Sandsynlighedsteori 1.2
|
|
- Lene Carstensen
- 6 år siden
- Visninger:
Transkript
1 Forelæsigsoter til Sadsylighedsteori.2 Sved Erik Graverse Jauar 2006 Istitut for Matematiske Fag Det Naturvideskabelige Fakultet Aarhus Uiversitet.
2 Mometproblemet. I dette afsit beteger X e stokastisk variabel med mometer af ehver orde. Mometfølge (E[X ]) er derfor e vel defieret reel talfølge bestemt ved fordelige, og spørgsmålet, om de omvedt bestemmer fordelige, er kedt uder avet Mometproblemet. Som bemærket sidst i afsittet Separatio af edelige Borel mål gælder dette for begræsede stokastiske variable, og ifølge det udleverede fordeligskatalog gælder det også for alle de kedte fordeligstyper med mometer af ehver orde påær log-ormalfordelige. Et sådat eksempel på e vigtig fordeligstype, hvor mometfølge ikke bestemmer fordelige etydigt, gør det aturligvis iteressat at vide, hvorår det er tilfældet. Problemet, der er blevet studeret i æste 00 år, er stadig uløst i de forstad, at ma edu ikke er i stad til at formulere e simpel geerel ødvedig og tilstrækkelig betigelse på mometfølge, som sikrer, at dee bestemmer fordelige. Me flg. simple betigelse er ofte brugbar. BMp E stokastisk variabel X siges at opfylde BMp, hvis E[ e ρ X ] < for et ρ > 0. BMp holder klart, hvis X er begræset, dvs. hvis P ( X M) = for et M R +, og som det fremgår af fordeligskatalogets pukt (H), er de opfyldt for omtret alle de kedte fordeligstyper. E stokastisk variabel, som opfylder BMp, har ødvedigvis mometer af ehver orde, og da E[ e r X ] = r E[ X ]/! for alle r > 0 =0 ifølge Mooto koverges, sikrer potesrækketeori, at BMp er ækvivalet med, at lim sup ( E[ X ]/! ) / < dvs. c R + : E[ X ] c!. Begrudelse for at BMp er iteressat ligger, som allerede idikeret, gemt i flg. resultat. Mp Hvis X opfylder BMp, bestemmer mometfølge (E[X ]) fordelige for X. Bevis. BMp betyder specielt, at lim ρ E[ X ]/! = 0, og ifølge Kf 9 ka ϕ X derfor rækkeudvikles omkrig ethvert pukt a med e kovergesradius, som er midst ρ. Heraf ka resultatet u vises, for ved først at rækkeudvikle omkrig 0 ses, da ϕ X (0) =, at (E[X ]) bestemmer ϕ X og dermed alle des afledede i itervallet ] ρ, ρ [. Ved foryet rækkeudviklig omkrig pukter tæt ved ρ og ρ ses derfor, at dette også gælder i itervallet ] 2ρ, 2ρ [. Såda fortsættes og mometfølge bestemmer derfor ϕ X og dermed ifølge Etydighedssætige for karakteristiske fuktioer fordeligsmålet P X. BMp er e betigelse på de absolutte mometer, me der gælder flg. resultat. Mp 2 Lad X og Y betege give stokastiske variable med mometer af ehver orde, så at E[X k ] = E[Y k ] for alle k. Da holder BMp for X, hvis og ku hvis BMp holder for Y ; og i givet fald er X og Y derfor idetisk fordelte. 56
3 Bevis. Atag at X opfylder BMp, dvs. c R + : E[ X ] c!. Ifølge Cauchy-Schwarz s gælder derfor E[ Y ] E[Y 2 ] = E[X 2 ] c 2 (2)! = c (2)!, og da (2)! 2! for alle ses, at Y også opfylder BMp. Reste følger af Mp. Lad fortsat X betege e give stokastisk variabel. Da e ax e ax e a X e ax + e ax for a > 0, gælder, at X opfylder BMp R(L X ) ideholder et åbet iterval omkrig 0, hvor R(L X ) := {t R E[e tx ] < }. R(L X ) er altid et iterval ideholdede 0, me ka bestå af 0 alee eller have 0 som ete vestre eller højre edepukt. Defier M X (t) := E[e tx ] for t R(L X ). M X ( ) kaldes de mometfrembrigede fuktio, da mometere i mage situatioer ka bestemmes ud fra M X ( ). For ideholder R(L X ) et åbet iterval af forme ] ɛ, ɛ [, så har X mometer af ehver orde, og ifølge Lebesgue s Sætig er M X (t) = = E[X ]! t for t < ɛ. Ifølge potesrækketeori er t M X (t) derfor uedelig ofte differetiabel i 0 med Alt i alt viser dette samme med Mp. M () X (0) = E[X ]. Mp 3 Lad X og Y være stokastiske variable. Fordelige for X er etydig bestemt ved M X, hvis dee er edelig i et åbet iterval omkrig 0, og X og Y er idetisk fordelte, hvis M X (t) = M Y (t) < for alle t i et åbet iterval omkrig 0. Bemærkig. Da mometere er bestemt som afledede i puktet 0, ka ma forholdsvis emt vise, at det er ok, at R(L X ) R(L Y ) ideholder et åbet iterval omkrig 0 og at M X (t ) = M Y (t ) for e følge (t ), som kovergerer mod 0. Et såkaldt målskifte argumet viser, at Mp 3 gælder uædret for ethvert iterval, dvs. Mp 3a Stokastiske variable X og Y er idetisk fordelte, hvis M X (t) = M Y (t) < for alle t i et åbet iterval. Bevis. Atag M X (t) = M Y (t) < for alle t ] λ, λ 2 [, hvor λ < λ 2. Lad λ 0 ] λ, λ 2 [ være valgt og lad Q X og Q Y betege sadsylighedsmålee på (Ω, F) givet ved Q X := a e λ 0X dp og Q Y := a e λ 0Y dp, hvor a = E[e λ 0X ] = E[e λ 0Y ]. 57
4 Lad edvidere M Q X og M Q Y betege de mometfrembrigede fuktioer for X uder Q X og Y uder Q Y. Reglere for itegratio med hesy til afledte mål viser, at M Q X og M Q Y er edelige og es i itervallet ] λ λ 0, λ 2 λ 0 [, idet M Q X (t) = EQ X [e tx ] = a E[e tx e λ 0X ] = a E[e (t+λ 0)X ] for alle t og tilsvarede for M Q Y. Me da 0 ] λ λ 0, λ 2 λ 0 [ følger derfor af Mp 2 at Specielt er Q X X = Q Y Y. E[f(X) e λ 0X ] = a E Q X [f(x)] = a E Q Y [f(y )] = E[f(Y ) e λ 0Y ] og dermed E[f(X)] = E[f(Y )] for alle kotiuerte fuktioer f med kompakt støtte. Me dette er ku muligt, hvis X og Y har samme fordelig. 58
5 De flerdimesioale ormalfordelig. Som e simpel kosekves af etydighedssætige og regeregler for karakteristiske fuktioer fås flg. vel kedte egeskab ved klasse af e-dimesioale ormalfordeliger. Hvis X,..., X er uafhægige ormalfordelte stokastiske variable, er a ix i ige ormalfordelt for ethvert valg af reelle kostater a,... a. Med udgagspukt heri idføres flg. flerdimesioale fordeligsklasse. Defiitio. E -dimesioal stokastisk vektor X = (X,..., X ) siges at være -dimesioal ormalfordelt, hvis t X := t i X i er ormalfordelt for alle t = (t,..., t ) R. Vælges t som e passede ehedsvektor ses, at koordiatvariablee i e flerdimesioal ormalfordelig X alle er e-dimesioale ormalfordeliger, dvs. de har både middelværdi og varias. Middelværdivektore og kovariasmatrice µ X := (E[X ],..., E[X ]) og σ X := {Cov(X i, X j )} i, j er derfor vel defierede, og som i det e-dimesioale tilfælde gælder også for de - dimesioale ormalfordelig, at de er bestemt ved si tilhørede middelværdivektor og kovariasmatrice. Der gælder emlig flg. resultat. N Hvis X og Y er -dimesioal ormalfordelt med µ X = µ Y og σ X = σ Y, så er ϕ X = ϕ Y, dvs. X og Y er idetiske fordelte. Bevis. Lad t R være givet. Da t X og t Y begge er ormalfordelte stokastiske variable, er de idetisk fordelte, da E[t X] = t µ X = t µ Y = E[t Y ] og V ar(t X) = t i σ X (i, j) t j = t i σ Y (i, j) t j = V ar(t Y ). i, j i, j Dvs. for t R er ϕ X (t) = E[ exp(i (t X))] = E[ exp(i (t Y ))] = ϕ Y (t), hvilket ifølge Etydighedssætige for karakteristiske fuktioer betyder, at X Y. Det har altså meig, at tale om de -dimesioale ormalfordelig med middelværdi vektor µ og kovariasmatrice σ, og vi vil i dee forbidelse kort skrive X N (µ, σ), hvis X er -dimesioal ormalfordelt med µ X = µ og σ X = σ. Ved foryet brug af Etydighedssætige for karakteristiske fuktioer har vi derfor flg. karakterisatio. 59
6 N 2 X N (µ, σ) ϕ X (t) = exp ( i (t µ) /2 t σ t t) t R. Ud fra N og N 2 følger u umiddelbart forskellige vigtige egeskaber ved flerdimesioale ormalfordeliger. Som det er sædvae bruges samme otatio for de lieære afbildig og de tilhørede matrice udreget i hht. de kaoiske basis. Formlere forudsætter, at vektorere i R opfattes som søjlevektorer. Detaljere overlades til læsere. N 3 Klasse af flerdimesioale ormalfordeliger er stabil uder affie trasformatioer, dvs. hvis X N (µ, σ) og T : R R m lieær, så er Y := y + T (X) N m (y + T (µ), T σ T t ) for ethvert y R m. Specielt er Y N m (y, T T t ), hvis X N (0, I ). Bevis. Da ehver liearkombiatio af koordiatere i Y er e affi liearkombiatio af koordiatere i X, er Y m-dimesioalt ormalfordelt. Reste følger u ved beregig af de tilhørede middelværdivektor og kovariasmatrice. Edvidere fås ved getage avedelse af Kf 6, dvs. ækvivalese mellem uafhægighed og faktoriserig af de karakteristiske fuktio, at uafhægighed og ukorellerethed er det samme for simultat ormalt fordelte variable. Der gælder emlig flg. resultat. N 4 Hvis Z er e flerdimesioal ormalfordelt stokastisk vektor, er vilkårlige margialer (Z,... Z k ) og (Z m,... Z ml ) uafhægige hvis og ku hvis Cov(Z i, Z mj ) = 0 for alle i =,..., k og j =,..., l. Hvis X N (µ, σ ) og Y N m (µ 2, σ 2 ) er uafhægige, er (X, Y ) N +m (µ, σ), hvor ( ) σ 0 µ = (µ, µ 2 ) og σ = 0 σ 2. Korollar X = (X,... X ) N (0, I ) hvis og ku hvis X,... X er uafhægige N(0, )- fordelte stokastiske variable. ( I beteger her ehedsmatrice.) Flerdimesioale ormalfordeliger er ikke ødvedigvis absolut kotiuerte, me det æste resultat viser, hvorår det er tilfældet. N 5 X N (µ, σ) er absolut kotiuert σ er ivertibel, og i givet fald er e tæthed givet ved x exp (2π) det σ 2 i, j (x i µ i ) σ (i, j) (x j µ j ) x R. Bevis. Hvis σ ikke er ivertibel, fides der et t R \ {0}, så at V ar(t X) = t σ t t = 0. Der fides derfor e kostat c R, så at t X = c P -.o, dvs. P (X A(t, c)) = hvor A(t, c) = {x R t x = c}. 60
7 Me dette er uforeeligt med absolut kotiuitet, da ethvert ægte affit uderrum i R har Lebesgue mål 0. Hvis omvedt σ er ivertibel, ka de ifølge vel kedt teori skrives på forme σ = T I T t, hvor T : R R er e lieær bijektio. Ifølge N 3 gælder derfor X µ + T (U) hvor U N (0, I ). N 5 følger u som tidligere vist af de lieære trasformatiossætig, for da koordiatvariablee U,..., U i U er uafhægige N(0, )-variable, har U tæthed x (2π) /2 exp ( x 2 /2 ) = (2π) /2 exp ( 2 x 2 i ). Til slut æves ude bevis flg. resultat agåede betigede fordeliger. (Se afsittet om betigede middelværdier for ikke forklaret otatio.) Vi betragter ku det to -dimesioale tilfælde, me der gælder et helt tilsvarede udsag i højere dimesioer. N 6 Lad (X, Y ) være to -dimesioalt ormalt fordelt, og atag at Y ikke er kostat. Da gælder for alle y R, at uder det betigede mål givet Y = y, er X N(µ X + (y µ Y ) σ X,Y /σ 2 Y, σ 2 X σ 2 X,Y /σ 2 Y ), hvor µ X, µ Y, σx 2 og σ2 Y er middelværdi og varias for X og Y, og σ X,Y er kovariase mellem dem. 6
8 Maksimal Uligheder. Ottaviai s Ulighed. Lad X,..., X betege uafhægige stokastiske variable. Sæt M = max j S j, hvor Da er S k = X + + X k k. P (M > x + y) mi j P ( S S j y) P ( S > x) for alle x, y R. Bevis. Da ulighede er triviel, hvis ete x eller y er egativ, lader vi x, y 0 være givet. Sæt D = { S > x + y} og D j = { S j > x + y, S x + y,..., S j x + y} j 2. Da D j ere er disjukte og {M > x + y} = D j, er P (M > x + y) = For ethvert j fås edvidere af trekatsulighede at P (D j ). { S j > x + y} { S + S S j > x + y} { S > x} { S S j > y}. Heraf følger, da (X,..., X j ) og dermed D j og S S j er uafhægige, at P (M > x + y) hvoraf ulighede følger, da (P ({ S > x} D j ) + P ({ S S j > y} D j )) (P ({ S > x} D j ) + P ( S S j > y) P (D j )) Korollar For alle p > 0 er P ( S > x) + max j P ( S S j > y) P (M > x + y), max j P ( S S j > y) = mi j P ( S S j y). E[ M p ] 2 p+ ( + 2 p+ ) max j E[ S j p ]. Bevis. Lad p > 0 være givet og atag ude tab af geeralitet, at m := max j E[ S j p ] <. For τ := (2 p+ m ) /p gælder ifølge Markov s Ulighed P ( S S j > τ) E[ S S j p ] τ p 2 p E[ S p ] + E[ S j p ] τ p 2p m τ p = /2 62
9 og dermed Dvs. mi P ( S S j τ) /2 = /2. j P (M > x) = P (M > (x τ) + τ) 2 P ( S > x τ) = 2 P ( S + τ > x) for alle x > 0 og ved itegratio med p x p dx fra ul til uedelig fås derfor E[ M p ] 2 E[ ( S + τ) p ] 2 p E[ S p + τ p ] 2 p+ ( + 2 p+ ) m. Atages yderligere at X i ere alle har middelværdi 0, og S j og S S j derfor uafhægige og cetrerede for j, sikrer Korollar 3.3 ulighede E[ S S j p ] E[ S S j + S j p ] = E[ S p ] for j og p. τ ovefor ka derfor vælges lig (2 E[ S p ]) /p, hvorefter et tilsvarede argumet giver Korollar 2 Hvis E[X i ] = 0 for alle i er E[ M p ] 3 2 p E[ S p ] for p. Det er værd at bemærke, at kostatere i Korollar og 2 ku afhæger af p og ikke af de idgåede variable. Ottaviai s Ulighed gælder for alle sæt af uafhægige stokastiske variable, me er variablee yderligere symmetriske, dvs. X X, gælder med samme otatio flg. mere præcise resultat. Lévy s Ulighed. Lad X,..., X betege uafhægige symmetriske stokastiske variable. Da er P (M > t) 2 P ( S > t) for alle t > 0, og dermed E[M p ] 2 E[ S p ] for alle p > 0.. Bevis. Lad t > 0 være givet. Sæt ige D = { S > t} og D j = { S j > x, S t,..., S j t} j 2. Da D j ere er disjukte gælder som ovefor P (M > t) = P ( S j > t, D j ) = P ( S + S j > 2t, D j ) hvor P ( S > t, D j ) + P ( S j > t, D j ), S j := X + + X j (X j+ + + X ). 63
10 Me da X i ere er symmetriske og uafhægige, er (X,..., X ) (X,..., X j, X j+,..., X ) for alle j, og dermed specielt P ( S > t, D j ) = P ( S j > t, D j ) for alle j. Idsættes dette ovefor fås P (M > t) 2 P ( S > t, D j ) 2 P ( S > t). Mometulighede følger umiddelbart ved itegratio. Lad i det følgede (X ) betege e følge af uafhægige stokastiske variable. samme otatio som ovefor fås for ethvert p > 0 af Korollar, at Med hvor (S ) er begræset i L p hvis og ku hvis M L p, M = sup M = sup S. I dee forbidelse er det iteressat at observere, at M uder svage ekstrabetigelser ka udskiftes med de midre L = sup X. For sættes gælder flg. udsag. R(a) = sup P ( S > a) for a > 0 Korollar 3 Hvis lim a R(a) = 0 er (S ) begræset i L p, hvis og ku hvis L L p. Bevis. Lad p > 0 være givet. Da X S S S + S 2M for alle er L 2M, hvorfor ku hvis dele er e kosekves af det oveståede. Atag derfor at L L p og dermed specielt, at alle X ere og derfor også alle S ere ligger i L p. Sæt for ethvert a > 0 For alle a, y > 0 har vi u T a = if { S > a}. P ( S > 2(a + y)) = P ( S > 2(a + y), T 2a+y ) P ( S S T2a+y > a, T 2a+y ) + P ( S T2a+y > a + 2y, T 2a+y ) P ( S S k > a, T 2a+y = k) + P ( S T2a+y > a + 2y, T 2a+y ) 64
11 = P ( S S k > a) P (T 2a+y = k) + P ( S T2a+y > a + 2y, T 2a+y ) (P ( S > a/2) + P ( S k > a/2)) P (T 2a+y = k) + P ( S T2a+y > a + 2y, T 2a+y ) 2R(a/2) P (T 2a+y ) + P ( S T2a+y > a + 2y, T 2a+y ) 2R(a/2) P (M > 2a + y) + P (2a + y + L > a + 2y) Me da 2R(a/2) P ( S > a + y) + P (a + L > y) mi j P ( S S j a) mi P ( S S j a) = max P ( S S j > a) j j har vi alt i alt vist eller ækvivalet max j (P ( S > a/2) + P ( S j > a/2)) 2R(a/2) P ( S > 2(a + y)) 2R(a/2) 2R(a/2) P ( S > a + y) + P (a + L > y) P (( S 2 a)+ > y) 2R(a/2) 2R(a/2) P (( S a) + > y) + P (a + L > y). Itegreres u på begge sider fra ul til uedelig med p y p dy fås derfor E[(( S 2 a)+ ) p ] 2R(a/2) 2R(a/2) E[(( S a) + ) p ] + E[ a + L p ] hvoraf følger, da og dermed at Vælges u a så stor at har vi derfor og dermed resultatet. 2R(a/2) 2R(a/2) E[ S p ] + 2 p (a p + E[L p ]), S /2 ( S /2 a) + + a E[ S p ] 4 p (E[(( S /2 a) + ) p ] + a p ), E[ S p ] 4p 2R(a/2) 2R(a/2) E[ S p ] + 8 p (a p + E[L p ]) + 4 p a p. 4 p 2R(a/2) 2R(a/2) < /2, E[ S p ] 2 (8 p (a p + E[L p ]) + 4 p a p ) 65
12 De store tals love I. Betegelse De store tals love dækker over et utal af resultater vedrørede de asymptotiske opførsel af empiriske geemsit, dvs. variable af forme X i eller mere geerelt (X i µ i ), med heblik på koverges P -.o. eller i sadsylighed for. (X ) er her e følge af stokastiske variable og (µ ) e reel talfølge. Der fides tilsvarede resultater for stokastiske vektorer (X ) og vektorer (µ ). Hvis X i ere har edelig middelværdi, vælges µ i ormalt som middelværdie E[X i ], og der er i dee situatio dermed tale om ormerede cetrerede partialsummer. Resultatere opdeles i to kategorier, idet der skeles mellem stærke og svage love. E stærk lov er her et udsag, der sikrer koverges P -.o. i modsætig til e svag lov, som vedrører koverges i sadsylighed. Da koverges.o. som bekedt medfører koverges i sadsylighed, giver ehver stærk lov aledig til e tilsvarede svag lov. Det absolut vigtigste resultat idefor emet, hvis historie går helt tilbage til Berouilli brødree i begydelse af 700 tallet, er flg. klassiske stærke lov ofte omtalt som e af sadsylighedsteories tre perler. LLN Kolmogorov s Store tals lov. Hvis (X ) er e følge af uafhægige idetisk fordelte stokastiske variable med edelig middelværdi µ, kovergerer X i µ P -.o. og i L (P ). Da E[X ] = µ for alle ka påstade ækvivalet formuleres som (X i E[X i ]) 0 P -.o. og i L (P ). Resultatet spiller e meget vigtig rolle i sadsylighedsteorie, da det dukker aturligt op i mage sammehæge. Me det er også af e mere fudametal betydig for de modere sadsylighedsteori, dvs. Kolmogorov-modelle. For kue et sådat resultat ikke vises, ville modelle simpelt he være ubrugelig. Edvidere fremhæver det betydige af det idførte middelværdibegreb, for som resultatet viser, kovergerer de empiriske middelværdi mod de teoretiske, hvis dee eksisterer, uaset hvilke fordelig der ed er tale om. I bestræbelsere på at bevise LLN er der udviklet mage særdeles værdifulde tekikker, som udover at tjee deres opridelige formål har muliggjort mage udvidelser af resultatet. Vi skal i det følgede beskæftige os med e lille del af dee omfattede teori, me det er vigtigt hele tide at have oveståede hovedresultat i takere. 66
13 Flg. spørgsmål fra de reelle aalyse er tydeligvis af iteresse : Hvorår er lim a i = 0 for e give reel talfølge (a )?, dvs. hvorår kovergerer a 0 i Cecaro middel? Som bekedt gælder dette, hvis a 0 i sædvalig forstad, me yderligere to resultater er af iteresse. ( Se Appediks G for e øjagtig formulerig og bevis.) Først og fremmest det såkaldte Kroecker Lemma, dvs. implikatioe = a /b koverget i R lim b a i = 0, hvor 0 < b < b +. Tilfældet b er specielt vigtigt, me vi skal også beytte det i adre tilfælde. Desude vises, at hvis a ere ete er opad eller edad begræsede, så er lim [λ ] a i = 0 hvis lim [λ a i = 0 for ethvert λ >. ] Til seere brug bemærkes, at det er ok, at kovergese holder for ethvert af de tællelig mage λ er af forme + k for k. Med baggrud i dette åber der sig derfor to mulige bevismetoder for oveståede sætig. Ete ka de omformuleres til et spørgsmål om koverges i R P -.o. af de uedelige række (X µ)/, eller også ka ma først studere = (X i µ) lags med hurtigt voksede delfølger af forme ([λ ]) for λ >, og deræst herudfra forhåbetligt deducere de øskede koverges for hele følge. Tilfældet, hvor X i ere er uafhægige, er af speciel iteresse. I dee forbidelse er det æste resultat, som viser, at.o.-koverges og koverges i sadsylighed er sammefaldede for summer af uafhægige variable, meget vigtigt. LLN 2.o.-koverges af summer af uafhægige variable. Lad (Z ) betege e følge af uafhægige variable. Da gælder Z er summabel P -.o. = hvor summabel P -.o. betyder at Z koverget i sadsylighed, = Z (ω) er koverget i R for P -.a. ω. = Korollar For uafhægige stokastiske variable (Z ) gælder for alle p > 0 = Z koverget i L p (P ) 67 = Z er summabel P -.o.
14 Korollaret, der er iteressat, fordi koverges i L p ofte er simpelt at eftervise, er e umiddelbar kosekves af sætige, da koverges i L p medfører koverges i sadsylighed. Herudfra deduceres f.eks. ude problemer flg. stærke lov. LLN 3 De store tals lov (L 2 -udgave). Lad (X ) betege e følge af uafhægige kvadratisk itegrable stokastiske variable. Da gælder V ar(x )/ 2 < = (X i E[X i ]) 0 P -.o. og i L 2 (P ). Bevis. Uafhægighede bevirker, at (X E[X ]) udgør e orthogoal følge i L 2, og da X E[X ] 2 2 = V ar(x ) for alle fås af Pythagoras, mere præcist Lemma 5.6, at V ar(x )/ 2 < = (X E[X ])/ kovergerer i L 2 (P ). = P -.o.-kovergese følger u af oveståede korollar samt Kroeckers Lemma, og da ( E[ ) 2 (X i µ i ) ] = 2 V ar(x i ) følger kovergese i L 2 ligeledes af Kroecker Lemmaet. Bemærkig. Da beviset udytter orthogoalitetsbegrebet, er det på ige måde klart, at resultatet ka geeraliseres til ekspoeter α 2. Me vi skal seere se, at det dog i et vist omfag er muligt. Bevis for LLN 2. Sæt for S = Z i og lad S betege græsevariable, dvs. S S i sadsylighed. Der fides derfor e delfølge ( k ) k, så at S k S.o. for k. Defier for k M k := max k <l k S l S k, hvor 0 = 0 og S 0 := 0. Da S k S k 0 P -.o. er for givet ɛ > 0 #{k S k (ω) S k (ω) > ɛ } < for P -.a. ω, og da S k S k ere er uafhægige, følger derfor af Det adet Borel - Catelli Lemma at P ( S k S k > ɛ) <. Me ifølge Ottaviai s ulighed er P (M k > 2ɛ) ( max P ( S k S l > ɛ) ) P ( S k S k > ɛ). k <l k 68
15 for alle k, og da trekatsulighede sikrer, at max P ( S k S l > ɛ) 2 sup P ( S S l > ɛ/2) k k <l k l> k eftersom S S i sadsylighed, gælder derfor vurderige P (M k > 2ɛ) 2 P ( S k S k > ɛ) for k stor. Dvs. P (M k > 2ɛ) < og dermed ifølge det første Borel Catelli Lemma og derfor P (lim sup {M k > 2ɛ}) = 0 k lim sup k M k > 2ɛ P.o. Da ɛ > 0 var vilkårlig, betyder dette at lim sup k M k = 0 P -.o. og dermed M k (ω) 0. Alt i alt har vi altså, at for.a. ω kovergerer hvilket samme med ulighede S k (ω) S(ω) og M k (ω) 0 for k, S l (ω) S(ω) S l (ω) S kl (ω) + S kl (ω) S(ω) M kl (ω) + S kl (ω) S(ω) for l, hvor k l er bestemt ved kl < l kl, viser, da k l for l, at lim l S l (ω) = S(ω) for.a. ω. Bevis for LLN. Lad (X ) betege e følge af uafhægige idetisk fordelte stokastiske variable med edelig middelværdi µ. Vi skal vise, at X i µ P -.o. Som etop vist, fides der et relevat resultat i det kvadratisk itegrable tilfælde. Me da vi her ku forudsætter itegrabilitet, får vi brug for de såkaldte trukerigstekik, som består i at skrive de ekelte variable som e sum af to i hht. flg. ide: X = U + V, hvor U := X { X a } og V := X U = X { X >a } for et passede valg af positive reelle tal a. Da X ere er forudsat itegrable, er a = et godt valg, idet der da gælder P (V 0) = = P ( X > ) = = P ( X > ) <. = 69
16 Ved brug af Det første Borel-Catelli Lemma fås derfor at P ( : V i = 0 i ) = og dermed V i 0 P -.o., og da X i = U i + V i, magler vi ku at vise, at første led kovergerer P -.o. mod µ. Hertil bemærkes, at V ar(u ) E[U 2 ] = E[X 2 { X }] = E[X 2, X ], og da der fides e kostat C R +, så at fås at V ar(u )/ 2 =, x C/x for x, 2 E[ X, 2 X ]/ 2 = E[ X 2 = Ifølge LLN 3 gælder derfor, at, X / 2 ] C E[ X ] <. U i E[U i ] = (U i E[U i ]) 0 P -.o., hvoraf P -.o. kovergese følger, da E[U ] = E[X { X }] µ og dermed E[U i ] µ. ifølge Lebesgue s Sætig. L -kovergese følger ved at kombiere kovergese P -.o. med Sætig 4.8, da {X } og dermed { X i } er uiformt itegrable. Trukerigstekikke ka på ligede vis bruges til at vise flg. geeralisatio af Komogorov s Store tals lov. Bemærk at de ædrede itegrabilitetsatagelse afspejler sig i valget af trukerigskostat. 70
17 LLN 4 Marcikiewicz-Zygmod s Store tals lov. Lad q < 2 være givet og lad (Y ) betege e følge af uafhægige idetisk fordelte variable med edelig q te momet. Idet µ beteger de fælles middelværdi, gælder da /q (Y i µ) 0 P -.o. og i L q. Bevis. Da q = allerede er klaret, betragter vi et < q < 2, og ved at se på Y µ i stedet for Y, ka og vil vi atage, at de fælles middelværdi er lig 0. Skriv Y j = Y j + Ỹj = (Y j E[Y j ]) + Ỹj + E[Y j ] hvor Y j = Y j { Yj <j /q } og Ỹj = Y j { Yj i /q }. Ifølge Kroecker Lemma vil /q Y j 0 P -.o. hvis Y j /j /q er P -summabel. Det er derfor ok at vise, at flg. tre rækker hver for sig kovergerer P -.o. (Y j E[Y j ])/j /q, Ỹ j /j /q og E[Y j ]/j /q. Leddee i de første sum er uafhægige, cetrerede og har edelig varias. Ifølge korollaret til LLN 2 og Pythagoras er række derfor P -summabel, hvis summe af variasere er edelig, dvs. hvis E[ (Y j E[Y j ]) 2 ]/j 2/q E[Y 2 j]/j 2/q <. Me da der fides e kostat r q > 0 ku afhægig af q, så at j 2/q r q x (2/q ) for alle x > 0 fås j: j>x E[Y 2 j]/j 2/q = E[ Y 2 j: j> Y q j 2/q ] r q E[ Y 2 Y q(2/q ) ] = r q E[ Y q ] <. Kovergese af række r. to følger af Borel-Catelli Lemmaet. For da E[ Y q ] er edelig, er P (Ỹj 0) = P ( Y j j /q ) = P ( Y q j) <. Hvad agår de sidste række bemærkes først, at da Y j ere har middelværdi 0, er E[Y j ] = E[Ỹj] = E[ Y j { Yj j /q } ] = E[ Y { Y q j}], 7
18 dvs. vi skal vise, at E[ Y { Y q j}] j /q <. Me dette følger af, at der fides edu e kostat r q ku afhægig af q, så at og dermed j x E[ Y { Y q j}] j /q = E[ Y j /q r q x (/q ) for alle x > 0 j Y q j /q ] r q E[ Y Y q(/q ) ]. Dvs. de betragtede sum er midre ed r q E[ Y q ] og dermed edelig. P -.o.-kovergese er hermed vist. Beviset for L q -kovergese udsættes til seere. I beviset for LLN 3 beyttedes implikatioe uafhægighed ukorrellerethed dvs. orthogoalitet i L 2. I det æste resultat tages i stedet udgagspukt i ukorrellerethed. LLN 5 De store tals lov (L 2 -udgave, supplemet). Lad (X ) betege e følge af ukorrellerede kvadratisk itegrable stokastiske variable så at V ar(x )/ 2 < Sæt for ˆX = = (X i E[X i ]). Da gælder ) ˆX 0 i sadsylighed og L 2 (P ). 2) ˆX[λ ] 0 P -.o. for λ >. 3) ˆX 0 P -.o. hvis for P -.a. ω sup (X (ω) E[X ]) < eller if (X (ω) E[X ]) >. Betigelse i 3) er specielt opfyldt, hvis X ere er ikke egative og sup E[X ] <. Bevis. For emheds skyld skrives µ i stedet for E[X ]. Da (X µ ) pr. atagelse er parvis orthogoale i L 2 (P ) fås for ethvert af Pythagoras, at E[ ˆX ] 2 = 2 E[(X j µ j ) 2 ] = 2 V ar(x j ) 0, hvor kovergese følger af atagelse og Kroecker Lemmaet. Dvs. dermed også i sadsylighed, dvs. ) er vist. ˆX 0 i L 2 (P ) og 72
19 For ethvert λ > har vi tilsvarede, da [λ ] λ 2 [λ ], at = E[ ˆX [λ 2 ] ] = [λ ] 2 = V ar(x j ) : [λ ] j = [λ ] V ar(x j ) [λ ] 2 C λ for e kostat C λ ku afhægig af λ. Dvs. for ethvert λ > er V ar(x j )/j 2 E[ = ˆX 2 [λ ] ] < og dermed = ˆX 2 [λ ] < P -.o., hvoraf 2) følger, da leddee i e koverget række går mod 0. Ifølge 2) er P ( ˆX νk () 0 for alle k ) =, hvor ν k () = [( + k ) ] for alle, k. Kombieres dette med atagelsere gælder derfor for P -.a. ω, at lim ˆXνk ()(ω) = 0 for k samt < if j (X j (ω) µ j ) eller sup (X j (ω) µ j ) <, j og derfor som tidligere ævt, se Appediks G, at lim ˆX = 0 P -.o. Ved at udytte LLN 5 pukt 3) ka ma vise, at Kolmogorov s store tals lov stadig gælder, selvom uafhægighed erstattes med parvis uafhægighed. Me da dee geeralisatio yderst sjældet er iteressat, vil vi lade de ligge. Lad mig til slut ude bevis æve flg. supplemet til LLN 5. LLN 6 Rademacher - Mesov s Store tals lov. Lad (X ) betege e følge af ukorrellerede kvadratisk itegrable stokastiske variable. Da gælder log 2 V ar(x ) < = (X E[X ]) summabel P -.o. = og dermed specielt = log 2 2 V ar(x ) < ˆX 0 P -.o. 73
20 De store tals love II. Som allerede ævt adskiller ekspoete 2 sig fra adre ekspoeter. Me som vi u skal se, ka ma i det uafhægige tilfælde ved hjælp af de såkaldte symmetriserigstekik alligevel vise ligede resultater for alle ekspoeter α > 0. E væsetlig brik i teorie er flg. resultat ormalt kaldet Khichie s Ulighed: LLN 7 Khichie s Ulighed. Lad (ɛ i ) i betege e følge af uafhægige Beroulli variable, dvs. P (ɛ i = ) = P (ɛ i = ) = /2 for alle i Da fides der for alle α > 0 positive kostater c α og C α ku afhægig af α, så at c α ( b 2 j ) α/2 E[ b j ɛ j α ] C α ( for alle og alle reelle talfølger (b j ) j. b 2 j ) α/2 Bevis del I. Ifølge Jese s ulighed er α E[ b j ɛ j α ] /α voksede for ethvert og alle reelle talfølger (b ), og da 2 E[ b j ɛ j 2 ] = E[ b j ɛ j ] = b 2 j ses, at og E[ b j ɛ j α ] E[ b j ɛ j 2 ] α/2 = ( b 2 j ) α/2 for α 2 ( b 2 j ) α/2 = E[ b j ɛ j 2 ] α/2 E[ b j ɛ j α ] for α 2. ka altså bruges som C α for 0 < α 2 og som c α for α 2, og følge (b j ) j = (, 0,..., 0,... ) viser umiddelbart, at det i begge tilfælde er de optimale kostat. De resterede tilfælde er tæt forbude, for er C α bestemt for α > 2, gælder ifølge Cauchy-Schwarz s Ulighed for 0 < α < 2, at E[ b 2 j = E[ b j ɛ j 2 ] = E[ b j ɛ j 4 α ] /2 E[ som efter forkortig viser, at ( b j ɛ j 2 α/2 b j ɛ j α/2 ] b j ɛ j α ] /2 C /2 4 α ( b 2 j ) α/4 E[ b 2 j ) α/4 C /2 4 α E[ b j ɛ j α ] /2. b j ɛ j α ] /2, 74
21 Dvs. C 4 α ka bruges som c α i itervallet 0 < α < 2. Bestemmelse af C α for α > 2 er mere kompliceret. Specielt er bestemmelse af de optimale værdi, dvs. de midst mulige, yderst vaskeligt, og de kostat, vi u vil bestemme ved brug af teorie om betigede middelværdier, er derfor ikke optimal. Bevis del II. Lad α > 2 og være givet og lad U,..., U betege uafhægige N(0, )- fordelte stokastiske variable. Defier B i := σ({u i > 0}) i =,..., og B := σ( B i ). Ifølge regeregler for betigede middelværdier gælder for ethvert i, da U i ere er symmetriske og P (U i > 0) derfor lig /2 for alle i, at E[U i B] = E[U i B i ] = ρ ( {Ui >0} {Ui 0}) P -.o., hvor ρ = 2 E[U i, U i > 0] = 2 E[U i, U i 0] = 2/π 0 x e x2 /2 dx = 2/π. Variablee E[U B]/ρ,..., E[U B]/ρ er altså uafhægige Beroulli variable, og for ethvert valg af kostater b,..., b gælder derfor ρ α E[ b j ɛ j α ] = E[ b j E[U j B ] α ] = E[ E[ b j U j B ] α ] Dvs. E[ b j X j α ] = E[ N(0, er e mulig kostat. b 2 j ) α ] = ( b 2 j ) α/2 E[ N(0, ) α ]. C α := ρ α E[ N(0, ) α ] = π (α )/2 Γ((α + )/2) Lad mig ide vi går videre bemærke, at de etop avedte bevistekik edvidere giver flg. vurderig for ethvert valg af kostater b,..., b og t > 0. P ( N(0, )2 b i ɛ i > t) E[ exp( 4 ) ] exp( t 2 4 b2 i ) = 2 exp( t 2 4 b2 i Bevis. Lad t > 0 og b,..., b være givet og sæt s b = b2 i. Vi ka ude tab af geeralitet atage s b > 0. Idet ϕ beteger de voksede og kovekse fuktio på R + givet ved ϕ(t) = exp( t2 ) t 0 4s b gælder med samme otatio som ovefor P ( b i ɛ i > t) = P ( 75 b i E[ U i B i ] > t) ).
22 = P ( E[ ϕ( E[ b i U i B i ] > t) = P ( E[ b i U i B ] > t) E[ b i U i B ] )/ϕ(t) E[ ϕ(e[ E[ E[ ϕ( b i U i ) B ] ]/ϕ(t) = E[ ϕ( b i U i B ] ) ]/ϕ(t) b i U i ) ]/ϕ(t) = E[ exp( N(0, s b) 2 )] exp( t2 N(0, )2 ) = E[ exp( )] exp( t2 ). 4s b 4s b 4 4s b Flg. korollarer er umiddelbare kosekveser af Khichie s Ulighed. Korollar Lad Z,..., Z betege uafhægige symmetriske stokastiske variable. Da gælder for ethvert α > 0 E[ Z k α ] C α E[ ( Z k 2 ) α/2 ] C α β(α) E[ Z k α ], hvor C α er kostate fra Khichie s ulighed, og β(α) = (α/2 ) +, dvs. { 0 0 < α 2 β(α) = α/2 α > 2. Bevis. Lad α > 0 være givet og lad ɛ,..., ɛ betege uafhægige Beroulli variable, så at (Z,..., Z ) og (ɛ,..., ɛ ) er uafhægige. ɛ i Z i ere er da uafhægige, og da Z i ɛ i Z i, da Z i er symmetrisk, er Sættes (Z,..., Z ) (ɛ Z,..., ɛ Z ). H α (a,..., a ) = E[ ɛ k a k α ] for a,..., a R følger ved brug af Fubii s Sætig, ærmere bestemt Ua 4, at E[ Z k α ] = E[ ɛ k Z k α ] = E[H α (Z,..., Z )]. Me ifølge Khichie s Ulighed er H α (a,..., a ) C α ( E[ Z k α ] C α E[ ( a 2 k )α/2 og derfor Z k 2 ) α/2 ]. De sidste ulighed følger ved for 0 < α 2 at udytte, at x x α/2 er subadditiv og voksede på R +, og for α > 2 at beytte flg. kosekves af Jese s Ulighed ( x k ) r r x k r x,..., x R, r >. 76
23 Bemærkig. Nærlæses Korollar ses, at atagelse ka erstattes af de svagere, at de 2 stokastiske vektorer (±Z,..., ±Z ) alle har samme fordelig dvs. (Z,..., Z ) (±Z,..., ±Z ). Ma udtrykker ofte dette ved at sige, at Z = (Z,..., Z ) er symmetrisk i R Ved brug af Korollar 3.3 ka vi udvide oveståede til e ulighed for geerelle uafhægige variable. Kostatere C α og β(α) er de samme som i Korollar. Korollar 2 Lad Z,..., Z betege uafhægige stokastiske variable med edelig middelværdi µ k for k =,...,. Da gælder for ethvert α E[ (Z k µ k ) α ] 2 α C α E[ ( Z k µ k 2 ) α/2 ] 2 α C α β(α) E[ Z k µ k α ] og for 0 < α < E[ (Z k µ k ) α ] E[ Z k µ k α ] Bevis. Tilfældet 0 < α < er e umiddelbar kosekves af, at x x α er voksede og subadditiv på R +. Betragt derfor et α. Da de sidste ulighed her følger ligesom ovefor, behøver vi ku at se på de første. Lad Y,..., Y være e uafhægig kopi af Z,..., Z, dvs. (Y,..., Y ) og (Z,..., Z ) er uafhægige og idetisk fordelte. Da Z Y,..., Z Y derfor er uafhægige og symmetriske, fås, da Z k Y k for alle k, af Korollar samt ved brug af trekatsulighede i R, at E[ (Z k Y k ) α ] C α E[ ( = C α E[ ( 2 α C α (E[ ( Z k Y k 2 ) α/2 ] (Z k µ k ) (Y k µ k ) 2 ) α/2 ] (Z k µ k ) 2 ) α/2 ] + E[ ( = 2 α C α E[ ( ) (Y k µ k ) 2 ) α/2 ] (Z k µ k ) 2 ) α/2 ] De øskede påstad følger u af Korollar 3.3, for ifølge dette er E[ (Z k Y k ) α ] = E[ da α og (Z k µ k ) og (Z k µ k ) (Y k µ k ) α ] E[ (Z k µ k ) α ], (Y k µ k ) er uafhægige med middelværdi 0. For fuldstædighedes skyld æves edu e kosekves af Khichie s Ulighed. 77
24 Korollar 3 For alle p > og alle X,..., X uafhægige stokastiske variable med middelværdi 0 gælder 2 p c p E[ ( Xi 2 ) p/2 ] E[ X i p ]. Bevis. Lad p > og X,..., X være valgt. Lad edvidere a,..., a betege e følge af ±. Der gælder u E[ a i X i p ] = E[ X i X i p ] i, a i = i, a i = 2 p ( E[ i, a i = X i p ] + E[ i, a i = X i p ]) 2 p E[ X i p ], hvor sidste ulighed følger af Korollar 3.3, da i, a i = X i og i, a i = X i er uafhægige og har middelværdi 0. Ved brug af Fubii s Sætig fås u, at E[ ɛ i X i p ] 2 p E[ X i p ], hvor ɛ,..., ɛ er uafhægige Berouilli variable, som samlet er uafhægige af sættet af X i er; og da Fubii s Sætig samme med Khichie s Ulighed yderligere viser, at c p E[ ( Xj 2 ) p/2 ] E[ er det øskede resultat dermed vist. ɛ j X j p ], For at kue udvide de store tals lov til et geerelt α > 0 formuleres et L α -kovergesresultat for summer af uafhægige stokastiske variable. Da resultatet er e kosekves af Korollar 2, formuleres det som edu et korollar. C α og β(α) er som ovefor. Korollar 4 Lad (X ) betege uafhægige stokastiske variable med edelig middelværdi µ for. Da gælder for ethvert 0 < α 2, at E[ X µ α ] < = (X µ ) eksisterer i L α, = og for alle α > 2, at E[ X µ α ]/ α β(α) < = (X k µ k ) 0 i L α. Bevis. Hvad agår det første resultat, er det for at vise koverges i L α ok at vise, at afsitsfølge er e Cauchy følge i L α. Me dette følger af atagelse og Korollar 2, idet dette viser, at for 0 < α 2 er E[ m m (X k µ k ) α ] 2 α C α E[ X k µ k α ] k= 78 k=
25 for alle m. Ifølge Korollar 2 gælder edvidere for alle, at E[ (X k µ k ) α ] 2α C α α β(α) E[ X k µ k α ] = 2α C α α β(α) E[ X k µ k α ], hvoraf det adet resultat følger ved brug af Kroecker s lemma. Vi ka u formulere og bevise e geerel L α -versio af de store tals lov. For α < 2 er der tale om e direkte oversættelse af L 2 -udgave, hvorimod mometbetigelse er e ade for α > 2. LLN 8 De store tals lov (L α -udgave). Lad (X ) betege e følge af uafhægige stokastiske variable med edelig middelværdi µ for. Da gælder for α 2 E[ X µ α ]/ α < (X i µ i ) 0 P -.o. og i L α (P ). = og for α > 2 E[ X µ α ]/ (+α/2) < = (X i µ i ) 0 P -.o. og i L α (P ). Bevis. Lad α 2 være givet. Ifølge Korollar 4 pukt gælder E[ X µ α ]/ α < (X µ )/ koverget i L α. = = Række kovergerer derfor også P -.o. ifølge korollaret LLN 2, og Kroecker Lemmaet giver derfor, at ˆX := (X k µ k ) 0 P -.o. Da ade del i Korollar 4 sikrer, at ˆX 0 i L α er tilfældet α 2 dermed klaret. Betragt deræst et α > 2. L α -kovergese af ( ˆX ) følger ige af Korollar 4. Hvad agår kovergese P -.o. udyttes som i beviset for LLN 2, at det er ok at vise, at hvor M := ˆX 2 0 og M 0 P -.o., max ˆX k ˆX 2 ˆX 2 + k 2 <k max 2 <k 2 + Hertil er det som bekedt ok at vise, at E[ ˆX 2 α ] < og = j=2 + E[M α ] <. = (X j µ j ) for. Det første følger her af Korollar 2, som viser, at der fides e kostat C ku afhægig af α, så at E[ ˆX 2 α 2 (α/2 ) 2 ] C E[ X j µ j α ] = = 2 α 79
26 = C E[ X j µ j α ] : 2 j E[M α ] er derfor også edelig, hvis = = 2 (α/2+) 2 C E[ X j µ j α ]/j +α/2 <. k E[ max 2α (X j µ j ) α ] <. 2 <k 2 + j=2 + Me ifølge Korollaret til Ottaviai s Ulighed er dette tilfældet, hvis = og dermed ifølge Korollar 2 hvis 2+ E[ 2α j=2 + (X j µ j ) α ] <, = 2 (α/2 ) 2 α 2 + j=2 + E[ X j µ j α ] <. Me dette er etop atagelse, da = 2 (α/2+) 2 + j=2 + E[ X j µ j α ] 2 +α/2 E[ X j µ j α ]/j +α/2 <. Symmetriserig sikrer også de postulerede me ikke viste L q -koverges i Marcikiewicz- Zygmod s Store tals lov. For lad for givet < q < 2 situatioe være som i LLN 4. Først reduceres til det symmetriske tilfælde. For hvis (Ỹj) j er e uafhægig kopi af (Y j ) j, dvs. (Y j ) j og (Ỹj) j uafhægige og (Y j ) j (Ỹj) j og dermed Y j Ỹj j og Ỹj ere uafhægige, fås af Korollar 3.3, at E[ /q Y j q ] E[ /q Y j /q Ỹ j q ] = E[ /q (Y j Ỹj) q ], da q > og E[ /q Ỹ ] = 0. Da (Y j Ỹj) j ere er uafhægige, symmetriske og idetisk fordelte, er det derfor, hvad koverges i q-middel agår, ok at betragte det symmetriske tilfælde. Vi vil derfor i det videre forløb yderligere atage, at Y i ere er symmetriske. Betragt for et givet k opsplitige Y i = U k,i + V k,i hvor U k,i := Y i { Yi k} og V k,i := Y i { Yi >k}. 80
27 De to følger (U k,i ) i og (V k,i ) i består begge af uafhægige, symmetriske og idetisk fordelte stokastiske variable. Ifølge Korollar 2 ovefor fides der derfor e kostat C ku afhægig af q, så at Tallet E[ /q V k,j q ] C E[ V k, q ] = C E[ Y q, Y > k] for alle. sup E[ /q V k,j q ] ka dermed gøres så lille som øsket ved at vælge k stor ok, og de øskede L q -koverges vil derfor være vist, hvis vi for givet k ka vise, at lim E[ /q U k,j q ] = lim E[ /q Y j { Yj k} q ] = 0. Da q < 2 er det ok at vise, at adet mometet går imod 0. Me dette følger af Pythagoras, for da summadere for ethvert k er uafhægige cetrede kvadratisk itegrable variable, gælder E[ /q Y j { Yj <k} 2 ] = 2/q E[Y 2 j { Yj <k}] k2 2/q 0. 8
28 Fordeligskoverges. I det følgede (S, d) beteger et separabelt metrisk rum. Læsere abefales at tæke på R eller delmægder heraf udstyret med de euklidiske metrik. Lad edvidere (X ) og X betege stokastiske fuktioer med værdier i S, dvs. (F, B(S))-målelige fuktioer fra Ω id i S. (Ω, F, P ) er her et sadsylighedsfelt, hvorpå alle omtalte variable tækes defieret. I aalogi med det reelle tilfælde idføres flg. kovergesbegreb. Defiitio. X X i sadsylighed hvis lim P (d(x, X) > ɛ) = 0 for ɛ > 0, dvs. hvis d(x, X) 0 i sadsylighed i R. Bemærkig. Separabilitete af S sikrer at B(S S) = B(S) B(S), og da (x, y) d(x, y) er kotiuert, er d(x, X) derfor e reel stokastisk variabel og {d(x, X) > ɛ} dermed e hædelse for ethvert og ɛ. Hvis S = R er betigelse for koverges i sadsylighed de vel kedte lim P ( X X > ɛ) = 0 for alle ɛ > 0, hvilket, som vist i Lemma 4.4, er ækvivalet med at lim E[ X X ] = 0. Dee ækvivales geeraliserer ude ædriger til det almee tilfælde, dvs. X X i sadsylighed lim E[ d(x, X) ] = 0. Ved brug heraf fås som i det reelle tilfælde flg. to kosekveser. Fk X X i sadsylighed X k X P -.o. for e delfølge ( k ) k. Bevis. Da lim E[ d(x, X) ] = 0 kovergerer d(x, X) 0 i P -middel og dermed specielt i sadsylighed. Ifølge Propositio 4.3 ka vi derfor vælge e delfølge ( k ) k, så at d(x k, X) 0 P -.o. og dermed d(x k, X) 0 P -.o. Me dette betyder etop, at X k X P -.o.. Fk 2 Lad (T, δ) betege edu et separabelt metrisk rum og lad f : S T være e kotiuert fuktio. Da gælder X X i sadsylighed f(x ) f(x) i sadsylighed Bevis. Vi skal vise lim E[ δ(f(x ), f(x)) ] = 0. Atag derfor at det ikke gælder, dvs. atag r > 0 ( k ) k : E[ δ(f(x k ), f(x)) ] > r for alle k. Me dette fører til e modstrid, da X k X i s.s. (k l ) l X kl X P -.o. f(x kl ) f(x) P -.o. δ(f(x kl ), f(x)) 0 P -.o. E[ δ(f(x kl ), f(x)) ] 0. Kotiuitete udyttes i implikatio ummer to, og da det her er ok, at f er kotiuert i X(ω) for.a. ω, ka atagelse svækkes til, at f er kotiuert P X -.o. Vi har derfor flg. skærpelse. 82
29 Fk 2a Lad (T, δ) betege edu et separabelt metrisk rum og lad f : S T være e Borel fuktio, som er kotiuert P X -.o. Da gælder X X i sadsylighed f(x ) f(x) i sadsylighed Specialtilfældet, hvor T = S og δ og d er ækvivalete metrikker, viser, idet de idetiske afbildig er kotiuert både som afbildig (S, d) (S, δ) og (S, δ) (S, d), at koverges i sadsylighed ikke afhæger af de eksplicit valgte metrik, blot vi holder os idefor klasse af ækvivalete metrikker. Dette udyttes f.eks. i følgede bevis. Fk 3 Idet S S udstyres med e produktmetrik gælder X X og Y Y i sadsylighed (X, Y ) (X, Y ) i sadsylighed. Bevis. følger af Fk 2, da projektiosafbildigere er kotiuerte, og fås, da d ((x, y ), (x 2, y 2 )) := d(x, y ) + d(x 2, y 2 ) er e produktmetrik, umiddelbart af ulighede d ((X, Y ), (X, Y )) d(x, X) + d(y, Y ). Sætig 4.8 og Fk 2 viser tilsamme, at der for alle f bc(s) gælder X X i sadsylighed f(x ) f(x) i sadsylighed f(x ) f(x) i L (P ) E[f(X )] E[f(X)] = f dp X. Med udgagspukt heri idføres de såkaldte koverges i fordelig i hht. flg. defiitio. Defiitio. E følge (X ) af stokastiske fuktioer med værdier i S siges at kovergere i fordelig mod µ, et Borel sadsylighedsmål på S, hvis E[f(X )] f dµ for alle f bc(s). Dette beteges i givet fald X µ. Hvis µ = PX for e stokastisk fuktio X med værdier i S skrives også X X, og ma taler om koverges i fordelig mod X. I følge de lille trasformatiossætig gælder altså, at X X E[f(X )] E[f(X)] for alle f bc(s). Oveståede overvejelser ka derfor formuleres som implikatioe. Fk 4 X X i sadsylighed X X. Græsemålet for e koverget følge er etydigt bestemt, dvs. X µ og X ν µ = ν. 83
30 Dette følger umiddelbart af Sætig 2., idet X µ og X ν f dµ = f dν f bc(s) µ = ν. Derimod ka vi sagtes have, at X X og X Y, selv om X og Y opfattet som afbildiger er vidt forskellige. Me deres fordelig er es, idet der gælder X X og X Y PX = P Y. Koverges i fordelig er derfor udelukkede e egeskab ved fordeligsmålee opfattet w som Borel sadsylighedsmål på S, og X X er ækvivalet med at PX PX, hvor for Borel sadsylighedsmål (µ ) og µ på S µ siges at kovergere svagt mod µ, skrives w µ µ, hvis f dµ f dµ for alle f bc(s). Det har derfor meig at tale om koverges i fordelig for variable, der ikke ødvedigvis er defierede på samme rum. Dette skal vi dog ikke udytte her, me det er vigtigt i mage sammehæge. Før vi ser ærmere på det idførte fordeligskovergesbegreb kyttes et par kommetarer til defiitioe. Da kotiuitet i metriske rum svarer til følgekotiuitet, bevares C(S) og dermed koverges i fordelig uder overgag til e ækvivalet metrik. Edvidere ses ved opsplitig i positiv og egativ del, at det er ok at eftervise defiitiosbetigelse for f bc(s) +, og da f f og f bc(s) + for f C(S) + fås af Mooto koverges, at X µ ( X ) lim if E[f(X )] f dµ ( E[f(X)] ) for alle f C(S) +. Dee implikatio ka også vedes om, idet der gælder. Fk 5 X µ lim if E[f(X )] f dµ for alle f bc(s) +. Bevis. Vi magler ku at vise, og som etop bemærket er det ok at se på ikke-egative fuktioer. Lad derfor f bc(s) + med 0 f M været givet. Da lim if E[(M f)(x )] = M lim sup E[f(X )] fås af atagelse brugt på f og M f, som begge er elemeter i bc(s) +, at lim if E[f(X )] f dµ og M lim sup E[f(X )] M f dµ, hvilket tilsamme viser, at lim E[f(X )] = f dµ. 84
31 Ligesom i Fk 2a ka resultatere udvides til fuktioer, som ku er kotiuerte.o. Der gælder f.eks. Fk 5a X µ E[f(X )] f dµ for ethvert f bm(b(s)), som er kotiuert µ-.o. Bevis. Ku kræver et bevis. Ved opsplitig i positiv og egativ del og deræst at se på f og M f, hvor 0 f M, idses som ovefor, at det er ok at vise lim if E[f(X )] f dµ for et givet f bm(b(s)) +, som er kotiuert µ-.o. Defier for g bm(b(s)) + og k g k (x) := if (k g(y) + k d(x, y)) x S. y S Ved brug af flg. tre uligheder, hvor x, x S, k og r > 0, ) 2) 3) g k (x) = g k (x) k g(x) + k d(x, x) = k g(x) g(x) if (k g(y) + k d(x, y)) if y b(x,r) if k g(y) y b(x,r) if y / b(x,r) (k g(y) + k d(x, y)) y / b(x,r) k d(x, y) k if y b(x,r) g(y) kr g k (x) g k ( x) sup k g(y) + k d(x, y) k g(y) k d( x, y) y S ses, at (g k ) k C(S) + og at = k sup d(x, y) d( x, y) k d(x, x) y S 0 g k g k+ g k samt g k (x) g(x), hvis g er kotiuert i x. Da f pr. atagelse er kotiuert µ-.o., kovergerer f k f µ-.o., hvor f k ere er kostrueret ud fra f, som etop beskrevet. Heraf følger derfor ved brug af Mooto koverges, at lim if E[f(X )] sup lim if E[f k (X )] = sup f k dµ = f dµ. k k 85
32 Kriterier for koverges i fordelig. Portmateau Sætig I. Lad (S, d) betege et separabelt metrisk rum og µ et Borel sadsylighedsmål på S samt (X ) e følge af stokastiske fuktioer med værdier i S. Idet Lip(S, d) := {f C(S) M > 0 : f(x) f(y) M d(x, y) x, y S}. er flg. udsag ækvivalete. ) X µ 2) g dµ lim if E[g(X )] for alle g blip(s, d) + S 3) µ(g) lim if P (X G) for alle G S åbe 4) µ(f ) lim sup P (X F ) for alle F S lukket. Bemærk at modsat C(S) afhæger Lip(S, d) eksplicit af metrikke d. Bevis. Da ) 2) er ideholdt i defiitioe, og ækvivalese mellem 3) og 4) følger ved overgag til komplemetær mægde, vises ku 2) 3) ). Atag 2) og lad G være e give åbe delmægde af S. Defier for k g k (x) = (k d(x, G c )) for x S. Kostruktioe viser, at g k G, og ved brug af trekatsulighede ses for k, at g k (x) g k (y) k d(x, G c ) d(x, G c ) k d(x, y) x, y S og dermed g k blip(s, d) +. Ifølge 2) og Mooto koverges gælder derfor µ(g) = sup g k dµ sup lim if E[g k (X )] lim if E[ G (X )] lim if P (X G). k k S Atag 3). Som vist i Fk 5 er det ok at vise, at for givet f bc(s) + er f dµ lim if E[f(X )]. Me for ethvert har vi og tilsvarede E[f(X )] = 0 S P (f(x ) > t) dt = f dµ = 0 0 µ(f > t) dt, P (X {f > t}) dt og da {f > t} er åbe fås de øskede ulighed af Fatou s lemma, idet 0 µ(f > t) dt 0 lim if P (f(x ) > t) dt lim if 0 P (f(x ) > t) dt 86
33 Til ehver Borel mægde B tilordes mægdere B := {x B ɛ > 0 : b(x, ɛ) B} og B := {x S ɛ > 0 : b(x, ɛ) B }. Dvs. B B B og B = B B åbe og B = B B lukket. B kaldes det idre af B og er de største åbe mægde ideholdt i B, og B aflukige af B og er de midste lukkede mægde, der ideholder B. bd(b) := B\B kaldes rade af B. Med dee otatio ka ækvivalese mellem ), 3) og 4) derfor formuleres som. Korollar. X µ hvis og ku hvis µ(b ) lim if P (X B) lim sup P (X B) µ(b) B B(S). Dvs. specielt: X µ lim P (X B) = µ(b) hvis µ(bd(b)) = 0. Atag at S = R. Beyttes korollaret på mægder af forme B = (, x ], fås, da B = B og B = (, x [, at X µ µ((, x [ ) lim if og dermed, da µ({x}) = µ((, x ] ) µ((, x [ ), F (x) lim sup F (x) µ((, x ] ) X µ lim F (x) = µ((, x ] ) hvis µ({x}) = 0. F er her fordeligsfuktioe for X. fordeligskoverges på R. Dette giver aledig til flg. karakterisatio af Fordeligskoverges i R. Lad (X ) betege e følge af stokastiske variable og µ et Borel sadsylighedsmål på R. Idet F er fordeligsfuktioe for X og F µ fuktioe x µ((, x ] ), er flg. pukter ækvivalete a) X µ b) F µ (x ) lim if F (x) lim sup F (x) F µ (x) x R c) lim F (x) = F µ (x) hvis F µ (x ) = F µ (x) dvs. hvis µ({x}) = 0 d) lim F (x) = F µ (x) for x D, hvor D er tæt i R e) lim if P (a < X < b) µ( ] a, b [ ) for alle < a < b <. Dvs. hvis X er e stokastisk variabel med fordeligsfuktio F, er flg. pukter ækvivalete a ) X X b ) F (x ) lim if F (x) lim sup F (x) F (x) x R c ) lim F (x) = F µ (x) hvis F (x ) = F (x) dvs. hvis P (X = x) = 0 d ) lim F (x) = F (x) for x D hvor D er tæt i R 87
34 e ) lim if P (a < X < b) P (a < X < b) for alle < a < b <. Bevis. Da sidste del er e umiddelbar oversættelse, vises ku første del. Her magler vi ku at vise, at d) e) a). Lad derfor a < b betege give reelle tal. Da D er tæt i R, fides der følger (a k ) k og (b k ) k af elemeter i D, så at For alle, k gælder derfor D.v.s. a < a k < b k < b og a k a og b k b. P (a < X < b) P (a k < X b k ) = F (b k ) F (a k ) F µ (b k ) F µ (a k ). lim if P (a < X < b) sup(f µ (b k ) F µ (a k )) = µ( ] a, b [ ) k og dermed d) e). For at vise de maglede implikatio lader vi G R betege e begræset åbe mægde. Som vist i Appediks F fides der højst tællelig mage parvis disjukte itervaller ( ] a i, b i [ ) i, så at G = i ]a i, b i [. Uder atagelse af e) gælder derfor lim if µ(g) = sup k j j k µ( ] a j, b j [ ) sup k P (a j < X < b j ) lim if j k P (X j Lad deræst G betege e vikårlig åbe mægde. Da fås af det etop viste lim if lim if G k := G ] k, k [ G for k P (X G) sup lim if k Implikatioe e) a) følger u af Portmateau sætige. P (a j < X < b j ) ]a j, b j [ ) lim if P (X G k ) sup µ(g k ) = µ(g). k P (X G). Det er værd at bemærke, at hvis F µ er kotiuert, dvs. hvis µ({x}) 0, gælder edvidere (se Appediks G), X µ sup F (x) F µ (x) 0, x R dvs. F ere kovergerer i dette tilfælde uiformt imod F µ. 88
35 Regeregler for fordeligskoverges. Portmateau Sætig II. Lad (S, d) og (T δ) betege separable metriske rum og lad (X ) og X hhv. (Y ) og Y betege stokastiske fuktioer med værdier i S hhv. T. Da gælder ) X X f(x ) f(x) for Borel fuktioer f : S T, som kotiuerte P X -.o. 2) X X og X degeereret X X i sadsylighed. 3) X X, Y Y og Y degeereret (X, Y ) (X, Y ). 4) X X, Y Y og X og Y uafhægige (X, Y ) P X P Y. E ækvivalet og ofte mere avedelig formulerig af ) og 3) lyder som flg. µ beteger her et Borel sadsylighedsmål på S. ) X µ f(x ) µ f for Borel fuktioer f : S T, som er kotiuerte µ-.o. 3) X µ, Y Y og Y degeereret (X, Y ) µ P Y. Bevis. For ethvert g bc(t ) er sammesætige g f Borel målelig og kotiuert P X -.o. Ifølge Fk 5a gælder derfor E[g(f(X ))] = E[g f(x )] g f dp X = g dp f(x), hvilket viser ). I 2) atages P (X = a) =. Da x d(x, a) bc(s) fås E[d(X, X) ] = E[d(X, a) ] E[d(X, a) ] = d(a, a) = 0, dvs. 2) er også vist. I 3) atages atter P (Y = a) =. Defier d ((x, y ), (x 2, y 2 )) := d(x, x 2 ) + δ(y, y 2 ) x, x 2 S, y, y 2 T. d er da e produktmetrik og for et vilkårligt elemet g Lip(S T, d) + gælder E[g(X, Y )] E[g(X, Y )] = E[g(X, Y )] E[g(X, a)] E[ g(x, Y ) g(x, a) ] + E[g(X, a)] E[g(X, a)] M E[δ(Y, a) ] + E[g(X, a)] E[g(X, a)] 0, hvor vi har udyttet, at x g(x, a) bc(s) og Y a i sadsylighed. Påstade følger derfor af Portmateu Sætig I. Det geerelle bevis for 4) geemgås ikke, me det vigtige specialtilfælde, hvor S = R og T = R m, behadles seere i forbidelse med Kotiuitetssætige. Det er værd at uderstrege, at 3) ikke gælder geerelt. Lad for eksempel X betege e U(, )-fordelt stokastisk variabel, dvs. X X, og sæt for alle X = Y = X og Y = X. Da gælder oplagt X X og Y Y. Hvis 3) derfor var sad ude restriktioer, ville (X, Y ) (X, Y ) og dermed ifølge 2) hvilket oplagt ikke er rigtigt. 2X = X + Y X + Y = 0, 89
36 Kotiuitetssætige for karakteristiske fuktioer. Fra reel aalyse vides, at e følge (x k ) k i R er koverget, hvis og ku hvis (x k ) k er begræset, og L((x k ) k ) ideholder højst et pukt, hvor, jævfør Appediks B, L((x k ) k ) beteger mægde af limespukter, dvs. L((x k ) k ) := {x R (k l ) l delfølge : x kl x}. Resultatet bygger på, at e begræset mægde B R er prekompakt, dvs. (x k ) k B L((x k ) k ). Dette geeraliserer uædret til et vilkårligt metrisk rum (S, d), idet der gælder E puktfølge (x ) i S er koverget, hvis og ku hvis mægde {x } er prekompakt, og L((x ) ) ideholder højst et pukt. Bevis. Ku hvis dele er allerede vist i Appediks B. Da (x ) er prekompakt, ideholder L((x ) ) et pukt {x}, og vi vil u vise, at x x. Atag at dette ikke gælder, dvs. r > 0 ( l ) delfølge : x l / b(x, r) for alle l. Ifølge atagelse er (x l ) l også prekompakt og har derfor midst et limespukt x. Me da L((x l ) l ) L((x ) ) må der gælde x = x, hvilket er umuligt, da d(x, x kl ) > r for alle l. Påstade er hermed vist. Med baggrud heri idføres u et prekompakthedsbegreb for koverges i fordelig for stokastiske fuktioer med værdier i et polsk rum (S, d). Me da vi i dette kursus ku ser på S = R, vil vi i det følgede udelukkede kocetrere os om dette tilfælde. Begrebets betydig og kosekveser overføres dog uædret til ethvert polsk rum. Defiitio. E familie af sadsylighedsmål {µ i i I} på (R, B(R )) siges at være stram (tight), hvis ɛ > 0, K R kompakt : sup i I µ i (K c ) < ɛ, og afledt heraf siges e familie af -dimesioale stokastiske vektorer (X i ) i I at være stram, hvis mægde af fordeligsmål {P Xi i I} udgør e stram familie, dvs. hvis ɛ > 0, K R kompakt : sup i I P (X i / K) < ɛ. Ifølge de simple struktur af de kompakte mægder i R er dette ækvivalet med ɛ > 0, r > 0 : P ( X i > r) < ɛ for alle i I. Markov s ulighed sikrer derfor flg. kriterium. Stramhed i R. Mometbetigelse. E familie (X i ) i I af -dimesioale stokastiske vektorer er stram, hvis sup E[ X i α ] < for et α > 0. i 90
r n E[ X n ]/n! for alle r > 0 ifølge monoton konvergens, giver potensrækketeori, at ( ) er ækvivalent med, at ρ n E[ X n ]/n!
Mometproblemet. Lad i dette afsit X betege e stokastisk variabel med mometer af ehver orde. Mometfølge (E[X ]) er derfor e vel defieret reel talfølge bestemt ved fordelige, og spørgsmålet om, de omvedt
Læs mereSandsynlighedsteori 1.2 og 2 Uge 5.
Istitut for Matematiske Fag Aarhus Uiversitet De 27. jauar 25. Sadsylighedsteori.2 og 2 Uge 5. Forelæsiger: Geemgage af emere karakteristiske fuktioer og Mometproblemet afsluttes, og vi starter på afsittet
Læs mereDen flerdimensionale normalfordeling
De flerdimesioale ormalfordelig Stokastiske vektorer Ved e stokastisk vektor skal vi forstå e vektor, hvor de ekelte kompoeter er sædvalige stokastiske variable. For de stokastiske vektor Y = Y,..., Y
Læs mereLøsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Løsigsforslag til skriftlig eksame i Kombiatorik, sadsylighed og radomiserede algoritmer (DM58) Istitut for Matematik & Datalogi Syddask Uiversitet Madag de 3 Jauar 011, kl. 9 13 Alle sædvalige hjælpemidler
Læs mereM Å L T E O R I S A N D S Y N L I G H E D S T E O R I 1. 1 F O R E L Æ S N I N G S N O T E R S V E N D E R I K G R A V E R S E N O G
F O R E L Æ S N I N G S N O T E R T I L M Å L T E O R I O G S A N D S Y N L I G H E D S T E O R I 1. 1 S V E N D E R I K G R A V E R S E N A U G U S T 2 0 0 5 I N S T I T U T F O R M A T E M A T I S K
Læs merecos(t), v(t) = , w(t) = e t, z(t) = e t.
Aalyse Øvelser Rasmus Sylvester Bryder. og. oktober 3 Bevis for Cotiuity lemma Theorem. Geemgås af Michael Staal-Olse. Bevis for Lemma.8 Dee har vi faktisk allerede vist; se Opgave 9.5 fra Uge. Det er
Læs mereantal gange krone sker i første n kast = n
1 Uge 15 Teoretisk Statistik, 5. april 004 1. Store tals lov Eksempel: møtkast Koverges i sadsylighed Tchebychevs ulighed Sætig: Store tals lov. De cetrale græseværdisætig 3. Approksimatio af sadsyligheder
Læs mereDenne kaldes også potensmængden over Ω og betegnes ofte 2 Ω. Notationen beror på, at man via relationen
Idledig. De modere sadsylighedsteori, hvis aksiomatiske basis blev formuleret af russere A.N. Kolmogorov i 1933 i boge Grudbegriffe der Wahrscheilichkeitrechug, er bygget op omkrig et tripel ofte beteget
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Repetitio: Normalfordelige Ladmåliges fejlteori Lektio Trasformatio af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/udervisig/lf13 Istitut for Matematiske Fag Aalborg Uiversitet
Læs mereSupplerende noter II til MM04
Supplerede oter II til MM4 N.J. Nielse 1 Uiform koverges af følger af fuktioer Vi starter med følgede defiitio: Defiitio 1.1 Lad S være e vilkårlig mægde og (X, d et metrisk rum. E følge (f af fuktioer
Læs merevejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.
enote 5 enote 5 Determiater I dee enote ser vi på kvadratiske matricer. Deres type er altså for 2, se enote 4. Det er e fordel, me ikke absolut ødvedigt, at kede determiatbegrebet for (2 2)-matricer på
Læs mereProgram. Middelværdi af Y = t(x ) Transformationssætningen
Program Statistik og Sadsylighedsregig 2 Trasformatio af kotiuerte fordeliger på R, flerdimesioale kotiuerte fordeliger, mere om ormalfordelige Helle Sørese Uge 7, osdag I formiddag: Opfølgig på trasformatiossætige
Læs mereForelæsningsnoter til Stokastiske Processer E05. Svend-Erik Graversen Revideret af Jan Pedersen Kapitel 12 og Appendix B og G af Jan Pedersen
Forelæsigsoter til Stokastiske Processer E5 Sved-Erik Graverse Revideret af Ja Pederse Kapitel 12 og Appedix B og G af Ja Pederse 16. august 25 Forord Nærværede otesæt skal bruges i forbidelse med kurset
Læs mereAsymptotisk optimalitet af MLE
Kapitel 4 Asymptotisk optimalitet af MLE Lad Y 1, Y 2,... være uafhægige, idetisk fordelte variable med værdier i et rum (Y,K). Vi har givet e model (ν θ ) θ Θ for fordelige af Y 1 (og dermed også for
Læs mereDe reelle tal. Morten Grud Rasmussen 5. november Se Sætning 3.6 og 3.7 for forskellige formuleringer af egenskaben og dens negation.
De reelle tal Morte Grud Rasmusse 5. ovember 2015 Ordede mægder Defiitio 3.1 (Ordet mægde). pm, ăq kaldes e ordet mægde såfremt: For alle x, y P M gælder etop ét af følgede: x ă y, x y, y ă x @x, y, z
Læs mereProjekt 4.8 De reelle tal og 1. hovedsætning om kontinuerte funktioner
Projekter: Kapitel 4 Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Projekt 48 De reelle tal og hovedsætig om kotiuerte fuktioer Kotiuitet og kotiuerte fuktioer Ord som kotiuert og kotiuerlig
Læs mereHovedpointer fra SaSt
Hovedpoiter fra SaSt Marti Nørgaard Peterse 13. februar 2018 Følgede geemgår udvalgte begreber fra E Itroduktio til Sadsylighedsregig af M. Sørese (9. udgave), Itroductio to Likelihood-based Estimatio
Læs mereSætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n
Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi
Læs mereNogle Asymptotiske Resultater. Jens Ledet Jensen Matematisk Institut, Aarhus Universitet. 1 Indledning 1
Nogle Asymptotiske Resultater Jes Ledet Jese Matematisk Istitut, Aarhus Uiversitet Idhold Idhold i Idledig 2 Resultater i et geerelt set-up 7 2. Eksistes af et kosistet estimat............... 7 2.2 Asymptotisk
Læs mereAnalyse 1, Prøve maj 2009
Aalyse, Prøve 5. maj 009 Alle hevisiger til TL er hevisiger til Kalkulus (006, Tom Lidstrøm). Direkte opgavehevisiger til Kalkulus er agivet med TLO, ellers er alle hevisiger til steder i de overordede
Læs merehvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i
Normalfordeliger For at e stokastisk variabel X ka være ormalfordelt, skal X agive værdie af e eller ade målig, f.eks. tid, lægde, vægt, beløb osv. Notatioe er: Xi ~ N( μ, σ hvor i er observatiosummeret,
Læs mereTalfølger og -rækker
Da Beltoft og Klaus Thomse Aarhus Uiversitet 2009 Talfølger og -rækker Itroduktio til Matematisk Aalyse Zeos paradoks om Achilleus og skildpadde Achilleus løber om kap med e skildpadde. Achilleus løber
Læs mereMatematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet.
Matematik A Studetereksame Forsøg med digitale eksamesopgaver med adgag til iterettet Forberedelsesmateriale Vejledede opgave Forår 0 til stx-a-net MATEMATIK Der skal afsættes 6 timer af holdets sædvalige
Læs mereMotivation. En tegning
Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget
Læs mereElementær Matematik. Polynomier
Elemetær Matematik Polyomier Ole Witt-Hase 2008 Køge Gymasium Idhold 1. Geerelle polyomier...1 2. Divisio med hele tal....1 3. Polyomiers divisio...2 4. Polyomiers rødder....4 5. Bestemmelse af røddere
Læs merePraktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.
Praktisk ifo Liste med rettelser og meigsforstyrrede trykfejl i DS på Absalo. Statistisk aalyse af e ekelt stikprøve: kedt eller ukedt varias Sadsylighedsregig og Statistik (SaSt) Helle Sørese Projekt
Læs mereog Fermats lille sætning
Projekter: Kaitel 0. Projekt 0. Modulo-regig, restklassegruer og Fermats lille sætig Projekt 0. Modulo-regig, restklassegruere ( { 0 }, ) og Fermats lille sætig Vi aveder moduloregig og restklasser mage
Læs mereDeskriptiv teori: momenter
Kapitel 13 Deskriptiv teori: mometer Vi vil i dette og det følgede kapitel idføre e række begreber der bruges til at beskrive sadsylighedsmål på (R, B). Samtlige begreber udspriger i e eller ade forstad
Læs mereGeorg Mohr Konkurrencen Noter om uligheder. Søren Galatius Smith
Georg Mohr Kokurrece Noter om uligheder Søre Galatius Smith. juli 2000 Resumé Kapitel geemgår visse metoder fra gymasiepesum, som ka bruges til at løse ulighedsopgaver, og ideholder ikke egetligt yt stof.
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab
Statistik ved Bachelor-uddaelse i folkesudhedsvideskab Græseværdisætiger Det hadler om geemsit Statistikere elsker geemsit Det er oplagt e god ide at tage geemsit. Hvis jeg f.eks skal gætte på vægte af
Læs mereAsymptotisk estimationsteori
Kapitel 5 Asymptotisk estimatiosteori De fleste eksperimeter har e idbygget størrelse, som regel kaldet eller N. Dette repræseterer typisk atallet af foretage måliger, atallet af udersøgte idivider, atallet
Læs mereBjørn Grøn. Analysens grundlag
Bjør Grø Aalyses grudlag Aalyses grudlag Side af 4 Idholdsfortegelse Kotiuerte og differetiable fuktioer 3 Differetial- og itegralregiges udviklig 5 3 Hovedsætiger om differetiable fuktioer 8 Opgaver til
Læs mereTankegangskompetence. Kapitel 9 Algebraiske strukturer i skolen 353
Takegagskompetece Hesigte med de følgede afsit er først og fremmest at skabe klarhed over de mere avacerede regeregler i skole og give resultatet i de almee form, der er karakteristisk for algebra. Vi
Læs mere1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2
Idhold 1 Pukt- og itervalestimatio 2 1.1 Puktestimatorer: Cetralitet(bias) og efficies.................... 2 2 Kofidesiterval 3 2.1 Kofidesiterval for adel................................ 4 2.2 Kofidesiterval
Læs mereStatistiske Modeller 1: Notat 1
Statistiske Modeller : Notat Jes Ledet Jese 9. august 005 Idhold Kast med k-sidet terig Betigig i multiomialfordelig 3 3 Fordelig af X + X - frembrigede fuktio 4 4 Maksimerig af log-likelihood 5 5 Afledede
Læs mereRegularitetsbetingelserne i simple modeller
Kapitel 7 Regularitetsbetigelsere i simple modeller I dette kapitel vil vi udersøge forskellige modeller med uafhægige, idetisk fordelte variable, rækkede fra det trivielle til det gaske geerelle. Målet
Læs mereEksempel 10.1 En autoregressiv proces af orden 1 (ofte blot kaldet en AR(1)- proces) pårhar et opdateringsskema (10.1) med funktionen. for y R.
Kapitel 0 Markovkæder Vi vil i det følgede studere processer Y 0, Y, Y 2,... med værdier irgivet på forme Y = f (Y +ǫ for =, 2,... (0. Her erǫ,ǫ 2,... e følge af iid støjvariable med middelværdi 0, alle
Læs mereMeningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017
Meigsmåliger KLADDE Thomas Heide-Jørgese, Rosborg Gymasium & HF, 2017 Idhold 1 Meigsmåliger 2 1.1 Idledig................................. 2 1.2 Hvorda skal usikkerhede forstås?................... 3 1.3
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1
Økoometri 1 Iferes i de lieære regressiosmodel 9. september 006 Økoometri 1: F7 1 Dages program Opsamlig af hemmeopgave om Mote Carlo eksperimeter Mere om hypotesetest: Ekelt lieær restriktio på koefficieter
Læs mereVelkommen. Program. Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R. Praktiske ting og sager
Program Statistik og Sadsylighedsregig 2 Sadsylighedstætheder og kotiuerte fordeliger på R Helle Sørese Uge 6, madag Velkomme I dag: Praktiske bemærkiger Hvad skal vi lave på SaSt2? Sadsylighedstætheder
Læs mereog Fermats lille Projekt 0.4 Modulo-regning, restklassegrupperne sætning ..., 44, 20,4,28,52,... Hvad er matematik? 3 ISBN
Projekt 0.4 Modulo-regig, restklassegruppere sætig ( p 0, ) og Fermats lille Vi aveder moduloregig og restklasser mage gage om dage, emlig år vi taler om tid, om hvad klokke er, om hvor lag tid der er
Læs mere9. Binomialfordelingen
9. Biomialfordelige 9.. Gekedelse Hvert forsøg ka ku resultere i to mulige udfald; succes og fiasko. I modsætig til poissofordelige er atallet af forsøg edeligt. 9.. Model X : Stokastisk variabel, der
Læs mere24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.
Epidemiologi og biostatistik. Forelæsig Uge, tirsdag. Niels Trolle Aderse, Afdelige for Biostatistik. Geerelt om kurset: - Formål - Forelæsiger - Øvelser - Forelæsigsoter - Bøger - EpiBasic: http://www.biostat.au.dk/teachig/software
Læs mereSpørgsmål 3 (5 %) Bestem sandsynligheden for at et tilfældigt valgt vindue har en fejl ved listerne, når man ved at der er fejl i glasset.
STATISTIK Skriftlig evaluerig, 3. semester, madag de 30. auar 006 kl. 9.00-3.00. Alle hælpemidler er tilladt. Opgaveløsige forsyes med av og CPR-r. OPGAVE Ved e produktio af viduer er der mulighed for,
Læs mereProjekt 1.3 Brydningsloven
Projekt 1.3 Brydigslove Når e bølge, fx e lysbølge, rammer e græseflade mellem to stoffer, vil bølge ormalt blive spaltet i to: Noget af bølge kastes tilbage (spejlig), hvor udfaldsvikle u er de samme
Læs mereMatematikkens mysterier - på et obligatorisk niveau. 7. Ligninger, polynomier og asymptoter
Matematikkes mysterier - på et obligatorisk iveau af Keeth Hase 7. Ligiger, polyomier og asymptoter Hvad er e asymotote? Og hvorda fides de? 7. Ligiger, polyomier og asymptoter Idhold 7.0 Idledig 7.1 Udsag
Læs mereStatistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion
Statistik 8. gag 1 KONIDENSINTERVALLER Kofidesitervaller: kapitel 11 Valg og test af fordeligsfuktio Statistik 8. gag 11. KONIDENS INTERVALLER Et kofides iterval udtrykker itervallet hvori de rigtige værdi
Læs mereUdtrykkelige mængder og Cantorrækker
Udtrykkelige mægder og Catorrækker Expressible sets ad Cator series Matematisk speciale Simo Bruo Aderse 20303870 Vejleder: Simo Kristese Istitut for Matematik Aarhus Uiversitet 208 Abstract This thesis
Læs mereDagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)
Dages program Estimatio: Kapitel 9.4-9.7 Eksempler på middelrette og/eller kosistete estimator (de sidste fra sidste forelæsig) Ko desiterval for store datasæt kap. 9.4 Ko desiterval for små datasæt kap.
Læs mere29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.
Epidemiologi og biostatistik Forelæsig Uge 1, torsdag. februar 006 ichael Væth, Afdelig for Biostatistik. Sammeligig af to middelværdier sikkerhedsitervaller statistisk test Sammeligig af to proportioer
Læs mereUge 37 opgaver. Opgave 1. Svar : Starter med at definere sup (M) og inf (M) :
Uge 37 opgaver Opgave Svar : a) Starter med at defiere sup (M) og if (M) : Kigge u på side 3 i kompedie og aveder aksiom (.3) Kotiuitetsaksiomet A = x i x 2 < 2 Note til mig selv : Har søgt på ordet (iequalities)
Læs mereBaggrundsnote til sandsynlighedsregning
Baggrudsote til sadsylighedsregig Kombiatorik. Multiplikatiospricippet E mægde beståede af forskellige elemeter kaldes her e -mægde. Elemetere i e m-mægde og elemetere i e -mægde ka parres på i alt m forskellige
Læs mereProjekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning
Hvad er matematik? Projekter: Kaitel 9 Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Sætig : Regeregler
Læs merex-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasium Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 SANDSYNLIGHEDSFELT... 3 DE STORE TALS LOV... 4 Sadsyligheder og frekveser:... 4 STOKASTISK
Læs mereRenteformlen. Erik Vestergaard
Reteformle Erik Vestergaard 2 Erik Vestergaard www.matematikfysik.dk Erik Vestergaard, 2010. Billeder: Forside: istock.com/ilbusca Side 4: istock.com/adresrimagig Desude ege illustratioer. Erik Vestergaard
Læs mereNoter om polynomier, Kirsten Rosenkilde, Marts Polynomier
Noter om polyomier, Kirste Rosekilde, Marts 2006 1 Polyomier Disse oter giver e kort itroduktio til polyomier, og de fleste sætiger æves ude bevis. Udervejs er der forholdsvis emme opgaver, mes der til
Læs mereDiskrete og kontinuerte stokastiske variable
Diskrete og kotiuerte stokastiske variable Beroulli Biomial fordelig Negativ biomial fordelig Hypergeometrisk fordelig Poisso fordelig Kotiuerte stokastiske variable Uiform fordelig Ekspoetial fordelig
Læs mereRESEARCH PAPER. Nr. 2, En model for lagerstørrelsen som determinant for købs- og brugsadfærden for et kortvarigt forbrugsgode.
RESEARCH PAPER Nr., 005 E model for lagerstørrelse som determiat for købs- og brugsadfærde for et kortvarigt forbrugsgode af Jørge Kai Olse INSTITUT FOR AFSÆTNINGSØKONOMI COPENHAGEN BUSINESS SCHOOL SOLBJERG
Læs mereMikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007
Mikroøkoomi, matematik og statistik Eksameshjemmeopgave 14. 20. december 2007 Helle Buzel, Tom Egsted og Michael H.J. Stæhr 14. december 2007 R E T N I N G S L I N I E R F O R E K S A M E N S H J E M M
Læs mereØkonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006
Dages program Økoometri De multiple regressiosmodel 5. februar 006 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.-3.3+appedix E.-E.) Defiitio og motivatio Fortolkig af parametree
Læs mereFUNKTIONER del 1 Funktionsbegrebet Lineære funktioner Eksponentialfunktioner Logaritmefunktioner Rentesregning Indekstal
FUNKTIONER del Fuktiosbegrebet Lieære fuktioer Ekspoetialfuktioer Logaritmefuktioer Retesregig Idekstal -klassere Gammel Hellerup Gymasium November 08 ; Michael Szymaski ; mz@ghg.dk Idholdsfortegelse FUNKTIONSBEGREBET...
Læs mereGamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)
Gamle eksamesopgaver Diskret Matematik med Avedelser (DM72) & Diskrete Strukturer(DM504) Istitut for Matematik& Datalogi Syddask Uiversitet, Odese Alle sædvalige hjælpemidler(lærebøger, otater etc.), samt
Læs mereOm Følger og Rækker. Nyttige Grænseværdier. Nyttige Rækker. Carsten Lunde Petersen. lim. lim = 0. lim (1 + x n n )n = e x. n n n.
IMFUFA Carste Lude Peterse Om Følger og Ræer Nyttige Græseværdier lim = 1 lim! = x = 0! lim lim (1 + x ) = e x! lim = e 1 Nyttige Ræer 1 p < p > 1 1 log p ( + 1) < p > 1 x = = x 1 x for x < 1 og Z, diverget
Læs mereGenerelle lineære modeller
Geerelle lieære modeller Regressiosmodeller med é uafhægig itervalskala variabel: Y e eller flere uafhægige variable: X,..,X k De betigede fordelig af Y givet X,..,X k atages at være ormal med e middelværdi,
Læs mereTermodynamik. Indhold. Termodynamik. Første og anden hovedsætning 1/18
ermodyamik. Første og ade hovedsætig /8 ermodyamik Idhold. Isoterme og adiabatiske tilstadsædriger for gasser...3 3. ermodyamikkes. hovedsætig....5 4. Reversibilitet...6 5. Reversibel maskie og maksimalt
Læs mereAnvendt Statistik Lektion 3. Punkt- og intervalestimater Konfidensintervaller Valg af stikprøvestørrelse
Avedt Statistik Lektio 3 Pukt- og itervalestimater Kofidesitervaller Valg af stikprøvestørrelse Pukt- og itervalestimater: Motivatio Motiverede eksempel: I e udersøgelse er adele af rygere 0.27. Det aslås
Læs mereDATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Bi Packig Problemet David Pisiger, Projektopgave 2 Dette er de ade obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig og operatiosaalyse.
Læs mere13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )
3. februar 003 Epidemiologi og biostatistik. Uge, torag d. 3. februar 003 Morte Frydeberg, Istitut for Biostatistik. Type og type fejl Nogle specielle metoder: Test i RxC tabeller Test i x tabeller Fishers
Læs mereDATV: Introduktion til optimering og operationsanalyse, 2007. Følsomhed af Knapsack Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Følsomhed af Kapsack Problemet David Pisiger, Projektopgave 1 Dette er de første obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig
Læs mereTest i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!
Test i to populatioer Hypotesetest for parrede observatioer Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og
Læs mereSupplement til Kreyszig
Supplemet til Kreyszig Forelæsigsoter til Matematik F Idholdsfortegelse side 1. Numerisk itegratio. Fejlvurderig af trapez og Simpso algoritmere 1. Dekompoerig af brøker (Laplace trasformatio) 3. Permutatioer
Læs mereIntroduktion til uligheder
Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og det kvadratiske geemsit. Først skal vi ved fælles
Læs mereStatistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer
Statistik Lektio 7 Hpotesetest og kritiske værdier Tpe I og Tpe II fejl Strke af e test Sammeligig af to populatioer 1 Tri I e Hpotesetest E hpotesetest består af 5 elemeter: I. Atagelser Primært hvilke
Læs mereSimpel Lineær Regression. Opsplitning af variationen Determinations koefficient Variansanalyse F-test Model-kontrol
Simpel Lieær Regressio Opsplitig af variatioe Determiatios koefficiet Variasaalse F-test Model-kotrol Opbgig af statistisk model Specificer model Ligiger og atagelser Estimer parametre Modelkotrol Er modelle
Læs mereKvadratisk 0-1 programmering. David Pisinger
Kvadratisk - programmerig David Pisiger 27-8 MAX-CUT problemet Givet e ikke-orieteret graf G = (V, E) er MAX-CUT problemet defieret som MAX-CUT = {< G > : fid et sit S, T i grafe G som maksimerer atal
Læs mereStatistiske test. Efteråret 2010 Jens Friis, AAU. Hjemmeside :
Statistiske test Efteråret 00 Jes Friis, AAU Hjemmeside : http://akaaudk/jfj Kotiuerte fordeliger Defiitio: Tæthedsfuktio E sadsylighedstæthedsfuktio på R er e itegrabel fuktio f : R [0; [ hvor f d = Defiitio:
Læs mereKvantemekanik 4 Side 1 af 11 Energi og tid. Hamiltonoperatoren
Kvateekaik 4 Side 1 af 11 ergi og tid Hailtooperatore Af KM3 fregik det, at ehver observabel er repræseteret ved e operator, f.eks. jf. udtryk (3.1) og (3.). Ispireret af det klassiske udtryk for kietisk
Læs mereIntroduktion til uligheder
Itroduktio til uligheder, marts 0, Kirste Rosekilde Itroduktio til uligheder Dette er e itroduktio til ogle basale uligheder om det aritmetiske geemsit, det geometriske geemsit, det harmoiske geemsit og
Læs mereSandsynlighedsfordelinger for kontinuerte data på interval/ratioskala
Statistik for biologer 005-6, modul 5: Sadsylighedsfordeliger for kotiuerte data på iterval/ratioskala M6, slide Gægse matematiske sadsylighedsfordeliger: Diskrete data: De positive biomialfordelig Poisso-fordelige
Læs mereRettevejledning til HJEMMEOPGAVE 1 Makro 1, 2. årsprøve, foråret 2007 Peter Birch Sørensen
Rettevejledig til HJEMMEOPGAVE Makro, 2. årsprøve, foråret 2007 Peter Birch Sørese Opgave... Udsaget er forkert. De omtalte skatteomlægig må atages at øge beskæftigelse p.gr.a. e positiv substitutioseffekt
Læs mereStudyGuide til Matematik B.
StudyGuide til Matematik B. OVERSIGT. Dee study guide ideholder følgede afsit Geerel itroduktio. Emeliste. Eksame. Bilag 1: Udervisigsmiisteriets bekedtgørelse for matematik B. Bilag 2: Bilag 3: Uddrag
Læs mereIndre, ydre, rand og afslutning 2.2. Åbne og afsluttede mængder 2.3. Topologiske begreber. Ækvivalente metrikker 2.4.
MATEMATIK 2~ MATEMATISK ANALYSE 1984-85 Kapitel I. METRISKE RUM 1. Metriske rum. Normerede rum. 1. 1. Metrik 1.2. Normeret rum 1. 3. Kugler i et metrisk rum 1.4. Kovergete følger Opgaver til 1 r. 1.1 r.
Læs mereBranchevejledning. ulykker indenfor. lager. området. Branchearbejdsmiljørådet for transport og engros
Brachevejledig ulykker idefor lager området Brachearbejdsmiljørådet for trasport og egros Baggrud Udersøgelser på lager- og trasportområdet har vist, at beskrivelse af hædelsesforløbet ved udfyldelse
Læs mereEstimation ved momentmetoden. Estimation af middelværdiparameter
Statistik og Sadsylighedsregig 1 STAT kapitel 4.2 4.3 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae Estimatio ved mometmetode Idimellem ka det være svært (eller
Læs mereProjekt 9.10 St. Petersborg paradokset
Hvad er matematik? ISBN 978877066879 Projekt 9.0 St. Petersborg paradokset. De store tals lov & viderchacer I grudboges kapitel 9 omtales de store tals lov, som ka formuleres således: Hvis e spiller i
Læs mereKvantitative metoder 2
Dages program Kvatitative metoder De multiple regressiosmodel 6. februar 007 Emet for dee forelæsig er de multiple regressiosmodel (Wooldridge kap 3.- 3.+appedix E.) Defiitio og motivatio Fortolkig af
Læs mereLøsninger til kapitel 7
Løsiger til kapitel 7 Opgave 7.1 a) HpoStat giver resultatet: Pop. varias er ukedt, me 30, så Normalf. bruges approksimativt = 54,400 s 1.069,90 = 00,000 0,95 49,868 58,93 Dette betder, at med 95% sikkerhed
Læs mereMaja Tarp AARHUS UNIVERSITET
AARHUS UNIVERSITET Maja Tarp AARHUS UNIVERSITET HVEM ER JEG? Maja Tarp, 4 år Folkeskole i Ulsted i Nordjyllad Studet år 005 fra Droiglud Gymasium Efter gymasiet: Militæret Australie Startede på matematik
Læs mereBachelorprojekt for BSc-graden i matematik
D E T N A T U R V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T Bachelorprojekt for BSc-grade i matematik Mikkel Abrahamse & Sue Precht Reeh Ekstremal grafteori Vejleder:
Læs mereUndersøgelse af numeriske modeller
Udersøgelse af umeriske modeller Formål E del af målsætige med dette delprojekt er at give kedskab til de begræsiger, fejl og usikkerheder, som optræder ved modellerig. I de forbidelse er følgede udersøgelse
Læs mereBranchevejledning. ulykker indenfor. godschauffør. området. Branchearbejdsmiljørådet for transport og engros
Brachevejledig ulykker idefor godschauffør området Brachearbejdsmiljørådet for trasport og egros Baggrud Udersøgelser på lager- og trasportområdet har vist, at beskrivelse af hædelsesforløbet ved udfyldelse
Læs mereNoter om kombinatorik, Kirsten Rosenkilde, februar 2008 1. Kombinatorik
Noter om ombiatori, Kirste Roseilde, februar 008 Kombiatori Disse oter er e itrodutio til ombiatori og starter helt fra bude, så e del af det idledede er siert edt for dig allerede, me der ommer også hurtigt
Læs mereStikprøvefordelinger og konfidensintervaller
Stikprøvefordeliger og kofidesitervaller Stikprøvefordelige for middelværdi De Cetrale Græseværdi Sætig Egeskaber Ved Estimatore Kofidesitervaller t-fordelige Estimator og estimat E stikprøve statistik
Læs mere30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.
30. august 005 Epidemiologi og biostatistik. Forelæsig 3 Uge, torag d. 8. september 005 Michael Væth, Afdelig for Biostatistik. Mere om kategoriske data Test for uafhægighed I RxC tabeller Test for uafhægighed
Læs mereVejledende opgavebesvarelser
Vejledede opgavebesvarelser 1. Atal hæder er lig med K(52,5), altså 2598960. Ved brug af multiplikatiospricippet ka atal hæder med 3 ruder og 2 spar udreges som K(13, 3) K(13, 2), hvilket giver 22308.
Læs mereDe Platoniske legemer De fem regulære polyeder
De Platoiske legemer De fem regulære polyeder Ole Witt-Hase jauar 7 Idhold. Polygoer.... Nogle topologiske betragtiger.... Eulers polyedersætig.... Typer af et på e kugleflade.... Toplasvikle i e regulær
Læs mereSandsynlighedsregning 9. forelæsning Bo Friis Nielsen
Dages eer afsit 5.3 og 5.4 Siultae kotiuerte fordeliger P(X dx,y dy = f(x,ydxdy Sadsylighedsregig 9. forelæsig Bo Friis Nielse Mateatik og Coputer Sciece Daarks Tekiske Uiversitet 8 Kgs. Lygby Daark Eail:
Læs mereSandsynlighedsregning 9. forelæsning Bo Friis Nielsen
Dages eer afsit 5.3 og 5.4 Siultae kotiuerte fordeliger P(X dx,y dy f(x,ydxdy Sadsylighedsregig 9. forelæsig Bo Friis Nielse Mateatik og Coputer Sciece Daarks Tekiske Uiversitet 8 Kgs. Lygby Daark Eail:
Læs mere- et værktøj til fejlrettende QR-koder. Projekt 0.3 Galois-legemerne. Indhold. Hvad er matematik? A, i-bog
Projekt 0.3 Galois-legemere GF é ëp û - et værktøj til fejlrettede QR-koder Idhold De karakteristiske egeskaber ved de tre mest almidelige talsystemer, og... De kommutative, associative og distributive
Læs mereLys og gitterligningen
Fysik rapport: Lys og gitterligige Forfatter: Bastia Emil Jørgese.z Øvelse blev udført osdag de 25. jauar 202 samme med Lise Kjærgaard Paulse 2 - Bastia Emil Jørgese Fysik rapport (4 elevtimer), februar
Læs mere