Landmålingens fejlteori - Fejlforplantning ved geometrisk nivellement - Lektion 6
|
|
- Thorvald Lauritzen
- 1 år siden
- Visninger:
Transkript
1 Landmålingens fejlteori Fejlforplantning ved geometrisk nivellment Lektion 6 - tvede@math.aau.dk tvede/teaching/l4 Institut for Matematiske Fag Aalborg Universitet 5. maj /19
2 t i : stadieaflæsning ved tilbagesigte f i : stadieaflæsning ved fremsigte n h = (t 1 f 1 ) + (t 2 f 2 ) + + (t n f n ) = t i f i Totallængden l er opdelt i 2n stykker af længde s, dvs. l = 2ns. 2/19
3 Modellen Vi antager af t i og f i er realisationer af uafhængige stokatiske variable T i og F i med samme varians σ 2 a, i = 1,...,n. Denne antagelse kan begrundes med sigteafstanden er fast og den samme for alle observationer. Ydermere bliver h således en realisation af den stokastiske variabel H = n T i F i. Dvs: T 1 F 1... T n F n H t 1 f 1... t n f n h 3/19
4 Variansen af højdemålingen Variansen af H bestemmes ved ( n ) n V(H) = V T i F i = [V(T i ) + V(F i )] = n (σa 2 + σ2 a ) = 2nσ2 a Fra slide 2 er 2n = l/s, således V(H) = lσ 2 a /s = σ2 l. Erfaringer viser at σ a / s kun i ringe grad afhænger af s når s < 100 m. 4/19
5 Variansen af højdemålingen Variansen af H bestemmes ved ( n ) n V(H) = V T i F i = [V(T i ) + V(F i )] = n (σa 2 + σ2 a ) = 2nσ2 a Fra slide 2 er 2n = l/s, således V(H) = lσa 2 /s = σ2 l. Erfaringer viser at σ a / s kun i ringe grad afhænger af s når s < 100 m. Således indføres kilometerspredningen σ k = σ a / s hvor af V(H) = σl 2 = lσ2 a /s 4/19
6 Variansen af højdemålingen Variansen af H bestemmes ved ( n ) n V(H) = V T i F i = [V(T i ) + V(F i )] = n (σa 2 + σ2 a ) = 2nσ2 a Fra slide 2 er 2n = l/s, således V(H) = lσa 2 /s = σ2 l. Erfaringer viser at σ a / s kun i ringe grad afhænger af s når s < 100 m. Således indføres kilometerspredningen σ k = σ a / s hvor af V(H) = σl 2 = lσ2 a /s = lσ2 k σ l er således spredningen på et geometrisk nivellement over længden l. 4/19
7 t model Givet n uafhængige målinger x 1,...,x n af n størrelser µ 1,...,µ n. Målinger er ikke nødvendigvis af samme kvalitet. Fx. kan visse målinger være behæftet ved flere fejlkilder end andre, nogle kan være målt flere gange, etc. Som tidligere er x 1,..., x n realisationer af stokatiske variable X 1,..., X n, hvor E(X i ) = µ i og V(X i ) = σ 2 i ikke nødvendigvis er ens. 5/19
8 t model Hver måling gives en vægt p i som afspejler kvaliteten af målingen - desto højere vægt desto bedre måling. ne er positive tal der vælges således de opfylder vægtrelationen, dvs p 1 σ 2 1 = p 2σ 3 2 = = p nσ 2 n. Eks. hvis to variansen på første måling er dobbelt så stor på som den anden (σ 2 1 = 2σ2 2 ), vælges p 1 = 1 og p 2 = 2 sådan at p 1 σ 2 1 = p 2σ 2 2. Altså, vægten på den bedste måling er dobbelt så stor som på den dårligere måling. 5/19
9 t gennemsnit Antag at µ 1 = µ 2 = = µ n = µ, dvs alle observationer x 1,...,x n er målinger af samme størrelse µ. Fortsat kan er variansen ikke nødvendigvis den samme for alle målinger. Eks. kan der være anvendt måleudstyr af forskellige fabrikanter og/eller kvalitet. 6/19
10 t gennemsnit Antag at µ 1 = µ 2 = = µ n = µ, dvs alle observationer x 1,...,x n er målinger af samme størrelse µ. Fortsat kan er variansen ikke nødvendigvis den samme for alle målinger. Eks. kan der være anvendt måleudstyr af forskellige fabrikanter og/eller kvalitet. Til at estimere µ bruges det vægtede gennemsnit x således mere præcise målinger (observationer med lav varians) vægter mere i gennemsnittet end dårligere bestemte målinger. x = p 1 n 1=i p x i p n n 1=i p x n = i 1 n 1=i p (p 1 x p n x n ), i hvor vægtene er valgt så de opfylder p 1 σ 2 1 = = p nσ 2 n. 6/19
11 Sætning For den stokastiske variabel X = p 1 n 1=i p X i p n n 1=i p i X n = 1 n 1=i p (p 1 X p n X n ) i gælder følgende udsagn 1. X er et centralt estimat, dvs. E( X ) = µ 2. For positive p 1,..., p n er V( X ) mindst når vægtene opfylder p 1 σ 2 1 = = p nσ 2 n. 7/19
12 Sætning - bevis 1. følger ved E( X ) = ( 1 E n 1=i p i ) [p 1 X p n X n ] 8/19
13 Sætning - bevis 1. følger ved E( X ) = = ( 1 E n 1=i p i ) [p 1 X p n X n ] 1 n 1=i p [p 1 E(X 1 ) + + p n E(X n )] i 8/19
14 Sætning - bevis 1. følger ved E( X ) = = = ( 1 E n 1=i p i ) [p 1 X p n X n ] 1 n 1=i p [p 1 E(X 1 ) + + p n E(X n )] i 1 n 1=i p [p 1 µ + + p n µ] i 8/19
15 Sætning - bevis 1. følger ved E( X ) = = = ( 1 E n 1=i p i ) [p 1 X p n X n ] 1 n 1=i p [p 1 E(X 1 ) + + p n E(X n )] i 1 n 1=i p [p 1 µ + + p n µ] i 1 = µ n 1=i p (p p n ) i = µ. 8/19
16 Bevis - fortsat Punkt 2 vises for n = 2, dvs vi betragter X = a 1 X 1 + a 2 X 2, hvor a 1 + a 2 = 1 idet vægtene i sætningen p 1 og p 2 er givet så X = p 1 p 1 + p 2 X 1 + p 2 p 1 + p 2 X 2 altså p 1 p 1 + p 2 + p 2 p 1 + p 2 = 1. 9/19
17 Bevis - fortsat Punkt 2 vises for n = 2, dvs vi betragter X = a 1 X 1 + a 2 X 2, hvor a 1 + a 2 = 1 idet vægtene i sætningen p 1 og p 2 er givet så X = p 1 p 1 + p 2 X 1 + p 2 p 1 + p 2 X 2 altså p 1 p 1 + p 2 + p 2 p 1 + p 2 = 1. Derfor a 2 = 1 a 1, så variansen er givet ved V( X ) = V(a 1 X 1 + a 2 X 2 ) = V(a 1 X 1 + (1 a 1 )X 2 ) = a1 2 σ2 1 + (1 a 1) 2 σ2 2. 9/19
18 Bevis - fortsat Vi ønsker at variansen af X skal være mindst mulig. Derfor minimeres udtrykket V( X ) = a1 2σ2 1 + (1 a 1) 2 σ2 2 i a 1. Differentiation mht a 1 giver V( X ) a 1 = 2a 1 σ (1 a 1)( 1)σ /19
19 Bevis - fortsat Vi ønsker at variansen af X skal være mindst mulig. Derfor minimeres udtrykket V( X ) = a1 2σ2 1 + (1 a 1) 2 σ2 2 i a 1. Differentiation mht a 1 giver V( X ) a 1 = 2a 1 σ (1 a 1)( 1)σ 2 2 Sættes dette lig nul får vi: 0 = 2a 1 σ (1 a 1)( 1)σ2 2 a 1 σ1 2 = (1 a 1 )σ2, 2 10/19
20 Bevis - fortsat Vi ønsker at variansen af X skal være mindst mulig. Derfor minimeres udtrykket V( X ) = a1 2σ2 1 + (1 a 1) 2 σ2 2 i a 1. Differentiation mht a 1 giver V( X ) a 1 = 2a 1 σ (1 a 1)( 1)σ 2 2 Sættes dette lig nul får vi: hvilket giver 0 = 2a 1 σ (1 a 1)( 1)σ2 2 a 1 σ1 2 = (1 a 1 )σ2, 2 a 1 = σ2 2 σ σ2 2 og a 2 = 1 a 1 = 1 σ2 2 σ σ2 2 = σ2 1 σ σ2 2 10/19
21 Bevis - fortsat Dvs variansen V(a 1 X 1 + a 2 X 2 ) er mindst for a 1 σ 2 1 = a 2σ 2 2 under antagelsen af a 1 + a 2 = 1. 11/19
22 Bevis - fortsat Dvs variansen V(a 1 X 1 + a 2 X 2 ) er mindst for a 1 σ 2 1 = a 2σ 2 2 under antagelsen af a 1 + a 2 = 1. Bemærk at a 1 σ 2 1 = a 2 σ /19
23 Bevis - fortsat Dvs variansen V(a 1 X 1 + a 2 X 2 ) er mindst for a 1 σ 2 1 = a 2σ 2 2 under antagelsen af a 1 + a 2 = 1. Bemærk at a 1 σ1 2 = a 2 σ2 2 σ2 2 σ1 2 + σ σ2 1 2 = σ2 1 2 σ1 2 + σ σ /19
24 Bevis - fortsat Dvs variansen V(a 1 X 1 + a 2 X 2 ) er mindst for a 1 σ 2 1 = a 2σ 2 2 under antagelsen af a 1 + a 2 = 1. Bemærk at a 1 σ1 2 = a 2 σ2 2 σ2 2 σ1 2 + σ σ2 1 2 = σ2 1 2 σ1 2 + σ σ2 2 2 σ2σ = σ1σ 2 2, 2 2 dvs variansen er mindst når vægtrelationen er opfyldt. 11/19
25 Bevis - fortsat Dvs variansen V(a 1 X 1 + a 2 X 2 ) er mindst for a 1 σ 2 1 = a 2σ 2 2 under antagelsen af a 1 + a 2 = 1. Bemærk at a 1 σ1 2 = a 2 σ2 2 σ2 2 σ1 2 + σ σ2 1 2 = σ2 1 2 σ1 2 + σ σ2 2 2 σ2σ = σ1σ 2 2, 2 2 dvs variansen er mindst når vægtrelationen er opfyldt. Sættes a 1 = p1 p 1+p 2 og a 2 = p2 p 1+p 2 er sætningen således bevist, dvs ( V( X p1 ) = V X 1 + p ) 2 X 2 er mindst for p 1 σ1 2 p 1 + p 2 p 1 + p = p 2σ /19
26 Estimator af σ 2 0 Idet vægtrelationen foreskriver p i σ 2 i er ens for alle i, kan σ 2 0 indføres som σ 2 0 = p 1σ 2 1 = = p 2σ /19
27 Estimator af σ 2 0 Idet vægtrelationen foreskriver p i σ 2 i er ens for alle i, kan σ 2 0 indføres som σ 2 0 = p 1σ 2 1 = = p 2σ 2 2. Som estimator for σ 2 0 anvendes S 2 0 = n p i(x i X ) 2 n 1 = n p ixi 2 ( X ) 2 n n 1 p i. 12/19
28 Estimator af σ 2 0 Idet vægtrelationen foreskriver p i σ 2 i er ens for alle i, kan σ 2 0 indføres som σ 2 0 = p 1σ 2 1 = = p 2σ 2 2. Som estimator for σ 2 0 anvendes S 2 0 = n p i(x i X ) 2 n 1 = n p ixi 2 ( X ) 2 n n 1 p i. 12/19
29 Variansen af X og σ 0. Lad p + = n p i og dermed X = p1 p + X pn p + X n. Bemærk ( V( X p1 ) = V X p ) n X n p + p + 13/19
30 Variansen af X og σ 0. Lad p + = n p i og dermed X = p1 p + X pn p + X n. Bemærk ( V( X p1 ) = V X p ) n X n p + p + = n ( pi p + ) 2 V(X i ) 13/19
31 Variansen af X og σ 0. Lad p + = n p i og dermed X = p1 p + X pn p + X n. Bemærk ( V( X p1 ) = V X p ) n X n p + p + = = n n ( pi p + p 2 i σ2 i p 2 + ) 2 V(X i ) 13/19
32 Variansen af X og σ 0. Lad p + = n p i og dermed X = p1 p + X pn p + X n. Bemærk ( V( X p1 ) = V X p ) n X n p + p + = = = n n n ( pi p + p 2 i σ2 i p 2 + p i σ 2 0 p 2 + ) 2 V(X i ) pga. σ 2 0 = p 1σ 2 1 = = p nσ 2 n 13/19
33 Variansen af X og σ 0. Lad p + = n p i og dermed X = p1 p + X pn p + X n. Bemærk ( V( X p1 ) = V X p ) n X n p + p + = = = n n ( pi p + p 2 i σ2 i p 2 + n p i σ0 2 p 2 + n p i ) 2 V(X i ) pga. σ 2 0 = p 1σ 2 1 = = p nσ 2 n = σ0 2 ( n p 2 i) 13/19
34 Variansen af X og σ 0. Lad p + = n p i og dermed X = p1 p + X pn p + X n. Bemærk ( V( X p1 ) = V X p ) n X n p + p + = = = n n ( pi p + p 2 i σ2 i p 2 + n p i σ0 2 p 2 + ) 2 V(X i ) pga. σ 2 0 = p 1σ 2 1 = = p nσ 2 n n = σ0 2 p i ( n p ) 2 = σ2 0 n i p. i 13/19
35 Estimat af σ 2 0 Således er variansen på det vægtede gennemsnit givet ved ( V( X ) = σ2 0 n p og dermed X σ 2 ) 0 N µ, n i p i Som estimat af S0 2 anvendes s2 0, hvor de stokatiske variable er erstattet af de observerede værdier, s 2 0 = n p i(x i x ) 2 n 1 = n p ixi 2 ( x ) 2 n n 1 p i. 14/19
36 Estimat af σ 2 0 Således er variansen på det vægtede gennemsnit givet ved ( V( X ) = σ2 0 n p og dermed X σ 2 ) 0 N µ, n i p i Som estimat af S0 2 anvendes s2 0, hvor de stokatiske variable er erstattet af de observerede værdier, s 2 0 = n p i(x i x ) 2 n 1 = n p ixi 2 ( x ) 2 n n 1 p i Estimatet for variansen af det vægtede gennemsnit er således. s 2 0 n p i. 14/19
37 Estimat af σ 2 0 Således er variansen på det vægtede gennemsnit givet ved ( V( X ) = σ2 0 n p og dermed X σ 2 ) 0 N µ, n i p i Som estimat af S0 2 anvendes s2 0, hvor de stokatiske variable er erstattet af de observerede værdier, s 2 0 = n p i(x i x ) 2 n 1 = n p ixi 2 ( x ) 2 n n 1 p i Estimatet for variansen af det vægtede gennemsnit er således. s 2 0 n p i. Pga. vægtrelationen kan den i te varians σ 2 i skrives som σ 2 i = σ 2 0 /p i. Heraf kan σ 2 i estimeres vha. s 2 0 /p i. 14/19
38 Eksempel - Højdeforskel nivelleret over n strækninger med samme kilometerspredning σ k. Variansen over en længde l er fra tidligere givet ved σ 2 k l. Højdeforskel h Længde l Varians på h over l h 1 l 1 σ 2 1 = σ2 k l 1 h 2 l 2 σ 2 2 = σ2 k l 2... h n l n σ 2 n = σ 2 k l n Forskellig varians på målinger pga l i l j, dvs. vægtede observationer. 15/19
39 Eksempel - Vægtrelationen er opfyldt når σ 2 0 = p 1σ 2 1 = = p nσ 2 n 16/19
40 Eksempel - Vægtrelationen er opfyldt når σ 2 0 = p 1σ 2 1 = = p nσ 2 n Indsættes udtrykket for σ 2 i = l i σ 2 k har vi: σ 2 0 = p 1 σ 2 kl 1 = = p n σ 2 kl n 16/19
41 Eksempel - Vægtrelationen er opfyldt når σ 2 0 = p 1σ 2 1 = = p nσ 2 n Indsættes udtrykket for σ 2 i = l i σ 2 k har vi: Heraf fremgår det at hvis p i = l 1 i σ 2 0 = p 1 σ 2 kl 1 = = p n σ 2 kl n er ligheden opfyldt: σ0 2 = l 1 1 σ2 kl 1 = = ln 1 σkl 2 n = σk 2 = = σ2 k. Dvs. vægte kan vælges til p i = (l i ) 1 altså er vægten den resiprokke længde. 16/19
42 Eksempel - polygonvinkler Vi måler vinklerne i punkterne Alle vinkler er målt med samme varians σ 2 v. Lad σ 2 m,i være variansen af middelsatsen i punkt i. Punkt Antal satser σ 2 m,i 13 2 σ 2 m,13 = σ2 v σ 2 m,14 = σ2 v σ 2 m,15 = σ2 v σ 2 m,16 = σ2 v 6 17/19
43 Eksempel - fortsat Ifølge vægtrelationen skal p i σ 2 m,i være ens for alle i, p 13 σ 2 m,13 = p 14σ 2 m,14 = p 15σ 2 m,15 = p 16σ 2 m,16. Jf. udtrykkene fra forrige slide σv 2 p 13 2 = p σv = p σv = p σv Således kan vægtene vælges lig antal satser for hvert punkt. 18/19
44 Eksempel - Vinkelmålinger Vinkler målt med forskellige satser med samme vinkelspredning σ v. Variansen på vinkler målt med k satser er fra tidligere givet ved σ 2 v/k. Vinkel v Sats k Varians på middelsats v 1 k 1 σ1 2 = σ2 v /k 1 v 2 k 2 σ2 2 = σ2 v/k v n k n σn 2 = σ2 v /k n Forskellig varians på målinger pga. forskelligt antal satser, dvs. vægtede observationer. 19/19
45 Eksempel - Vinkelmålinger Vinkler målt med forskellige satser med samme vinkelspredning σ v. Variansen på vinkler målt med k satser er fra tidligere givet ved σ 2 v/k. Vinkel v Sats k Varians på middelsats v 1 k 1 σ1 2 = σ2 v /k 1 v 2 k 2 σ2 2 = σ2 v/k v n k n σn 2 = σ2 v /k n Forskellig varians på målinger pga. forskelligt antal satser, dvs. vægtede observationer. Vægtrelationen er opfyldt når σ 2 0 = p 1σ 2 1 = = p nσ 2 n. Fra tabellen ses det at vægten kan vælges til p i = k i dvs vægten er antal satser. 19/19
Vægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen
Vægte motiverende eksempel Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - kkb@mathaaudk Institut for Matematiske Fag Aalborg Universitet Højdeforskellen mellem punkterne P
Læs mereLandmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Institut for Matematiske Fag Aalborg Universitet 1/1 Vægtet
Læs mereLandmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8
Landmålingens fejlteori Repetition - Fordeling af slutfejl Lektion 8 - tvede@math.aau.dk http://www.math.aau.dk/ tvede/teaching/l4 Institut for Matematiske Fag Aalborg Universitet 15. maj 2008 1/13 Fordeling
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 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 mereGeometrisk nivellement. Landmålingens fejlteori - Lektion 7 - Repetition - Fejlforplantning ved geometrisk nivellement. Modellen.
Landmålingen fejlteori Lektion 7 Repetition Fejlforplantning ved geometrik nivellement h t f t f t f t 4 f 4 t n f n - kkb@mathaaudk http://peoplemathaaudk/ kkb/undervining/lf Intitut for Matematike Fag
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 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 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 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 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 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 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 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 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 mereVægtet 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 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 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 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 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 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 mereØkonometri Lektion 1 Simpel Lineær Regression 1/31
Økonometri Lektion 1 Simpel Lineær Regression 1/31 Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Statistisk model: Vi antager at sammenhængen
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte
Læs 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 mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereSætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n
Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi
Læs mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
Læs mereHvorfor er normalfordelingen så normal?
Hvorfor er normalfordelingen så normal? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 24, 2018 normalfordelingen så normal? October 24, 2018 1 / 13 Højde af kvinder Histogram
Læs mereSimpel Lineær Regression
Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Vi antager at sammenhængen mellem y og x er beskrevet ved y = β 0 + β 1 x + u. y: Afhængige
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs mere! Proxy variable. ! Målefejl. ! Manglende observationer. ! Dataudvælgelse. ! Ekstreme observationer. ! Eksempel: Lønrelation (på US data)
Dagens program Økonometri 1 Specifikation, og dataproblemer 10. april 003 Emnet for denne forelæsning er specifikation (Wooldridge kap. 9.-9.4)! Proxy variable! Målefejl! Manglende observationer! Dataudvælgelse!
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 mereMotivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser
Motivation Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser Rasmus Waagepetersen October 26, 2018 Eksempel: En landmåler får til opgave at måle længden λ fra A til B. Entreprenøren
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Repetitio: Normalfordelige Ladmåliges fejlteori Lektio Trasformatio af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/udervisig/lf13 Istitut for Matematiske Fag Aalborg Uiversitet
Læs 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 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 mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2003 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs 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 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 mereØkonometri: Lektion 2 Multipel Lineær Regression 1/33
Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 +β 1 x +u, hvor fejlledet u,
Læs mereSimpel Lineær Regression: Model
Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]
Læs mereInstitut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 6
Institut for Matematiske Fag Matematisk Modellering 1 Aarhus Universitet Eva B. Vedel Jensen 25. februar 2008 UGESEDDEL 6 Forelæsningerne torsdag den 21. februar og tirsdag den 26. februar. Jeg har gennemgået
Læs mere3 Stokastiske variable 3.1 Diskrete variable
3 Stokastiske variable 3.1 Diskrete variable Punktsandsnligheden benævnes P(x) = P(X = x). {x, P(x)} er en sandsnlighedsfordeling for den stokastiske variabel, X, hvis 1) P(x) $ 0 for alle værdier af x.
Læs mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
Læs mereLandmålingens fejlteori - Sandsynlighedsregning - Lektion 1
Landmålingens fejlteori Sandsynlighedsregning Lektion 1 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 23. april 2009 1/28 Landmålingens
Læs mereRettevejledning til eksamen i Kvantitative metoder 1, 2. årsprøve 2. januar 2007
Rettevejledning til eksamen i Kvantitative metoder 1,. årsprøve. januar 007 I rettevejledningen henvises der til Berry and Lindgren "Statistics Theory and methods"(b&l) hvis ikke andet er nævnt. Opgave
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2002 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Specifikation og dataproblemer 2. maj 2007 KM2: F22 1 Program Specifikation og dataproblemer, fortsat (Wooldridge kap. 9): Betydning af målefejl Dataudvælgelse: Manglende observationer
Læs mereEt firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen
STATISTIK Skriftlig evaluering, 3. semester, mandag den 6. januar 004 kl. 9.00-13.00. Alle hjælpemidler er tilladt. Opgaveløsningen forsynes med navn og CPR-nr. OPGAVE 1 Et firma tuner biler. Antallet
Læs mereHvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2005 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs mereAnvendt Lineær Algebra
Anvendt Lineær Algebra Kursusgang 3 Anita Abildgaard Sillasen Institut for Matematiske Fag AAS (I17) Anvendt Lineær Algebra 1 / 38 Vi betragter et lineært ligningssystem (af m ligninger med n ubekendte)
Læs mereKonfidensintervaller og Hypotesetest
Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller
Læs mereTrin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereNanostatistik: Opgavebesvarelser
Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,
Læs mereOpgaver til kapitel 3
Opgaver til kapitel 3 3.1 En løber er interesseret i at undersøge om hendes løbeur er kalibreret korrekt. Hun udmåler derfor en strækning på præcis 1000 m og løber den 16 gange. For hver løbetur noterer
Læs mereProgram. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
Læs mereEn martingalversion af CLT
Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Estimation: Kapitel 9.1-9.3 Estimation Estimationsfejlen Bias Eksempler Bestemmelse af stikprøvens størrelse Konsistens De nitioner påkonsistens Eksempler på konsistente og middelrette estimatorer
Læs 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 mereStokastiske processer og køteori
Stokastiske processer og køteori 8. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 HVAD ER KØNETVÆRK? Åbent kønetværk Lukket kønetværk HVAD ER KØNETVÆRK? 2 Vi skal
Læs mereMat2SS Vejledende besvarelse uge 11
MatSS Vejledende besvarelse uge Eksamen V99/00 opg. a Kønsfordelingen 996 den samme for de tre skoler Mænd Kvinder I alt København 5 = n x 56 = x 8 = n Odense 9 = n x 06 = x 5 = n Århus 0 = n x 40 = x
Læs mereØkonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006
Dagens program Økonometri Den simple regressionsmodel 5. september 006 Den simple lineære regressionsmodel (Wooldridge kap.4-.6) Eksemplet fortsat: Løn og uddannelse på danske data Funktionel form Statistiske
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
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 mereOversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.
Kursus 242 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 35/324 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail:
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1 Tag-hjem prøve 1. juli 2010 24 timer Alle hjælpemidler er tilladt. Det er tilladt at skrive med blyant og benytte viskelæder,
Læs mereRettevejledning til Kvantitative metoder 1, 2. årsprøve 18. juni timers prøve med hjælpemidler
Rettevejledning til Kvantitative metoder 1, 2. årsprøve 18. juni 2007 4 timers prøve med hjælpemidler Opgaven består af re delopgaver, som alle skal besvares. De re opgaver indgår med samme vægt. Opgaverne
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
Læs mereLøsning til prøveeksamen 1
IMM - DTU 020 Probability 2006-2-8 BFN/bfn Løsning til prøveeksamen Spørgsmål ) For en indikatorvariabel I A for hændelsen A gælder E(I A ) = P(A) (se for eksemepl side 68). Således er E(X) = P(N ) = =
Læs mereSkriftlig eksamen Science statistik- ST501
SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 21. januar Opgavesættet består af 5 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.
Læs mereDagens Emner. Likelihood teori. Lineær regression (intro) p. 1/22
Dagens Emner Likelihood teori Lineær regression (intro) p. 1/22 Likelihood-metoden M : X i N(µ,σ 2 ) hvor µ og σ 2 er ukendte Vi har, at L(µ,σ 2 ) = ( 1 2πσ 2)n/2 e 1 2σ 2 P n (x i µ) 2 er tætheden som
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereForelæsning 3: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereFortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Læs mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
Læs mereProgram. Modelkontrol og prædiktion. Multiple sammenligninger. Opgave 5.2: fosforkoncentration
Faculty of Life Sciences Program Modelkontrol og prædiktion Claus Ekstrøm E-mail: ekstrom@life.ku.dk Test af hypotese i ensidet variansanalyse F -tests og F -fordelingen. Multiple sammenligninger. Bonferroni-korrektion
Læs mereNotat vedr. interkalibrering af ålegræs
Notat vedr. interkalibrering af ålegræs Notat fra DCE - Nationalt Center for Miljø og Energi Dato: 4. januar 2012 Michael Bo Rasmussen Thorsten Balsby Institut for Bioscience Rekvirent: Naturstyrelsen
Læs mereUndervisningsnoter til øvelse i Panel Modeller. %, it. E(x kjs
4 I afsnit 3 beskæftigede vi os med 1EC modellen og viste, hvordan den kunne estimereres med FGLS - bla under forudsætning af, at det individspecifikke stokastiske led er ukorreleret med de forklarende
Læs mereNanostatistik: Test af hypotese
Nanostatistik: Test af hypotese JLJ Nanostatistik: Test af hypotese p. 1/50 Repetition n uafhængige gentagne målinger: Fordelingsundersøgelse: Pindediagram / Histogram qq-plot Parameter: egenskab ved fordeling
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereUge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Læs 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 mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs mereEn martingalversion af CLT
Kapitel 9 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske variable,
Læs mereEstimation og usikkerhed
Estimation og usikkerhed = estimat af en eller anden ukendt størrelse, τ. ypiske ukendte størrelser Sandsynligheder eoretisk middelværdi eoretisk varians Parametre i statistiske modeller 1 Krav til gode
Læs mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereEt 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 mereStatistik og Sandsynlighedsregning 2. IH kapitel 12. Overheads til forelæsninger, mandag 6. uge
Statistik og Sandsynlighedsregning 2 IH kapitel 12 Overheads til forelæsninger, mandag 6. uge 1 Fordelingen af én (1): Regressionsanalyse udfaldsvariabel responsvariabel afhængig variabel Y variabel 2
Læs mereNanostatistik: Opgaver
Nanostatistik: Opgaver Jens Ledet Jensen, 19/01/05 Opgaver 1 Opgaver fra Indblik i Statistik 5 Eksamensopgaver fra tidligere år 11 i ii NANOSTATISTIK: OPGAVER Opgaver Opgave 1 God opgaveskik: Når I regner
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereUniversity of Copenhagen. Notat om statistisk inferens Larsen, Martin Vinæs. Publication date: Document Version Peer-review version
university of copenhagen University of Copenhagen Notat om statistisk inferens Larsen, Martin Vinæs Publication date: 2014 Document Version Peer-review version Citation for published version (APA): Larsen,
Læs mereForelæsning 8: Inferens for varianser (kap 9)
Kursus 02402 Introduktion til Statistik Forelæsning 8: Inferens for varianser (kap 9) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby
Læs mereStikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader
Stikprøver og stikprøve fordelinger Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Statistik Statistisk Inferens: Prediktere og forekaste værdier af
Læs mere02402 Løsning til testquiz02402f (Test VI)
02402 Løsning til testquiz02402f (Test VI) Spørgsmål 4. En ejendomsmægler ønsker at undersøge om hans kunder får mindre end hvad de har forlangt, når de sælger deres bolig. Han har regisreret følgende:
Læs mere