Middelværdi og varians. Kovarians. korrelation = 0.02 korrelation = 0.7 korrelation = 1.0
|
|
- Victor Lange
- 7 år siden
- Visninger:
Transkript
1 Middelværdi og varians Middelværdien af en diskret skalarfunktion f(x), for x = 0, N er: µ = N f(x) N x=0 For vektorfuktioner er middelværdivektoren tilsvarende: µ = N f(x) N x=0 Middelværdien er en af mange statistiske mål Et andet centralt mål er variansen, der afspejler funktonen gennemsnitlige afvigelse fra middelværdien σ 2 = N (f(x) µ) 2 N x=0 = N f(x) 2 µ 2 N x=0 hvor σ kaldes spredningen Korrelation og korrelationskoefficient 00 korrelation = 002 korrelation = 07 korrelation = 0 3 Kovarians I 2- eller højere dimensioner er f en vektor mellem hvis elementer, der eksisterer kovarianser cov(i, j) = N (f i (x) µ i )(f j (x) µ j ) N x= Kovariansen mellem to størrelsen beskriver graden af afhængighed mellem størrelserne Ved normalisering med spredningerne fås korrekationskoefficienten: κ i,j = cov(i, j) σ i σ j Der gælder at κ, hvor κ = 0 angiver at størrelserne er ukorrelerede og κ = angiver maksimal korrelation, dvs en lineær afhængighed: f i (x) = af j (x) + b Korrelation er relateret til kovarians ved udelade subtraktion af middelværdien: cor(i, j) = N f i (x)f j (x) N x= Der gælder oplagt at: cov(i, i) = σ 2 i, at cov(i, j) = cov(j, i) og tilsvarende for korrelationen For vektorfunktioner med n dimensioner er der altså n varianser og n(n )/2 kovarianser 2 4
2 Kovariansmatricer Varianser og kovarianser kan opstilles i en (positiv definit) symmetrisk kovariansmatrix: C = σ 2 cov(,2) cov(, N) cov(,2) σ 2 2 cov(2, N) cov(, N) cov(2, N) σ 2 N Kovariansmatricen estimeres ved: C M x t i M x i µ t µ = i= M Xt X µ t µ hvor M er antal sampels og x x 2 x N X = x M x M2 x MN 5 Fordelinger En stokastisk variabel x er en randomiseret størrelse, der er karakteriseret ved sin fordeling p(t), der angiver sandsynligheden for at x antager værdien t Middelværdi og varians for x er defineret ved: µ = t p(t)dt σ 2 = (t µ) 2 p(t)dt hvor integrationen foretages over domænet for t Fordelingen kan karakteriseres ved mange andre mål, herunder medianværdien, øvre og nedre kvartiler, samt fordelingens momenter 7 Det multivariate Gaussfilter Det n-dimensionale multivariate Gaussfilter er defineret ved: G( x) = 2π C n/2e 2 xt C x hvor : C er kovariansmatricen for filteret, og C er determinanten af C Det k te (centrale) moment af fordelingen p(t) er givet ved: m k = (t µ) k p(t)dt Der gælder altså at m 2 = σ 2 To ofte benyttede karakteriseringer, skævhed og kurtiosis er defineret ud fra de centrale momenter af 3 og 4 orden: Skew = m 3 m 3/2 2 For sædvanlige billeder (n = 2) benyttes dette filter ofte til positionsafhængig retningsbestemt filtrering Kurt = m 4 m Niveaukurverne for filteret er ellipser med storaksen orienteret efter den egenvektor for C som har størst egenværdi Filterets udstrkning i de to akseretninger er bestemt af egenværdierne Skævheden karakteriserer graden af asymmetri af tæthedsfunktionen (omkring middelværdien) Kurtiosis karakteriserer hvor flad contra spids tæthedsfunktionen er 6 8
3 To stokastiske variable x og y siges at være uafhængige hvis: p(x, y) = p(x)p(y) hvor p(x = t, y = v) er sandsynligheden for at observere værdierne x = t og y = v samtidig Skævhed Kurtiosis Momenter af orden højere end 2 er meget følsomme over for variationer i halerne af en empirisk fordeling Hvis x og y er uafhængige vil de også være ukorrelerede Derimod kan ukorrelerede variable godt have en afhængighed Uafhængighed er altså et stærkere krav 9 Egenværdier og egenvektorer Lad x og y være stokastiske variable med fordelinger p x (t) og p y (t), og lad z = x + y være en ny stokastisk variabel Der gælder da at: p z = p x p y Den centrale grænseværdisætning siger at en uendelig sum af stokastiske variable med samme, men iøvrigt vilkårligt, fordeling, er en normalfordeling N(µ, σ) Støj i elektriske kredsløb kan ofte modelleres som en sådan sum Normalfordeling er ofte en god model af støj i billeder Lad C n n være en kvadratisk matrix med fuld rang n Egenvektorerne v og egenværdierne λ for C er defineret ved: Cv = λv Egenværdier og egenvektorer findes altså i par, og der er ialt n stk Lad P være en matrix med søjler bestemt af egenvektorerne for C: Da gælder: P CP = D = diag(λ,, λ n ) Hvis C er reel og positiv definit (C = X t X), gælder at egenværdierne er reelle og ikke-negative, og egenvektorerne er ortogonale 0 2
4 For at finde egenværdierne skal vi løse (C λi)v = 0 For de ikke-trivielle løsninger gælder: det(c λi) = 0 Dette er et polynomium i λ (kaldet det karakteristiske polynomium for C) For stor n er det hverken trivielt af finde dets rødder eller at beregne egenvektorerne I MATLAB er det let: [E, D] = eig(c) I mange sammenhænge er C kovariansmatricen for en vektorfunktion af billedkoordinater eller gradientkomponenter, dvs n = 2 Fra første ligning i definitionen: + v 2 ( ) ( ) a c c b v = λ ( v ) + v 2 kan finde egenvektoren v = +v 2 (, v)t til egenværdien λ Vi får v = λ a c, og dermed v = (c, λ a) c 2 + (λ a) 2 Lad: X = x y x 2 y 2 Den anden egenvektor v 2 = +v 2 ( v,)t fås som den ortogonale til v x M y M 3 5 Kovariansmatricen er: C = M Xt X µ t µ = M = [ x 2 ] i xi y i xi y i y 2 i [ ] a c c b Egenværdierne fås ved at løse: a λ det(c λi) = c Vi får: c b λ = λ 2 (a + b)λ + (ab c 2 ) = 0 λ = a + b 2 ± (a b) 2 + 4c 2 2 Den geometriske fortolkning af disse værdier er: Hvis de to egenværdier er lige store så er punktmængden (x i, y i ) isotropt fordelt omkring centroiden (massemidtpunktet) for punkterne Hvis den ene egenværdi er lig 0 så ligger punkterne på en ret linie gennem centroiden og med orientering givet ved egenvektoren med egenværdi > 0 Hvis 0 < λ < λ 2 udgør punktmængden en mere eller mindre aflang pølse med hovedakse givet ved v 2 (med varians λ 2 ) 4 6
5 y V V 2 Normaliseret foldning x Lad f(x, y) være et billede med tilknyttet angivelse af pålidelighed c(x, y) [0 : ] af hver pixelværdi Normaliseret foldning er da defineret ved: Forholdet mellem den største og den mindste egenværdi bestemmer eccentriciteten af ellipsen Vinklen mellem x-aksen og egenvektoren med størst egenværdi bestemmer orienteringen af ellipsen Ved egenværdianalyse af kovariansmatricen C for X bestemmer vi den koordinattransformation, der dekorrelerer C Transformationen består i en n-dimensional rotation omkring massemidtpunktet for observationerne 7 g(x, y) = hvor h(x, y) er filterfunktionen h(x, y) [c(x, y) f(x, y)] h(x, y) c(x, y) Normaliseret foldning er velegnet til at udfylde små områder hvor data mangler 9 Retningsbestemt positionsafhængig Gaussfiltrering For hver pixel bestemmes et 2-dimensionalt ikke-rotationssymmetrisk gaussfilter, der er orienteret med hovedakse langs niveaukurven for intensitetsfladen og med en eccentricitet proportional med kontrasten i pixelen Der bestemmes altså et nyt filter for hver pixel Filteret er bestemt af kovariansmatricen C for gradienvektoren i en omegn omkring pixelen Rekonstruktion af et billede med manglende data (øverst tv) ved sædvanlig foldning (øverst midt og th), ved normaliseret foldning (nederst tv) og ved normaliseret retningsbestemt filtrering (nederst midt og th) 8 20
6 Histogramlinearisering Gråtonebilleder kan som regel antage 256 forskellige intensiteter Mange billeder udnytter ikke dette område optimalt, men er eksempelvis under- eller overbelyst: Betragt transformationen givet ved den kummulative fordelingsfunktion: x y = T(x) = p x(w)dw 0 Vi har at dy/dx = p x (x) og dermed dx/dy = p x (x) Ved indsættelse fås: [ ] p y (y) = p x (x) = p x (x) x=t (y) Fordelingen for y er altså uniform Dette betyder (i det kontinuerte tilfælde) at alle intensitetsværdier udnyttes lige hyppigt 2 23 Simpel skalering af intensitetsværdier til det fulde dynamiske område kan forbedre billedet Hvis billedet kun indeholder meget lyse og meget mørke gråtoner vil skalering ikke forbedre billedet Her er Histogramlinearisering ofte effektiv Betragt intensiten som en stokastisk variabel x med fordeling p x (x) estimeret ved et skaleret histogram Lad y = T(x) være en bijektiv transformation af intensiteten Fordelingen p y (y) af den transformerede stokastiske variabel y er da: p y (y) = p x (T (y)) = [ p x (x) dx ] dy x y x=t (y) Eksempel intensitet hyppighed accumuleret interval Afbildningen bliver: Bevis: Se noterne 22 24
7 Histogramlineariserede billeder: PCA Kært barn har mange navne: Principalkomponentanalyse - PCA Karhuen-Loeve transformationen Hotelling transformationen PCA er defineret ved den lineære transformation y = Ax + b, der sikrer at middelværdivektoren m y = 0 og at kovariansmatricen C y bliver en diagonalmatrix Dette betyder at de transformerede koefficienter er fuldstændigt dekorrelerede Pixels med samme intensitet vil efter histogramlinearisering stadig have samme intensitet Derimod kan pixels med forskellig intensitet godt have samme intensitet efter lineariseringen I noterne er beskrevet hvorledes man kan konstruere en transformation, der giver en ønsket fordeling, feks en normalfordeling Lokal histogramlinearisering er velegnet til at bringe næsten usynlige detaljer frem Der beregnes et nyt histogram for hver pixel Det lokale område skal ofte være rimeligt stort, feks 2 2pixel I modsætning til fouriertransformationen, cosinustransformationen mv er PCA bestemt ud fra data selv Der findes altså ikke noget udtryk for PCA i termer af grundlæggende matematiske funktioner PCA er velegnet til at reducere dimensionaliteten i en datamængde Hvis data består af RGB-værdier/tripler (N = 3) kan PCA finde det - eller 2-dimensionale underrum (dvs en linie eller et plan), der bedst beskriver data Hvis data består i billeder på hver N pixels er dimensionen lig N PCA vil kunne finde de k N basisbilleder, der bedst beskriver det oprindelige sæt af billeder 26 28
8 Hvis vi, i analogi med JPEG, opdeler et billede i blokke på 8 8 pixels er dimensionen N = 64 Givet et antal blokke og et tal k N, vil PCA bestemme hvorledes hver blok kan transformeres til k koefficienter y, sådan at disse sammen med transformationen bestemmer den bedst mulige lineære rekonstruktion (i middel) Bemærk at ved kodning er det ikke tilstrækkeligt at transmitere koefficienterne, idet disse ikke kan fortolkes uden kendskab til transformationen selv I modsætning til noterne skal vi i det følgende, opfatte hver sample som en vektorfunktion Jvf ovenstående eksempel kan hver sample bestå af 64 intensitetsværdier (eller 64*3 farveværdier) Bemærk: Opstilling af matricer mv forskellig fra noter Karhuen-Loeve-transformationen (PCA) er defineret ved: y = (x m x )A Lad os undersøge middelværdien og kovariansmatricen for y m y = E{y} = E{(x m x )A} = E{x}A m x A = 0 C y = E{(y m y ) t (y m y )} = E{y t y} = E{((x m x )A) t ((x m x )A)} = E{A t (x m x ) t (x m x )A} = A t E{(x m x ) t (x m x )}A = A t C x A = diag(λ, λ 2,, λ N ) 29 3 Lad x være en rækkevektor med N elementer og lad i = M, være indices til de M samples hvorved transformationen skal bestemmes Lad m x være middelværdivektoren og lad C x være kovariansmatricen for x: C x = E{(x m x ) t (x m x )} = E{x t x} m x t m x Lad e i hhv λ i være den i te egenvektor hhv egenværdi for C x (i =,2,,N), og lad A være en N N transformationsmatrice, hvis rækker er bestemt ved egenvektorerne e i A = e e 2 e N 2 e 2 e 22 e 2N 2 e N 2 e N 2 2 e N 2 N 2 = e e 2 e N 2 30 At kovariansmatricen for transformationskoefficienterne er en diagonalmatrix betyder at koefficienterne er fuldstændig dekorrekerede Egenværdien λ i hørende til det i te underrum/basisbillede angiver variansen af den i te koefficient og er et udtryk for hvor stor en del af energien i det oprindelige datasæt, som er indeholdt i underrummet/basisbilledet Hvis λ i = 0 projicerer alle oprindelige data ned på ét punkt i det i te underrum Dette indeholder ingen energi Ergo: De oprindelige data kan rekonstrueres helt uden kendskab til den i te koeffiecient Da C x er reel og symmetrisk, vil A altid være en ortonormal matrice Heraf følger at A = A t Den inverse transformation er derfor givet ved: x = ya t + m x Bemærk iøvrigt at transformationsmatricen A ikke er seperabel 32
Et eksempel på en todimensional normalfordeling Anders Milhøj September 2006
Et eksempel på en todimensional normalfordeling Anders Milhøj September 006 I dette notat gennemgås et eksempel, der illustrerer den todimensionale normalfordelings egenskaber. Notatet lægger sig op af
Læs mere9.1 Egenværdier og egenvektorer
SEKTION 9.1 EGENVÆRDIER OG EGENVEKTORER 9.1 Egenværdier og egenvektorer Definition 9.1.1 1. Lad V være et F-vektorrum; og lad T : V V være en lineær transformation. λ F er en egenværdi for T, hvis der
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Læs merehvor a og b er konstanter. Ved middelværdidannelse fås videre
Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den
Læs mereNanostatistik: Middelværdi og varians
Nanostatistik: Middelværdi og varians JLJ Nanostatistik: Middelværdi og varians p. 1/28 Repetition Stokastisk variabel: funktion fra udfaldsrum over i de hele tal eller over i de reelle tal Ex: Ω = alle
Læs mereRepetition Stokastisk variabel
Repetition Stokastisk variabel Diskret stokastisk variabel Udfaldsrum endelige eller tællelige mange antal elementer Sandsynlighedsfunktion f(x) er ofte tabellagt Udregning af sandsynligheder P( a < X
Læs mereLandmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Afsnit 3.3-3.5 Varians Eksempel: Forventet nytte Kovarians og korrelation Middelværdi og varians af summer af stokastiske variabler Eksempel: Porteføljevalg 1 Beskrivelse af fordelinger
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. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mereINSTITUT FOR MATEMATISKE FAG c
INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske
Læs mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff
Course 242/2323 Introducerende Statistik Forelæsning 3: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 22 Danmarks Tekniske Universitet 28 Lyngby Danmark
Læs mereDeskriptiv statistik. Version 2.1. Noterne er et supplement til Vejen til matematik AB1. Henrik S. Hansen, Sct. Knuds Gymnasium
Deskriptiv (beskrivende) statistik er den disciplin, der trækker de væsentligste oplysninger ud af et ofte uoverskueligt materiale. Det sker f.eks. ved at konstruere forskellige deskriptorer, d.v.s. regnestørrelser,
Læs mereLandmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3
Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april
Læs mereSandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
Læs mereAntag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.
Simple fejlforplantningslov Landmålingens fejlteori Lektion 6 Den generelle fejlforplantningslov Antag X, X,, X n er n uafhængige stokastiske variable, hvor Var(X )σ,, Var(X n )σ n Lad Y g(x, X,, X n ),
Læs mereSandsynlighedsregning Stokastisk variabel
Sandsynlighedsregning Stokastisk variabel I eksperimenter knyttes ofte en talværdi til hvert udfald. S s X(s) R Definition: En stokastisk variabel X er en funktion defineret på S, der antager værdier på
Læs 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 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 mereNoter i fejlteori. Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen. Version 1.1
Noter i fejlteori Kasper Klitgaard Berthelsen Poul Winding & Jens Møller Pedersen Version 1.1 April 2013 2 Indhold 1 Motivation 3 2 Det matematiske fundament 5 2.1 Lidt sandsynlighedsregning......................
Læs mereTeoretisk Statistik, 16. februar Generel teori,repetition
1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske
Læs mereSupplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable
IMM, 00--6 Poul Thyregod Supplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable Todimensionale stokastiske variable Lærebogens afsnit 4 introducerede sandsynlighedsmodeller formuleret
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion
Læs mereAnvendt Lineær Algebra
Anvendt Lineær Algebra Kursusgang 4 Anita Abildgaard Sillasen Institut for Matematiske Fag AAS (I17) Anvendt Lineær Algebra 1 / 32 Vægtet mindste kvadraters metode For et lineært ligningssystem (af m ligninger
Læs mereKombinatorik. Eksempel 2: En mand har 7 par bukser og 10 skjorter. Skal han både vælge en skjorte og et par bukser, så har han 10. 7=70 mulige valg.
Noter til Biomat, 005. Kombinatorik. - eller kunsten at tælle. Alle tal i kombinatorik-afsnittet er hele og ikke-negative. Additionsprincippet enten - eller : Antag vi enten skal lave et valg med m muligheder
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 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 mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en
Læs mere1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable
Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder
Læs 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 mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Lineære transformationer, middelværdi og varians Helle Sørensen Uge 8, onsdag SaSt2 (Uge 8, onsdag) Lineære transf. og middelværdi 1 / 15 Program I formiddag: Fordeling
Læs 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 mereDen todimensionale normalfordeling
Den todimensionale normalfordeling Definition En todimensional stokastisk variabel X Y siges at være todimensional normalfordelt med parametrene µ µ og når den simultane tæthedsfunktion for X Y kan skrives
Læs merePhD-kursus i Basal Biostatistik, efterår 2006 Dag 2, onsdag den 13. september 2006
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 2, onsdag den 13. september 2006 I dag: To stikprøver fra en normalfordeling, ikke-parametriske metoder og beregning af stikprøvestørrelse Eksempel: Fiskeolie
Læs mereLineær uafhængighed 1. Lineær afbildninger 2. Spektralteori 3. Komplekse tal 4. Indeks 8. u 3 = u 1 + u 2 (3) V u3 =
Goutham Jørgen Surendran3. januar 22 LINEÆR UAFHÆNGIGHED Indhold Lineær uafhængighed Lineær afbildninger 2 Spektralteori 3 Funktionskalkyle for symmetriske kalkyler 4 Komplekse tal 4 (Hvad ethvert dannet
Læs mereLandmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Ventetider i en Poissonproces Beskrivelse af kontinuerte fordelinger: - Median og kvartiler - Middelværdi - Varians Simultane fordelinger 1 Ventetider i en Poissonproces
Læs mereDesignMat Egenværdier og Egenvektorer
DesignMat Egenværdier og Egenvektorer Preben Alsholm September 008 1 Egenværdier og Egenvektorer 1.1 Definition og Eksempel 1 Definition og Eksempel 1 Lad V være et vektorrum over L (enten R eller C).
Læs mereStatDataN: Middelværdi og varians
StatDataN: Middelværdi og varians JLJ StatDataN: Middelværdi og varians p. 1/33 Repetition Stokastisk variabel: funktion fra udfaldsrum over i de hele tal eller over i de reelle tal Ex: Ω = alle egetræer,
Læs mereEkstremum for funktion af flere variable
Ekstremum for funktion af flere variable Preben Alsholm 28. april 2008 1 Ekstremum for funktion af flere variable 1.1 Hessematricen I Hessematricen I Et stationært punkt for en funktion af flere variable
Læs mereFejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning
Fejlforplantning Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Landmåling involverer ofte bestemmelse af størrelser som ikke kan
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 19. december 2012 Kursus nr : 02405. (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 9. december 0 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
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 mereStatistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning Introduktion Kasper K. Berthelsen, Inst f. Matematiske Fag Omfang: 8 Kursusgang I fremtiden
Læs mereStatistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Afsnit 6.1. Ligefordelinger, fra sidst Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler
Læs mereChapter 3. Modulpakke 3: Egenværdier. 3.1 Indledning
Chapter 3 Modulpakke 3: Egenværdier 3.1 Indledning En vektor v har som bekendt både størrelse og retning. Hvis man ganger vektoren fra højre på en kvadratisk matrix A bliver resultatet en ny vektor. Hvis
Læs mereNote til styrkefunktionen
Teoretisk Statistik. årsprøve Note til styrkefunktionen Først er det vigtigt at gøre sig klart, at når man laver statistiske test, så kan man begå to forskellige typer af fejl: Type fejl: At forkaste H
Læs mereVi kalder nu antal prøverør blandt de 20, hvor der ikke ses vækst for X.
Opgave I I en undersøgelse af et potentielt antibiotikum har man dyrket en kultur af en bestemt mikroorganisme og tilført prøver af organismen til 20 prøverør med et vækstmedium og samtidig har man tilført
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereInstitut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med
Repetition: Varians af linear kombination Landmålingens fejlteori Lektion 5 Fejlforplantning - rw@math.aau.dk Antag X 1, X,..., X n er uafhængige stokastiske variable, og Y er en linearkombination af X
Læs mereTeoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.
Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt
Læs mereAnalysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
Læs mereTidligere Eksamensopgaver MM505 Lineær Algebra
Institut for Matematik og Datalogi Syddansk Universitet Tidligere Eksamensopgaver MM55 Lineær Algebra Indhold Typisk forside.................. 2 Juni 27.................... 3 Oktober 27..................
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 mereBesvarelse af Eksamensopgaver Juni 2005 i Matematik H1
Besvarelse af Eksamensopgaver Juni 5 i Matematik H Opgave De fire vektorer stilles op i en matrix som reduceres: 4 4 4 8 4 4 (a) Der er ledende et-taller så dim U =. Som basis kan f.eks. bruges a a jfr.
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Rune Haubo B Christensen (based on slides by Per Bruun Brockhoff) DTU Compute, Statistik og Dataanalyse Bygning
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 mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Normalfordelingen Statistik og Sandsynlighedsregning 2 Repetition og eksamen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige fejl på
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 mereEksamen i Lineær Algebra
Eksamen i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet 6. juni, 26. Kl. 9-3. Nærværende eksamenssæt består af nummererede sider med ialt 5 opgaver. Alle opgaver er multiple
Læs mereBeskrivende statistik
Beskrivende statistik Stikprøve af størrelse n for variablen x: x 1, x 2,, x n Beskriv fordelingen af data med nogle få talstørrelser. Centralt mål: en værdi som data er centreret om. Variationsmål: mål
Læs mereKursusgang 3 Matrixalgebra fortsat
Kursusgang 3 fortsat - froberg@math.aau.dk http://people.math.aau.dk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12. september 2008 1/31 Nødvendige betingelser En nødvendig betingelse
Læs mereSandsynlighedsregning 11. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@imm.dtu.dk Dagens nye emner afsnit 6.3 (og 6.4 Betingede
Læs mereOversigt [LA] 6, 7, 8
Oversigt [LA] 6, 7, 8 Nøgleord og begreber Lineære ligningssystemer Løsningsmængdens struktur Test løsningsmængde Rækkereduktion Reduceret matrix Test ligningssystem Rækkeoperationsmatricer Rangformlen
Læs mereKapitel 3 Centraltendens og spredning
Kapitel 3 Centraltendens og spredning Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 25 Indledning I kapitel 2 omsatte vi de rå data til en tabel, der bedre viste materialets fordeling
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
Læs mereMatrix Algebra med Excel Forelæsningsnoter til FR86. Jesper Lund mail@jesperlund.com http://www.jesperlund.com
Matrix Algebra med Excel Forelæsningsnoter til FR86 Jesper Lund mail@jesperlund.com http://www.jesperlund.com 28. august 2002 1 Indledning Matrix algebra er et uundværligt redskab til økonometri, herunder
Læs mereFormelsamling for matematik niveau B og A på højere handelseksamen. Appendiks
Formelsmling for mtemtik niveu B og A på højere hndelseksmen Appendiks April Mtemtik B Procentregning Procentvis vækst Værdien f en given vriel x liver ændret fr x til x 1. Den %-vise vækst eregnes ved:
Læs mereRepetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable
Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition
Læs mereModul 7: Eksempler. 7.1 Beskrivende dataanalyse. 7.1.1 Diagrammer. Bent Jørgensen. Forskningsenheden for Statistik ST501: Science Statistik
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 7: Eksempler 7.1 Beskrivende dataanalyse............................... 1 7.1.1 Diagrammer.................................
Læs mereMatematik for økonomer 3. semester
Matematik for økonomer 3. semester cand.oecon. studiet, 3. semester Planchesæt 2 - Forelæsning 3 Esben Høg Aalborg Universitet 10. september 2009 Institut for Matematiske Fag Aalborg Universitet Esben
Læs mereBilledbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)
; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians
Læs mereLandmålingens fejlteori - Lektion 5 - Fejlforplantning
Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/30 Fejlforplantning Landmåling involverer ofte bestemmelse af størrelser som ikke
Læs mereKursusgang 3 Matrixalgebra Repetition
Kursusgang 3 Repetition - froberg@math.aau.dk http://people.math.aau.dk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 16. september 2008 1/19 Betingelser for nonsingularitet af en Matrix
Læs mereUge 10 Teoretisk Statistik 1. marts 2004
1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Transformation af kontinuerte fordelinger på R, flerdimensionale kontinuerte fordelinger, mere om normalfordelingen Helle Sørensen Uge 7, onsdag SaSt2 (Uge 7, onsdag)
Læs mereLandmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering
Landmålingens fejlteori Lektion 3 Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition: Middelværdi og
Læs mereBesvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 2016
Besvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 206 Mikkel Findinge http://findinge.com/ Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan.
Læs mereDefinition. Definitioner
Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/
Læs mereStatistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Læs mereModul 3: Kontinuerte stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 3: Kontinuerte stokastiske variable 3.1 Kontinuerte stokastiske variable........................... 1 3.1.1 Tæthedsfunktion...............................
Læs mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereTeoretisk Statistik, 13 april, 2005
Poissonprocessen Teoretisk Statistik, 13 april, 2005 Setup og antagelser Fordelingen af X(t) og et eksempel Ventetider i poissonprocessen Fordeling af ventetiden T 1 til første ankomst Fortolkning af λ
Læs mereIntroduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereBetingede sandsynligheder Aase D. Madsen
1 Uge 12 Teoretisk Statistik 15. marts 2004 1. Betingede sandsynligheder Definition Loven om den totale sandsynlighed Bayes formel 2. Betinget middelværdi og varians 3. Kovarians og korrelationskoefficient
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 mereIntroduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
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 mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 Repetition MS kapitel 1 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Hvad er sandsynlighed? - beskriver systemer
Læs mereEksempel 9.1. Areal = (a 1 + b 1 )(a 2 + b 2 ) a 1 a 2 b 1 b 2 2a 2 b 1 = a 1 b 2 a 2 b 1 a 1 a 2 = b 1 b 2
Oversigt [LA] 9 Nøgleord og begreber Helt simple determinanter Determinant defineret Effektive regneregler Genkend determinant nul Test determinant nul Produktreglen Inversreglen Test inversregel og produktregel
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 mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte fordelinger, Afsnit 5.1-5.2: - Fordelingsfunktion - Tæthedsfunktion - Eksempel:
Læs mereHøjere Teknisk Eksamen maj 2008. Matematik A. Forberedelsesmateriale til 5 timers skriftlig prøve NY ORDNING. Undervisningsministeriet
Højere Teknisk Eksamen maj 2008 HTX081-MAA Matematik A Forberedelsesmateriale til 5 timers skriftlig prøve NY ORDNING Undervisningsministeriet Fra onsdag den 28. maj til torsdag den 29. maj 2008 Forord
Læs mereLineære Afbildninger. enote 8. 8.1 Om afbildninger
enote 8 enote 8 Lineære Afbildninger Denne enote undersøger afbildninger mellem vektorrum af en bestemt type, nemlig lineære afbildninger Det vises, at kernen og billedrummet for lineære afbildninger er
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Den flerdimensionale normalfordeling, fordeling af ( X,SSD) Helle Sørensen Uge 9, mandag SaSt2 (Uge 9, mandag) Flerdim. N, ford. af ( X,SSD) 1 / 16 Program Resultaterne
Læs mereLandmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske
Læs mereEksamen i Lineær Algebra. Første Studieår ved Det Tekniske Fakultet for IT og Design samt Det Ingeniør- og Naturvidenskabelige Fakultet
Eksamen i Lineær Algebra Første Studieår ved Det Tekniske Fakultet for IT og Design samt Det Ingeniør- og Naturvidenskabelige Fakultet 4. januar 9 kl. 9:-: Dette eksamenssæt består af 8 nummererede sider
Læs mere