Trykfejlsliste - alle fejl Introduktion til Matematisk Statistik 2. udgave
|
|
- Gustav Kronborg
- 4 år siden
- Visninger:
Transkript
1 3. februar 2012 Stat 1TS / EH Trykfejlsliste - alle fejl Introduktion til Matematisk Statistik 2. udgave Denne liste indeholder alle de regulære fejl, slåfejl og stavefejl der er fundet i 2. udgave af Stat1TS-noterne indtil nu Forkert: Lad os undersøge om observationen x = 1 kan tænkes at stamme fra en χ 2 -fordelingen med 10 frihedsgrader. Lad os undersøge om observationen x = 1 kan tænkes at stamme fra en χ 2 -fordeling med 10 frihedsgrader. Opdaget af: Therese Graversen 16 2 Forkert:såkankonkrete, kontekstbaserede argumenteraltsånogen gange føre til samme konklusion. så kan konkrete, kontekstbaserede argumenter altså nogle gange føre til samme konklusion. 1
2 16 7 Forkert: f (x) = 1 2π exp ( 1 2 xt ( ) 1 x), x = ( x1 x 2 ) R f (x) = 1 2π exp ( 1 2 xt ( ) 1 x), x = ( x1 ) R 2 x 2 Opdaget af: Sandra de Blécourt Forkert: j k (x) = [2 k x], x R. j k (x) = 2 k x, x R Forkert: Forskellen på disse to konkordansområder skyldes at χ 2 - fordelingens skævhed. Forskellen på disse to konkordansområder skyldes χ 2 - fordelingens skævhed. Opdaget af: Mads Birkholm 29 1 Forkert: og det giver nogen gange det problem at ν((c, )) < α. og det giver nogle gange det problem at ν((c, )) < α. 2
3 28 5 Forkert: Som anført p. 17 kan man vise, Som anført i eksempel 1.6 kan man vise, Opdaget af: Mads Birkholm Forkert: Som anført p. 17 kan man vise, Som anført i eksempel 1.6 kan man vise, Opdaget af: Mads Birkholm Forkert: q 1 = p 1 +p 1, q 2 = p 1 p 2, q 1 = p 1 +p 2, q 2 = p 1 p 2, Opdaget af: Sandra de Blécourt 50 3 Forkert: men det virker vel og mærke kun hvis variansstrukturen er specificeret korrekt. men det virker vel at mærke kun hvis variansstrukturen er specificeret korrekt Forkert: Lad X være en Poissonfordelt stokastisk variable med middelværdi λ. Lad X være en Poissonfordelt stokastisk variabel med middelværdi λ. 3
4 55 7 Forkert: Den oprindelige parametermængde (θ,σ 2 ) R (0, ) Denoprindelige parametermængde (ξ,σ 2 ) R (0, ) Opdaget af: David Backchi 56 6 Forkert: f ξ (x) = e ξ2 /2σ 2 e ξθ for alle x R, f ξ (x) = e ξ2 /2σ 2 e ξx/σ2 for alle x R, Forkert: Der er tale om en étdimensional eksponentiel familie på R med kanonisk stikprøvefunktion t(x) = x. Der er tale om en étdimensional eksponentiel familie på R med kanonisk stikprøvefunktion t(x) = x/σ Forkert: N e θtt(x) max j=1,...,n eθ j Tt(x) e ǫt(x) e ǫt(x) j=1 e θ j T t(x). N e θtt(x) max j=1,...,n eθ j Tt(x) e ǫ t(x) e ǫ t(x) j=1 e θ j T t(x). Opdaget af: Jacob Kolind 4
5 58 12 Forkert: N t(x) m e ǫt(x) e θ j Tt(x) dµ(x) j=1 N t(x) m e ǫ t(x) e θ j Tt(x) dµ(x) j=1 Opdaget af: Jacob Kolind 58 6 Forkert: Hvis den underliggende eksponentielle familie er k- dimensional er τ(θ) en k-søjle mens κ(τ) er en k k matrix. Hvis den underliggende eksponentielle familie er k- dimensional er τ(θ) en k-søjle mens κ(θ) er en k k matrix. Opdaget af: Martin Theil Jensen 59 2 Forkert: men den har en meget simpelt struktur. men den har en meget simpel struktur. Opdaget af: Søren Grimstrup 62 7 Forkert: hvis disse personers reaktionstid vel og mærke også kan beskrives med en normalfordeling med standardafvigelse hvis disse personers reaktionstid vel at mærke også kan beskrives med en normalfordeling med standardafvigelse Forkert: Disse begreber er forsøg illustreret på figur 2.4. Disse begreber er forsøgt illustreret på figur 2.4. Opdaget af: Thomas Kildegaard Styrk 5
6 71 5 Forkert: Om man i praksis evner at udnytte denne kraft, er anden sag. Om man i praksis evner at udnytte denne kraft, er en anden sag. Opdaget af: Sandra de Blécourt Forkert:arbejdsprocesseniselskabetforløberessentielt påsammen måde, arbejdsprocessen i selskabet forløber essentielt på samme måde, Opdaget af: Therese Graversen Forkert: Gør rede for at den betingede fordeling af (N ij ) ij givet N = n en polynomialfordeling med længde n og sandsynlighedsvektor (r ij ) ij, Gør rede for at den betingede fordeling af (N ij ) ij givet N = n er en polynomialfordeling med længde n og sandsynlighedsvektor (r ij ) ij, 91 7 Forkert: At forklare hvordan det hænger sammen, kræver vi udvikler lidt teori. At forklare hvordan det hænger sammen, kræver at vi udvikler lidt teori. Opdaget af: Sandra de Blécourt 92 6 Forkert: Vi ser at ν θ = 1 (0,θ) m, Vi ser at ν θ = 1 θ 1 (0,θ) m, Opdaget af: Jacob Kolind 6
7 93 14 Forkert: Vi vil finde en D-kæde med størst muligt µ-mål Sæt Vi vil finde end-kædemed størst muligt µ-mål.(punktum) Sæt Opdaget af: Sandra de Blécourt 94 6 Forkert: A f n dµ = 0, A f νn dµ = 0, Opdaget af: Jacob Kolind Forkert:eratfindeetprofillikelihoodfunktionenformiddelværdien α = βλ. er at finde profillikelihoodfunktionen for middelværdien α = βλ. Opdaget af: Brian Bundgaard Schwartz Forkert: λ f λ(x 1,...,x n ) = λ 1 λ n e x /λ = nλn 1 e x /λ +λ n 2 x e x /λ λ 2n. λ f λ(x 1,...,x n ) = λ 1 λ n e x /λ = λn 2 x e x /λ nλ n 1 e x /λ λ 2n. Opdaget af: Søren Grimstrup 7
8 Forkert: Lad X være en stokastisk variabel med værdier i (X,E), hvis fordeling modelleres af en 1-dimensional eksponentiel familie med parametermængde Θ R, kanonisk stikprøvefunktion t : X R k, grundmål µ og normaliseringskonstant c(θ). Lad X være en stokastisk variabel med værdier i (X, E), hvis fordeling modelleres af en 1-dimensional eksponentiel familie med parametermængde Θ R, kanonisk stikprøvefunktion t : X R, grundmål µ og normaliseringskonstant c(θ) Forkert: mens l X er loglikelihoodfunktonen i θ-koordinater. mens l x er loglikelihoodfunktonen i θ-koordinater Forkert: hvor ĩ(θ) er den forventede information θ- parametriseringen, hvor ĩ(θ) er den forventede information i θ- parametriseringen, Opdaget af: Brian Bundgaard Schwartz Forkert: uden at vi behøver at finde reparametriseringen eksplict. uden at vi behøver at finde reparametriseringen eksplicit. Opdaget af: Brian Bundgaard Schwartz Forkert: Ikke desto mindre viste en omhyggelig undersøgelse af simulationsresultaterne at ˇλ i tre ud af de de simulerede datasæt lå tættere på den sande værdi end de to andre estimatorer. Ikke desto mindre viste en omhyggelig undersøgelse af simulationsresultaterne at ˇλitreudafde40000simulerededatasæt lå tættere på den sande værdi end de to andre estimatorer. Opdaget af: Brian Bundgaard Schwartz 8
9 Forkert: så følger det af appendiks B at loglikelihoodfunktionen strengt konveks. så følger det af appendiks B at loglikelihoodfunktionen er strengt konveks Forkert: er typisk at estimere selve µ ved det empirisk mål ˆµ, er typisk at estimere selve µ ved det empiriske mål ˆµ, Opdaget af: Therese Graversen Forkert: Lad ǫ > 0 være så lille at kuglen B(θ 0,ǫ) er helt indeholdt i τ(θ). Lad ǫ > 0 være så lille at kuglen B(τ(θ 0 ),ǫ) er helt indeholdt i τ(θ) Forkert: En mere frugtbar forståelse - i hvert fald på R - er at den asymptotisk normalfordeling har at gøre med konvergens af fordelingsfunktioner. En mere frugtbar forståelse - i hvert fald på R - er at den asymptotiske normalfordeling har at gøre med konvergens af fordelingsfunktioner. Opdaget af: Brian Bundgaard Schwartz Forkert: Lad ǫ > 0 være så lille at kuglen B(θ 0,ǫ) er helt indeholdt i τ(θ). Lad ǫ > 0 være så lille at kuglen B(τ(θ 0 ),ǫ) er helt indeholdt i τ(θ). 9
10 186 6 Forkert:ogdaantagelsenompositivdefinithedforκiéndimension reducerer til at κ (θ) > 0, og da antagelsen om positiv definithed for κ i én dimension reducerer til at κ(θ) > 0, Forkert: ˆθ n = τ 1 ( 1 n ) n Y i, i=1 med den lille fælde at formlen kun passer hvis 1 n billedmængden τ(θ). ˆθ n = τ 1 ( 1 n ) n t(y i ), i=1 med den lille fælde at formlen kun passer hvis 1 n billedmængden τ(θ). i=1 Y i ligger i i=1 t(y i) ligger i Forkert: Betragt modellen for afskårne eksponentialfordelinger fra eksempel 2.33 Vi følger notationen fra eksemplet, Betragt modellen for afskårne eksponentialfordelinger fra eksempel (punktum) Vi følger notationen fra eksemplet, Opdaget af: Christina Haugsted Nielsen Forkert: Dl X (α,β) =... Dl X (α,β) T =... Opdaget af: Kristian Buchardt Forkert: Nogen fluer døde af den påførte gift, Nogle fluer døde af den påførte gift, 10
11 215 1 Forkert: Likelihoodfunktionen for en glat hypotese i en polynomialfordelingsmodel er Loglikelihoodfunktionen for en glat hypotese i en polynomialfordelingsmodel er Opdaget af: Katrine Stagaard Forkert: C(x) = {θ Θ (θ,x) A(θ)} C(x) = {θ Θ x A(θ)} Opdaget af: Søren Grimstrup Forkert: Den naturlige estimator gennemsnitsestimator ˆp bliver i dette tilfælde Den naturlige gennemsnitsestimator ˆp bliver i dette tilfælde Forkert: 1 ) (ˆλn λ n D N ( 0,λ 2) for n. n (ˆλn λ) D N ( 0,λ 2) for n. 11
12 236 1 Forkert: ˆλ n λ nλ D N(0,1) for n. n ˆλn λ λ D N(0,1) for n Forkert: ( P λ 1.96 < ˆλ ) n λ < for n, nλ P λ ( 1.96 < n ˆλ n λ λ < 1.96 ) 0.95 for n, Forkert: C(X 1,...,X n ) = { λ > < ˆλ } n λ < 1.96 nλ. C(X 1,...,X n ) = { λ > < n ˆλ n λ λ < 1.96 }. 12
13 Forkert: store positive værder tyder derimod på diskordans. store positive værdier tyder derimod på diskordans. Opdaget af: Therese Graversen Forkert: og vi konstaterer at R 1 er t-fordelt med n frihedsgrader. og vi konstaterer at R 1 er t-fordelt med n 1 frihedsgrader. Opdaget af: Søren Grimstrup Forkert: Vi ønsker at opstillet et 95% konfidensområde for medianen af µ, Vi ønsker at opstille et 95% konfidensområde for medianen af µ, Forkert: Sammenlign estimatorerne â og ã for a. Sammenlign estimatorerne ˆα og α for α. Opdaget af: Søren Grimstrup Forkert: Konstruer på baggrund af den asymptotiske fordeling af â et approksimativt 95% konfidensområde for a. Gentag øvelsen på baggrund af den asymptotiske fordeling af ã. Konstruer på baggrund af den asymptotiske fordeling af ˆα et approksimativt 95% konfidensområde for α. Gentag øvelsen på baggrund af den asymptotiske fordeling af α. Opdaget af: Søren Grimstrup 13
14 264 8 Forkert: Konstruer på baggrund af den asymptotiske fordeling af ˆα et approksimativt 95% konfidensområde for a. Gentag øvelsen på baggrund af den asymptotiske fordeling af ã. Konstruer på baggrund af den asymptotiske fordeling af ˆα et approksimativt 95% konfidensområde for α. Gentag øvelsen på baggrund af den asymptotiske fordeling af α. Opdaget af: Christina Haugsted Nielsen Forkert: Et godt test på niveau α opfylder at γ K (θ) er stor for θ Θ\Θ 0 Et godt test på niveau α opfylder at γ K (θ) er stor for θ Θ\Θ 0 Opdaget af: Brian Bundgaard Schwartz 279, figur Forkert: P p,p ( X Y c) P p,p ( X Y c) Opdaget af: Trine Toftkær Hansen Forkert: (ξ,σ 2 ) P ( z α < U + ) n ξ σ 2 < z α V, (ξ,σ 2 ) 1 P ( z α < U + ) n ξ σ 2 < z α V, Opdaget af: Trine Toftkær Hansen 14
15 278 6 Forkert: Hvis det fælles p er 0.5, vil sandsynligheden for at gøre en observation i A være tæt på Hvis det fælles p er 0.5, vil sandsynligheden for at gøre en observation i K være tæt på Opdaget af: Søren Grimstrup Forkert: Og omvendt - har man en samling niveaukonstante teststørrelse for alle disse hypoteser, Og omvendt - har man en samling niveaukonstante teststørrelser for alle disse hypoteser, Forkert: Lad X 1,...,X n være indbyrdes uafhængige og identisk normaltfordelte stokastiske variable Lad X 1,...,X n være indbyrdes uafhængige og identisk normalfordelte stokastiske variable Opdaget af: Therese Graversen Forkert: Hvis man man forestiller sig at den virkelige værdi af p er omtrent 0.4, Hvis man forestiller sig at den virkelige værdi af p er omtrent 0.4, Opdaget af: Rimma Zelenina Bjørnskov Forkert: Det kan aflæses fra figur 8.9 at rangsummen for standardgruppen W = 56. Det kan aflæses fra figur 8.9 at rangsummen for standardgruppen er W = 56. Opdaget af: Brian Bundgaard Schwartz 15
16 319 6 Forkert: Vis at rangteststørrelsen 1 (Xi +X j >0) = i j i j 1 (Ui +U j >1), udregnet på baggrund af X i erne, er den samme som rangteststørrelsen udregnet på baggrund af U i erne. Vis at 1 (Xi +X j >0) = i j i j 1 (Ui +U j >1) Forkert: hvis i < j så findes der ét par (k,l) med k < l der matcher (i,j) på begge koordinater, og 2(n 1) par, der matcher på præcis én koordinat. hvis i < j så findes der ét par (k,l) med k < l der matcher (i,j) på begge koordinater, og 2(n 2) par, der matcher på præcis én koordinat Forkert: Hvis i = j så findes der n 1 par (k,j) med k < l der matcher på præcis én koordinat, Hvis i = j så findes der n 1 par (k,l) med k < l der matcher på præcis én koordinat, Opdaget af: Caroline Jørgensen 16
17 345 8 Forkert: (v 1,w 2 ),(v 2,w 2 ) = v 1,v w 1,w 2 2. (v 1,w 1 ),(v 2,w 2 ) = v 1,v w 1,w 2 2. Opdaget af: Henrik Nygaard Jensen Forkert: Hvis Y = (Y 1,...,Y k ) T følger en standard normalfordeling på R k, Hvis Y = (Y 1,...,Y n ) T følger en standard normalfordeling på R n, Opdaget af: Brian Bundgaard Schwartz Forkert: Lad X være en stokastisk variabel med værdier R n, Lad X være en stokastisk variabel med værdier i R n, Opdaget af: Rune Rudbeck Forkert: B 1 B T 1 = Σ 11, B 2 B T 2 = Σ 22, (komma) B 1 B T 1 = Σ 11, B 2 B T 2 = Σ 22. Opdaget af: Rune Rudbeck 17
18 395 6 Forkert: kan vi konkludere at ˆξ og ˆσ 2 uafhængige. kan vi konkludere at ˆξ og ˆσ 2 er uafhængige. Opdaget af: Rune Rudbeck Forkert: ogser atx regulært normalfordelt medsamme præcision som X, og ser at X er regulært normalfordelt med samme præcision som X, Forkert: en t fordeling med N k frihedsgrader. en t-fordeling med N k frihedsgrader. Opdaget af: Brian Bundgaard Schwartz Forkert: ( ) ( ) ˆα 1 N + t2 z δ σ SSD 2, ˆα+ 1 t N + t2 z δ σ SSD 2, (komma) t ( ) ( ) ˆα 1 N + t2 z δ σ SSD 2, ˆα+ 1 t N + t2 z δ σ SSD 2 t Opdaget af: Rimma Zelenina Bjørnskov Forkert: man kan simpelthen ikke sig noget om hvorvidt modellen passer i denne situation man kan simpelthen ikke sige noget om hvorvidt modellen passer i denne situation 18
19 446 3 Forkert: så vil den tilhørende observationen være så vil den tilhørende observation være Opdaget af: Christina Haugsted Nielsen Forkert: Σ 21 = Σ 12, Σ 11 > 0, Σ 22 > 0, Σ 12 2 Σ 11 Σ 22. Σ 21 = Σ 12, Σ 11 > 0, Σ 22 > 0, Σ 12 2 < Σ 11 Σ 22. Opdaget af: Jing Cheng Li Forkert: ( Σ N/2 22 e (T i ξ 2 ) 2 /2Σ 22 ) ( (σ 2 ) N/2 e (X i α βt i )/2σ 2 ). ( Σ N/2 22 e (T i ξ 2 ) 2 /2Σ 22 ) ( (σ 2 ) N/2 e (X i α βt i ) 2 /2σ 2 ). Opdaget af: Jing Cheng Li Forkert: Vi skal være på vagt over for tegn på variansheterogenintet: Vi skal være på vagt over for tegn på variansheterogenitet: 19
20 457 1 Forkert: Opstilles den kvadratisk regressionsmodel med middelværdistruktur givet ved (11.15) Opstilles den kvadratiske regressionsmodel med middelværdistruktur givet ved (11.15) Opdaget af: Brian Bundgaard Schwartz Forkert: ˆβ = 29.0 ( 1.4,59.4) ˆβ = 0.16 ( 0.56,0.87) Forkert: ˆγ = 0.16 ( 0.56,0.87) ˆγ = 29.0 ( 1.4,59.4) Forkert: Under hvilket omstændigheder har alle observationer samme leverageværdi? Under hvilke omstændigheder har alle observationer samme leverageværdi? Opdaget af: Therese Graversen 20
21 502 8 Forkert: Men det gælder vel og mærke kun hvis vi ved at de to faktorer har et pænt forhold til hinanden. Men det gælder vel at mærke kun hvis vi ved at de to faktorer har et pænt forhold til hinanden Forkert: Tester man hypoteser om ingen sorteffekt, henholdsvis ingen tæthedseffekt, mod den additive hypoteser, Tester man hypoteser om ingen sorteffekt, henholdsvis ingen tæthedseffekt, mod den additive hypotese, Opdaget af: Rune Rudbeck Forkert: og samtidig trækker den samme konstant fra hver komponent at β-vektoren, og samtidig trækker den samme konstant fra hver komponent af β-vektoren, Opdaget af: Therese Graversen Forkert: Det er nemt at skrive maksimaliseringsestimatoren op for fen parameter der koder for forskellen mellem B-niveau j og B- niveau j 0 : Det er nemt at skrive maksimaliseringsestimatoren op for den parameter der koder for forskellen mellem B-niveau j og B-niveau j 0 : Opdaget af: Rune Rudbeck Forkert: Et (1 α)konfidensområde for δ j er Et (1 α) konfidensområde for δ j er Opdaget af: Caroline Jørgensen 21
22 Forkert: Vi repræsenter ofte et design ved dets faktorstrukturdiagram, Vi repræsenterer ofte et design ved dets faktorstrukturdiagram, Forkert: 14.4 Opgave 14.4 Opgaver Opdaget af: Therese Graversen Forkert: Hvis vi for eksemplet skyld forestiller os Hvis vi for eksemplets skyld forestiller os Opdaget af: Therese Graversen Forkert: Med denne definition har vi for alle y Y og alleb K at Med denne definition har vi for alle y Y og alle B K at Opdaget af: Lars Lau Forkert: Lad X være en stokastisk variable, Lad X være en stokastisk variabel, Opdaget af: Lars Lau Forkert: skønt det det kan forekomme os uinformativt skønt det kan forekomme os uinformativt Opdaget af: Brian Bundgaard Schwartz 22
Områdeestimator. 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 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 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 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 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 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 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 mereOverheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.
Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.
Læs 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 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 mereOmrådeestimation. Kapitel 7
Kapitel 7 Områdeestimation Lad (ν θ ) θ Θ være en parametriseret statistisk model på (X, E). I kapitel 4 definerede vi såkaldte punktestimatorer af parameteren θ. Disse estimatorer fungerer sådan at vi
Læs mereTrykfejlsliste - alle fejl Introduktion til matematisk statistik
29. juni 2004 Stat 1TS / EH Trykfejlsliste - alle fejl Introduktion til matematisk statistik Denne liste indeholder alle de regulære fejl, slåfejl og stavefejl der er fundet i noterne indtil nu. 4 5 Forkert:
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 mereAgenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede
Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater
Læs mereStatistisk hypotese. Lad P være en statistisk model på (X, E). (P er altså en familie af sandsynlighedsmål på (X, E).)
Statistisk hypotese Lad P være en statistisk model på (X, E). (P er altså en familie af sandsynlighedsmål på (X, E).) En statistisk hypotese er en delmængde P 0 P.. p.1/23 Statistisk hypotese PSfrag replacements
Læs mereStatistisk hypotese. Lad P være en statistisk model på (X, E). (P er altså en familie af sandsynlighedsmål på (X, E).)
Statistisk hypotese Lad P være en statistisk model på (X, E). (P er altså en familie af sandsynlighedsmål på (X, E).) En statistisk hypotese er en delmængde P 0 P.. p.1/26 PSfrag replacements Statistisk
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1 Tag-hjem prøve 1. juli 2010 24 timer Alle hjælpemidler er tilladt. Det er tilladt at skrive med blyant og benytte viskelæder,
Læs mereMotivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser
Motivation Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser Rasmus Waagepetersen October 26, 2018 Eksempel: En landmåler får til opgave at måle længden λ fra A til B. Entreprenøren
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs mereEKSAMEN Flerdimensional Analyse Sommer sider
EKSAMEN Flerdimensional Analyse Sommer 2008 5 sider Formaliteter Eksamen er en 24-timers eksamen, der udleveres mandag den 23/6-2008 klokken 0.00 og afleveres tirsdag den 24/6-2008 inden klokken 0.00.
Læs mereStatistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge
Statistik og Sandsynlighedsregning 2 Repetition og eksamen Overheads til forelæsninger, mandag 7. uge 1 Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange
Læs mereStatistik og Sandsynlighedsregning 2. IH kapitel 12. Overheads til forelæsninger, mandag 6. uge
Statistik og Sandsynlighedsregning 2 IH kapitel 12 Overheads til forelæsninger, mandag 6. uge 1 Fordelingen af én (1): Regressionsanalyse udfaldsvariabel responsvariabel afhængig variabel Y variabel 2
Læs mereMaksimaliseringsestimation i praksis
Kapitel 6 Maksimaliseringsestimation i praksis Lærebogseksempler på statistiske modeller er gerne så simple at man er i stand til eksplicit at maksimere likelihoodfunktionen, og opnå lukkede udtryk for
Læs mereReeksamen 2014/2015 Mål- og integralteori
Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.
Læs mereUge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Læs mereDagens Emner. Likelihood-metoden. MLE - fortsat MLE. Likelihood teori. Lineær regression (intro) Vi har, at
Likelihood teori Lineær regression (intro) Dagens Emner Likelihood-metoden M : X i N(µ,σ 2 ) hvor µ og σ 2 er ukendte Vi har, at L(µ,σ 2 1 ) = ( 2πσ 2)n/2 e 1 2 P n (xi µ)2 er tætheden som funktion af
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereStatistik 1TS 2003 Obligatorisk opgave 1
Afdeling for Statistik og Operationsanalyse Institut for Matematiske Fag, Københavns Universitet 4. marts 2003 Stat 1TS / EH Statistik 1TS 2003 Obligatorisk opgave 1 Formelle forhold: Opgaven stilles tirsdag
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 mereProgram. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
Læs mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs mereEksamen i Statistik for biokemikere. Blok
Eksamen i Statistik for biokemikere. Blok 2 2007. Vejledende besvarelse 22-01-2007, Niels Richard Hansen Bemærkning: Flere steder er der givet en argumentation (f.eks. baseret på konfidensintervaller)
Læs mereLandmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Læs mereTænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
Læs 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 meren r x rs x r = 1 n r s=1 (x rs x r ) 2, s=1
(a) Denne opgave bygger på resultaterne fra 2 forsøg med epo-behandling af for tidligt fødte børn, idet gruppe 1 og 3 stammer fra første forsøg, mens gruppe 2 og 4 stammer fra det andet. Det må antages,
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs mere02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4
02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 Vejledende løsning 5.46 P (0.010 < error < 0.015) = (0.015 0.010)/0.050 = 0.1 > punif(0.015,-0.025,0.025)-punif(0.01,-0.025,0.025) [1] 0.1
Læs mereTema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.
Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller
Læs mereEstimation. Kapitel 4
Kapitel 4 Estimation Lad (ν θ ) θ Θ være en parametriseret statistisk model på (X, E). I dette kapitel skal vi diskutere, hvorledes man ud fra en given observation x X kan give et skøn over værdien af
Læs mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs mereModule 4: Ensidig variansanalyse
Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2
Læs mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
Læs mereProgram: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19
Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mereSandsynlighed og Statistik
36 Sandsynlighed og Statistik 6.1 Indledning Denne note beskriver de statistiske begreber og formler som man med rimelig sandsynlighed kan komme ud for i eksperimentelle øvelser. Alt er yderst korfattet,
Læs mereRegneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)
Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen
Læs mereRettevejledning til eksamen i Kvantitative metoder 1, 2. årsprøve 2. januar 2007
Rettevejledning til eksamen i Kvantitative metoder 1,. årsprøve. januar 007 I rettevejledningen henvises der til Berry and Lindgren "Statistics Theory and methods"(b&l) hvis ikke andet er nævnt. Opgave
Læs mereØkonometri: Lektion 7 Emne: Prædiktionsintervaller, RESET teset, proxy variable og manglende data.
Økonometri: Lektion 7 Emne: Prædiktionsintervaller, RESET teset, proxy variable og manglende data. 1 / 32 Motivation Eksempel: Savings = β 0 + β 1 Income + u Vi ved allerede, hvordan vi estimerer regresseionlinjen:
Læs mereFejlstrata. Vi forestiller os at V har. 1) Et underrum L. 2) Et indre produkt, 3) En ortogonal dekomposition V = W W m
Fejlstrata Vi forestiller os at V har 1) Et underrum L 2) Et indre produkt, 3) En ortogonal dekomposition V = W 1 +... + W m Underrummene W i kaldes fejlstrata. Typisk eksempel på en fejlstratumdekomposition:
Læs mereProgram: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke.
Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke. 1/23 Opsummering af fordelinger X 1. Kendt σ: Z = X µ σ/ n N(0,1)
Læs mereHvorfor er normalfordelingen så normal?
Hvorfor er normalfordelingen så normal? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 24, 2018 normalfordelingen så normal? October 24, 2018 1 / 13 Højde af kvinder Histogram
Læs mereForelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs meret-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program ( ): 1. repetition: fordeling af observatorer X, S 2 og t.
t-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program (8.15-10): 1. repetition: fordeling af observatorer X, S 2 og t. 2. konfidens-intervaller, hypotese test, type I og type II fejl, styrke,
Læs mereStatistiske principper
Statistiske principper 1) Likelihood princippet - Maximum likelihood estimater - Likelihood ratio tests - Deviance 2) Modelbegrebet - Modelkontrol 3) Sufficient datareduktion 4) Likelihood inferens i praksis
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 mereSandsynlighedsregning Oversigt over begreber og fordelinger
Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)
Læs merestandard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte
Læs 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 mereStatistik 1TS 2005 Obligatorisk opgave 1
9. marts 2005 Stat 1TS / EH Statistik 1TS 2005 Obligatorisk opgave 1 Formelle forhold: Opgaven stilles onsdag d. 9. marts 2005. Rapporten skal afleveres til mig personligt. Afleveringsfristen er tirsdag
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 mereså siges modellen at være! domineret af µ. Hvis modellen er parametriseret P =
Kapitel 3 Likelihoodfunktionen Lad P være en statistisk model på (X, E). Hvis der findes et σ-endeligt mål µ på (X, E), således at ν µ for alle ν P, så siges modellen at være! domineret af µ. Hvis modellen
Læs mereEstimation og konfidensintervaller
Statistik og Sandsynlighedsregning STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Estimation og konfidensintervaller Antag X Bin(n,
Læs mere1 Hb SS Hb Sβ Hb SC = , (s = )
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 25. september Økonometri 1: F6 1
Økonometri 1 Inferens i den lineære regressionsmodel 25. september 2006 Økonometri 1: F6 1 Oversigt: De næste forelæsninger Statistisk inferens: hvorledes man med udgangspunkt i en statistisk model kan
Læs mereProdukt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
Læs meremen nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller
Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mereStatistiske Modeller 1: Kontingenstabeller i SAS
Statistiske Modeller 1: Kontingenstabeller i SAS Jens Ledet Jensen October 31, 2005 1 Indledning Som vist i Notat 1 afsnit 13 er 2 log Q for et test i en multinomialmodel ækvivalent med et test i en poissonmodel.
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne 7. undervisningsuge, mandag 1 Estimation og konfidensintervaller
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Afsnit 6.1 Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler Lineære transformationer
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logistisk Regression: Definitioner For en binær (0/) variabel Y antager vi P(Y)p P(Y0)-p Eksempel: Bil til arbejde vs alder
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte Helle Sørensen Uge 9, onsdag SaSt2 (Uge 9, onsdag) Normalfordelingens venner 1 / 20 Program Resultaterne fra denne uge skal bruges
Læs mereHøjde af kvinder 2 / 18
Hvorfor er normalfordelingen så normal? og er den nu også det? Søren Højsgaard (updated: 2019-03-17) 1 / 18 Højde af kvinder 2 / 18 Inddeler man i mindre grupper kan man forestille sig at histogrammet
Læs mereInstitut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 6
Institut for Matematiske Fag Matematisk Modellering 1 Aarhus Universitet Eva B. Vedel Jensen 25. februar 2008 UGESEDDEL 6 Forelæsningerne torsdag den 21. februar og tirsdag den 26. februar. Jeg har gennemgået
Læs mereTest af statistiske hypoteser
Kapitel 8 Test af statistiske hypoteser De inferensmæssige procedurer, vi hidtil har beskæftiget os med, har haft til formål at lokalisere den sande parameter så godt som muligt, og at beskrive hvor mange
Læs mereOpgaver til kapitel 3
Opgaver til kapitel 3 3.1 En løber er interesseret i at undersøge om hendes løbeur er kalibreret korrekt. Hun udmåler derfor en strækning på præcis 1000 m og løber den 16 gange. For hver løbetur noterer
Læs mereKvantitative metoder 2
Opgave fra sidst (Gauss-Markov teoremet) Kvantitative metoder Inferens i den lineære regressionsmodel 7. marts 007 Opgave: Vis at hvis M = I X X X X ( ' ) ' er M idempoten dvs der gælder gælder M = M '
Læs mereTrin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
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 merePoul Thyregod, introslide.tex Specialkursus vid.stat. foraar Lad θ = θ(β) R k for β B R m med m k
Dagens program: Likelihoodfunktion, begreber : Mandag den 4. februar Den generelle lineære model score-funktion: første afledede af log-likelihood har middelværdien nul observeret information: anden afledede
Læs mereOversigt over emner. Punktestimatorer: Centralitet(bias) og efficiens
Oversigt Oversigt over emner 1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens 2 Konfidensinterval Konfidensinterval for andel Konfidensinterval - normalfordelt stikprøve
Læs mereDagens Emner. Likelihood teori. Lineær regression (intro) p. 1/22
Dagens Emner Likelihood teori Lineær regression (intro) p. 1/22 Likelihood-metoden M : X i N(µ,σ 2 ) hvor µ og σ 2 er ukendte Vi har, at L(µ,σ 2 ) = ( 1 2πσ 2)n/2 e 1 2σ 2 P n (x i µ) 2 er tætheden som
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 Indledning 2 Ensidet variansanalyse 3 Blokforsøg 4 Vekselvirkning 1 Indledning 2 Ensidet
Læs mereStatistik Lektion 20 Ikke-parametriske metoder. Repetition Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Statistik Lektion 0 Ikkeparametriske metoder Repetition KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
Læs mereKonfidensintervaller og Hypotesetest
Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller
Læs mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereModule 1: Lineære modeller og lineær algebra
Module : Lineære modeller og lineær algebra. Lineære normale modeller og lineær algebra......2 Lineær algebra...................... 6.2. Vektorer i R n................... 6.2.2 Regneregler for vektorrum...........
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 18 sider. Skriftlig prøve, den: 16. december 2003 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side 1 af 18 sider Skriftlig prøve, den: 16. december 2003 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereNanostatistik: Opgavebesvarelser
Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,
Læs mereNanostatistik: Konfidensinterval
Nanostatistik: Konfidensinterval JLJ Nanostatistik: Konfidensinterval p. 1/37 Fraktilpåmindelse u p : Φ(u p ) = p, Φ( z ) = 1 Φ( z ) t p [f] : F t[f] (t p [f]) = p, F t[f] ( t ) = 1 F t[f] ( t ) F-fordeling:
Læs mere