4 3 Algebraens fundamentalsætning og rødder 6 4 Koefficienter 8 5 Polynomier med heltallige koefficienter 9 6 Mere om polynomier med heltallige koefficienter
Læs mereKlassifikation. Kapitel 5
Kapitel 5 Klassifikation Klassifikation er en speciel afart af det problem, der generelt kaldes prediktion. Man har to stokastiske variable X og Y på et fælles baggrundsrum (Ω,F, P) med værdier i henholdsvis
Læs mereMordell s Sætning. Henrik Christensen og Michael Pedersen. 17. december 2003
Mordell s Sætning Henrik Christensen og Michael Pedersen 17. december 2003 Mordells sætning siger at gruppen C(Q) af rationale punkter over en ellipse C er en endeligt frembragt abelsk gruppe. Elliptiske
Læs mereStatistisk model. Definition: En statistisk model består af et repræsentationsrum (X, E) og en familie P af sandsynlighedsmål
Statistisk model Definition: En statistisk model består af et repræsentationsrum (X, E) og en familie P af sandsynlighedsmål på (X, E). Modellen er parametriseret hvis der findes en parametermængde Θ og
Læs mereTaylorudvikling I. 1 Taylorpolynomier. Preben Alsholm 3. november Definition af Taylorpolynomium
Taylorudvikling I Preben Alsholm 3. november 008 Taylorpolynomier. Definition af Taylorpolynomium Definition af Taylorpolynomium Givet en funktion f : I R! R og et udviklingspunkt x 0 I. Find et polynomium
Læs mereEgenskaber ved Krydsproduktet
Egenskaber ved Krydsproduktet Frank Nasser 23. 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
Læs mereTal. Vi mener, vi kender og kan bruge følgende talmængder: N : de positive hele tal, Z : de hele tal, Q: de rationale tal.
1 Tal Tal kan forekomme os nærmest at være selvfølgelige, umiddelbare og naturgivne. Men det er kun, fordi vi har vænnet os til dem. Som det vil fremgå af vores timer, har de mange overraskende egenskaber
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2003 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs merePointen med Funktioner
Pointen med Funktioner Frank Nasser 0. april 0 c 0080. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Bemærk: Dette er en
Læs mereDifferential- regning
Differential- regning del () f () m l () 6 Karsten Juul Indhold Tretrinsreglen 59 Formler for differentialkvotienter64 Regneregler for differentialkvotienter67 Differentialkvotient af sammensat funktion7
Læs merePlanen idag. Fin1 (mandag 16/2 2009) 1
Planen idag Porteføljeteori; kapitel 9 Noterne Moralen: Diversificer! Algebra: Portefølje- og lineær. Nogenlunde konsistens med forventet nyttemaksimering Middelværdi/varians-analyse Fin1 (mandag 16/2
Læs mereBesvarelser til Lineær Algebra Ordinær Eksamen Juni 2017
Besvarelser til Lineær Algebra Ordinær Eksamen - 12. Juni 2017 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende
Læs mereDen todimensionale normalfordeling
Den todimensionale normalfordeling Definition En todimensional stokastisk variabel X Y siges at være todimensional normalfordelt med parametrene µ µ og når den simultane tæthedsfunktion for X Y kan skrives
Læs mereGrænseværdier og Kontinuitet
Grænseværdier og Kontinuitet Frank Nasser 12. 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 mereEmneopgave: Lineær- og kvadratisk programmering:
Emneopgave: Lineær- og kvadratisk programmering: LINEÆR PROGRAMMERING I lineær programmering løser man problemer hvor man for en bestemt funktion ønsker at finde enten en maksimering eller en minimering
Læs mereNormale tal. Outline. Hvad er tilfældighed? Uafhængighed. Matematiklærerdag Simon Kristensen. Aarhus Universitet, 24/03/2017
Matematiklærerdag 2017 Institut for Matematik Aarhus Universitet Aarhus Universitet, 24/03/2017 Outline 1 2 3 Hvad er tilfældighed? I statistik, sandsynlighedsteori og ikke mindst i programmering er det
Læs mereArchimedes Princip. Frank Nasser. 12. april 2011
Archimedes Princip Frank Nasser 12. 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 mere