SUPPLEMENT til Matematiske Grundbegreber

Størrelse: px
Starte visningen fra side:

Download "SUPPLEMENT til Matematiske Grundbegreber"

Transkript

1 UPPLEMET tl Matematske Grudbegreber IDHOLD A BEVIER VEDRØREDE ORMALFORDELIGE 3A χ - FORDELIE 3 3B t - FORDELIGE 6 3C F - FORDELIGE 7 4A DEFIITIOER OG EKEMPLER PÅ CETRALE OG EFFEKTIVE ETIMATORER 9 4B BEVIER FOR FORMLER FOR KOFIDEITERVALLER 5A BEVIER FOR FORMLER I HYPOTEETET 3 5B OC-KURVER OG DIMEIOERIG 6 7A BEVI FOR MIDDELVÆRDI OG PREDIG FOR HYPERGEOMETRIK VARIABEL 8 7B BEVIER FOR FORMLER I BIOMIAL- OG POIO-TET 9 7C BEVIKITE FOR TÆTHEDFUKTIOE FOR POIOFORDELIGE

2 upplemet A Bevser vedrørede ormalordelge UPPLEMET: A BEVIER VEDRØREDE ORMALFORDELIGE xµ I detoe a ormalordelge dgår, at ( x) e π dvs ( x) og ( x) dx Bevs: Da e ekspoetalukto er postv, er ( x) x µ ubsttueres t ås x dx ( ) t e dt π t ættes I e dt ås t t t u I e dt e dt e dt e du Idøres u polære koordater t r cos v, u r sv ås π r r r r I dv e rdr π e π er e tæthedsukto, e ( t + u ) Hera ås det øskede dt du ÆTIG (Mddelværd og spredg or ormalordelg) ormalordelge mddelværde µ og spredge ( µ, ) har x µ x Bevs: E( X) e dx π x µ ubsttueres t x µ + t ås t µ t t E( X) e dt + e π π dt Det ørste tegral er, da tegrade er e tæthedsukto, og det adet tegral er, da tegrade er e µ ulge ukto Følgelg er E(X) ( x µ ) 3) V( X) e dx x µ ubsttueres t x µ + t ås π V( X) x µ t t t t t e dt e + e dt π π π (delvs tegrato, samt som ør at sdste tegral er )

3 upplemet 3A χ - ordelge UPPLEMET 3A χ -FORDELIGE χ U, U,, U Deto a -ordelge Lad være uahægge ormerede ormalordelte varable adsylghedsordelge or de statstske varabel χ U + U +,, U kaldes - ordelge med rhedsgradstallet og beteges χ χ ( ) Det ka vses, at tæthedsuktoe or χ ( ) er bestemt ved x x e or x> ( x) Γ ellers x t hvor Gammauktoe Γ( x) er deeret ved Γ( x) t e dt χ ÆTIG 3A (mddelværd og varas or -ordelg) - ordelge med rhedsgrader har mddelværde og varase χ E( χ ) V( χ ) Bevs: I kaptel blev det or e vlkårlg statstsk varabel X vst, at V( X) E( X ) ( E( X)) () Lad U være de ormerede ormalordelg Da E(U) og V(U) ås a regel (), at EU ( ) Idet χ U + U + + U ås a leartetsregle, at E( ) E( U ) + E( U ) + + E( U ) χ Beyttes regel () på de statstske varabel U 4 ås VU ( ) EU ( ) ( EU ( ) A detoe på mddelværd ås u π π u ( ) EU ( 4 ) u 4 ( udu ) 4 3 u e du u e d u Beyttes delvs tegrato ås: u u u EU ( 4 ) u de u du e e π π u u 3 u e du 3 u e du 3 E( U ) 3 π π 4 V har u V( U ) EU ( ) ( EU ( )) 3 Da U, U, er uahægge ås V( ) V( U ) + V( U ) +, + V( U ) U χ pecelt gælder Γ( x ) ( x )! π 3 ( x ) ( x ) or or π or x x x { 3,,,} {,,, } 3

4 upplemet 3A χ - ordelge ÆTIG 3A (addtossætg or χ - ordelte varable) Lad χ, χ,, χk være uahægge χ - ordelte varable med rhedsgradstallee heholdsvs,,, k De statstske varabel χ χ + χ + + χk er da χ - ordelt med rhedsgradstallet k Bevs: Da hver a de k χ - ordelte varable er e sum a kvadratere på e række ormerede uahægge oralordelte χ χ varable, vl aturlgvs også være det Det samlede atal led er, hvormed sætge er bevst V vl de ølgede sætger gå ud ra, at X, X,, X er ormalordelte statstske varable med mddelværd µ og spredg Lad edvdere som sædvalg X + X + + X X Ude bevs aøres ølgede sætg: ( X X) ( X µ ), og µ ÆTIG 3A3 (Uahægghed a X og ) De statstske varable X og er uahægge ( ) ÆTIG 3A4 ( er χ - ordelt) ( X X) De statstske varabel ( ) er ordelt χ ( ) Bevs: Idet ( X X) (( X µ ) + ( µ X)) (( X µ ) + ( µ X) + ( X µ )( µ X)) ( X ) + ( X) + ( X) µ µ µ ( X ) µ ( X µ ) + ( µ X) + ( µ X) X µ ) ( X µ ) + ( µ X) + ( µ X)( X µ ) ( X µ ) ( X µ ) ( X X) ( X µ ) ås X µ () 4

5 upplemet 3A χ - ordelge µ ( X Idet ) X er e sum a kvadrerede ormerede ormalordelte varable, er de χ - ordelt med rhedsgrader µ X µ Edvdere ses, at er e kvadreret ormeret ormalordelt varabel, så de er χ - ordelt med rhedsgrad De to led () er ølge sætg 3A3 uahægge χ χ χ - ordelte varable statstske varable Da e sum a uahægge - ordelte varable atter er - ordelte ølge sætg 3A, har v deror, at ( ) ( X µ ) Det ka edvdere vses, at - X µ er χ - ordelt ÆTIG 3A5 ( varas a 4 og µ ) V( ) 4 og V( µ ) Bevs: ( X X) ( X X) a) A omskrvge χ hvor χ er ordelt χ ( ), ås 4 V( ) V ( ) ( ) χ ( X µ ) ( X µ ) b) A omskrvge µ χ hvor χ er ordelt χ ( ), ås 4 V( µ ) V ( χ ) 5

6 upplemet 3B t - ordelge UPPLEMET 3B t - FORDELIGE DEFIITIO a t - ordelge Lad U være ormalordelt ( ) og χ være ordelt χ ( ) Hvs U U og χ er uahægge kaldes sadsylghedsordelge or de statstske varabel t or t- ordelt med rhedsgradstallet og beteges t() χ + Γ Det ka vses, at tæthedsuktoe or t() er bestemt ved ( x) + π Γ Da (x) (- x) er t - ordelgere alle symmetrske om y akse, med E(X) x + For de statstske avedelser er ølgede sætg vgtg: X µ ÆTIG 3B ( er t-ordelt) Lad X, X,, X være ormalordelte statstske varable med mddelværd µ og spredg Lad X edvdere og være de sædvalge estmater or mddelværd og varas X µ De statstske varabel T er da t - ordelt t ( ) X µ ( X µ ) X µ Bevs: V har T ( ) ( ) X µ ( ) Her er tællere ormeret ormalordelt, mes er χ - ordelt med - rhedsgrader Iølge sætg 3A3 er X og uahægge, hvlket gør, at betgelsere er opyldt or, at T er t - ordelt 6

7 upplemet 3C F - ordelge UPPLEMET 3C F-FORDELIGE DEFIITIO a F-ordelge Lad χ T og χ være statstsk uahægge og ordelt heholdsvs χt χ ( T ) og χ ( ) adsylghedsordelge or de statstske varabel F T χ sges at være F- T F ordelt med tællerrhedsgradstallet og æverrhedsgrads-tallet og beteges (, ) T Det ka vses, at tæthedsuktoe or F( T, ) er bestemt ved T T T + Γ T x or x > T+ ( x) T Γ Γ + x T ellers og har mddelværde E( F) (or > ) ( T ) og spredge ( F) (or > 4) + ( 4) T ÆTIG 3C (relatoer vedrørede F-ordelge) a) Fp( T, ) b) F (, ) p T F p t p (, ) ( ) Bevs: a) Lad F være ordelt F(, ) Der oretages omskrvge T χ T T F, hvor F * er ordelt Hera ølger: * χ F( F, T) χ χ T T * * PF ( x) p P x p P F p P F p F * x < x Hermed er a) bevst 7

8 upplemet 4A Detoer og eksempler på cetrale og eektve estmatorer ( ) b) Lad F være ordelt F(, ) og t være ordelt Der oretages omskrvge t χ U U F t Hera ølger: χ χ χ p PF ( x) p Pt ( x) p P( x t x) p Pt ( x) Hermed er b) bevst ÆTIG 3C er F ordelt Lad X og X være ormalordelte statstske uahægge ormalordelte varable,lad og betege X, X, stkprøvestørrelse or de to varable, og lad edvdere og være de sædvalge estmater or mddelværdere og varasere µ, µ, og De statstske varabel F er da ordelt F- ordelt F (, ) Bevs Ved avedelse a sætg 3A4 ås ølgede omormg: ( ) χ ( ) ( ) F ( ) χ ( ) ( ) A detoe på F- ordelge ølger da, at sætge er bevst om et vgtgt specaltlælde ses, at hvs de to varable har samme varas, vl F være F-ordelt F (, ) 8

9 upplemet 4A Eksempler på cetrale og eektve estmatorer upplemet 4A DEFIITIOER OG EKEMPLER PÅ CETRALE OG EFFEKTIVE ETIMATORER Cetral estmator Et rmelgt krav tl e estmator Φ er, at Φ mddel skal ramme de ukedte parameter, dvs kke systematsk agve e or llle værd eller e or stor værd DEFIITIO a cetral estmator E puktestmator Φ sges at være cetral or ϕ hvs E( Φ ) ϕ X + X + + X Eksempelvs er X e cetral estmator, da v kaptel ast 6 vste, at E( X) µ Eektv estmator Bladt de cetrale estmatorer har estmatorer med e llle varas særlg teresse Har ma således cetrale estmatorer or de samme parameter, vl ma aturlgt vælge de med mdst varas Ma sger, at e såda estmator er mere eektv ed de ade DEFIITIO a eektv estmator E cetral estmator Φ kaldes e eektv estmator or ϕ, hvs V ( Φ) or E eektv estmator vl altså or stor stkprøvestørrelse have både de rgtge mddelværd og llle varas ( X ) Eksempelvs er X e eektv estmator, da v kaptel ast 6 vste, at ( X ), og det dera ølger, at ( X ) or Der vl u blve bevst, at de estmatorer v tdlgere har beyttet, er såvel cetrale som eektve ÆTIG 4A (cetrale estmatorer) Lad X være e statstsk varabel med mddelværd µ og varas Lad X, X,, X, være e stkprøve a størrelse ra X X + X + + X a) X er e cetral estmator or mddelværde µ : X X b) er e cetral estmator or varase ( ) X µ c) µ er e cetral estmator or varase ( ) X X d) er kke e cetral estmator or varase ( ) Bevs: a) I kaptel ast 3 vste v, at E( X) µ, dvs X er cetral b) om e del a bevset or sætg 3A4 vste v, at ( X X) ( X µ ) ( X µ ) 9

10 upplemet 4A Detoer og eksempler på cetrale og eektve estmatorer Hera ås E ( ) E c) E ( µ ) E ( X X) E( X µ ) E( X µ ) V X V X V X V ( X ) ( ) ( ) ( ) V( X), dvs er cetral ( X µ ) E( X µ ) V( X) ( X X) d) E ( µ ) E E( X µ ) E( X µ ) V X V X V X V ( X ) V X ( ) ( ) ( ) ( ) ÆTIG 4A (eektve estmatorer) Lad X være e statstsk varabel med mddelværd µ og varas Lad X, X,, X, være e stkprøve a størrelse ra X X + X + + X a) X er e eektv estmator or mddelværde µ : X X b) er e cetral estmator or orudsat X er ormalordelt ( ) X µ c) µ er e eektv estmator or orudsat X er ormalordelt og er kedt ( ) µ d) Forudsat µ er kedt vl µ være e mere eektv estmator ed or varase ( X ) Bevs: a) I kaptel ast 6 blev det bevst, at ( X ) Hera ølger at ( X ) or 4 b) I kaptel 3 sætg 3A5 blver det bevst, at V( ) Hera ølger, at ( ) or 4 c) I kaptel 39 sætg 3A5 blver det bevst, at V( µ ) Hera ølger, at ( ) or µ 4 4 d) Da V( µ ) < V( ) har e mdre varas ed µ

11 upplemet 4B Bevser or ormler or kodestervaller upplemet 4B Bevser or ormler or kodestervaller V vl dette supplemet bevse de 4 ørste ormler or kodestervaller der des appedx 4 Lad de ølgede sætg X være e ormalordelt statstsk varable med mddelværd µ og spredg, og lad X, X,, X være e stkprøve a størrelse ra X Lad edvdere som sædvalg X + X + + X X X X X µ, og µ ( ) ( ) ÆTIG 4 B ( β % kodestervaller or ormalordelte varable ) Lad β ) Kodesterval or µ, hvs er kedt: x u µ x+ u, hvor u er raktle de ormerede ormalordelg s s ) Kodesterval or µ, hvs er ukedt: xt ( ) µ x+ t ( ), hvor t er raktle t-ordelge med - rhedsgrader ( ) 3) Kodesterval or, hvs µ er kedt: ( ) s + ( x µ ) ( ) s + ( x µ ) χ ( ) χ ( ) hvor ( ) og χ ( ) er heholdsvs og raktle χ - ordelge med χ rhedsgrader 4) Kodesterval or, hvs µ er ukedt: ( ) s ( ) s, χ ( ) χ ( ) hvor ( ) og χ ( ) er heholdsvs og raktle χ - ordelge med χ - rhedsgrader, Bevs: ) Er kedt vl U X µ være ormeret ormalordelt ( µ, ) Da U - ordelge er symmetrsk omkrg, har v ølgelg, at P u U u eller β P u X µ Idet u u u X µ u X u µ X + u er pukt bevst X µ u β

12 upplemet 4B Bevser or ormler or kodestervaller X µ ) I kaptel 3 aørte v, at T er t - ordelt med - rhedsgrader De samme regger som uder pukt s ka u geemøres, hvlket er sket ved bevset or sætg 4 Hermed er pukt bevst X µ 3) Iølge bevset or sætg 3A4 er µ ( ) χ - ordelt med rhedsgrader ( X µ ) V har ølgelg at P χ ( ) µ χ ( ) β eller P χ ( ) χ ( ) β Ige ølge bevset or sætg 3A4 er ( X µ ) ( ) + ( X µ ) ( ) + ( X µ ) Idsættes dette oveståede ulghed ås: χ ( ) χ ( ) ( ) + ( X µ ) χ ( ) + ( ) ( X µ ) ( ) + ( X µ ) χ ( ) χ ( ) χ Hermed er ormel 3 bevst 4) ( ) Iølge bevset or sætg 3A4 er χ χ - ordelt med - rhedsgrader V har ølgelg at P χ( ) χ χ ( ) β eller P χ ( ) χ ( ) β Idet ( ) χ ( ) χ ( ) χ ( ) ( ) χ ( ) ( ) χ ( ) ( ) χ ( ) er ormel 4 bevst ( ) ( )

13 upplemet 5A Bevser or ormler hypotesetest UPPLEMET 5ABEVIER FOR FORMLER I HYPOTEETET Lad X være e ormalordelt statstsk varable med mddelværd µ og spredg, og lad X, X,, X være e X X X + X + + X stkprøve a størrelse ra X Lad edvdere som sædvalg X og ( ) Lad testee alle have sgkasveauet Testormler appedx 5 ( ukedt og erstattes a s) X µ I sætg 3B vste v, at såremt :µ µ er sad, er T t- ordelt med - rhedsgrader Dette beyttes det ølgede H Række : ulhypotese : µ µ Alteratv hypotese H:µ µ H A oveståede og a detoe på sgkasveau remgår, at H orkastes, såremt X µ p P( T t) <, hvor T, og T er t - ordelt med - rhedsgrader s s > Række : ulhypotese : µ µ Alteratv hypotese H:µ µ H X µ H orkastes, såremt p P( T t) <, hvor T, og T er t-ordelt med - rhedsgrader Række 3: ulhypotese H :µ µ Alteratv hypotese H:µ µ Iølge detoe på sgkasveau, orkastes H både år x er så stor, at PT ( t) <, og år < x er så llle, at PT ( t) < X µ, hvor T og T er t -ordelt med - rhedsgrader Række 4: ulhypotese H : µ µ Alteratv hypotese H:µ > µ Da PT ( t) < PT ( < t) < PT ( < t) > t> t ( ) er påstade bevst Række 5: ulhypotese H : µ µ Alteratv hypotese H:µ < µ Da PT ( t) < t< t( ) t< t ( ) (da t-ordelge er symmetrsk om, se gur 5) er ormle bevst Række 6: ulhypotese H :µ µ Alteratv hypotese H:µ µ Hvs x µ ka reggere uder række 4 getages, og v år t > t ( ) x < µ Hvs ka reggere uder række 5 getages, og v år t <t ( ) Geerelt ås deror, at t > t ( ) og dermed er ormle bevst s s Fg 5 t- ordelg 3

14 upplemet 5A Bevser or ormler hypotesetest Testormler appedx 5 ( atages kedt) Lad Y være ordelt µ, Række : ulhypotese H : µ µ Alteratv hypotese H:µ > µ Iølge detoe på sgkasveau, orkastes H såremt p P( Y x) < Række : ulhypotese H : µ µ Alteratv hypotese H:µ < µ Iølge detoe på sgkasveau, orkastes H såremt p P( Y x) < Række 3: ulhypotese H :µ µ Alteratv hypotese H:µ µ Iølge detoe på sgkasveau, orkastes H både år x er så stor, at PY ( x) < (se gur 5), og år x er så llle, at PY ( x) < Række 4: ulhypotese H : µ µ Alteratv hypotese H:µ > µ x PY ( x) < PY ( < x) < µ < Φ Φ ( x µ ) > > u u ( x µ ) hvor u Række 5: ulhypotese H : µ µ Alteratv hypotese H:µ < µ ( x µ ) ( x µ ) p P( Y x) < Φ < u< u hvor u Da u u er påstade bevst Række 6: ulhypotese H :µ µ Alteratv hypotese H:µ µ Hvs x > µ ka reggere uder række 4 getages, og v år u> u Hvs x < µ ka reggere uder række 5 getages, og v år u<u Geerelt ås deror, at u > u og dera ormle Testormler appedx 53 or varas ( µ ukedt) I kaptel 3 sætg 3A vste v, at såremt χ - ordelt med - rhedsgrader I det ølgede vl v edvdere atage, at Q er H : er sad, er χ χ - ordelt med - rhedsgrader ( X ) X ( ) Række : ulhypotese H : Alteratv hypotese H: > A oveståede og a detoe på sgkasveau ås, at H orkastes, såremt ( ) s p P( Q χ ) <, hvor χ Hera ølger ormle Række : ulhypotese H : Alteratv hypotese H: < A oveståede og a detoe på sgkasveau ås, at H orkastes, såremt p P( Q χ ) <, ( ) s hvor χ Hera ølger ormle Række 3: ulhypotese H : Alteratv hypotese H: Iølge detoe på sgkasveau, orkastes H både år χ er så stor, at PQ ( χ ) <, og år χ er så llle, at ( ) s PQ ( χ ) <, hvor χ Hera ølger ormle Række 4: ulhypotese H : Alteratv hypotese H: > PQ ( χ ) < PQ ( < χ ) < PQ ( < χ ) > χ > χ ( ) 4

15 upplemet 5A Bevser or ormler hypotesetest Række 5: ulhypotese H : Alteratv hypotese H: < Da PQ ( χ ) < χ < χ ( ) er ormle bevst Række 6: Da E( χ ), hvor - er rhedsgradstallet, ås: Hvs χ > - ka reggere uder række 4 getages, og v år χ > χ ( ) Hvs χ < - ka reggere uder række 5 getages, og v år χ < χ ( ) Hermed ås ormle Testormler appedx 54 or varas ( µ kedt) ( X µ ) I orbdelse med bevset or sætg 3A4 blev vst, at såremt H : er sad, er χ χ - ordelt med rhedsgrader Edvdere adt v, at ( X µ ) ( ) + ( X µ ) I det ølgede vl v edvdere atage, at Q er χ - ordelt med rhedsgrader Række : ulhypotese H : Alteratv hypotese H: > A oveståede og a detoe på sgkasveau ås, at H orkastes, såremt p P( Q χ ) <, ( ) s + ( x µ ) hvor χ Hera ølger ormle Række : ulhypotese H : Alteratv hypotese H: < A oveståede og a detoe på sgkasveau ås, at H orkastes, såremt ( ) s + ( x µ ) p P( Q χ ) <, hvor χ Hera ølger ormle Række 3: ulhypotese H : Alteratv hypotese H: Iølge detoe på sgkasveau, orkastes H både år er så stor, at PQ ( χ ) <, og år χ er så llle, at ( ) s + ( x µ ) PQ ( χ ) <, hvor χ Hera ølger ormle Række 4: ulhypotese H : Alteratv hypotese H: > PQ ( χ ) < PQ ( < χ ) < PQ ( < χ ) > χ > χ ( ) Række 5: ulhypotese H : Alteratv hypotese H: < Da PQ ( χ ) < χ > χ ( ) er ormle bevst Række 6: ulhypotese H : Alteratv hypotese H: Da E( χ ), hvor er rhedsgradstallet, ås Hvs χ > ka reggere uder række 4 getages, og v år χ > χ ( ) Hvs χ < ka reggere uder række 5 getages, og v år χ < χ ( ) Hermed ås ormle χ 5

16 upplemet 5B OC- kurver og dmesoerg UPPLEMET 5B OC-KURVER OG DIMEIOERIG Forudsætg som appedx 5 Række : Alteratv hypotese ( atages kedt) H: µ > µ I sætg 5 og 5 udledes ormler or OC-kurve og atal getagelser tlældet, der svarer tl dette tlælde om det ses det ølgede orløber de tlsvarede bevser de øvrge storrækker gaske aalogt Række : Alteratv hypotese H:µ < µ ( atages kedt) OC-kurve: x µ H accepteres på sgkasveau, hvs u x µ + u Er de sade mddelværd µ, er U X µ ormalordelt med mddelværd og spredg u V har deror, at µ + µ P( type II ejl ) P X + u P X u µ < µ + Φ µ + + µ µ µ Φ u Φ u µ µ dvs a( µ ) Φ u + < µ µ µ µ µ µ Dmesoerg: A ormle or OC kurve ås, det da : a( µ ) u β, dvs + + Φ Φ + + β u u u + u ( u β + u ) ( u β + u ) H :µ µ H :µ µ u β β Række 3: ulhypotese Alteratv hypotese ( atages kedt) OC-kurve: H accepteres på sgkasveau, hvs x µ u u µ + u x µ + u Er de sade mddelværd µ, er U X µ ormalordelt med mddelværd og spred-g V har deror, P( type II ejl ) P µ + u X µ + u P X < µ + u P X < µ + u µ + µ µ + µ u u Φ Φ µ + + µ µ µ Φ u Φ u µ µ µ µ dvs a( µ ) u u + + Φ Φ 6

17 upplemet 5B: OC-kurver og dmesoerg Dmesoerg: Atages blver sdste led ormle or OC-kurve ca, og v år samme ormel som uder storrække µ > µ µ µ < Atages blver ørste led ormle or OC-kurve ca, og v år samme ormel som uder storrække I begge tlælde er dog erstattet a Dmesoergsormle blver deror de samme som ør, hvor blot er erstattet a Dmesoerg svarede tl orudsætg appedx 5 (spredg ukedt) E dmesoerg a orsøget er e del a orsøgsplalægge Ma har deror edu kke oretaget ogle orsøg, og keder deror kke stkprøves spredg s Ka ma ud ra tdlgere lgede orsøg vurdere, at spredge kke blver større ed, må dette bruges Da dmesoerge ku ahæger a orholdet d, ka ma også øjes med at agve et skø or dette orhold Øsker ma eksempelvs at kue opdage selv relatvt små orskelle mddelværde, ka d sættes tl et tal mdre ed, mes øskes ku at de relatvt store orskelle mddelværde ka d eksempelvs sættes tl år ma skal de sadsylghede or e type II ejl, år ma brug or at kede ordelge a størrelse X µ T år H er alsk :µ µ Hvs de sade værd a mddelværde er µ µ +, ka T skrves X µ T ( X ( µ + )) U + W Da U er ormeret ormalordelt, og er e kostat orskellg ra ul, er tællere ormalordelt med mddelværd ( ) og spredg ( ) W er χ ordelt med - rhedsgrader De resulterede ordelg or T kaldes de kke-cetrale t - ordelg med - rhedsgrader Dee ordelg har e yderst besværlg tæthedsukto, så e ærmere beregg a P(type II ejl) og dmesoerg a orsøg må sædvalgvs oretages ved beyttelse a edb I edeævte otat er et appedx er der således gegvet et Maple-program, som ka oretage dsse beregger For ote orekommede værder a parametree er der tabel 8 udarbejdet e dmesoergstabel Dmesoerg svarede tl orudsætg appedx 53 tl 56 Dsse begreber vl kke blve geemgået her, me ma ka eksempelvs tatgraphcs uder meupuktet Descrbe, og dereter ample ze Determato å et orslag tl dmesoerg a orsøget 7

18 upplemet 7A Bevs or mddelværd ogspredg or hypergeometrsk ordelg UPPLEMET: 7A Bevs or mddelværd og spredg or hypergeometrsk varabel Bevset or sætg 73 orudsætter, at ma ørst læser kaptel 9 ÆTIG 73 (mddelværd og spredg or de hypergeometrske ordelg ) De hypergeometrske ordelg h (, M, ) har E( X) pog V( X) p ( p), hvor p M Bevs: Lad os betragte statstske varable X, X,, X, hvor X hvs ' te udtrækggversort kugle ellers X X + X + + X er hypergeometrsk ordelt h (, M, ) M M V har P( X ) p or alle Hera ølger E( X ) p+ ( p) p, og V( X ) ( p) p+ ( p) ( p) p p p ( p) A leartetsregle kaptel ast 6, ås E( X) E( X ) + E( X ) + E( X ) + + E( X ) p+ p+ p+ + p p 3 om det remgår a ast 9 gælder V( X, X ) E( X X ) E( X ) E( X ) j j j P(( X ) ( X )) p p P( X ) P( X X ) p j j M M p p M p p M M M p p ( ) p A kvadratregle (ast 93): V( X) V( X V X X p p p p ) + (, j) ( ) + < j ( ) p + p ( p) p p ( p) p ( p) 8

19 upplemet 7B: Bevser or ormler bomal- og Possotest UPPLEMET: 7B BEVIER FOR FORMLER I BIOMIAL- OG POIO- TET Testormler appedx 55 or parameter p bomalordelg Lad X være e bomalordelt varabel b(, p), hvor er kedt og p ukedt Lad x være e stkprøveværd på X Lad Y være ordelt b (, p ), hvor p er e gve kostat Det erdres om, (se evetuelt appedx 7), at or 9 p og 5 p 5 ka ma approksmere bomalordelge bp (, ) med ormalordelge ( µ, ),hvor µ p og p ( p) Række : ulhypotese H: p p Alteratv hypotese Hp : > p, Iølge detoe på sgkasveau, orkastes H, såremt p P( Y x) < Række : ulhypotese H: p p Alteratv hypotese Hp : < p, Iølge detoe på sgkasveau, orkastes H såremt p P( Y < x) < Række 3: ulhypotese H: p p Alteratv hypotese Hp : p Iølge detoe på sgkasveau, orkastes H både år x er så stor, at PY ( x) <, og år x er så llle, at PY ( x) < Da EY ( ) pølger hera ormle Række 4: ulhypotese H: p p Alteratv hypotese Hp : > p, Er betgelsere or approksmato med ormalordelge opyldt, gælder x p PY ( x) < PY ( < x) < Φ p ( p ) < Φ x p, hvor > > x p u u u p ( p ) p ( p) Række 5: ulhypotese H: p p Alteratv hypotese Hp : < p, Er betgelsere or approksmato med ormalordelge opyldt, gælder x p PY ( x) < Φ, p ( p ) < u< u u< u hvor u x p p ( p ) Række 6: ulhypotese H: p p Alteratv hypotese Hp : p Er betgelsere or approksmato med ormalordelge opyldt, haves Hvs x p ka reggere uder række 4 getages, og v år u> u Hvs x< p ka reggere uder række 5 getages, og v år u<u Geerelt ås deror, at u > u og dermed ormle 9

20 upplemet 7A Bevs or mddelværd ogspredg or hypergeometrsk ordelg Testormler appedx 56 or parameter µ Possoordelg Lad X være e Possoordelt varabel p( µ ), hvor µ er ukedt Lad der orelgge e stkprøve på X a størrelse med geemst x Lad Y være ordelt p ( µ ), hvor µ er e gve kostat Det erdres om, (se evetuelt appedx 7), at or µ ka ma approksmere Possoordelge p ( µ ) med ormalordelge ( µ, µ ) Række : ulhypotese H : µ µ Alteratv hypotese H:µ > µ Iølge detoe på sgkasveau, orkastes H, såremt p P( Y x) < Række : ulhypotese H : µ µ Alteratv hypotese H:µ < µ, Iølge detoe på sgkasveau, orkastes H såremt p P( Y x) < Række 3: ulhypotese H : µ µ Alteratv hypotese H:µ µ Da EY ( ) µ ølger hera ormlere dee række Række 4: ulhypotese H : µ µ Alteratv hypotese H:µ > µ Er betgelsere or approksmato med ormalordelge opyldt, gælder x PY ( x) < PY ( < x) < µ Φ µ < Φ x µ, hvor > u > x u u µ µ µ Række 5: ulhypotese H : µ µ Alteratv hypotese H:µ < µ, Er betgelsere or approksmato med ormalordelge opyldt, gælder x PY ( x) < + µ hvor µ < x Φ u< u u< u u + µ µ Række 3: ulhypotese : µ µ Alteratv hypotese H:µ µ H Er betgelsere or approksmato med ormalordelge opyldt, haves Hvs x µ ka reggere uder række 4 getages, og v år u> u Hvs x < µ ka reggere uder række 5 getages, og v år u<u Geerelt ås deror, at u > u og dermed ormle

21 upplemet 7C Bevssktse or tæthedsuktoe or Possoordelge UPPLEMET: 7C BEVIKITE FOR TÆTHEDFUKTIOE FOR POIOFORDELIGE ÆTIG 7 (Possoordelg) Lad X være e stokastsk varabel, som agver atallet a mpulser et gvet tdsrum (eller areal, volume, produktosehed osv), det ethvert tdspukt tdsrummet har samme mulghed or at være mpulstdspukt som ethvert adet tdspukt Edvdere skal mpulsere dtræe tlældgt og uahæggt a hade * ) Hvs det geemstlge atal mpulser tdsrummet er µ >, så sges X at være Possoordelt p ( µ ) med sadsylghedsordelge (tæthedsuktoe) (x) P(X x) bestemt ved x µ µ ( x) e or x {,,,} x! ellers Mddelværde or p( ) er E ( X ) og spredge er ( X ) µ µ µ I ormulerge a de oveævte betgelser ka eter behov "et llle tdsrum l ", "et llle areal A" eller "et llle volume V" t" erstattes med "e llle lægde *) Præcs ormulerg: Følgede 3 betgelser skal være opyldt: ) adsylghede or etop é mpuls et meget llle tdsrum t er med tlærmelse proportoal med t P (Matematsk ormulerg lm ( X ) λ ( λ er e postv kostat) t t ) adsylghede or eller lere mpulser det meget llle tdsrum t er llle sammelget med t P (Matematsk ormulerg lm ( X > ) ) t t 3) Atal mpulser orskellge, kke overlappede tdsrum er statstsk uahægge Bevssktse: Lad µ være det geemstlge atal mpulser tdsrummet [ ; T], og lad X være det aktuelle atal mpulser samme tdsrum T Itervallet [ ;T ] opdeles deltervaller t Iølge orudsætg er det mulgt at vælge t så llle, at sadsylghede or at mere ed mpuls dtræer t sekuder er praktsk taget I t sekuder ka deror ku ske tg: A: etop mpuls, eller A : etop mpulser X er deror bomalordelt b (, P(A) ) µ µ T µ Da der T sekuder geemst er µ mpulser, vl der t sekuder være t mpulser T T V har deror P( A) µ V oretager u ølgede omormg: µ x x x ( ) ( x ) P( X x) x x + µ µ µ x! µ x

22 upplemet 7C Bevssktse or tæthedsuktoe or Possoordelge µ x l ( ) ( x+ ) e x x x! µ µ µ l x µ x 3 e x x! µ µ l For vl tæller og æver brøke gå mod Ma ka deror bruge l Hosptals regel µ V år ved deretato a tæller og æver: ( µ ) µ or µ µ x x µ µ µ µ V har deror, at P( X x) or x! e x! e Idet bomalordelge har mddelværde E( X) p µ og spredge µ ( X) p ( p) µ, ås or, at Possoordelge har mddelværde µ og spredge µ

SUPPLEMENT til Anvendt statistik

SUPPLEMENT til Anvendt statistik SUPPLEMET tl Avedt statstk IDHOLD A BEVISER VEDRØREDE ORMALFORDELIGE 3A χ - FORDELIE 3 3B t - FORDELIGE 6 3C F - FORDELIGE 7 4A DEFIITIOER OG EKSEMPLER PÅ CETRALE OG EFFEKTIVE ESTIMATORER 9 4B BEVISER

Læs mere

Scorer FCK "for mange" mål i det sidste kvarter?

Scorer FCK for mange mål i det sidste kvarter? Uge 7 I Teoretsk Statstk, 9. aprl 2004. Hvor er v? Hvor var v: opstllg af statstske modeller Hvor skal v he: tro om estmato og test 2. Eksempel: FCK Estmato (tutvt) Test Maksmum lkelhood estmato Scorer

Læs mere

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 21. september 2005

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 21. september 2005 Dages program Økoometr De multple regressosmodel. september 005 Emet for dee forelæsg er de multple regressosmodel (Wooldrdge kap 3.-3.3+appedx E.-E.) Defto og motvato Fortolkg af parametree de multple

Læs mere

Men tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ.

Men tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ. χ test matematkudervsge χ - test gymasets matematkudervsg I jauar ummeret 8 af LMFK bladet havde jeg e artkel, hvor jeg harcelerede ldt over, at regresso og sær χ fordelg havde fudet dpas matematkudervsge

Læs mere

Vi ønsker også at teste hypoteser om parametrene. F.eks: Kan µ tænkes at være 0 (eller anden fast, kendt værdi)? Eksempel: dollarkurser

Vi ønsker også at teste hypoteser om parametrene. F.eks: Kan µ tænkes at være 0 (eller anden fast, kendt værdi)? Eksempel: dollarkurser Uge 37 I Teoretsk Statstk, 9.sept. 003. Fordelger kyttet tl N-ford. Gvet: uafhægge observatoer af samme N(µ,σ )-fordelte stokastske varabel. Formelt: X,X,,X uafhægge, alle N(µ,σ )-fordelt. Mddelværd µ

Læs mere

Hvorfor n-1 i stikprøvevariansen?

Hvorfor n-1 i stikprøvevariansen? Erk Vestergaard www.matematkfysk.dk Hvorfor - stkprøvevarase? Lad os sge, at e fabrk producerer e bestemt type halogepærer. Det vser sg, at levetde for e såda elpære varerer efter e ormalfordelg. Nogle

Læs mere

Økonometri 1. For mange variable i modellen. For få variable. Dagens program. Den multiple regressionsmodel 21. september 2004

Økonometri 1. For mange variable i modellen. For få variable. Dagens program. Den multiple regressionsmodel 21. september 2004 Dages program Økoometr De multple regressosmodel. september 004 Emet for dee forelæsg er stadg de multple regressosmodel (Wooldrdge kap. 3.4-3.5) Praktske bemærkg Opsamlg fra sdst Irrelevate varable og

Læs mere

Økonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005

Økonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005 Dages program Økoometr De smple regressosmodel 4. september 5 Dee forelæsg drejer sg stadg om de smple regressosmodel (Wooldrdge kap.4-.6) Fuktoel form Hvorår er OLS mddelret? Varase på OLS estmatore Regressosmodelle

Læs mere

FY01 Obligatorisk laboratorieøvelse. O p t i k. Jacob Christiansen Afleveringsdato: 3. april 2003 Morten Olesen Andreas Lyder

FY01 Obligatorisk laboratorieøvelse. O p t i k. Jacob Christiansen Afleveringsdato: 3. april 2003 Morten Olesen Andreas Lyder FY0 Oblgatorsk laboratoreøvelse O p t k Hold E: Hold: D Jacob Chrstase Alevergsdato: 3. aprl 003 Morte Olese Adreas Lyder Idholdsortegelse Idholdsortegelse Forål...3 Måleresultater...4. Salelser...4. Spredelse...5.3

Læs mere

Supplement til sandsynlighedsregning og matematisk statistik

Supplement til sandsynlighedsregning og matematisk statistik Supplemet tl sadsylghedsregg og matematsk statstk 1. Bevs for lgg (4b) 22.4 ( 23.3) 8. (7.) udgave. Teorem 3 (4): Atallet af forskellge kombatoer med k elemeter, der ka daes ud af forskellge elemeter,

Læs mere

Spørgsmål 1 (5 %) Bestem sandsynligheden for at batteriet kan anvendes i mere end 5 timer.

Spørgsmål 1 (5 %) Bestem sandsynligheden for at batteriet kan anvendes i mere end 5 timer. TATITIK krftlg evaluerg, 3. semester, fredag de 4. jauar 3 kl. 9.-3.. Alle hjælpemdler er tlladt. Opgaveløsge forsyes med av og CR-r. OGAVE Et batter har e levetd tmer med de tlkyttede tæthedsfukto f (

Læs mere

FACITLISTE TIL KOMPLEKSE TAL

FACITLISTE TIL KOMPLEKSE TAL FACITLISTE TIL KOMPLEKSE TAL Kaptel Opgave Opgave Opgave Det emmeste check af lgge er at opløfte begge sder tl. potes. Bombells metode gver følgede lgger: a a b = 5 ( ) b a b = 09 = 7. Løs dem med et CAS

Læs mere

Induktionsbevis og sum af række side 1/7

Induktionsbevis og sum af række side 1/7 Iduktosbevs og sum af række sde /7 Skrver ma,,,...,,..., =, 2, 3,... 2 3 taler ma om e talfølge, eller blot e følge. Adre eksempler på følger er, -,, -,, -,..., (-) +,..., =, 2, 3,..., 2, 3, 4,...,,...,

Læs mere

BEVISER TIL KAPITEL 7

BEVISER TIL KAPITEL 7 BEVISER TIL KAPITEL 7 A. Komplemetærhædelse Det er klart, at e hædelse A og de komplemetære hædelse A udgør hele udfaldsrummet U, dvs. A A = Da fås P(U = U P(A A = P (A + P(A = da de to hædelser er dsjukte

Læs mere

L komponent produceret i linie 1

L komponent produceret i linie 1 Statstk. gag BAYESIANSKE METOER Obektv ormato (.eks. orsøgs resultater klasssk statstk (gag -9 Subektv ormato + obektv ormato Bayesask statstk (gag Bayes sætg ( E ( E A ( A + ( E A ( A +... ( E A ( + (

Læs mere

Notato: k grupper observeret tl tdspuktere (logartmerede) t1;t2;:::;t k. Tl tdspukt observeres et atal ( ) ph-vρrder, 1 ; 2 ;:::;. V opfatter dem som

Notato: k grupper observeret tl tdspuktere (logartmerede) t1;t2;:::;t k. Tl tdspukt observeres et atal ( ) ph-vρrder, 1 ; 2 ;:::;. V opfatter dem som Statstk 1, torsdag de 15. marts Leρr regressosaalyse, afst 5.2.1 ffl Problemstllg ffl Data Model Estmato og test Dages program: Hvad ka v? 1 V ka sammelge grupper af observatoer, hvor data hver gruppe

Læs mere

Statistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation

Statistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation Statstk Lekto 4 Smpel Leær Regresso Smpel leær regresso Mdste kvadraters metode Kovaras og Korrelato Scatterplot Scatterplot kf Advertsg Epedtures ( ad Sales ( Et scatterplot vser par (, af observatoer.

Læs mere

Eksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik.

Eksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik. Epdemolog og bostatstk. Uge, trsdag. Erk Parer, Isttut for Bostatstk. Geerelt om statstk Dataaalyse - Deskrptv statstk - Statstsk feres Sammelgg af to grupper med kotuerte data - Geemst og spredg - Parametre

Læs mere

x-klasserne Gammel Hellerup Gymnasium

x-klasserne Gammel Hellerup Gymnasium SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasum Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 Sadsylghedsfelt... 3 Edelge sadsylghedsfelter (sadsylghedsfordelger):... 3 Uedelge

Læs mere

Konfidens intervaller

Konfidens intervaller Kofides itervaller Kofides itervaller for: Kofides iterval for middelværdi, varias kedt Kofides iterval for middelværdi, varias ukedt Kofides iterval for adel Kofides iterval for varias Bestemmelse af

Læs mere

1.0 FORSIKRINGSFORMER

1.0 FORSIKRINGSFORMER eam Lv forskrgsakteselskab Bereggsgrudlaget sgrp217 tl præmeberegg for gruppeforskrg e-am Lv forskrgsakteselskab 1. FORIKRINGFORMER 1.1 Oblgatorske ordger Alle gruppeforskrgsordger teget på dette grudlag

Læs mere

Elementær Matematik. Sandsynlighedsregning

Elementær Matematik. Sandsynlighedsregning lemetær Matematk Sadsylghedsregg Ole Wtt-Hase Køge Gymasum 008 INDHOLD KAP. KOMBINATORIK.... MULTIPLIKATIONS- OG ADDTIONSPRINCIPPT.... PRMUTATIONR... 3. KOMBINATIONR...3 KAP. NDLIGT SANDSYNLIGHDSFLT...7.

Læs mere

IKKE-KONTINUERTE (DISKRETE) STOKASTISKE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRISK, BINOMIAL, POISSON

IKKE-KONTINUERTE (DISKRETE) STOKASTISKE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRISK, BINOMIAL, POISSON IE-ONTINUERTE (DISRETE) STOASTISE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRIS, BINOMIAL, POISSON Edelgt sadsylghedsfelt V reeterer: Et sadsylghedsfelt ( P ) U, kaldes edelgt, hvs

Læs mere

Videregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005

Videregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005 Vderegåede Algortmk Davd Psger, DIKU Reeksame, Aprl 5 Bsecto problemet Gvet e uvægtet graf G = (V, E) samt et heltal k. E bsecto af grafe G er e opdelg af kudere V to lge store mægder S og T. MAX-BISECTION

Læs mere

Repetition. Forårets højdepunkter

Repetition. Forårets højdepunkter Repetto Forårets højdepukter Forårets højdepukter Smpel Leær Regresso Smpel leær regresso: Mdste kvadraters metode Kovaras og Korrelato Scatterplot Scatterplot kf Advertsg Epedtures (X ad Sales (Y Et scatterplot

Læs mere

Pearsons formel for χ 2 test. Den teoretiske forklaring

Pearsons formel for χ 2 test. Den teoretiske forklaring Pearsos formel for χ test De teoretse forlarg Ole Wtt-Hase 04 Idhold. Normalfordelge og χ.... Pearsos formel for χ test... 3. Forlarg på Pearsos formel....4 Pearsos formel for χ test. Normalfordelge og

Læs mere

Kogebog: 5. Beregn F d

Kogebog: 5. Beregn F d tattk 8. gag KONFIDENINERVALLER Kofdetervaller: kaptel Valg og tet af fordelgfukto tattk 8. gag. KONFIDEN INERVALLER Et kofde terval udtrykker tervallet hvor de rgtge værd af parametere K, med γ % adylghed

Læs mere

Kvalitet af indsendte måledata

Kvalitet af indsendte måledata Notat ELT2004-112 Aktørafregg Dato: 23. aprl 2004 Sagsr.: 5584 Dok.r.: 185972 v1 Referece: NIF/AFJ Kvaltet af dsedte måledata I Damark er det etvrksomhederes opgave at måle slutforbrug, produkto og udvekslg

Læs mere

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen Vægtet model Landmålngens fejlteor Lekton 4 Vægtet gennemsnt Fordelng af slutfejl - kkb@mathaaudk http://peoplemathaaudk/ kkb/undervsnng/lf Gvet n uafhængge målnger x,, x n af n størrelser µ,, µ n Målnger

Læs mere

Statistisk analyse. Vurdering af usikkerhed i forbindelse med statistiske opgørelser forudsætter:

Statistisk analyse. Vurdering af usikkerhed i forbindelse med statistiske opgørelser forudsætter: Statstsk aalyse Vurderg af uskkerhed forbdelse med statstske opgørelser forudsætter: Kvattatve mål for varato og spredg forbdelse med statstske opgørelser varas og stadardafvgelse Kvattatve mål for tlfældgheder

Læs mere

Betænkning om kommunernes udgiftsbehov. Bilag (med metodediskussion af professor Anders Milhøj)

Betænkning om kommunernes udgiftsbehov. Bilag (med metodediskussion af professor Anders Milhøj) Betækg om kommueres udgftsbehov Blag (med metodedskusso af professor Aders Mlhøj) Betækg r. 36 Oktober 998 Kommueres Udgftsbehov Betækg om kommueres udgftsbehov - Redegørelse fra arbejdsgruppe uder Idergsmsterets

Læs mere

Matematisk Modellering 1 Hjælpeark

Matematisk Modellering 1 Hjælpeark Matematisk Modellerig Hjælpeark Kaare B. Mikkelse 2005090 3. september 2007 Idhold Formler 2 2 Aalyse af k ormalfordelte prøver 2 2. Modelcheck............................................ 2 2.2 Test af

Læs mere

hvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i

hvor 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 mere

Korrelation (kontrol af model) Regression (tilpasning af model) 1. Grad af fælles variation mellem X og Y. 2. Område og fordeling af sample data

Korrelation (kontrol af model) Regression (tilpasning af model) 1. Grad af fælles variation mellem X og Y. 2. Område og fordeling af sample data tatstk 9. gag GIONANAL Korrelato (kotrol af model egresso (tlpasg af model tatstk 9. gag KOLATION ANAL. Grad af fælles varato mellem X og. Område og fordelg af sample data 3. Optræde af ekstrem-værder

Læs mere

Kvantitative metoder 2

Kvantitative metoder 2 Program for dag: Kvattatve metoder Iferes de leære regressosmodel 9. marts 007 Opsamlg vedr. feres e leær regressosmodel uder Gauss-Markov atagelser (W.4-5) Eksempel med flere restrktoer (F-test) Lagrage

Læs mere

FORDELINGER: HYPERGEOMETRISK FORDELING, BINOMIALFORDELING MIDDELVÆRDI DEFINITION. X er en stokastisk variabel på et endeligt sandsynlighedsfelt ( )

FORDELINGER: HYPERGEOMETRISK FORDELING, BINOMIALFORDELING MIDDELVÆRDI DEFINITION. X er en stokastisk variabel på et endeligt sandsynlighedsfelt ( ) FORDELINGER: HYERGEOMETRIS FORDELING, BINOMIALFORDELING MIDDELVÆRDI Mddelværd MIDDELVÆRDI (TYS: ERWARTUNGSWERT ) DEFINITION X er e stokastsk varabel på et edelgt sadsylghedsfelt U, ( ) Mddelværde af X

Læs mere

Transmissionsteknik \ Automatisering \ Systemintegration \ Service. Håndbog. Fremstilling af specialkabler Kabler til synkrone servomotorer

Transmissionsteknik \ Automatisering \ Systemintegration \ Service. Håndbog. Fremstilling af specialkabler Kabler til synkrone servomotorer Trasmssostekk \ Automatserg \ Systemtegrato \ Servce Hådbog Fremstllg a specalkabler Kabler tl sykroe servomotorer Udgave 12/2011 19301693 / DA SEW-EURODRIVE Drvg the world Idholdsortegelse 1 Crmpværktøj...

Læs mere

Fordelingen af gentagne observationer (målinger) kan beskrives ved hjælp af et histogram, der viser antallet af målinger i et givet interval.

Fordelingen af gentagne observationer (målinger) kan beskrives ved hjælp af et histogram, der viser antallet af målinger i et givet interval. H:\excerc\geodstat.doc, sdste ædrg: ov. 5, 3.. 3. Geodætsk statstk og mdste kvadraters metode. 3.. Statstske grudbegreber. 3.. Fordelger. Fordelge af getage observatoer (målger ka beskrves ved hælp af

Læs mere

Antag X 1,..., X n stokastiske variable med fælles middelværdi µ og varians σ 2. Hvis µ er ukendt estimeres σ 2 ved 1/36.

Antag X 1,..., X n stokastiske variable med fælles middelværdi µ og varians σ 2. Hvis µ er ukendt estimeres σ 2 ved 1/36. Estmaton af varans/sprednng Landmålngens fejlteor Lekton 4 Vægtet gennemsnt Fordelng af slutfejl - rw@math.aau.dk Insttut for Matematske Fag Aalborg Unverstet Antag X,..., X n stokastske varable med fælles

Læs mere

Økonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS

Økonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS y = cy ( c 0 ) Pla for IV geemgag Økoometr Istrumetvarabelestmato 6. ovember 004 F9: Hvad er IV estmato: Bvarat model, et strumet: Kap.5. + afst -4 ote. F0: IV estmato det multple tlfælde (eksakt detfceret):

Læs mere

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Definition: 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 mere

Lineære Normale Modeller

Lineære Normale Modeller Note tl Leære Normale Modeller Bo Rosbjerg. marts 009 Tegger udført af Herk Ve Chrstese Idhold E smpel leær ormal model 5. Modelbestemmelse........................... 5. Mdste kvadraters estmat......................

Læs mere

Kontrol af udledninger ved produktion af ørred til havbrugsfisk

Kontrol af udledninger ved produktion af ørred til havbrugsfisk Kotrol af udledger ved produto af ørred tl havbrugsfs Notat fra DCE - Natoalt Ceter for Mljø og Eerg Dato: 19. december 013 Rettet: 4. jauar 014 og de 8. marts 014 Søre Er Larse 1 & Lars M. Svedse 1 Isttut

Læs mere

Indeks over udviklingen i biltrafikken i Danmark

Indeks over udviklingen i biltrafikken i Danmark Ideks over udvklge bltrafkke Damark Afdelgsgeør Alla Crstese, Vejdrektoratet, og cvlgeør, p.d. Crsta Overgård ase, TetraPla A/S. Baggrud og formål. Baggrud Vejdrektoratet ar sde 978 regelmæssgt udgvet

Læs mere

antal gange krone sker i første n kast = n

antal 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 mere

Økonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)?

Økonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)? Dagens program Økonometr Heteroskedastctet 6. oktober 004 Hovedemnet for denne forelæsnng er heteroskedastctet (kap. 8.-8.3) Lneære sandsynlghedsmodel (kap 7.5) Konsekvenser af heteroskedastctet Hvordan

Læs mere

Statistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!

Statistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk! Statistik Lektio 8 Parrede test Test for forskel i adele Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og kviders

Læs mere

Statistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion

Statistik 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 mere

ORDEN OG UDVALG: KUNSTEN AT TÆLLE KOMBINATORIK N H

ORDEN OG UDVALG: KUNSTEN AT TÆLLE KOMBINATORIK N H ORDEN OG UDVALG: UNSTEN AT TÆLLE OMBINATORI Edeligt symmetrisk sadsylighedsfelt I et edeligt symmetrisk sadsylighedsfelt ( P ) U, ka sadsylighede for e give hædelse H, hvor altså H U, som bekedt bereges

Læs mere

Rettevejledning til Økonomisk Kandidateksamen 2006I, Økonometri 1

Rettevejledning til Økonomisk Kandidateksamen 2006I, Økonometri 1 Rettevejledg tl Økoomsk Kaddateksame 6I, Økoometr Vurdergsgrudlaget er selve opgavebesvarelse og blaget. Programmer og data, som er afleveret på dskette/cd, bedømmes som såda kke, me er avedt f.eks. tl

Læs mere

bestemmes. kendes ( ) A i Subjektiv information + objektiv information Bayesiansk statistik (gang 10) Bayes sætning

bestemmes. kendes ( ) A i Subjektiv information + objektiv information Bayesiansk statistik (gang 10) Bayes sætning Statstk. gag BAYESIANSKE METOER Objektv formato f.eks. forsøgs resultater klasssk statstk gag -9 Subjektv formato objektv formato Bayesask statstk gag Bayes sætg E E A A E A A... E A A A E A E E E A A

Læs mere

Test i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!

Test 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 mere

Løsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)

Løsningsforslag 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 mere

Gamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)

Gamle 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 mere

Elementær Matematik. Polynomier

Elementær 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 mere

Variansanalyse. på normalfordelte observationer af Jens Friis

Variansanalyse. på normalfordelte observationer af Jens Friis Varasaalyse på ormalfordelte observatoer af Jes Frs Esdg varasaalyse Model eelt ormalfordelt observatosræe Lad X, X, X er dbyrdes uafhægge N(μ, σ ) - fordelt stoastse varable Det tlhørede observatossæt

Læs mere

Den stokastiske variabel X angiver levetiden i timer for en elektrisk komponent. Tæthedsfunktionen for den stokastiske variabel er givet ved

Den stokastiske variabel X angiver levetiden i timer for en elektrisk komponent. Tæthedsfunktionen for den stokastiske variabel er givet ved STATISTIK Skrtlg evaluerg, 3. emeter, madag de 3. jauar 5 kl. 9.-3.. Alle hjælpemdler er tlladt. Opgaveløge orye med av og CPR-r. OPGAVE De tokatke varabel agver levetde tmer or e elektrk kompoet. Tætheduktoe

Læs mere

Dagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)

Dagens 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 mere

Simpel Lineær Regression - repetition

Simpel Lineær Regression - repetition Smpel Leær Regresso - repetto Spørgsmål: Afhæger leært af?. Model: β + β + ε ε d N(0, σ 0 ) Sstematsk kompoet + Stokastsk kompoet Estmato - repetto Vha. Mdste Kvadraters Metode fder v regressosle hvor

Læs mere

Indholdsfortegnelse Generelt Diskrete stokastiske variable: Kontinuerte stokastiske variable: Regneregler for stokastiske variable

Indholdsfortegnelse Generelt Diskrete stokastiske variable: Kontinuerte stokastiske variable: Regneregler for stokastiske variable Idholdsfortegelse Geerelt:...3 Stokastisk variabel:...3 Tæthedsfuktio/sadsylighedsfuktio for stokastisk variabel:...3 Fordeligsfuktio/sumfuktio for stokastisk variabel:...3 Middelværdi:...4 Geemsit:...4

Læs mere

STATISTIKNOTER Simple normalfordelingsmodeller

STATISTIKNOTER Simple normalfordelingsmodeller STATISTIKNOTER Simple ormalfordeligsmodeller Jørge Larse IMFUFA Roskilde Uiversitetsceter Februar 1999 IMFUFA, Roskilde Uiversitetsceter, Postboks 260, DK-4000 Roskilde. Jørge Larse: STATISTIKNOTER: Simple

Læs mere

DATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet

DATV: 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 mere

Praktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.

Praktisk 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 mere

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen Landbrugets efterspørgsel efter Kunstgødnng Angelo Andersen.. Problemformulerng I forbndelse med ønsket om at reducere kvælstof udlednngen fra landbruget kan det være nyttgt at undersøge hvordan landbruget

Læs mere

Introduktion til uligheder

Introduktion 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 mere

Cykelfysik. Om udveksling og kraftoverførsel

Cykelfysik. Om udveksling og kraftoverførsel Cykelfysik 1/7 Cykelfysik Om udvekslig og kaftoveføsel Idhold 2. Kaftoveføsel og abejde...2 3. Abejde ved cykelkøsel...4 4. Regeeksemple fo e acecykel...5 5. Det e hådt at køe op ad bakke...6 6. Simple

Læs mere

Brugen af R 2 i gymnasiet

Brugen af R 2 i gymnasiet Bruge af R gymaset Per Bruu Brockhoff, DTU Compute, Erst Hase, KU Matematk og Claus Thor Ekstrøm, KU Bostatstk Der lader tl at være e vs forvrrg bladt og ueghed mellem forskellge faggrupper omkrg R værde,

Læs mere

Bilag 6: Økonometriske

Bilag 6: Økonometriske Marts 2015 Blag 6: Økonometrske analyser af energselskabernes omkostnnger tl energsparendsatsen Energstyrelsen Indholdsfortegnelse 1. Paneldataanalyse 3 Specfkaton af anvendte panel regressonsmodeller

Læs mere

Estimation og test i normalfordelingen

Estimation og test i normalfordelingen af Birger Stjerholm Made Samfudlitteratur 07 Etimatio og tet i ormalfordelige Dee tekt ideholder et overblik over ogle grudlæggede pricipper for etimatio og tet i ormalfordelige i hyppigt forekommede ituatioer:

Læs mere

Introduktion til uligheder

Introduktion 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 mere

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen Vægtet model Landmålngens fejlteor Lekton 4 Vægtet gennemsnt Fordelng af slutfejl - kkb@mathaaudk http://peoplemathaaudk/ kkb/undervsnng/lf3 Insttut for Matematske Fag Aalborg Unverstet Gvet n uafhængge

Læs mere

Binomialfordelingen: april 09 GJ

Binomialfordelingen: april 09 GJ Bnomalfordelngen: aprl 09 GJ Spm A 14: Sandsynlghedsregnng og statstk. Efter en kort ntrodukton af grundlæggende begreber sandsynlghedsregnng og statstk skal du skal ntroducere bnomalfordelngsmodellen

Læs mere

Hypotese test. Repetition fra sidst Hypoteser Test af middelværdi Test af andel Test af varians Type 1 og type 2 fejl Signifikansniveau

Hypotese test. Repetition fra sidst Hypoteser Test af middelværdi Test af andel Test af varians Type 1 og type 2 fejl Signifikansniveau ypotese test Repetition fra sidst ypoteser Test af middelværdi Test af andel Test af varians Type 1 og type fejl Signifikansniveau Konfidens intervaller Et konfidens interval er et interval, der estimerer

Læs mere

Stikprøvefordelinger og konfidensintervaller

Stikprøvefordelinger 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 mere

Hypotesetest. Hypotesetest og kritiske værdier Type 1 og Type 2 fejl Styrken af en test Sammenligning af to populationer

Hypotesetest. Hypotesetest og kritiske værdier Type 1 og Type 2 fejl Styrken af en test Sammenligning af to populationer Hypoteetet Hypoteetet og kritike værdier Type og Type fejl Styrke af e tet Sammeligig af to populatioer Kofideiterval for σ tore tikprøver. Hvi X følger e χ -fordelig med frihedgrader, dv. X~χ (), gælder

Læs mere

Kombinatorik. 1 Kombinationer. Indhold

Kombinatorik. 1 Kombinationer. Indhold Kombator, marts 04, Krste Roselde Georg Mohr-Kourrece Kombator Kombator går ud på at tælle atallet af ombatoer af et eller adet, og for at ue tælle atallet af ombatoer smart har ma brug for forsellge tællestrateger

Læs mere

Ikke-parametriske tests af forskel i central tendens. Tests for forskel i central tendens for data på ordinal- og intervalskala

Ikke-parametriske tests af forskel i central tendens. Tests for forskel i central tendens for data på ordinal- og intervalskala Statstk for bologer 5-6, moul 7: Tests for forskel cetral tees for ata på oral- og tervalskala Ikke-parametrske tests af forskel cetral tees Vægter forskel mea ve hjælp af ragtal Data skal være på mst

Læs mere

Lineær regression lidt mere tekniske betragtninger om R^2 og et godt alternativ

Lineær regression lidt mere tekniske betragtninger om R^2 og et godt alternativ Dowloaded from orbt.dtu.dk o: Dec 0, 08 Leær regresso ldt mere tekske betragtger om R^ og et godt alteratv Brockhoff, Per B.; Ekstrøm, Claus Thor; Hase, Erst Publshed : LMFK-Bladet Publcato date: 07 Documet

Læs mere

Analyse 1, Prøve maj 2009

Analyse 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 mere

9. Binomialfordelingen

9. 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 mere

Talfølger og -rækker

Talfølger 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 mere

Fra små sjove opgaver til åbne opgaver med stor dybde

Fra små sjove opgaver til åbne opgaver med stor dybde Fra små sjove opgaver tl åbne opgaver med stor dybde Vladmr Georgev 1 Introdukton Den største overraskelse for gruppen af opgavestllere ved "Galle" holdkonkurrenen 009 var en problemstllng, der tl at begynde

Læs mere

1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2

1 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 mere

Økonometri 1. Heteroskedasticitet 27. oktober Økonometri 1: F12 1

Økonometri 1. Heteroskedasticitet 27. oktober Økonometri 1: F12 1 Økonometr 1 Heteroskedastctet 27. oktober 2006 Økonometr 1: F12 1 Dagens program: Heteroskedastctet (Wooldrdge kap. 8.3-4) Sdste gang: I dag: Konsekvenser af heteroskedastctet for OLS Korrekton af varansen

Læs mere

Sandsynlighedsregning og statistik med binomialfordelingen

Sandsynlighedsregning og statistik med binomialfordelingen Sandsynlghedsregnng og statstk med bnomalfordelngen Katja Kofod Svan og Olav Lyndrup Januar 09 Indhold Stokastske varable... 3 Mddelværd og sprednng... 6 Bnomalfordelngen... Andre sandsynlghedsfordelnger...

Læs mere

Statistiske test. Efteråret 2010 Jens Friis, AAU. Hjemmeside :

Statistiske 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 mere

Matematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet.

Matematik 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 mere

Lys og gitterligningen

Lys 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

Estimation ved momentmetoden. Estimation af middelværdiparameter

Estimation 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 mere

Regressionsmodeller. Kapitel Ikke-lineær regression

Regressionsmodeller. Kapitel Ikke-lineær regression Kaptel 0 Regressonsmodeller V vl dette kaptel dskutere eksempler på mere komplceret modeller, med observatoner, der nok er uahængge, men kke dentsk ordelte I sådanne modeller kan der opstå et naturlgt

Læs mere

Mikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007

Mikroøkonomi, 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 mere

Økonometri 1. Test for heteroskedasticitet. Test for heteroskedasticitet. Dagens program. Heteroskedasticitet 26. oktober 2005

Økonometri 1. Test for heteroskedasticitet. Test for heteroskedasticitet. Dagens program. Heteroskedasticitet 26. oktober 2005 Dagens program Økonometr Heteroskedastctet 6. oktober 005 Emnet for denne forelæsnng er heteroskedastctet (Wooldrdge kap. 8.3-8.4) Konsekvenser af heteroskedastctet Hvordan fnder man en effcent estmator?

Læs mere

vejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.

vejer (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 mere

Meningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017

Meningsmålinger 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 mere

Lineær regressionsanalyse8

Lineær regressionsanalyse8 Lneær regressonsanalyse8 336 8. Lneær regressonsanalyse Lneær regressonsanalyse Fra kaptel 4 Mat C-bogen ved v, at man kan ndtegne en række punkter et koordnatsystem, for at afgøre, hvor tæt på en ret

Læs mere

Diskrete og kontinuerte stokastiske variable

Diskrete 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 mere

Matematikkens mysterier - på et obligatorisk niveau. 7. Ligninger, polynomier og asymptoter

Matematikkens 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 mere

Overlappende stationsoplande: Bestemmelse af passagerpotentialer

Overlappende stationsoplande: Bestemmelse af passagerpotentialer Resumé Overlappede statosoplade: Bestemmelse af passagerpotetaler Valdemar Warburg, stud.polyt., valde@post.com Ibe Rue, stud.polyt., berue@hotmal.com Ceter for Trafk og Trasport (CTT), Damarks Tekske

Læs mere

Sætning: 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

Sætning: 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 mere